火電廠輔機設(shè)備的在線監(jiān)測和故障診斷關(guān)乎發(fā)電機組的可靠穩(wěn)定運行�；鹆Πl(fā)電系統(tǒng)輔機設(shè)備表現(xiàn)為變量間交叉耦合、系統(tǒng)非線性強,很難建立精確的數(shù)學(xué)解析模型設(shè)備描述系統(tǒng)的工作狀態(tài),本文以數(shù)據(jù)挖掘和機器學(xué)習(xí)為主要技術(shù)背景,以火電廠一次風機和制粉系統(tǒng)為主要研究對象,展開對火電廠輔機設(shè)備的在線監(jiān)測與故障診斷的研究。從輔機設(shè)備的運行特性著手,詳細介紹了基于實時數(shù)據(jù)挖掘的故障診斷技術(shù)的總體設(shè)計方案和實施路線。故障預(yù)警方面,以一次風機為研究對象,提出了一種基于相似性建模和LS-SVM狀態(tài)估計的故障預(yù)警方法,利用實際數(shù)據(jù),驗證所提方法在一次風機監(jiān)測中能及時發(fā)現(xiàn)故障早期征兆的有效性。將支持向量機在解決高維、非線性及小樣本的模式識別問題中的優(yōu)勢,推廣到輔機設(shè)備的故障分類中。針對電廠制粉系統(tǒng)多分類中故障類型和故障特征之間的類屬不確定性,提出了一種基于貝葉斯后驗概率估計的LS-SVM多標簽故障分類方法。結(jié)合電廠制粉系統(tǒng)的實例分析對算法的進行驗證其有效性和合理性。此外,本文提出了一種基于現(xiàn)有數(shù)據(jù)和模型驗證的故障特征提取方法,用于豐富樣本知識庫。在LS-SVM的參數(shù)優(yōu)化中,提出了 一種自適應(yīng)參數(shù)調(diào)整的粒子群算法的優(yōu)化策略,... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 故障診斷技術(shù)研究現(xiàn)狀
        1.2.2 機器學(xué)習(xí)與數(shù)據(jù)挖掘
        1.2.3 支持向量機
    1.3 本文主要工作
第2章 基于數(shù)據(jù)挖掘的故障診斷方案總體設(shè)計
    2.1 火電廠輔機設(shè)備介紹
    2.2 系統(tǒng)總體結(jié)構(gòu)
    2.3 故障診斷系統(tǒng)實施路線
        2.3.1 基于狀態(tài)估計的故障預(yù)警
        2.3.2 多標簽故障模式分類
        2.3.3 歷史數(shù)據(jù)采集
    2.4 本章小結(jié)
第3章 一次風機故障預(yù)警
    3.1 狀態(tài)估計原理
    3.2 支持向量機回歸
        3.2.1 LS-SVM回歸
    3.3 一次風機故障預(yù)警
        3.3.1 一次風機建模數(shù)據(jù)選取
        3.3.2 正常狀態(tài)振動估計
        3.3.3 異常情況下一次風機振動監(jiān)測
    3.4 本章小結(jié)
第4章 制粉系統(tǒng)多標簽故障分類
    4.1 支持向量機分類概述
        4.1.1 廣義最優(yōu)分類面
        4.1.2 核函數(shù)
        4.1.3 LS-SVM分類
    4.2 制粉系統(tǒng)模型辨識
        4.2.1 模型辨識
        4.2.2 模型驗證
        4.2.3 故障特征提取
    4.3 LS-SVM參數(shù)優(yōu)化
        4.3.1 粒子群算法基本原理
        4.3.2 粒子群算法的不足與改進
        4.3.3 自適應(yīng)參數(shù)調(diào)整的改進PSO設(shè)計
        4.3.4 參數(shù)優(yōu)化結(jié)果
    4.4 制粉系統(tǒng)多標簽分類問題分析
        4.4.1 多標簽分類定義
        4.4.2 多標簽數(shù)據(jù)分解
        4.4.3 基于后驗概率的類別表示
        4.4.4 概率LS-SVM概率分類器模型
        4.4.5 閾值確定方法
        4.4.6 概率LS-SVM多標簽故障分類算法
        4.4.7 可行性分析
    4.5 實例驗證
        4.5.1 混合類分離性能驗證
        4.5.2 總體性能驗證
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻
致謝
作者簡歷


【參考文獻】：
期刊論文
[1]基于概率LS-SVM的多標簽非均衡樣本分類算法[J]. 范海雄,劉付顯,夏璐.  解放軍理工大學(xué)學(xué)報(自然科學(xué)版). 2013(02)
[2]基于LS-SVM的多標簽分類算法[J]. 殷會,許建華,許花.  南京師范大學(xué)學(xué)報(工程技術(shù)版). 2010(02)
[3]半監(jiān)督學(xué)習(xí)研究進展[J]. 梁吉業(yè),高嘉偉,常瑜.  山西大學(xué)學(xué)報(自然科學(xué)版). 2009(04)
[4]一種采用LLE降維和貝葉斯分類的多類標學(xué)習(xí)算法[J]. 李宏,謝政,向遙,吳敏.  系統(tǒng)工程與電子技術(shù). 2009(06)
[5]一種多值屬性多類標數(shù)據(jù)決策樹算法[J]. 李宏,陳松喬,趙蕊,郭躍健.  模式識別與人工智能. 2007(06)
[6]基于遺傳算法的LS-SVM參數(shù)優(yōu)選及其在經(jīng)濟預(yù)測中的應(yīng)用[J]. 周輝仁,鄭丕諤,趙春秀.  計算機應(yīng)用. 2007(06)
[7]基于Parzen窗法的貝葉斯參數(shù)估計[J]. 擺玉龍,楊志民.  計算機工程與應(yīng)用. 2007(07)
[8]基于分層高斯混合模型的半監(jiān)督學(xué)習(xí)算法[J]. 孫廣玲,唐降龍.  計算機研究與發(fā)展. 2004(01)
[9]火電廠的實時狀態(tài)監(jiān)測系統(tǒng)與故障診斷[J]. 楊蘋,吳捷.  電力系統(tǒng)自動化. 2000(17)
[10]電力設(shè)備狀態(tài)檢修技術(shù)研究綜述[J]. 許婧,王晶,高峰,束洪春.  電網(wǎng)技術(shù). 2000(08)

博士論文
[1]最小二乘支持向量機及其在工業(yè)過程建模中的應(yīng)用[D]. 陳愛軍.浙江大學(xué) 2006
[2]智能故障診斷中的機器學(xué)習(xí)新理論及其應(yīng)用研究[D]. 馬笑瀟.重慶大學(xué) 2002

碩士論文
[1]火電廠送風機故障預(yù)警系統(tǒng)的研究[D]. 高明.華北電力大學(xué) 2013
[2]火電廠風機狀態(tài)監(jiān)測與故障診斷系統(tǒng)研究[D]. 劉清龍.武漢大學(xué) 2005
[3]電廠風機狀態(tài)監(jiān)測與維修系統(tǒng)研究[D]. 曾周亮.武漢大學(xué) 2004



本文編號：2976244