发布时间：2023-09-21 17:33:28
绪论：一篇引人入胜的动力工程影响因子，需要建立在充分的资料搜集和文献研究之上。搜杂志网为您汇编了三篇范文，供您参考和学习。
（College of Energy and Power，Shenyang Institute of Engineering，Shenyang 110136，China）
摘要： 总结了汽轮机回热系统常见故障，建立了回热系统典型故障集。在利用模糊规则建立回热系统故障征兆知识库基础上，提出了一种基于支持向量机多分类算法的回热系统故障诊断方法。最后将该方法用于某汽轮机组回热系统故障诊断中，结果表明，该模型能有效的识别回热系统故障。
Abstract： The faults of regenerative heating system are briefly summarized， the typical fault set of regenerative heating system is built. A fault diagnosis model of regenerative heating system based on multi-class support vector machines algorithm is presented. Finally， the faults in a regenerative heating system of a turbine unit are diagnosed with the aid of the presented method， the result of diagnosis shows that it is simple and practical and it can effectively identify the regenerative heating system faults.
关键词 ： 热能动力工程；回热系统；支持向量机；故障诊断
Key words： thermal power engineering；regenerative heating system；support vector machines；fault diagnosis
中图分类号：TK264.1 文献标识码：A 文章编号：1006-4311（2015）18-0061-03
作者简介：张瑞青（1975-），女，山西大同人，硕士，讲师，主要研究方向为电厂节能、性能监测和故障诊断。
0 引言
在现代大型火电厂中，回热系统运行情况的好坏，直接关系到汽轮机的安全经济运行，随着发电厂机组参数的提高，回热系统的运行状况对整个机组的安全性、经济性的影响更加显著，因此，回热系统的故障诊断一直倍受关注。长期以来，回热系统的故障频繁出现，严重地影响了大机组高效率低能耗优越性的正常发挥。因此，如何运用计算机技术，发现回热系统中出现的故障，并相应采取及时措施，降低故障引起的损失，提高电厂的经济性，是当前摆在我们面前的迫切任务之一。支持向量机（Support Vector Machine，SVM）是Vapnik[1]最早提出的一种统计学习方法，这种学习算法目前在大型火电厂热力设备故障诊断中得到了成功的应用[2-3]。本文将该方法用于热力系统故障诊断中，通过建立回热系统典型故障征兆知识库来准确识别电站机组回热系统典型故障。
1 支持向量机多分类算法
支持向量机算法是为解决二值分类问题而提出的一类算法，其计算原理为：假设一个两分类样本组（x1，y1），…，（xi，yi），xi∈Rd，yi∈{+1，1}，支持向量机方法是寻找一个最优超分类平面w·x+b=0将样本合理归类，使各分类与超分类平面之间距离最大（如图1所示）。图中实心点与空心点分别表示两类样本，H表示最优分类线，直线H1、H2经过平行于分类线且与之相距最近。试着在高维空间中应用该结论进行分类，则最优分类线即为最优分类面，直线H1、H2上的训练样本点就是支持向量。将最优超平面问题转化为式（1）所示的二次规划问题进行运算，就能解决该二分类问题。
为了使分类面所覆盖的范围尽量大，还要使被错误区分的样本数量尽可能小，通常是通过增加一个松弛项ξi≥0，使式（1）中的目标函数变为求下式中的φ（w，ξ）最小值：
然后引入Lagrange函数求解此优化问题。若要解决二分类问题，则建立一个二维分类器。支持向量机构造二维分类器的方法主要有两种：一种是1998年Weston[4]提出的多类算法，另一种是通过组合多个二维分类器，构造多类分类器，这类方法目前主要有Vapnik[1]提出的一对多算法和Kressel[5]提出的一对一算法以及由该算法衍生出的有向无环决策图方法（Decision Directed Acyclic Graph，DDAG）[6-7]。
