本文關(guān)鍵詞：基于時頻分析與特征約簡的水電機組故障診斷方法研究　出處：《華中科技大學》2016年博士論文　論文類型：學位論文

  更多相關(guān)文章： 水電機組 故障診斷 時頻分析 混合延拓 自適應快速集成經(jīng)驗模態(tài)分解 特征約簡 局部保持投影 混合引力搜索 隨機森林

【摘要】：在新時代綠色能源背景下,大力發(fā)展水電能源對我國能源結(jié)構(gòu)優(yōu)化調(diào)整和社會經(jīng)濟可持續(xù)發(fā)展具有重要的戰(zhàn)略意義。作為水電站能源轉(zhuǎn)換的關(guān)鍵核心設(shè)備,目前,水電機組呈現(xiàn)出巨型化、綜合化、高速化、超臨界化和智能化的發(fā)展趨勢,其運行過程面臨的故障安全問題日益突出。為降低機組故障事故風險,確保機組安全穩(wěn)定運行,積極開展水電機組故障診斷研究已在工程界和學術(shù)界達成共識。實際應用中,除因機組自身復雜結(jié)構(gòu)特性和多種激勵振源干擾外,現(xiàn)有故障診斷理論方法的不足和局限性,在一定程度上阻礙了故障診斷從理論研究向工程應用的轉(zhuǎn)化�；诖�,本文圍繞水電機組故障診斷中存在的非平穩(wěn)信號分析處理和特征提取、多維特征約簡以及復雜故障模式識別等問題,以經(jīng)驗模態(tài)分解、流行學習、混合引力搜索、支持向量機和隨機森林等為理論基礎(chǔ)與研究手段,探索并克服現(xiàn)有方法存在的理論與應用缺陷,提出了若干有效的水電機組非平穩(wěn)振動信號分析與特征提取改進方法,針對高維特征冗余干擾等問題,探索并構(gòu)建了基于空間映射和智能搜索的兩種特征約簡方法,最終通過引入支持向量機和隨機森林故障識別理論,構(gòu)建了融合時頻分析和特征約簡的水電機組混合故障診斷模型,為該領(lǐng)域的理論方法創(chuàng)新提供了新的研究思路,并具有一定的工程應用價值。論文的主要研究內(nèi)容及創(chuàng)新性成果如下：(1)針對經(jīng)驗模態(tài)分解存在的端點飛翼現(xiàn)象,深入分析了端點效應發(fā)生的本質(zhì)原因與解決方法,提出了一種極值點混合延拓的經(jīng)驗模態(tài)分解端點效應抑制方法,該方法有效融合了支持向量回歸機和鏡像偶延拓的方法優(yōu)點。在信號分解初始階段,利用支持向量回歸機良好的近端點預測能力對信號極值點序列進行兩端延拓；在信號低頻部分,通過鏡像偶延拓方法有效規(guī)避了支持向量回歸機極值點樣本訓練數(shù)據(jù)不充足,且抑制效果不理想的問題。最后,采用所提方法對水電機組多故障振動仿真信號進行分解,并與鏡像延拓和支持向量回歸機信號序列延拓方法進行對比分析,結(jié)果表明所提方法能夠有效抑制端點效應,并具有較低的計算時耗。(2)考慮到水電機組尾水管壓力脈動信號的非平穩(wěn)及噪聲沖擊特性,為提高經(jīng)驗模態(tài)分解方法的模態(tài)混疊抑制能力,引入集成經(jīng)驗模態(tài)分解時頻分析方法。針對集成經(jīng)驗模態(tài)分解存在的參數(shù)選擇難、高時耗、殘噪污染等問題,在互補集成經(jīng)驗模態(tài)分解的基礎(chǔ)上,創(chuàng)造性地提出了一種自適應快速集成經(jīng)驗模態(tài)分解算法。研究通過揭示白噪聲頻率上限與集成經(jīng)驗模態(tài)分解計算效率的間接正比例增長規(guī)律,描述了集成經(jīng)驗模態(tài)分解小噪聲幅值情況下模態(tài)混疊問題的消除機制,基于此,將白噪聲幅值和集成試驗次數(shù)分別固定設(shè)置為目標信號序列標準差的0.01倍和2,提出了一種相對均方根誤差指標的白噪聲頻率上限自適應確定方法,突破了集成經(jīng)驗模態(tài)分解關(guān)鍵參數(shù)難以設(shè)定的難題。通過仿真實例和國際標準故障診斷案例驗證了所提方法的有效性與先進性。