论文部分内容阅读
随着集中供热的普及,换热站在供热中扮演着承上启下非常重要的角色。如果发生故障,对供热系统的经济性和安全性将产生影响。换热站中最常见的故障是管网泄漏,目前通常是通过添加大量传感器和阀门来进行管段间的故障识别诊断。但由于实际供热现场对传感器的投放有限,且传感器本身在恶劣环境下也难免发生故障。故以此为研究背景,针对换热站的管网泄漏故障和传感器故障,建立一种基于检测算法和故障模型融合的故障诊断方法。本文研究如下:首先,针对换热站的供热数据如何判别是否存在异常的问题,利用高斯混合模型(GMM)算法作为故障异常检测的评判方法,对换热站的数据进行聚类分析,识别出数据中的离群点为换热站数据中的异常数据。由于高斯混合模型中的期望最大化(EM)算法具有陷入局部最优的缺点,所以针对EM算法的不足,利用粒子群算法对其进行改进。粒子群算法赋予EM算法合适的初值,使得EM算法在全局内进行迭代优化时候更容易跳出局部最优,可以改进收敛效率。将GMM算法和粒子群改进EM的高斯混合模型(PSO-EM-GMM)算法进行实验对比,通过检测率和误报率两项指标证明改进后的算法具有更好的结果。其次,针对换热站的故障缺乏故障模型,异常检测算法难以分辨故障类型的问题。搭建实验仿真平台并利用温控系统模拟稳态故障和动态升降温过程中的故障特征,并将故障类比到换热站的管网泄漏故障和传感器故障中。通过计算状态向量间的欧氏距离对模拟设计的故障进行判定,正常态和故障态之间的模态差异验证了故障设计的合理性。然后利用SAPSO-LSSVM算法对换热站模态下的泄漏故障和传感器的不同故障分别建模,得到换热站产生不同故障时的故障模型,通过指标拟合度R2的大小验证了模型的准确性。不同的故障模型对应实际工业现场的不同故障,实现了故障的分类诊断和模型归纳。最后,基于已经建立好的不同类别不同模态的故障模型分别用PSO-EM-GMM算法和GMM进行基于故障模型的异常检测,通过检测率和误报率的对比,证明了改进算法的有效性,实现换热站的故障检测和故障模型诊断的应用。对来自换热站的数据可进行模型的比对以判断故障类型。