近年來,隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、傳感器等信息技術(shù)與通信技術(shù)的迅猛發(fā)展,數(shù)據(jù)量的急速增長成了許多行業(yè)共同面對的嚴峻挑戰(zhàn)和寶貴機遇。而工業(yè)中信息技術(shù)的進步和現(xiàn)代化管理理念的發(fā)展與普及,企業(yè)的運營越來越依賴信息技術(shù)。在現(xiàn)階段的工業(yè)中,已經(jīng)存儲了海量的設(shè)備工況數(shù)據(jù),呈現(xiàn)出了大數(shù)據(jù)的諸多特征,但是絕大部分企業(yè)并沒有挖掘出這些數(shù)據(jù)應(yīng)有的價值�，F(xiàn)在先進的信息通信技術(shù)不斷地融入工業(yè)設(shè)備中并不斷更新,推動工業(yè)設(shè)備向自動化、數(shù)字化、智能化方向發(fā)展。中國政府更是基于以上發(fā)展趨勢提出了“工業(yè)大數(shù)據(jù)”的概念。具體而言,在設(shè)備、生產(chǎn)線中配備各種傳感器,抓取數(shù)據(jù),然后通過無線通信連接互聯(lián)網(wǎng),傳輸、存儲數(shù)據(jù),對設(shè)備運行或生產(chǎn)過程進行點對點的實時狀態(tài)監(jiān)控。在設(shè)備運行過程中,外部環(huán)境或者意外事件會使設(shè)備的性能發(fā)生一定的變化,會出現(xiàn)故障。現(xiàn)在可通過傳感技術(shù)感知數(shù)據(jù),通過對設(shè)備運行過程中的各個因素精確感知并利用統(tǒng)計學(xué)習的知識來實現(xiàn)設(shè)備的故障診斷。為了充分利用工業(yè)中海量數(shù)據(jù)并且保證診斷的準確性和高效性,本文將基于數(shù)據(jù)驅(qū)動的方法,運用統(tǒng)計學(xué)習模型,對風機葉片結(jié)冰情況進行預(yù)測。本文在對風機運行狀態(tài)數(shù)據(jù)劃分不同時間窗的基礎(chǔ)上,運用模型L... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究目的和意義
    1.3 研究內(nèi)容、方法和技術(shù)路線背景
        1.3.1 研究內(nèi)容
        1.3.2 研究方法和技術(shù)路線
    1.4 本文的主要貢獻
第二章 文獻綜述和相關(guān)理論
    2.1 國內(nèi)外文獻綜述
        2.1.1 國外研究現(xiàn)狀
        2.1.2 國內(nèi)研究現(xiàn)狀
    2.2 相關(guān)理論
        2.2.1 XGBoost
        2.2.2 LightGBM
            2.2.2.1 GOSS
            2.2.2.2 EFB
        2.2.3 ERT
        2.2.4 基于時間窗口的模型融合
第三章 數(shù)據(jù)來源和特征工程
    3.1 數(shù)據(jù)來源
        3.1.1 數(shù)據(jù)說明
        3.1.2 選擇該數(shù)據(jù)的原因
    3.2 特征工程
        3.2.1 數(shù)據(jù)表基本分析
        3.2.2 特征工程基本框架
        3.2.3 缺失值處理和數(shù)據(jù)標準化
第四章 風機葉片結(jié)冰預(yù)測模型實證結(jié)果分析與比較
    4.1 模型評價指標
        4.1.1 準確率
        4.1.2 平均準確率
        4.1.3 精確率、召回率、F值
        4.1.4 AUC評價指標
    4.2 基于單模型的風機葉片結(jié)冰預(yù)測
        4.2.1 基于XGBoost的葉片結(jié)冰預(yù)測模型
        4.2.2 基于LightGBM的葉片結(jié)冰預(yù)測模型
        4.2.3 基于ERT的葉片結(jié)冰預(yù)測模型
    4.3 基于混合模型的風機葉片結(jié)冰預(yù)測
        4.3.1 時間窗口為半小時下,基于LightGBM的模型實證
        4.3.2 時間窗口為十分鐘下,基于XGBoost的模型實證
        4.3.3 時間窗口為十分鐘下,基于ERT的模型實證
        4.3.4 時間窗口為十分鐘下,基于混合模型的模型實證
    4.4 模型對比研究
第五章 總結(jié)和后續(xù)研究建議
    5.1 總結(jié)
    5.2 后續(xù)研究建議
參考文獻
附錄
致謝


【參考文獻】：
期刊論文
[1]風電機組狀態(tài)檢測技術(shù)研究現(xiàn)狀及發(fā)展趨勢[J]. 丁顯,徐進,滕偉,柳亦兵.  可再生能源. 2017(10)
[2]神經(jīng)網(wǎng)絡(luò)技術(shù)在風電機組SCADA數(shù)據(jù)分析中的應(yīng)用研究[J]. 杜勉,易俊,郭劍波,程林,馬士聰,賀慶.  電網(wǎng)技術(shù). 2018(07)
[3]結(jié)合鏈路預(yù)測和ET機器學(xué)習的科研合作推薦方法研究[J]. 呂偉民,王小梅,韓濤.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2017(04)
[4]基于隨機森林的風機狀態(tài)監(jiān)測數(shù)據(jù)可視化研究[J]. 郭曉利,溫延立.  電測與儀表. 2016(22)
[5]基于證據(jù)理論和支持向量機的風機故障智能診斷[J]. 李家偉.  吉林大學(xué)學(xué)報(理學(xué)版). 2016(03)
[6]淺談風力發(fā)電技術(shù)的問題與探討[J]. 楊寅越.  河南科技. 2015(23)
[7]風力機結(jié)冰問題研究綜述[J]. 東喬天,金哲巖,楊志剛.  機械設(shè)計與制造. 2014(10)
[8]葉片覆冰對風電機組的影響[J]. 孫少華,徐洪雷,符鵬程,蔡繼峰.  風能. 2014(09)
[9]風電機組葉片結(jié)冰研究現(xiàn)狀與進展[J]. 王聰,黃潔亭,張勇,韓爽.  電力建設(shè). 2014(02)
[10]基于人工智能的煤礦風機故障診斷方法[J]. 李晶,劉國華.  煤礦機械. 2013(12)

碩士論文
[1]基于超聲導(dǎo)波方法的風機葉片覆冰檢測[D]. 王鵬.哈爾濱工業(yè)大學(xué) 2016
[2]基于Xgboost方法的實體零售業(yè)銷售額預(yù)測研究[D]. 葉倩怡.南昌大學(xué) 2016
[3]監(jiān)督學(xué)習算法在預(yù)測太陽能生產(chǎn)中的應(yīng)用[D]. 戴衛(wèi)特.中南大學(xué) 2014



本文編號：3188895