深度学习神经网络在火电厂阀门故障诊断与预警中的应用

针对燃煤发电机组的重要执行机构阀门，通过深度神经网络算法对机组大量运行数据进行学习，构建重要执行机构阀门在全负荷工况下的精准数学模型，以深度神经网络模型预测值和皮尔逊相关系数判别为依据，实现重要执行机构阀门的故障诊断和早期预警。结果表明，基于大数据，学习和深度神经网络算法的数学模型有效地实现了对执行机构阀门的故障诊断和提前预警，指导运行人员进行提前干预和检修，减少机组的故障率。执行机构阀门故障预警的深度神经网络模型以执行机构阀门前的相关DCS参数、系统主要运行参数作为模型的输入变量；以执行机构阀门之后的参数作为输出量。选择机组在不同负荷工况下，执行机构阀门系统从打开到关闭的完整时间段内的大量数据，作为深度神经网络模型的训练数据。该方法具有较强的通用性，可以方便地平行移植至火电机组的其他重要辅机设备中。皮尔逊相关系数能反映数据变化的趋势信息，能判断两个向量或者两个数组相似度。以皮尔逊相关系数作为深度神经网络模型预测输出值与系统实际输出偏差距离的判据，可以很好地解决系统发生偏离后的预警问题，有效地提高模型预测的精度。