本文關鍵詞：特征加權組稀疏模式分析算法及其在水電機組故障診斷中的應用，，由筆耕文化傳播整理發(fā)布。

【摘要】：水電機組作為小水電生產過程中的核心設備,它的運行狀況直接關系到水電廠的安全,同時也關系到水電廠能否向電網(wǎng)提供可靠電力。由于水電機組具有構造復雜,機組運行呈季節(jié)性,異常振動誘發(fā)因素多等特點,日益影響著電網(wǎng)的安全穩(wěn)定運行。因此,對水電機組進行運行狀態(tài)監(jiān)測和故障診斷,以確保水電機組更為穩(wěn)定的運行,并且最大程度提高發(fā)電效益,具有十分重要的意義。傳統(tǒng)的故障診斷算法主要基于專業(yè)技術人員的經(jīng)驗和知識來推理診斷。這種過分依賴于個人經(jīng)驗和知識的算法目前仍在水電機組故障診斷中占主導地位,其弊端是顯而易見的。因此,必須提高設備故障診斷的自動化和智能化程度,實現(xiàn)對設備的高效、可靠的智能診斷。本文研究內容主要針對水電機組故障診斷問題,研究并設計適合水電機組故障診斷的加權組稀疏模式分析系列算法,同時構建故障診斷系統(tǒng),具體工作包含以下4個方面:(1)針對水電機組噪聲樣本輸入數(shù)據(jù)結構非線性以及小樣本問題,提出了一種改進的核化判別公共向量降維算法,稱為高效核化判別公共向量算法。該算法的優(yōu)勢主要包括:能夠有效地解決數(shù)據(jù)非線性分布帶來的鑒別難點,同時通過公共向量的引入解決了小樣本問題,提升后續(xù)模式分類器的鑒別效果。(2)針對水電機組噪聲樣本數(shù)據(jù)易丟失信息和含干擾信息等問題,提出了特征加權組稀疏模式分析算法。該算法結合各類重構冗余以及樣本距離測度逼近樣本分布結構,并兼顧特征加權因子進行奇異點剔除,從樣本和特征兩方面減少重構表示誤差;實驗證明算法兼顧了稀疏性、標簽信息、特征貢獻因素以及局部結構信息。(3)為有效地解決樣本數(shù)據(jù)丟失以及樣本維數(shù)過高導致的鑒別效率和樣本外問題,將降維技術應用到特征加權組稀疏模式分析算法中,提出特征加權組稀疏判別投影模式分析算法。以特征加權組稀疏為基礎進行編碼系數(shù)求解,并計算特征加權約束的類內重構散度矩陣和類間重構散度矩陣。實驗該算法證明在減少計算復雜的同時,提高了算法識別能力。(4)提出了水電機組故障診斷系統(tǒng)的設計方案,包括水電機組故障診斷單元設計、機組現(xiàn)地控制單元設計和上位機監(jiān)控軟件設計。并且將所提的特征加權組稀疏判別投影模式分析算法應用到水電機組故障診斷單元,通過對水電機組運行產生的聲音數(shù)據(jù)進行特征的提取和識別,證明了算法在故障診斷中的有效性。
【關鍵詞】：水電機組 故障診斷 特征加權 組稀疏 判別投影
【學位授予單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TV738
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 緒論11-18
• 1.1 課題研究背景及意義11-12
• 1.2 水電機組故障研究現(xiàn)狀12-14
• 1.3 稀疏表示算法和降維算法的研究現(xiàn)狀14-16
• 1.4 本文主要研究內容16-18
• 第2章 經(jīng)典的模式分析算法18-29
• 2.1 引言18-19
• 2.2 經(jīng)典的降維算法19-24
• 2.2.1 主成分分析19-20
• 2.2.2 線性判別分析20-21
• 2.2.3 判別公共向量分析21-22
• 2.2.4 核化判別公共向量分析22-24
• 2.3 稀疏表示型算法24-26
• 2.3.1 稀疏表示分類器24-25
• 2.3.2 組稀疏分類器25
• 2.3.3 加權組稀疏分類器25-26
• 2.4 稀疏降維算法26-28
• 2.4.1 稀疏保持投影算法26-27
• 2.4.2 稀疏判別投影分類算法27-28
• 2.5 本章小結28-29
• 第3章 高效核化判別公共向量分析算法29-39
• 3.1 引言29
• 3.2 算法的基本原理29-34
• 3.2.1 訓練階段的改進30-31
• 3.2.2 測試階段的改進31-33
• 3.2.3 改進的算法流程及復雜度分析33-34
• 3.3 仿真結果與分析34-38
• 3.3.1 識別性能分析35-36
• 3.3.2 訓練效率分析36-37
• 3.3.3 測試效率分析37-38
• 3.4 本章小結38-39
• 第4章 特征加權組稀疏模式分析算法39-48
• 4.1 引言39
• 4.2 算法的基本原理39-43
• 4.2.1 特征加權矢量的選擇40-41
• 4.2.2 算法流程41-42
• 4.2.3 算法收斂性證明42-43
• 4.3 仿真結果與分析43-47
• 4.3.1 識別性能分析44-46
• 4.3.2 算法重構性能46
• 4.3.3 運算效率分析46-47
• 4.4 本章小結47-48
• 第5章 特征加權組稀疏判別投影模式分析算法48-55
• 5.1 引言48
• 5.2 算法的基本原理48-50
• 5.2.1 算法的優(yōu)化求解49-50
• 5.2.2 算法流程50
• 5.3 實驗仿真與分析50-54
• 5.3.1 識別性能分析51-53
• 5.3.2 運算效率分析53-54
• 5.4 本章小結54-55
• 第6章 水電機組故障診斷系統(tǒng)設計與實現(xiàn)55-72
• 6.1 引言55
• 6.2 水電機組故障診斷系統(tǒng)的總體設計55-57
• 6.2.1 水電機組故障診斷任務55
• 6.2.2 水電機組故障診斷系統(tǒng)的結構選擇55-56
• 6.2.3 水電機組故障診斷系統(tǒng)的總體設計方案56-57
• 6.3 上位機監(jiān)控軟件設計57-60
• 6.3.1 系統(tǒng)組態(tài)軟件的選擇與設置57-58
• 6.3.2 系統(tǒng)用戶權限配置58-59
• 6.3.3 故障診斷系統(tǒng)監(jiān)控界面設計59-60
• 6.4 機組現(xiàn)地控制單元設計60-65
• 6.4.1 機組現(xiàn)地控制單元結構確定61
• 6.4.2 主控設備選擇61-63
• 6.4.3 主要控制回路關鍵點設計63-65
• 6.5 水電機組故障診斷單元設計65-71
• 6.5.1 傳感器故障雜質及通常解決辦法65
• 6.5.2 加權組稀疏判別降維模式分析故障診斷模型的提出65-67
• 6.5.3 水電機組噪聲信號構建及預處理67-69
• 6.5.4 水電機組噪聲信號鑒別任務仿真69-71
• 6.6 本章小結71-72
• 第7章 結論和展望72-74
• 7.1 結論72
• 7.2 展望72-74
• 參考文獻74-79
• 致謝79-80
• 攻讀學位期間的科研成果80-81

