【摘要】：隨著現(xiàn)在工業(yè)生產(chǎn)規(guī)模不斷擴大,其生產(chǎn)過程越來越復雜,傳統(tǒng)的基于規(guī)則或者單純依賴機理建模的方式來監(jiān)控生產(chǎn)過程安全及建立有效的故障報警機制變得越來越困難。另一方面,傳感器成本的降低和存儲也變得廉價的今天,工業(yè)生產(chǎn)過程中保存了海量設備工況數(shù)據(jù)。與此同時,人工智能技術質(zhì)的提升已在多個通用領域顯露鋒芒。工業(yè)作為智能化程度的洼地及其潛在的巨大商業(yè)價值,受到的關注與日俱增。本文以發(fā)電風機葉片結(jié)冰故障診斷作為工業(yè)智能化應用的研究案例,目前該研究領域在國內(nèi)仍處于發(fā)展階段,現(xiàn)場采取的措施一般都是葉片結(jié)冰狀態(tài)比較嚴重后進行停機除冰。如果能對結(jié)冰過程進行精確預測,以便能夠盡早開啟除冰系統(tǒng),對于延長風機壽命,提高發(fā)電效率以及保證現(xiàn)場工作人員人身安全都具有重大的現(xiàn)實意義。本文通過風電廠SCADA系統(tǒng)產(chǎn)生的大量數(shù)據(jù),結(jié)合機器學習算法對風機葉片結(jié)冰情況進行預測,首先闡述了工業(yè)大數(shù)據(jù)的特點,表明工業(yè)智能化并不是人工智能技術在工業(yè)場景中的簡單復用。在數(shù)據(jù)預處理階段,針對無效和奇異值數(shù)據(jù)進行剔除操作。對于正常和結(jié)冰樣本嚴重不均衡現(xiàn)象,本文首先通過場景分析刪去部分大樣本數(shù)據(jù),之后同時采取欠采樣和過采樣、SMOTE等方法進行平衡處理。在特征提取階段,除了使用對結(jié)冰現(xiàn)象有重大相關性的顯性特征外,結(jié)合機理分析,又構造出一系列隱形特征,從而大幅的提升了預測效果。在算法選擇上,本文采用多個層面的人工智能算法對該案例進行分析。首先應用傳統(tǒng)機器學習方法,比如支持向量機、K-鄰近算法、BP全連接神經(jīng)網(wǎng)絡等。其次采用XGBoost算法,該算法基于機器學習中的提升理論,但對傳統(tǒng)的梯度提升算法做了很多細節(jié)改進,包括損失函數(shù)、正則化、切分點查找算法優(yōu)化等等,它可以很好的解決工業(yè)界規(guī)模的問題。最后,本文又采用深度學習理論,搭建CNN-LSTM自學習特征深度學習網(wǎng)絡,對數(shù)據(jù)集進行訓練和建模,同樣取得了不錯的預測結(jié)果。通過采用不同層次的數(shù)據(jù)驅(qū)動方法對風機葉片結(jié)冰數(shù)據(jù)進行分析和建模,初步掌握了工業(yè)大數(shù)據(jù)處理思路和方法,驗證了人工智能技術在工業(yè)領域具有廣闊的應用前景。
【學位授予單位】：華北電力大學(北京)
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：O212.4;TM315
【圖文】：

層會在保持一段時間后融化或者脫落，這段時間可能會比前三個階段發(fā)生所有時逡逑間總和還要長。逡逑影響葉片結(jié)冰的因素大致如圖１－３所示。逡逑影響葉片Ｍ冰的壞境閃系逡逑n儒問儒畏縊馘嗡危泳跺我禾蓁衛(wèi)氳兀椋媯睿煉儒義嫌跋煲鍍�？１冰的索辶x羨鍔阱危字叔喂ャ赍鎢蜇椋樨露儒偽磯灘詼儒我鍍哚苠義賢跡保秤跋煲鍍岜囊蛩劐義希保玻卜緇鍍岜侍庋芯肯腫村義轄昀�，国闹I庠詵緇鍍岜侍饃先〉昧誦磯囁上駁某曬�。其中？个埩x希沖義

本文編號：2798261