基于数据驱动的火电厂关键辅机设备故障诊断技术研究
发布时间：2021-01-14 04:48
火电厂辅机设备的在线监测和故障诊断关乎发电机组的可靠稳定运行。火力发电系统辅机设备表现为变量间交叉耦合、系统非线性强,很难建立精确的数学解析模型设备描述系统的工作状态,本文以数据挖掘和机器学习为主要技术背景,以火电厂一次风机和制粉系统为主要研究对象,展开对火电厂辅机设备的在线监测与故障诊断的研究。从辅机设备的运行特性着手,详细介绍了基于实时数据挖掘的故障诊断技术的总体设计方案和实施路线。故障预警方面,以一次风机为研究对象,提出了一种基于相似性建模和LS-SVM状态估计的故障预警方法,利用实际数据,验证所提方法在一次风机监测中能及时发现故障早期征兆的有效性。将支持向量机在解决高维、非线性及小样本的模式识别问题中的优势,推广到辅机设备的故障分类中。针对电厂制粉系统多分类中故障类型和故障特征之间的类属不确定性,提出了一种基于贝叶斯后验概率估计的LS-SVM多标签故障分类方法。结合电厂制粉系统的实例分析对算法的进行验证其有效性和合理性。此外,本文提出了一种基于现有数据和模型验证的故障特征提取方法,用于丰富样本知识库。在LS-SVM的参数优化中,提出了 一种自适应参数调整的粒子群算法的优化策略,...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究背景
1.2 国内外研究现状
1.2.1 故障诊断技术研究现状
1.2.2 机器学习与数据挖掘
1.2.3 支持向量机
1.3 本文主要工作
第2章 基于数据挖掘的故障诊断方案总体设计
2.1 火电厂辅机设备介绍
2.2 系统总体结构
2.3 故障诊断系统实施路线
2.3.1 基于状态估计的故障预警
2.3.2 多标签故障模式分类
2.3.3 历史数据采集
2.4 本章小结
第3章 一次风机故障预警
3.1 状态估计原理
3.2 支持向量机回归
3.2.1 LS-SVM回归
3.3 一次风机故障预警
3.3.1 一次风机建模数据选取
3.3.2 正常状态振动估计
3.3.3 异常情况下一次风机振动监测
3.4 本章小结
第4章 制粉系统多标签故障分类
4.1 支持向量机分类概述
4.1.1 广义最优分类面
4.1.2 核函数
4.1.3 LS-SVM分类
4.2 制粉系统模型辨识
4.2.1 模型辨识
4.2.2 模型验证
4.2.3 故障特征提取
4.3 LS-SVM参数优化
4.3.1 粒子群算法基本原理
4.3.2 粒子群算法的不足与改进
4.3.3 自适应参数调整的改进PSO设计
4.3.4 参数优化结果
4.4 制粉系统多标签分类问题分析
4.4.1 多标签分类定义
4.4.2 多标签数据分解
4.4.3 基于后验概率的类别表示
4.4.4 概率LS-SVM概率分类器模型
4.4.5 阈值确定方法
4.4.6 概率LS-SVM多标签故障分类算法
4.4.7 可行性分析
4.5 实例验证
4.5.1 混合类分离性能验证
4.5.2 总体性能验证
4.6 本章小结
第5章 总结与展望
5.1 工作总结
5.2 工作展望
参考文献
致谢
作者简历
【参考文献】：
期刊论文
[1]基于概率LS-SVM的多标签非均衡样本分类算法[J]. 范海雄,刘付显,夏璐. 解放军理工大学学报(自然科学版). 2013(02)
[2]基于LS-SVM的多标签分类算法[J]. 殷会,许建华,许花. 南京师范大学学报(工程技术版). 2010(02)
[3]半监督学习研究进展[J]. 梁吉业,高嘉伟,常瑜. 山西大学学报(自然科学版). 2009(04)
[4]一种采用LLE降维和贝叶斯分类的多类标学习算法[J]. 李宏,谢政,向遥,吴敏. 系统工程与电子技术. 2009(06)
[5]一种多值属性多类标数据决策树算法[J]. 李宏,陈松乔,赵蕊,郭跃健. 模式识别与人工智能. 2007(06)
[6]基于遗传算法的LS-SVM参数优选及其在经济预测中的应用[J]. 周辉仁,郑丕谔,赵春秀. 计算机应用. 2007(06)
[7]基于Parzen窗法的贝叶斯参数估计[J]. 摆玉龙,杨志民. 计算机工程与应用. 2007(07)
[8]基于分层高斯混合模型的半监督学习算法[J]. 孙广玲,唐降龙. 计算机研究与发展. 2004(01)
[9]火电厂的实时状态监测系统与故障诊断[J]. 杨苹,吴捷. 电力系统自动化. 2000(17)
[10]电力设备状态检修技术研究综述[J]. 许婧,王晶,高峰,束洪春. 电网技术. 2000(08)
