- 无标题文档
查看论文信息

中文题名:

 

基于数据驱动的舰船蒸汽动力辅助系统故障诊断研究

    

姓名:

 肖林博    

学号:

 1049722003774    

保密级别:

 公开    

论文语种:

 chi    

学科代码:

 080703    

学科名称:

 工学 - 动力工程及工程热物理 - 动力机械及工程    

学生类型:

 硕士    

学校:

 武汉理工大学    

院系:

 船海与能源动力工程学院    

专业:

 动力机械及工程    

研究方向:

 蒸汽动力系统仿真建模;故障诊断    

第一导师姓名:

 陈辉    

第一导师院系:

 船海与能源动力工程学院    

完成日期:

 2023-03-30    

答辩日期:

 2023-05-15    

中文关键词:

 

蒸汽动力辅助系统 ; GenSystem仿真平台 ; 鲸鱼算法 ; 长短期记忆循环神经网络

    

中文摘要:

舰船蒸汽动力系统作为舰船的动力源,是舰船最核心的部分,而动力辅助系统作为整个蒸汽动力系统的保障者,它能否正常运行关系着动力系统以及整条船的安危。过往的故障诊断研究大多集中在增压锅炉,有关于动力辅助系统的故障诊断研究较少,为及时准确的发现并解决动力辅助系统故障,本论文基于智能算法,对动力辅助系统展开故障诊断研究,主要工作如下:

(1)根据蒸汽动力系统运行机理,建立增压锅炉、涡轮增压机组、主汽轮机和动力辅助系统的数学模型。基于国内的GenSystem一体化建模仿真平台,搭建各子系统的仿真模型。通过对比典型工况下重要热力参数的仿真值和真实值,验证了仿真模型的精确度。

(2)利用混沌映射(Cubic map)和自适应权重(Adaptive weight)对鲸鱼算法(WOA)进行优化得到优化后的鲸鱼算法(CAWOA),并将优化后的鲸鱼算法用于BP神经网络权值和阈值的优化,从而帮助BP神经网络克服容易陷入局部极小值的不足。基于优化后的CAWOA-BP模型对动力辅助系统7类常见故障展开诊断研究。结果表明CAWOA-BP在对动力辅助系统常见故障的诊断研究中有着很好的效果,准确率高达96.11%。为了验证所提出的算法具有更优的故障诊断效果,对比了标准BP神经网络、普通鲸鱼算法优化BP神经网络(WOA-BP)、普通粒子群算法优化BP神经网络(PSO-BP)以及普通遗传算法优化BP神经网络(GA-BP)等算法模型,结果表明CAWOA-BP在模型训练时长、测试时长以及准确率方面有着更好的效果。

(3)结合了长短期记忆循环神经网络(LSTM)和传统阈值法,提出了LSTM阈值法用于汽轮给水泵故障停机的故障预警研究。结果表明,LSTM阈值法可以在汽轮给水机组转速降低到危险限值之前便能及时发出故障预警,从而能有效避免故障带给船舶设备的进一步损害。

参考文献:

[1] Kowalczyk T, Głuch J, Ziółkowski P. Analysis of Possible Application of High-Temperature Nuclear Reactors to Contemporary Large-Output Steam Power Plants on Ships[J]. Polish Maritime Research, 2016, Vol.23(No.2): 32-41.

[2] 陈林根,冯辉君,吴志祥,唐威,谢卓君,戈延林. 船海用蒸汽动力装置构形优化理论研究进展[J]. 中国科学(技术科学), 2022, 第52卷(第5期): 727-754.

[3] 宋辉,陆古兵,金传喜. 基于LABVIEW的核动力蒸汽发生器故障诊断系统研究[J]. 兵器装备工程学报, 2015, 第36卷(第2期): 80-83.

[4] 周旖鋆,武凯,孙宇,杨晓燕,楼晓华. 基于数据挖掘与信息融合的制冷设备故障诊断∗[J]. 振动、测试与诊断, 2021, 第41卷(第2期): 392-398,418.

[5] Gao Y, Han H, Lu H, et al. Knowledge mining for chiller faults based on explanation of data-driven diagnosis[J]. Applied Thermal Engineering, 2022, Vol.205.

[6] 覃海波,金石娇,毕玉泉,宋彦梁,杨振. 舰用蒸汽动力装置凝给水系统仿真平台设计[J]. 船舶工程, 2020(第A1期): 181-188.

[7] 回方娇. 二回路主辅蒸汽系统管网特性仿真研究[D]. 哈尔滨工程大学, 2017.

[8] Madrigal G, Astorga C M, Vazquez M, et al. Fault Diagnosis in Sensors of Boiler Following Control of a Thermal Power Plant[J]. IEEE Latin America Transactions, 2018, Vol.16(No.6): 1692-1699.

[9] Kim J-H, Suh Y-K, Chang T-G. Detection of oscillatory pattern signals and its application to the fault diagnosis of a boiler drum-level control system[J]. Transactions of the Korean Institute of Electrical Engineers, A, 1999, Vol.48(No.1): 44-51.