有向无环决策图方法：针对N类分类问题，首先建立N（N-1）/2个SVM二维分类器，然后将这些二维分类器组合成一个带有根结点的N层DDAG，在DDAG中，每个二维分类器对应两类，分布N层结构中，顶层仅仅分布一个根结点，第二层分布着对应两个级别的两个叶结点。以此类推，第N层有N个叶结点，对应N个类别。中间共有N（N-1）/2个结点，每一个中间结点是N（N-1）/2个SVM二维分类器中的一个，且每个结点对应一个决策函数。在分类环节，先从根结点开始按设计要求分别录入分类对象，以该结点所对应的分类函数为依据展开运算，根据运算结果（0或1）确定下一步应该按什么路径进行分类，然后通过（N-1）次的判别，最后一层结点处的输出就是最终所属的类别。图2给出了一个包含四个类别的有向无环DDAG决策图。
2 回热系统故障集合和征兆知识库
2.1 回热系统故障集合
结合相关文献[8-9]对回热系统典型故障的理论进行分析，同时根据现场运行经验，将抽汽管道逆止阀卡涩、排气管道排气不畅、排气管道排气量过大、加热器管束污染（结垢）、加热器内部水侧短路、加热器内部管系泄漏、疏水不畅、疏水器故障、加热器旁路阀故障、加热器满水、除氧器排气带水、除氧器自身沸腾12个比较典型常见的回热系统故障作为故障集合，记为uj（j=1，2，…，12）。
根据现场运行经验可知，回热系统运行参数的变化情况不合常规，是典型的故障征兆。为了使诊断系统具有实用性和通用性，选取抽汽流量、加热器抽汽压力、加热器进口压力、加热器进口水温、加热器出口水温、加热器混合点前出口水温、加热器出口端差、加热器疏水水位、加热器疏水温度9个参数测点（记为xi，i=1，2，…，9）来反映回热系统的故障表现，这些异常运行参数有的必须通过运算才可获得，有的则直接从电厂的实时数据库中获得。
2.2 训练征兆知识库
根据运行系统和现场技术人员的经验积累可知，运行过程中回热系统发生的故障与参数征兆表现之间的关系并不十分明确，因此，在利用SVM进行回热系统故障诊断时，需对故障的征兆进行模糊化处理，回热系统故障征兆集xi按下列规则取值[9]：
根据上式建立回热系统典型故障的训练样本库，如表1所示。
2.3 基于DDAGSVM的回热系统多故障诊断模型
根据回热系统典型故障类型设计一个12类问题的有向无环决策图（DDAGSVM）模型，由12*（12-1）/2=132个二维分类器将其中任何两类故障分开，每个结点对应一个二维分类器。将表1所示的典型故障作为训练样本展开分析，将径向基函数视为核函数建立SVM，已“对训练样本分类的错分率最小”为判断依据进行参数寻优，分别取径向基核函数的宽度系数σ=0.1~10，惩罚因子C=10~10000，具体步骤如下。
①选择宽度系数和惩罚因子（σ，C）建立模型，并对样本进行训练，得到最优分类结果。
②在训练网络中输入典型故障样本，比照样本实际类别对输出结果进行归类分析，建立有向无环决策图（DDAGSVM）模型分类错分样本统计矩阵D=[dij]，其中di，j（i=j，i，j=1，2，…12）为正确分类数，di，j（i≠j，1，2…，12）表示将第i类典型故障分到第j类的个数，令E=∑di，j，（i≠j，i，j=1，2，…，12）为错分样本总数。
③假设错分样本总数E未达到分类精度，就要按步骤1再进行一轮分析，然后重新进行样本训练，直至模型符合分类精度或达到迭代次数才可认定为合格。
在本文所述案例中，当宽度系数和惩罚因子分别为σ=5，C=1000时，将12类回热系统故障完全正确分类。
3 实例应用
以某电站某300MW机组回热系统的某加热器故障为例。该故障发生时的主要征兆为：高加出口端差变大，加热器温升（出口水温）下降，加热器疏水水位快速上升，加热器疏水温度下降。利用上述回热系统故障参数值进行模糊化处理，得到实时征兆故障模式向量：V=[0.76，0.66，0.77，0.54，0.31，0.23，0.86，0.95，0.21]，利用本文提出的故障模型进行诊断，诊断结果为[-1，-1，-1，-1，-1，1，-1，-1，-1，-1，-1，-1]，说明是回热系统发生第6类故障，即加热器管系泄漏，与实际情况相符。
4 结论
本文采用基于支持向量机多分类方法，建立了回热系统故障诊断多故障分类模型，在总结回热系统常见故障的基础上，建立了回热系统典型故障集，通过模糊规则获得凝汽器故障征兆知识库，用有向无环决策图（DDAGSVM）算法对小样本情况下回热系统典型故障诊断进行了研究，实例计算表明，有向无环决策图（DDAGSVM）算法具有较高的诊断准确率。
参考文献：
[1]V.Vapnik. Statistical Learning Theory [M].Wiley，1998.
