近年來(lái),風(fēng)力發(fā)電能源作為一種新興綠色能源發(fā)展迅猛,風(fēng)力發(fā)電機(jī)組數(shù)量迅速增加,同時(shí)對(duì)風(fēng)力發(fā)電機(jī)組故障診斷和狀態(tài)監(jiān)測(cè)方法提出了更高的要求。風(fēng)電機(jī)組數(shù)據(jù)采集與監(jiān)視控制（Supervisory Control And Data Acquisition,SCADA）系統(tǒng)記錄了環(huán)境參數(shù)與風(fēng)力發(fā)電機(jī)組運(yùn)行的各種狀態(tài)信號(hào)參數(shù),對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行充分分析,便可實(shí)現(xiàn)對(duì)風(fēng)力發(fā)電機(jī)組的運(yùn)行故障診斷。本文以K均值聚類(lèi)為基本方法,以風(fēng)力發(fā)電機(jī)組為研究對(duì)象,對(duì)其SCADA監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析,提出了一種基于流形半監(jiān)督K均值聚類(lèi)的風(fēng)力發(fā)電機(jī)組故障診斷方法。主要涉及一下幾部分內(nèi)容的研究:1.構(gòu)造了一種基于核方法的K均值聚類(lèi)方法,在K均值聚類(lèi)中引入高斯核函數(shù),提高了傳統(tǒng)K均值聚類(lèi)方法的性能。利用高斯核函數(shù)可以將低維線(xiàn)性數(shù)據(jù)不可分轉(zhuǎn)化為高維線(xiàn)性可分?jǐn)?shù)據(jù)的特性,進(jìn)行數(shù)據(jù)升維,實(shí)現(xiàn)高維空間數(shù)據(jù)線(xiàn)性可分,提高了傳統(tǒng)K均值聚類(lèi)的性能。2.提出了一種基于流形學(xué)習(xí)的K均值聚類(lèi)算法,把流形距離作為K均值算法的相似性度量。傳統(tǒng)K均值聚類(lèi)的相似性度量為歐氏距離,歐氏距離在解決高維復(fù)雜問(wèn)題時(shí)存在一定的局限性,流形距離在高維空間中作為相似性度量能更準(zhǔn)確... 

【文章來(lái)源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

二維線(xiàn)性不可分?jǐn)?shù)據(jù)集

內(nèi)蒙古科技大學(xué)碩士學(xué)位論文`-13-圖2.2映射后線(xiàn)性可分?jǐn)?shù)據(jù)集通過(guò)高斯核函數(shù)將初始空間內(nèi)的線(xiàn)性不可分的數(shù)據(jù)映射成為某高維特征空間內(nèi)的線(xiàn)性可分?jǐn)?shù)據(jù)，而且不增加計(jì)算的復(fù)雜度。通過(guò)選取適當(dāng)?shù)膮?shù)，大多數(shù)在初始輸入空間數(shù)據(jù)的線(xiàn)性不可分問(wèn)題都可以通過(guò)高斯核的映射來(lái)解決。如圖2.1與圖2.2所示，在二維輸入空間內(nèi)的初始數(shù)據(jù)不能通過(guò)某一個(gè)線(xiàn)性函數(shù)使其分開(kāi)，但在特征空間是線(xiàn)性可分的。并且由于高斯核函數(shù)擅長(zhǎng)提取局部特征，在數(shù)據(jù)密集區(qū)的映射使得數(shù)據(jù)在高維空間內(nèi)與數(shù)據(jù)稀疏分布區(qū)有著明顯的分布界限。2.3核函數(shù)的應(yīng)用基于核函數(shù)的方法是解決非線(xiàn)性問(wèn)題的一種有效手段，近年來(lái)，基于核函數(shù)的方法不斷發(fā)展，除了支持向量機(jī)外，還有基于核函數(shù)的Fisher判別法和基于核函數(shù)的主成分分析法等。通常，核函數(shù)方法的運(yùn)用和實(shí)施分為以下幾步：1）對(duì)需處理樣本進(jìn)行整理，進(jìn)行標(biāo)準(zhǔn)化。2）根據(jù)需求選擇合適的核函數(shù)。3）使用核函數(shù)對(duì)樣本進(jìn)行變換，將樣本轉(zhuǎn)化為核函數(shù)矩陣，即經(jīng)過(guò)核函數(shù)映射，把輸入的低維空間數(shù)據(jù)通過(guò)映射計(jì)算，最終變換到特征空間內(nèi)。4）在特征空間內(nèi)對(duì)數(shù)據(jù)進(jìn)行各種計(jì)算分析。5）得到初始輸入數(shù)據(jù)的模型。