[10] Lee G, Kim Y, Yoon E S. Qualitative fault diagnosis with system decomposition: application to a large-scale boiler plant[M].2001.

[11] Kumar B R, Ramana K V, Rao K M. Condition monitoring and fault diagnosis of a boiler feed pump unit[J]. JOURNAL OF SCIENTIFIC & INDUSTRIAL RESEARCH, 2009, Vol.68(No.9): 789-793.

[12] Kurien C, Srivastava A K. Case study on the effectiveness of condition monitoring techniques for fault diagnosis of pumps in thermal power plant[J]. Mechanics and Mechanical Engineering, 2019, Vol.23(No.1): 70-75.

[13] Young A, West G, Brown B, et al. Symbolic Representation of Knowledge for the Development of Industrial Fault Detection Systems[J]. International Congress and Workshop on Industrial AI 2021, 2022: 307-318.

[14] Kim K Y, Lee Y J. Fault Detection and Diagnosis of the Deaerator Level Control System in Nuclear Power Plants[J]. Nuclear Engineering and Technology, 2004, 36(1).

[15] Srinivasan S, Kanagasabapathy P, Selvaganesan N. Fault Diagnosis in Deaerator Using Fuzzy Logic[J]. Advances in Electrical and Electronic Engineering, 2007, Vol.6(No.1): 19-25.

[16] Jagtap H P, An, Bewoor, et al. Thermal Power Plant Condenser Fault Diagnosis Using Coordinated Condition Monitoring Approach[J]. Instrumentation Mesure Métrologie, 2019, 18(3).

[17] Karami M, Wang L. Fault detection and diagnosis for nonlinear systems: A new adaptive Gaussian mixture modeling approach[J]. ENERGY AND BUILDINGS, 2018, Vol.166(No.1): 477-488.

[18] 苏健, 宋汉江, 宋福元, et al. 基于卷积神经网络的蒸汽动力系统故障诊断[J]. 中国舰船研究, 2022, 17(06): 96-102.

[19] 王世威, 甘辉兵, 胡国彤, et al. 基于粒子群优化混合神经网络的船舶辅锅炉故障诊断[J]. 中国航海, 2022, 45(02): 37-42+55.

[20] 韦昌. 基于深度学习的增压锅炉故障诊断研究[D]. 哈尔滨工程大学, 2021.

[21] 张磊, 曹跃云, 翁雷, et al. 船用冷凝器真空偏低的动态特性分析及故障诊断[J]. 船海工程, 2017, 46(06): 67-71.

[22] 许伟, 程刚, 耿江华, et al. 舰船主冷凝器多连片贝叶斯网络故障建模方法研究[J]. 舰船科学技术, 2016, 38(19): 107-110.

[23] 张秀春. 基于神经网络的凝汽设备故障诊断专家系统研究[D]. 哈尔滨工程大学, 2007.

[24] 刘东东, 陈兵, 王华明. 分形理论在主冷凝器水位调节器故障诊断中的应用[J]. 舰船科学技术, 2009, 31(04): 58-60.

[25] 侯全放. 汽动给水泵性能参数研究及状态在线监测的实现[D]. 哈尔滨工业大学, 2016.

[26] 李庆, 李俊, 饶金华, et al. 基于MATLAB的集成神经网络在给水泵故障诊断中的应用[J]. 汽轮机技术, 2007(02): 130-133.

[27] 赵登山, 彭军, 李福春, et al. 汽轮机给水泵机组跳机故障诊断[J]. 液压气动与密封, 2020, 40(06): 65-68.

[28] 牛百芳, 张洪星, 辛浩, et al. 除氧器故障自诊断专家系统设计与研发[J]. 上海电力学院学报, 2013, 29(01): 73-76.

[29] 李文昊. 基于粒计算的电站除氧器系统SDG故障诊断研究[D]. 太原理工大学, 2014.

[30] 史智俊. 舰船蒸汽动力系统机动性能仿真研究[D]. 哈尔滨工程大学, 2016.

[31] Haddad J-P, Mazumdar R R. Heavy traffic approximation for the stationary distribution of stochastic fluid networks[J]. Queueing systems: Theory and applications, 2012, Vol.70(No.1): 3-21.

[32] Ir M J, Eng M, Bsc P L Z, et al. Analysis by computer simulation of a combined gas turbine and steam turbine (COGAS) system for marine propulsion[J]. Journal of Marine Engineering & Technology, 2003, Vol.2(No.1): 43-53.

[33] Schonlein M, Wirth F. On converse Lyapunov theorems for fluid network models[J]. Queueing systems: Theory and applications, 2012, Vol.70(No.4): 339-367.

[34] 刘云生,冯永明,陈华清,刘祥源,宋汉江. 增压锅炉与涡轮增压机组匹配特性仿真分析[J]. 舰船科学技术, 2012, 第34卷(第1期): 50-54.

[35] 马柱. 小型增压锅炉炉膛换热计算方法及动态性能研究[D]. 哈尔滨工程大学, 2013.