[2]王雷，张瑞青，盛伟，徐治皋.基于模糊规则和支持向量机的凝汽器故障诊断[J].热能动力工程，2009，24（4）：479-480.
[3]翟永杰，王东风，韩璞.基于多类支持向量机的汽轮发电机组故障诊断[J].动力工程，2005，23（5）：2694-2698.
[4]J.Weston， C.Watkins. Multi-class support vector machines. Royal Holloway College [J]. Tech Rep： CSD-TR-98-04， 1998.
[5]U.Kressel. Pairwise classification and support vector machines. In B.Scholkopf et al (Eds.)， Advances in kernel Methods-Support vector learning， Cambridge， MA， MIT Press， 1999：255-268.
[6]Hsu Chih-Wei， Lin Chih-Jen. A Comparison of Methods for Multiclass Support Vector Machines [J].IEEE Transactions on Neural Networks， 2002， 13(2)：415-425.
随着生活水平不断提升，我国居民中出现越来越多的爱茶者，茶叶行业也得到了越来越多的关注。我国是世界上唯一拥有完整六大茶系的国家，有近20个产茶省份，茶树品种极其丰富。茶叶作为一种重要的经济作物，在中国的经济发展中发挥着重要作用，2009年茶叶的总产值已经达到413.6亿元，各项指标均已位居世界前列。本文旨在对茶叶价格进行一个基于宏观总量的初步分析，对影响茶叶价格的因素进行探寻，从而对整个茶叶市场的价格变化方面有一个较好的了解和把握。
一、影响茶叶价格的宏观因素探寻
1.供求关系对茶叶价格的影响
价格往往受着供求关系的影响，市场需求量大于产品生产供应量，将会导致产品价格上涨；产品生产供应量大于市场需求量，将会导致产品价格下降。基于供求关系对茶叶价格影响因素的分析，可以考虑茶叶生产量对茶叶价格的影响。针对茶叶生产量，还可以分别从不同种类的茶叶产量和不同地区的茶叶产量进行分类分析。
2.国家政策对茶叶价格的影响
茶叶的价格很大程度上受到了国家政策的影响，本文简单做出以下阐述。第一，整个宏观经济政策对茶叶市场的影响，例如税收政策、货币政策和进出口限制等政策，都改变着茶叶市场的发展。第二，茶叶作为部分省份的特色产业，地方政府会对其进行扶持，实行例如减免税收、建设茶叶生产园和政府推广宣传等方式，促进茶叶市场的发展，从而直观反映为茶叶价格的影响。
3.不同地域对茶叶价格的影响
不同地区的茶叶价格因为受到地域性差异的影响而显出较大的差异。首先，不同地区的人们所具有的文化背景和风俗习惯都各不相同，导致饮茶习惯各不相同。城市居民与农村居民的对比，城镇消费者和农村消费者在饮食习惯、生活情趣、收入水平、文化程度、职业等自身因素，及社会环境、茶文化普及程度等外部因素都会影响茶叶的消费量。城市居民的消费力相较于农村居民而言更强，并且城市居民购买茶叶的渠道相较于农村居民更多，所以城市居民对茶叶的需求就更大。
