学位论文 > 优秀研究生学位论文题录展示

电站锅炉燃烧状态识别与诊断研究

作　者: 郝祖龙
导　师: 刘吉臻
学　校: 华北电力大学（北京）
专　业: 热能工程
关键词: 燃烧优化燃烧稳定性诊断相关性分析特征提取信息融合
分类号: TK227
类　型: 博士论文
年　份: 2010年
下　载: 301次
引　用: 1次
阅　读: 论文下载

内容摘要

燃烧优化是目前火电厂实现节能减排的有效途径之一,及时、准确地掌握锅炉燃烧状态是实现燃烧优化控制的重要前提。现有的炉膛火焰检测装置主要用于判断火焰的有或无,无法对燃烧状态作出有效评判。本文根据燃烧状态与某些测量信号的相关性,从大量数据中筛选出燃烧状态相关信号；通过分析典型工况下这些信号的统计规律,从中提取出能反映燃烧状态变化的特征量；在此基础上分别采用模式分类、信息融合等方法对燃烧状态进行识别与诊断。论文利用厂级监控信息系统(SIS)中保存的丰富数据,围绕燃烧状态相关信号的选取、燃烧状态特征提取、燃烧状态识别以及燃烧稳定性诊断这四个方面,展开了以下研究：1、研究了燃烧状态相关信号的选取问题。提出了一种基于滑动窗方差的信号相关性分析方法,可以有效分析热工信号在燃烧特征频段上的波动相似性。在此基础上,利用小波变换提出一种热工信号多尺度相关性分析方法,能够从不同频率尺度分析信号的相关性,并将该方法用于燃烧状态相关信号的选取。通过对现场众多测点进行筛选,将火检信号、炉膛压力、主汽压力、汽包水位以及空预前氧量信号作为燃烧状态相关信号。2、研究了锅炉燃烧状态特征提取问题。分八种典型工况比较了不同燃烧状态下燃烧状态相关信号的时域特性,并运用时域分析和复杂性测度提取这些信号的特征,通过对多组样本的统计分析,最终将均值、标准差、峰峰值以及复杂度作为燃烧状态相关信号的特征量。3、利用所提取的燃烧特征量,研究了燃烧状态识别问题。通过构建自组织神经网络对不同工况下提取的燃烧特征进行聚类,可以定性分析燃烧特征量与燃烧状态之间的非线性映射关系。进而利用支持向量机建立了典型工况下燃烧状态的识别模型。采用网格搜索与交叉验证相结合的方法选取模型参数,通过实际数据计算,比较了三种类型支持向量机的分类性能,并验证了该方法的有效性。4、利用信息融合思想,将证据理论应用于燃烧稳定性诊断。针对基本可信度分配不易获取的问题,提出一种基于自组织神经网络的基本可信度分配构造方法。在此基础上,应用证据理论对燃烧状态相关信号进行融合,并根据融合后的信息对燃烧状态进行诊断。通过现场数据分析,表明该方法具有较好的诊断效果,并在准确性和可靠性方面优于火检或炉膛负压等单一信号的诊断结果。

全文目录

摘要  5-6
Abstract  6-11
第一章绪论  11-26
  1.1 选题背景及意义  11-12
  1.2 锅炉燃烧优化控制技术研究现状  12-18
    1.2.1 国外燃烧优化控制技术  13-15
    1.2.2 国内燃烧优化控制技术  15-16
    1.2.3 燃烧优化控制技术存在的问题  16-17
    1.2.4 基于信息融合的燃烧状态参数检测及控制优化  17-18
  1.3 燃烧状态检测与稳定性判断的研究现状  18-22
  1.4 电站信息化与多源信息融合技术  22-24
  1.5 论文的主要内容  24-26
第二章锅炉燃烧状态相关信号选取研究  26-49
  2.1 引言  26-27
  2.2 基于滑动窗方差的燃烧状态相关信号选取  27-37
    2.2.1 燃烧扰动特性分析  27-28
    2.2.2 方法原理  28-32
    2.2.3 实例分析与验证  32-37
  2.3 基于小波变换的燃烧状态相关信号选取  37-48
    2.3.1 热工信号的关联特性  37-38
    2.3.2 基于小波变换的热工信号多尺度相关性分析  38-45
    2.3.3 燃烧状态相关信号的选取  45-48
  2.4 本章小结  48-49
第三章锅炉燃烧状态特征提取研究  49-70
  3.1 引言  49
  3.2 典型工况下燃烧状态相关信号的时域分析  49-63
    3.2.1 火检信号  50-52
    3.2.2 炉膛压力  52-55
    3.2.3 主汽压力  55-58
    3.2.4 汽包水位  58-60
    3.2.5 氧量信号  60-63
  3.3 燃烧状态特征提取  63-69
    3.3.1 基于时域分析的特征提取  63-64
    3.3.2 基于复杂性测度的特征提取  64-66
    3.3.3 典型工况下燃烧状态特征量的提取  66-69
  3.4 本章小结  69-70
第四章基于燃烧特征量的燃烧状态识别研究  70-82
  4.1 引言  70
  4.2 基于自组织神经网络的燃烧状态聚类  70-75
    4.2.1 燃烧状态聚类模型的构建  71-73
    4.2.2 神经网络训练与测试  73-75
  4.3 基于支持向量机的燃烧状态识别  75-80
    4.3.1 支持向量机分类算法  76-77
    4.3.2 支持向量机模型参数的优化  77-78
    4.3.3 基于支持向量机的典型燃烧状态识别  78-79
    4.3.4 实例分析  79-80
  4.4 本章小结  80-82
第五章基于证据理论的燃烧稳定性诊断研究  82-95
  5.1 引言  82
  5.2 基于证据理论的燃烧稳定性诊断  82-88
    5.2.1 证据理论  82-85
    5.2.2 基本可信度分配的获取  85-87
    5.2.3 采用证据理论诊断锅炉燃烧稳定性  87-88
  5.3 燃烧稳定性诊断实例  88-93
  5.4 本章小结  93-95
第六章结论与展望  95-98
  6.1 结论  95-96
  6.2 展望  96-98
参考文献  98-105
致谢  105-106
攻读博士学位期间发表的学术论文  106-107
攻读博士学位期间参加的科研工作  107

电站锅炉燃烧状态识别与诊断研究

内容摘要

全文目录

相似论文