內(nèi)蒙古科技大學(xué)碩士學(xué)位論文`-14-2.3.1支持向量機(jī)標(biāo)準(zhǔn)的支持向量機(jī)算法可以概括為一個(gè)約束最優(yōu)化問(wèn)題，更確切來(lái)說(shuō)是一個(gè)線(xiàn)性規(guī)劃的二次規(guī)劃（QuadraticProgramming，QP）問(wèn)題，對(duì)于其的求解，可以轉(zhuǎn)化為無(wú)約束最優(yōu)化問(wèn)題。給定一個(gè)監(jiān)督的機(jī)器學(xué)習(xí)問(wèn)題YXyxyxyxll,,,,,,2211，其niRXx，Yy1,1i為輸出類(lèi)別，li,1l為樣本數(shù)。支持向量機(jī)的目的就是建立一個(gè)最優(yōu)超平面，對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，使得數(shù)據(jù)分類(lèi)盡可能正確，同時(shí)各類(lèi)之間的距離盡可能大。如圖2.3所示，H為最優(yōu)超平面，1H和2H為支持向量，求得的H要使得兩部分?jǐn)?shù)據(jù)盡可能分開(kāi)，同時(shí)保證H與1H和2H的距離盡可能大，保證分類(lèi)效果。其中，設(shè)H表達(dá)式為bx0，其中RRn，b，1H的表達(dá)式為bx1，2H的表達(dá)式為bx1-。經(jīng)支持向量機(jī)分類(lèi)，若樣本點(diǎn)屬于第一類(lèi)則輸出1iy，若屬于第二類(lèi)，則輸出1iy。圖2.3二分類(lèi)模型每一類(lèi)距離超平面H距離最近的樣本數(shù)據(jù)到超平面H的距離之和，成為分類(lèi)間隔，因此，我們把1H和2H之間的間隔稱(chēng)為分類(lèi)間隔。進(jìn)而，可得一個(gè)優(yōu)化問(wèn)題，即min221（式2.19）ts..ibxy，，211ii…,l（l為樣本數(shù)）（式2.20）則我們得到一個(gè)如式2.1與式2.2的凸二次規(guī)劃問(wèn)題。當(dāng)求解線(xiàn)性不可分問(wèn)題時(shí)，引入核函數(shù)，通過(guò)一個(gè)特征映射，將輸入空間X進(jìn)行映射，映射后得到新的有限維度或無(wú)限維度的空間H，這個(gè)映射后得到的空間H我們通常將其當(dāng)作一個(gè)Hilbert空間：HXRXn:（式2.21）