最終,將所提方法應用到水電機組尾水管壓力脈動信號分析中,表明了方法的工程實用性。(3)為了抑制高維特征空間存在的特征冗余和敏感信息易淹沒等問題,通過分析局部和總體主成分分析算法的優(yōu)勢和局限性,構(gòu)建了樣本點鄰域關(guān)系的皮爾遜相似系數(shù)的衡量指標和邊權(quán)重確定規(guī)則,進而提出了自適應近鄰關(guān)系的監(jiān)督型局部和總體主成分分析新型數(shù)據(jù)約簡方法。同時考慮到水電機組故障小樣本特性,建立了融合流行學習特征約簡和支持向量機的多類故障診斷模型,通過電站實際故障案例驗證了模型的有效性,并與其他特征降維方法進行了對比分析。此外,針對更為復雜的故障診斷問題,提出了一種多維廣域特征的振動故障混合診斷策略,該方法有效融合了概率統(tǒng)計分析和基于機器學習的診斷方法,將整個診斷過程簡化為三大步驟：故障初步監(jiān)測、故障類型識別和故障程度確定。最后,將混合診斷策略應用于旋轉(zhuǎn)機械故障診斷中,結(jié)果表明所提方法不僅提高了故障診斷精度,而且有效降低了診斷模型的復雜度,改善了計算效率,同時,為水電機組復雜故障診斷問題提供了一種有效的解決思路。(4)針對基于空間映射的特征約簡方法難以評價各特征屬性優(yōu)劣程度的問題,同時為消除模型參數(shù)對隨機森林診斷精度的影響。從另一特征約簡角度出發(fā),提出了一種基于混合引力搜索算法和隨機森林的轉(zhuǎn)子系統(tǒng)故障診斷模型。該模型從特征子集和模型參數(shù)兩方面對隨機森林故障診斷模型進行了優(yōu)化改進,針對特征子集選擇,采用二進制引力搜索算法進行最優(yōu)子集尋優(yōu),同時采用實數(shù)引力搜索算法對隨機森林的決策樹數(shù)目進行優(yōu)化處理。最后,將所提方法應用于轉(zhuǎn)子系統(tǒng)故障診斷中,通過8種故障類型診斷試驗,結(jié)果表明所提方法能夠有效剔除冗余特征信息干擾,解決了隨機森林決策樹數(shù)目選擇難的問題,在一定程度上提高了隨機森林診斷模型的精度和效率,此外,基于隨機森林的袋外數(shù)據(jù)估計特性,進一步實現(xiàn)了最優(yōu)特征屬性的重要度評估。
[Abstract]:A hybrid fault diagnosis model based on spatial mapping and intelligent search is proposed in this paper , which is based on empirical mode decomposition , popular learning , hybrid gravity search , support vector machine and stochastic forest . ( 2 ) In order to improve the efficiency and advance of the method , a new data reduction method is proposed , which is based on the empirical mode decomposition of the integrated empirical mode . ( 4 ) Based on the feature reduction method based on spatial mapping , it is difficult to evaluate the problem of the quality of each characteristic attribute , and to eliminate the influence of the model parameters on the accuracy of the random forest diagnosis .

