Введение
ГЛАВА 1 Обзор методов диагностирования отказов измерительных каналов и постановка задачи 8
1.1. Алгоритмы обнаружения полных отказов ИИК 9
1.1.1. Алгоритмы допускового контроля параметра 9
1.1.2 Алгоритм допускового контроля скорости изменения сигнала измерительной информации 11
1.2. Алгоритмы обнаружения частичных отказов 13
1.2.1. Алгоритмы, применяемые при аппаратном резервировании ИИК 13
1.2.2. Метод тестовых сигналов 14
1.2.3. Алгоритмы, использующие связи между измеряемыми величинами 15
1.3. Экспертные системы 24
1.4. Диагностика частичных отказов ИИК как задача классификации и распознавания образов 25
1.4.1. Постановка задачи классификации 27
1.4.2. Аналитический обзор методов распознавания образов 30
1.4. Выводы 45
ГЛАВА 2 Матеметическая модель получения тепловой энергии на паровых и водогрейных котлах ТЭЦ 46
2.1. Описание теплогенерирующей технологической схемы ТЭЦ-27 47
2.2 Материальный баланс потребления топлива 48
2.2.1 Результаты расчета ГРП 50
2.3 Балансовые уравнения для парового котла ТГМЕ-464 51
2.3.1 Информационное обеспечение 51
2.3.2 Расчёт составляющих теплового баланса для парового котла ТГМЕ-464 (на примере котла №1) 52
2.3.3 Расчет составляющих материального баланса по воде и пару для парового котла ТГМЕ-464 (на примере котла № 1) 57
2.3.4 Результаты расчета для парового котла №1 58
2.4 Балансовое уравнение для водогрейного котла КВГМ-180-150 59
2.4.1 Информационное обеспечение 59
2.4.2 Расчёт составляющих теплового баланса для водогрейного котла КВГМ-180-150 (напримере котла№1) 61
2.4.3 Результаты расчета для водогрейного котла №1 64
2.5 Оценка погрешностей расчета 64
2.6 Программная реализация алгоритма коррекции результатов измерений л65
2.7 Выводы 71
ГЛАВА 3 Разработка нейросетевых компонент системы диагностики 73
3.1. Основные положения теории нейросетевої о моделирования 73
3.1.1. Модель нейрона 74
3.1.2. Топологии нейросетей 76
3.1.3. Обучение искусственных нейросетей 77
3.2. Примеры практического применения нейронных сетей 19
3.2.1. Прогнозирование 79
3.2.2. Распознавание образов и классификация 79
3.2.3. Кластеризация и поиск закономерностей 80
3.2.4. Оптимальное управление и моделирование 81
3.3. Обзор различных архитектур нейронных сетей, предназначенных для задач классификации 83
3.3.1. Нейрон-классификатор 83
3.3.2. Многослойный персептрон
3.3.3. СетиВорда . 88
3.3.4. Сети Кохонена 89
3.4. Решение задач классификации с использованием искусственных нейросетей с нечетким выводом 93
3.4.1. Синтез нейросетей для решения задачи классификации 94
3.5. Выводы.. ..97
ГЛАВА 4 Разработка алгоритма обучения диагностической нейросети 98
4.1. Классический генетический алгоритм оптимизации 98
4.1.1. Генетическое представление информации 99
4.1.2. Генетические операторы 100
4.1.3. Оптимизация с помощью генетического алгоритма 102
4.2. Модифицированный генетический алгоритм 105
4.3. Описание методики и результаты тестирования МГА 112
4.4. Программная реализация МГА 116
4.4.1. Реализация МГА для пакета MathCAD 117
4.4.2. Реализация МГА в программе "Optim-MGA" 118
4.5. Выводы 120
ГЛАВА 5 Диагностирование частичных отказов измерительных каналов парового котла 122
5.1. Множественная обработка результатов измерений технологических параметров с использованием алгоритма коррекции 122
5.2. Модель "идеального" производства 127
5.3. Отбор наиболее информативных параметров 129
5.4. Формирование обучающих выборок и синтез структуры диагностических нейросетей 131
5.5. Тестирование диагностических нейросетей 135
5.6. Выводы 138
Заключение 140
Основные выводы по работе 142
Библиографический список использованной
Литературы 144
Приложения 155