【參考文獻(xiàn)】：
期刊論文
[1]風(fēng)力發(fā)電機(jī)軸承故障包絡(luò)譜掃頻分析診斷[J]. 鄧巍,韓斌,王建亮,趙勇,劉騰飛.  熱力發(fā)電. 2019(07)
[2]2018年我國(guó)風(fēng)電產(chǎn)業(yè)發(fā)展形勢(shì)及2019年展望[J]. 韓雪,陶冶.  中國(guó)能源. 2019(05)
[3]基于EEMD-RVM風(fēng)力發(fā)電機(jī)故障診斷方法研究[J]. 牛盛瑜,張新燕,楊璐璐,邸強(qiáng),張冠琪.  電測(cè)與儀表. 2018(19)
[4]新時(shí)期我國(guó)風(fēng)電產(chǎn)業(yè)發(fā)展SWOT分析[J]. 姚雪,趙振宇.  風(fēng)能. 2018(04)
[5]基于預(yù)聚類(lèi)和主動(dòng)半監(jiān)督學(xué)習(xí)的遙感影像分類(lèi)[J]. 汪嬋,王磊,丁西明.  湖北第二師范學(xué)院學(xué)報(bào). 2018(02)
[6]基于小波包——倒頻譜的滾動(dòng)軸承故障檢測(cè)方法[J]. 李方前,楊斌,黃永程.  電子技術(shù)與軟件工程. 2018(03)
[7]基于SCADA數(shù)據(jù)的風(fēng)電機(jī)組關(guān)鍵載荷預(yù)測(cè)[J]. 周士棟,薛揚(yáng),馬曉晶,王文卓.  農(nóng)業(yè)工程學(xué)報(bào). 2018(02)
[8]基于最大相關(guān)峭度解卷積和變分模態(tài)分解的風(fēng)電機(jī)組軸承故障診斷方法[J]. 趙洪山,李浪.  太陽(yáng)能學(xué)報(bào). 2018(02)
[9]基于EEMD-Hilbert包絡(luò)譜和DBN的變負(fù)載下滾動(dòng)軸承狀態(tài)識(shí)別方法[J]. 王玉靜,那曉棟,康守強(qiáng),謝金寶,V I MIKULOVICH.  中國(guó)電機(jī)工程學(xué)報(bào). 2017(23)
[10]基于K-均值聚類(lèi)分析的風(fēng)力機(jī)功率曲線(xiàn)統(tǒng)計(jì)應(yīng)用[J]. 宋聚眾,蘭杰,林淑,莫爾兵.  東方汽輪機(jī). 2017(02)

博士論文
[1]在線(xiàn)半監(jiān)督學(xué)習(xí)理論、算法與應(yīng)用研究[D]. 孫博良.國(guó)防科學(xué)技術(shù)大學(xué) 2014
[2]基于數(shù)據(jù)驅(qū)動(dòng)的行星齒輪箱故障診斷方法研究[D]. 劉志亮.電子科技大學(xué) 2013
[3]基于差異的半監(jiān)督學(xué)習(xí)中有關(guān)算法和理論研究[D]. 姜震.復(fù)旦大學(xué) 2012
[4]基于流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷方法研究[D]. 李鋒.重慶大學(xué) 2011

碩士論文
[1]基于流形學(xué)習(xí)的風(fēng)電機(jī)組齒輪箱故障診斷方法研究[D]. 馬麗.蘭州交通大學(xué) 2016
[2]基于流形學(xué)習(xí)的半監(jiān)督分類(lèi)方法及其應(yīng)用[D]. 郝勇智.中北大學(xué) 2016
[3]基于支持向量機(jī)的風(fēng)電機(jī)組故障智能分類(lèi)方法及其應(yīng)用[D]. 劉達(dá).華北電力大學(xué)(北京) 2016
[4]電力設(shè)備故障監(jiān)測(cè)和預(yù)警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 葉暉.華北電力大學(xué) 2016
[5]結(jié)合主動(dòng)學(xué)習(xí)的半監(jiān)督分類(lèi)算法優(yōu)化研究[D]. 王瑤.大連理工大學(xué) 2013
[6]基于聚類(lèi)異動(dòng)搜索的風(fēng)電機(jī)組齒輪箱早期故障識(shí)別研究[D]. 王敏.華北電力大學(xué) 2013
[7]基于半監(jiān)督和主動(dòng)學(xué)習(xí)的蛋白質(zhì)關(guān)系抽取研究[D]. 崔寶今.大連理工大學(xué) 2008



本文編號(hào)：3246451