二、因子分析法对影响因素的降维处理
在宏观视角下，由于影响茶叶价格的因素指标数较多，再加上指标之间存在一定的相关性，增加了分析的复杂性。而因子分析是一种基于数据结构本身特点，具有使不同指标间相关性降低，有效减少了信息交叉。本文利用因子分析法，通过线性组合将原有的因素变量综合成几个主成分因素，简化对茶叶价格影响因素分析的复杂度。
1.构建因子分析模型
首先，将指标数据进行标准化处理，定义指标观测值所构成的矩阵，记相关系数矩阵为：■。设R的p个非负特征值为■，则对应于特征值的正交特征矢量矩阵为U。令主因子阵，得下面等式：
最后，依据综合得分的排名，从高到低依次提取主成分。
2.提取主成分因子
首先，本文将所选取的因素指标带入因子分析模型中求解，提取到的茶叶价格影响因素的主成分结果如表1所示。
从总方差分解结果中提取出特征值大于1的前两个因子，并且该两个因子的累计方差解释度为85.324%，所以则只保留这两个因子。
3.解释主成分因子
榱烁好地解释公共因子，本文对其进行因子旋转，得到的部分结果如表2所示。每个因子选取负荷系数较大的自变量作为代表量对因子进行命名。本文将第一主成分解释为“消费水平因子”，第二主成分解释为“商品销售因子”。
消费水平因子。消费水平因子中各消费水平、居民人民币储蓄和人均国内生产总产值等因素指标对该主成分因子的公差贡献率相对较高，其公差贡献率均高于0.9。各消费水平指标是对我国居民的消费情况的直接反映，消费水平高，居民对茶叶的需求增加。人均国内总产值指标是对国内经济发展情况的一个反映，GDP不断上涨，说明国内经济仍处于上升的发展趋势，并牵动着茶叶市场的发展。
商品销售因子。商品销售因子中公差贡献率较大的两个因素指标分别为商品零售价格指数和茶叶生产价格指数，对第二主成分因子的公差贡献率分别为0.739和-0。558。茶叶作为一种商品，商品零售价格指数的变动也能反映茶叶价格指数的变动。而茶叶生产价格指数，是对茶叶生产成本的一个反映，若茶叶生产成本不断增加，为了满足该商品的盈利需要，则茶叶的价格必然相应的增加。
三、利用因子分析的结果进行回归分析
通过因子分析，可以降维到两个主成分因子，即消费水平因子和茶叶数量因子。本文建立的多元回归模型为：。然后将提取到的两个主成分引入模型，得到拟合优度为0.85，显著性水平小于0.05，即本次回归是可行的。拟合的结果为：消费水平因子和商品销售因子对茶叶价格的影响系数分别为0.981和0.577。
每个主成分的系数均为正数，这说明随着消费水平、商品零售价格的增加，茶叶价格也会有不同程度的提高。茶叶价格受消费水平因子的影响相对与商品销售因子的影响更大。消费水平每增加1%，茶叶价格对应增加0.981%，商品零售价格每增加1%，茶叶价格对应增加0.577%。
参考文献：
[1]孙玉香.中国茶叶行业培训市场发展现状及分析[D].四川：西南财经大学，2014：1-2.
[2]管曦，杨江帆.中国精制茶加工企业技术效率的分析[J].茶叶科学，2011，31（2）：160-165.
