本文關鍵詞：基于支持向量機的風電機組故障智能分類方法及其應用，，由筆耕文化傳播整理發(fā)布。

【摘要】：近些年來,我國風力發(fā)電得到了迅猛發(fā)展,雖然風力發(fā)電機的設計與制造已逐步完善,但是由于運行載荷復雜多變,工作條件惡劣等特殊原因,使得風電機組的故障率居高不下,對其運行維護提出了巨大的挑戰(zhàn)。因此研究及推廣應用風電機組狀態(tài)監(jiān)測與故障診斷技術對于提高風電設備的運行安全可靠性具有重要的實際意義�；谏鲜銮闆r,本文對風電機組傳動鏈故障智能分類方法進行研究,旨在提高傳動鏈設備故障的自動識別能力和精度,提高設備維修技術及管理水平。論文的主要工作如下：首先對風電機組的結構進行概述,簡要說明風電機組主要部件的故障機理、故障類型。介紹了三種基于振動信號分析的故障特征提取方法,包括時域、頻域和小波包特征提取方法。通過實例分析了三種特征提取方法的分類效果和特點。同時還介紹了主成分分析方法的基本原理,并將主成分分析方法和小波包特征提取方法結合使用,把多個特征值指標轉化為少數(shù)幾個綜合指標,以獲取最主要的信息。其次,將基于支持向量機的智能故障分類方法應用于風電齒輪箱故障分類問題,用實際案例驗證了二分類和多分類支持向量機的效果。針對神經(jīng)網(wǎng)絡的局部極值問題和需要大量訓練樣本的情況,以及提高分類準確率的問題,結合小波包(Wavelet Packet, WP)、粒子群優(yōu)化算法(Particle Swarm Optimization algorithm, PSO)和支持向量機(Support Vector Machine, SVM)理論建立了風電機組傳動鏈故障診斷模型,即WP-PSO-SVM模型,用實際數(shù)據(jù)對模型的效果進行了驗證。討論了帶通濾波、特征提取和主成分分析三方面對分類正確率的影響。最后,針對支持向量機作為有監(jiān)督學習方法在實際應用中所受到的限制,本文利用高維空間支持向量點聚類及相似度閩值判別方法實現(xiàn)支持向量機半監(jiān)督,并對未知樣本進行識別分類,進一步應用到風電機組群的智能故障診斷中。
【關鍵詞】：風電機組 故障診斷 支持向量機 粒子群優(yōu)化 半監(jiān)督方法
【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】：2016
【分類號】：TM614;TP18
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 研究背景和意義10-11
• 1.2 研究現(xiàn)狀11-15
• 1.2.1 狀態(tài)監(jiān)測與故障診斷研究現(xiàn)狀11-13
• 1.2.2 支持向量機故障診斷方法研究現(xiàn)狀13-15
• 1.3 論文的主要內容及結構15-17
• 1.3.1 論文的主要內容15
• 1.3.2 論文的結構15-17
• 第2章 風電機組故障機理及支持向量機的理論17-26
• 2.1 風力發(fā)電機組結構17-18
• 2.2 風力發(fā)電機組主要部件結構及其故障機理18-19
• 2.2.1 齒輪箱結構及其故障診斷18
• 2.2.2 發(fā)電機結構及其故障診斷18-19
• 2.3 統(tǒng)計學習理論19-21
• 2.3.1 函數(shù)集的VC維19-20
• 2.3.2 學習機器推廣能力的界20
• 2.3.3 結構風險最小化原則20-21
• 2.4 支持向量機分類算法21-25
• 2.4.1 線性分類算法情形21-23
• 2.4.2 非線性分類算法情形23-25
• 2.5 本章小結25-26
• 第3章 風電機組振動信號特征提取及主成分分析26-38
• 3.1 時域特征提取方法26-28
• 3.1.1 時域分析法26
• 3.1.2 時域信號特征值提取26-28
• 3.2 頻域特征提取方法28-29
• 3.3 小波特征提取方法29-31
• 3.3.1 小波包基本原理29-30
• 3.3.2 小波包能量特征提取30-31
• 3.4 主成分分析31-32
• 3.4.1 主成分分析基本思想31
• 3.4.2 主成分分析原理31-32
• 3.5 故障特征提取案例32-37
• 3.5.1 實測數(shù)據(jù)介紹32-33
• 3.5.2 信號的時域及頻域分析33
• 3.5.3 時域特征提取33-35
• 3.5.4 頻域特征提取35-36
• 3.5.5 小波包特征提取36-37
• 3.5.6 主成分分析37
• 3.6 本章小結37-38
• 第4章 支持向量機二分類及多分類算法的應用38-47
• 4.1 支持向量機二分類算法的應用38-39
• 4.2 支持向量機多分類算法的應用39-43
• 4.2.1 不同故障類型案例39-41
• 4.2.2 故障狀態(tài)漸變案例41-43
• 4.3 特征提取方法對支持向量機分類的影響43-45
• 4.4 主成分分析對支持向量機分類的影響45-46
• 4.5 小結46-47
• 第5章 參數(shù)優(yōu)化方法及半監(jiān)督的實現(xiàn)47-56
• 5.1 粒子群優(yōu)化算法47-51
• 5.1.1 粒子群優(yōu)化算法的產(chǎn)生與發(fā)展47
• 5.1.2 粒子群優(yōu)化算法原理47-48
• 5.1.3 粒子群優(yōu)化算法流程48-49
• 5.1.4 粒子群優(yōu)化算法參數(shù)和參數(shù)設置49-50
• 5.1.5 基于粒子群的支持向量機分類實例50-51
• 5.2 半監(jiān)督支持向量機51-53
• 5.2.1 半監(jiān)督支持向量機診斷流程51-52
• 5.2.2 半監(jiān)督分類實例52-53
• 5.3 風電機組群的故障診斷53-55
• 5.3.1 風電機組群的故障診斷策略53-54
• 5.3.2 支持向量機在風電機組群中的應用54-55
• 5.4 小結55-56
• 第6章 結論及展望56-57
• 6.1 結論56
• 6.2 展望56-57
• 參考文獻57-63
• 攻讀碩士學位期間發(fā)表的論文及其它成果63-64
• 致謝64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機和小波分解的氣體識別研究[J];儀器儀表學報;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機的一個邊界樣本修剪方法[J];合肥工業(yè)大學學報(自然科學版);2006年07期

3 張菁華;袁鑫;劉達;;基于支持向量機的電力工程最優(yōu)投標報價決策研究[J];山東電力高等�？茖W校學報;2006年04期

4 張濤;段淑敏;;支持向量機在中醫(yī)疾病癥候診斷中的應用[J];華北水利水電學院學報;2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機回歸[J];清華大學學報(自然科學版);2007年S2期

6 陳丹;;多類支持向量機算法的研究[J];東莞理工學院學報;2007年05期

7 程麗麗;張健沛;馬駿;;一種改進的加權邊界調節(jié)支持向量機算法[J];哈爾濱工程大學學報;2007年10期

8 宋召青;崔和;胡云安;;支持向量機理論的研究與進展[J];海軍航空工程學院學報;2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機[J];黑龍江交通科技;2008年12期

10 許超;運士偉;舒云星;;基于支持向量機的混凝土測強換算模型[J];洛陽理工學院學報(自然科學版);2008年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e

本文編號：480820