博士论文
[1]最小二乘支持向量机及其在工业过程建模中的应用[D]. 陈爱军.浙江大学 2006
[2]智能故障诊断中的机器学习新理论及其应用研究[D]. 马笑潇.重庆大学 2002
硕士论文
[1]火电厂送风机故障预警系统的研究[D]. 高明.华北电力大学 2013
[2]火电厂风机状态监测与故障诊断系统研究[D]. 刘清龙.武汉大学 2005
[3]电厂风机状态监测与维修系统研究[D]. 曾周亮.武汉大学 2004
本文编号：2976244
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究背景
1.2 国内外研究现状
1.2.1 故障诊断技术研究现状
1.2.2 机器学习与数据挖掘
1.2.3 支持向量机
1.3 本文主要工作
第2章 基于数据挖掘的故障诊断方案总体设计
2.1 火电厂辅机设备介绍
2.2 系统总体结构
2.3 故障诊断系统实施路线
2.3.1 基于状态估计的故障预警
2.3.2 多标签故障模式分类
2.3.3 历史数据采集
2.4 本章小结
第3章 一次风机故障预警
3.1 状态估计原理
3.2 支持向量机回归
3.2.1 LS-SVM回归
3.3 一次风机故障预警
3.3.1 一次风机建模数据选取
3.3.2 正常状态振动估计
3.3.3 异常情况下一次风机振动监测
3.4 本章小结
第4章 制粉系统多标签故障分类
4.1 支持向量机分类概述
4.1.1 广义最优分类面
4.1.2 核函数
4.1.3 LS-SVM分类
4.2 制粉系统模型辨识
4.2.1 模型辨识
4.2.2 模型验证
4.2.3 故障特征提取
4.3 LS-SVM参数优化
4.3.1 粒子群算法基本原理
4.3.2 粒子群算法的不足与改进
4.3.3 自适应参数调整的改进PSO设计
4.3.4 参数优化结果
4.4 制粉系统多标签分类问题分析
4.4.1 多标签分类定义
4.4.2 多标签数据分解
4.4.3 基于后验概率的类别表示
4.4.4 概率LS-SVM概率分类器模型
4.4.5 阈值确定方法
4.4.6 概率LS-SVM多标签故障分类算法
4.4.7 可行性分析
4.5 实例验证
4.5.1 混合类分离性能验证
4.5.2 总体性能验证
4.6 本章小结
第5章 总结与展望
5.1 工作总结
5.2 工作展望
参考文献
致谢
作者简历
【参考文献】：
期刊论文
[1]基于概率LS-SVM的多标签非均衡样本分类算法[J]. 范海雄,刘付显,夏璐. 解放军理工大学学报(自然科学版). 2013(02)
[2]基于LS-SVM的多标签分类算法[J]. 殷会,许建华,许花. 南京师范大学学报(工程技术版). 2010(02)
[3]半监督学习研究进展[J]. 梁吉业,高嘉伟,常瑜. 山西大学学报(自然科学版). 2009(04)
[4]一种采用LLE降维和贝叶斯分类的多类标学习算法[J]. 李宏,谢政,向遥,吴敏. 系统工程与电子技术. 2009(06)
[5]一种多值属性多类标数据决策树算法[J]. 李宏,陈松乔,赵蕊,郭跃健. 模式识别与人工智能. 2007(06)
[6]基于遗传算法的LS-SVM参数优选及其在经济预测中的应用[J]. 周辉仁,郑丕谔,赵春秀. 计算机应用. 2007(06)
[7]基于Parzen窗法的贝叶斯参数估计[J]. 摆玉龙,杨志民. 计算机工程与应用. 2007(07)
[8]基于分层高斯混合模型的半监督学习算法[J]. 孙广玲,唐降龙. 计算机研究与发展. 2004(01)
[9]火电厂的实时状态监测系统与故障诊断[J]. 杨苹,吴捷. 电力系统自动化. 2000(17)
[10]电力设备状态检修技术研究综述[J]. 许婧,王晶,高峰,束洪春. 电网技术. 2000(08)
博士论文
[1]最小二乘支持向量机及其在工业过程建模中的应用[D]. 陈爱军.浙江大学 2006
[2]智能故障诊断中的机器学习新理论及其应用研究[D]. 马笑潇.重庆大学 2002
硕士论文
[1]火电厂送风机故障预警系统的研究[D]. 高明.华北电力大学 2013
[2]火电厂风机状态监测与故障诊断系统研究[D]. 刘清龙.武汉大学 2005
[3]电厂风机状态监测与维修系统研究[D]. 曾周亮.武汉大学 2004
本文编号：2976244
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2976244.html