工程机械产品具有多品种、小批量的特点，面对用户群体小而杂，受市场需求波动影响很大。研发投入了可能不会有回报，制造质量及库存积压等问题进一步加剧了工程机械制造企业的经营风险。产品的研发和制造风险比较集中。另外目前应收账款居高不下已然成为工程机械制造企业需要面对的一大问题。从2013年至今，市场一直低迷不振，工程机械行业将现在处于低速增长时期，信用销售实际违约率已经达到了20%以上，工程机械制造企业的财务风险尤为突出，又会因财务风险引发采购、人力资源和研发制造等一系列风险。由此可以看出，工程机械制造企业的运营风险内部具有一定的关联性和相互影响。
二、风险管理的内容和方法
风险管理是指如何在项目或者企业一个肯定有风险的环境里把风险减至最低的管理过程。风险管理当中包括了对风险的识别、评估和监督和控制风险。作为工程机械制造企业就是针对工程机械多品种小批量的特点，通过对运营风险进行科学归纳和分析的基础上，有效规划、识别、评估、监督、 应对和监控风险，使工程机械制造企业的产品研发、制造和销售等环节中的风险降到最低水平，为企业的可持续发展保驾护航。
三、企业风险规划
对该类企业的风险的规划建立在风险管理方法的基础上。首先，企业应建立一支由管理、技术、市场、知识产权等领域专家组成风险管理委员会。其次由专家组进行运营风险的调研、归纳、总结，形成运营风险集。风险集要尽量完整，包含已经发生过和可能发生的风险，但不应为追求完善而停留在规划阶段。可随着风险管理的活动和经验的增多，不断完善风险集。
四、企业风险评估
工程机械制造企业按照项目风险管理的概念将运营风险分解成小的项目单元，对子风险的等级、危害等进行评估形成一套完整有效的风险评估策略，才能有效在企业的运营管理中进行实施。1.风险评估数学模型参照国内外研究和相关管理经验，采用三参数模型来描述企业运营中的子风险大小。式中Rs是企业总的运营风险，Ri为子风险的量化评估值，如技术风险、市场风险、采购风险、生产风险等，ai为各个风险之间相互影响的因子，该因子的取得将在下面一节中进行总结。2.风险评估各参数量化方法(1)风险事件可能性量化方法风险事件的可能性是用来描述风险发生机会多少的，通常用概率进行描述。在本文中采用五级分法进行量化处理：频发发生对应概率为81~100%；经常性发生对应61~80%；一般性发生对应41~60%；不经常发生对应21~40%；一般不发生对应0~20%。(2)风险影响值量化方法风险的影响值是用来描述风险一旦发生所造成的损失或失败的。这里采用五级分法进行量化处理。量化等级划分见表2：(3)风险可控度指数量化方法风险可控度讲的是当风险出现时的可解决程度，可解决的程度越高则可控度越高，反之在现有的条件下无法解决，则表明不能控制、风险很大。风险可控值的确定需采用专家打分，并取平均值来确定，并根据所在区间确定可控指数。可控度指数和可控度等级划分见表3：(4)风险相关因子计算方法风险相关因子是用于表示有相互关联关系的子风险之间的相互作用程度而确定在风险综合值计算中的重要性占比，值得范围为0-1。单项风险之间相关因子计算首先对子风险之间的相互影响进行量化。其中相互影响极大为5，相关有很大影响为4，有影响为3，有一定影响为2，有较少影响为1，无影响为0.相互影响打分矩阵如表4所示。矩阵中单项风险的重要度是由专家组评估给出，只表示风险重要程度，不体现相互关系。基本不重要，重要度值为1；一般重要，重要度值为2；重要，重要度值为3；非常重要，重要度值为4；至关重要，重要度值为5。
五、企业风险管理流程和风险管理对象库的构建
为有效对工程机械制造企业进行风险管理，需要企业建立高效的风险管控机制和风险管理库，保证风险管理方法的实施。风险管理的流程起点是风险规划，形成已规划的风险管理序列R_LIST1，这是企业进行风险管理的基础，是标准库。工程机械制造企业针对自身的特点对风险管理库进行分析识别，将不会发生的风险剔除出去，形成风险管理库R_LIST2，对经过识别的风险进行评估，确定风险和总体风险综合值。确定了应对优先级的风险需企业管理者或风险管控人员进行风险应对，应对目标是将较高等级的风险处理为较低等级的风险，将等级值较低的风险进行规避或转移，将风险消灭于萌芽状态。经过应对而无法规避的风险或无法应对的风险过程风险管理对象库R_LIST3，是企业的核心风险，对核心风险要进行风险监控。风险管理流程图见右图。