[36] 薛敏,李彦军,祝仲伦,赵启扬. 一种小型增压锅炉炉膛热力计算方法[J]. 哈尔滨工程大学学报, 2013, 第34卷(第6期): 709-714.

[37] 荀振宇. 小型增压锅炉动态性能仿真研究[D]. 哈尔滨工程大学, 2012.

[38] 杨志春,周国义. 船用增压锅炉炉膛对流换热量的计算与分析[J]. 锅炉制造, 2006(第2期): 9-11.

[39] 赵加凤. 船用增压锅炉燃烧系统非线性控制技术研究[D]. 哈尔滨工程大学, 2014.

[40] 孙媛媛. 大型船舶核动力蒸汽系统建模与仿真研究[D]. 武汉理工大学, 2015.

[41] 王成. 基于GSE的增压锅炉系统动态性能仿真研究[D]. 哈尔滨工程大学, 2012.

[42] 于文轩. 船用增压锅炉动力系统的仿真研究[D]. 重庆大学, 2008.

[43] 张国磊,孙瑞,张晓宇,冯永明,马庆阳. 快速降负荷船用涡轮增压机组动态特性仿真[J]. 化工学报, 2018, 第69卷(第A2期): 316-323.

[44] 郑子都. 船用增压锅炉汽包水位控制系统实验及仿真研究[D]. 哈尔滨工程大学, 2012.

[45] 黄文元,王刚,倪何,覃海波,金家善. 船用增压锅炉装置的降负荷控制策略[J]. 哈尔滨工业大学学报, 2017, 第49卷(第7期): 165-170.

[46] 李峰. 汽轮发电机模型机的时步有限元动态特性仿真与试验研究[D]. 华北电力大学(北京);华北电力大学, 2011.

[47] 刘冰,彭淑宏. 某重型燃气轮机动态建模及性能仿真研究[J]. 计算机仿真, 2012(第9期): 335-338.

[48] 吕昊,叶志浩,郭灯华,纪锋. 汽轮机自动调节传递函数与动态特性研究[J]. 船电技术, 2008, 第28卷(第1期): 26-30.

[49] Liu Z, Wang J, Wang Z, et al. Numerical analysis on lunar heat storage system: Multi-objective optimization, heat storage capacity, and thermal insulation performance[J]. Journal of Energy Storage, 2023, Vol.59: 106508.

[50] 曹家枞. Study on Optimizing Thermal Energy Storage Capacity for Heat Supply System[J]. 东华大学学报(英文版), 2001, 第18卷(第2期): 68-73.

[51] 董奇. 凝汽器工作特性仿真研究[D]. 哈尔滨工程大学, 2008.

[52] 段希庆. 空冷凝汽器传热特性分析和运行优化研究[D]. 吉林大学, 2018.

[53] 张永生,马运义,唐滢,王强. 船用凝汽器的数学模型与动态仿真[J]. 舰船科学技术, 2010(第10期): 101-103.

[54] 周霞. 核电厂凝汽器建模仿真与故障诊断[D]. 哈尔滨工程大学, 2019.

[55] 朱东保,马俊,焦晓亮,乔增熙,赵辉. 船舶蒸汽动力装置冷凝器动态模型研究[J]. 节能技术, 2010(第6期): 489-493.

[56] 汤允凤. 太阳能光伏光热综合利用系统研究及优化控制[D]. 广西大学, 2019.

[57] Mirjalili S, Lewis A. The Whale Optimization Algorithm[J]. Advances in Engineering Software, 2016, Vol.95(No.C): 51-67.

[58] 王坚浩, 张亮, 史超, et al. 基于混沌搜索策略的鲸鱼优化算法[J]. 控制与决策, 2019, 34(09): 1893-1900.

[59] 孔芝, 杨青峰, 赵杰, et al. 基于自适应调整权重和搜索策略的鲸鱼优化算法[J]. 东北大学学报(自然科学版), 2020, 41(01): 35-43.

[60] 马雪娇. 基于BP神经网络的系列混合预测模型的建立与应用[D]. 东北财经大学, 2018.

[61] 秦海波. 基于机器学习和优化算法的光纤光学特性预测与逆向设计研究[D]. 天津理工大学, 2022.

[62] 周超. 面向复杂遮挡场景下的光场深度估计与超分辨率重建[D]. 上海师范大学, 2021.

[63] 刘伟. 基于改进BalanceCascade方法的信用评分集成模型研究[D]. 兰州财经大学, 2022.

[64] 刘少清. 基于神经网络的旋转机械故障诊断及模型迁移方法研究[D]. 中国科学技术大学, 2022.

[65] 秦胜君, 李婷. 多交互车辆轨迹预测研究[J]. 计算机工程与应用, 2021, 57(11): 232-238.

中图分类号:

 U672    

条码号:

 002000073695    

馆藏号:

 YD10001814    

馆藏位置:

 203    

备注:

 403-西院分馆博硕论文库;203-余家头分馆博硕论文库    

无标题文档

   建议浏览器: 谷歌 火狐 360请用极速模式,双核浏览器请用极速模式