【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TV734;TV738

【相似文獻】

相關(guān)期刊論文 前10條

1 王麗婷;丁曉青;方馳;;基于隨機森林的人臉關(guān)鍵點精確定位方法[J];清華大學學報(自然科學版);2009年04期

2 康有;陳元芳;顧圣華;姚欣明;黃琴;湯艷平;;基于隨機森林的區(qū)域水資源可持續(xù)利用評價[J];水電能源科學;2014年03期

3 邱一卉;林成德;;基于隨機森林方法的異常樣本檢測方法[J];福建工程學院學報;2007年04期

4 馬昕;王雪;楊洋;;基于隨機森林算法的大學生異動情況的預測[J];江蘇科技大學學報(自然科學版);2012年01期

5 劉美菊;劉冬;劉劍;;隨機森林在群控電梯交通模式識別中的應用[J];機械設(shè)計與制造;2013年04期

6 姚登舉;楊靜;詹曉娟;;基于隨機森林的特征選擇算法[J];吉林大學學報(工學版);2014年01期

7 張曄;楊國田;;基于隨機森林的數(shù)據(jù)融合架空輸電線路鐵塔損傷識別[J];黑龍江科技信息;2014年20期

8 呂淑婷;張啟敏;;一類帶Poisson跳的隨機森林發(fā)展系統(tǒng)數(shù)值解的穩(wěn)定性[J];蘭州理工大學學報;2012年03期

9 陳海利;孫志偉;龐龍;;基于隨機森林的文本分類研究[J];科技創(chuàng)新與應用;2014年02期

10 莊進發(fā);羅鍵;彭彥卿;黃春慶;吳長慶;;基于改進隨機森林的故障診斷方法研究[J];計算機集成制造系統(tǒng);2009年04期

相關(guān)會議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標檢測中的應用[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達數(shù)據(jù)分析的隨機森林方法及算法改進[A];黑龍江省第十次統(tǒng)計科學討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機森林結(jié)合激光誘導擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學會第29屆學術(shù)年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉�(gòu)效關(guān)系研究[A];第十一屆全國計算（機）化學學術(shù)會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機森林回歸分析方法及在代謝組學中的應用[A];2011年中國衛(wèi)生統(tǒng)計學年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應用[A];第八屆全國轉(zhuǎn)子動力學學術(shù)討論會論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計算(機)化學學術(shù)會議論文摘要集[C];2009年

相關(guān)博士學位論文 前5條

1 張乾;基于隨機森林的視覺數(shù)據(jù)分類關(guān)鍵技術(shù)研究[D];華南理工大學;2016年

2 曹正鳳;隨機森林算法優(yōu)化研究[D];首都經(jīng)濟貿(mào)易大學;2014年

3 雷震;隨機森林及其在遙感影像處理中應用研究[D];上海交通大學;2012年

4 岳明;基于隨機森林和規(guī)則集成法的酒類市場預測與發(fā)展戰(zhàn)略[D];天津大學;2008年

5 李書艷;單點氨基酸多態(tài)性與疾病相關(guān)關(guān)系的預測及其機制研究[D];蘭州大學;2010年

相關(guān)碩士學位論文 前10條

1 錢維;藥品不良反應監(jiān)測中隨機森林方法的建立與實現(xiàn)[D];第二軍醫(yī)大學;2012年

2 韓燕龍;基于隨機森林的指數(shù)化投資組合構(gòu)建研究[D];華南理工大學;2015年

3 賀捷;隨機森林在文本分類中的應用[D];華南理工大學;2015年

4 張文婷;交通環(huán)境下基于改進霍夫森林的目標檢測與跟蹤[D];華南理工大學;2015年

5 李強;基于多視角特征融合與隨機森林的蛋白質(zhì)結(jié)晶預測[D];南京理工大學;2015年

6 朱玟謙;一種收斂性隨機森林在人臉檢測中的應用研究[D];武漢理工大學;2015年

7 肖宇;基于序列圖像的手勢檢測與識別算法研究[D];電子科技大學;2014年

8 李慧;一種改進的隨機森林并行分類方法在運營商大數(shù)據(jù)的應用[D];電子科技大學;2015年

9 趙亞紅;面向多類標分類的隨機森林算法研究[D];哈爾濱工業(yè)大學;2014年

10 黎成;基于隨機森林和ReliefF的致病SNP識別方法[D];西安電子科技大學;2014年

，

本文編號：1409989