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 胡勝海;何蕾;徐鵬;楊奇;金錦花;;基于灰色特征加權支持向量機的火炮質量評估[J];應用科技;2011年01期

2 孔令燕;夏樂天;;基于特征加權的混合型模糊聚類分析及其在洪水災害等級劃分中的應用[J];水利經(jīng)濟;2009年05期

3 趙俊杰;;基于特征加權的KNNFP改進算法及在故障診斷中的應用[J];電子技術應用;2011年04期

4 王改堂;王斐;黃超凡;丁力;葉錦函;;基于特征加權K最近鄰的無人機武器發(fā)射過程參數(shù)預測[J];彈箭與制導學報;2014年04期

5 王國才;張聰;;一種基于粗糙集的特征加權樸素貝葉斯分類器[J];重慶理工大學學報(自然科學版);2010年07期

6 顧播宇;孫俊喜;李洪祚;劉紅喜;劉廣文;;基于特征加權模塊雙方向二維主成分分析的人臉識別[J];吉林大學學報(工學版);2014年03期

7 邱超;;特征加權FCM算法在洪水樣本分類中的應用[J];水文;2007年05期

8 任會峰;陽春華;周璇;桂衛(wèi)華;鄢鋒;;基于泡沫圖像特征加權SVM的浮選工況識別[J];浙江大學學報(工學版);2011年12期

9 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 杜玫芳;王昕;;基于特征加權的模糊c均值聚類算法及其應用[A];2008通信理論與技術新進展——第十三屆全國青年通信學術會議論文集（上）[C];2008年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 馬會敏;幾種特征加權支持向量機方法的比較研究[D];河北大學;2010年

2 王秀菲;基于特征加權支持向量機的復合材料粘接缺陷量化識別研究[D];內蒙古大學;2011年

3 馬萍;貝葉斯網(wǎng)絡與基于特征加權的聚類研究[D];大連理工大學;2011年

4 黃瓊芳;特征加權組稀疏模式分析算法及其在水電機組故障診斷中的應用[D];浙江工業(yè)大學;2015年

5 吳彪;基于信息論的特征加權和主題驅動協(xié)同聚類算法研究[D];哈爾濱工業(yè)大學;2008年

6 周計美;基于特征加權單類支持向量機的顏色識別算法及其在異色物檢測中的研究[D];內蒙古大學;2012年

7 陳曉琳;采用ReliefF特征加權的NIC算法研究[D];鄭州大學;2014年

8 周徐寧;基于特征加權連續(xù)隱馬爾可夫模型的故障診斷方法研究[D];上海交通大學;2012年

9 劉建林;基于樣本—特征加權的模糊核聚類算法研究及應用[D];華東交通大學;2013年

10 劉東洋;基于GMM和特征加權SVM的目標識別算法研究[D];南京理工大學;2013年

  本文關鍵詞：特征加權組稀疏模式分析算法及其在水電機組故障診斷中的應用，由筆耕文化傳播整理發(fā)布。

本文編號：341500