基于SVM智能混合方法的水电机组故障诊断与预测研究

发布时间：2020-11-17 11:00

　　 现代设备逐渐向大型化、复杂化、集成化和自动化的方向发展,这提高了工作效率的同时也对设备的安全高效运行提出了更高的要求。一旦发生故障,损失将非常大,甚至会造成某些无法挽回的损失。所以,对设备的故障进行诊断和状态预测,是保证设备安全可靠运行的重要措施。本文主要基于支持向量机(Support Vector Machine,简称SVM)智能混合方法对水电机组进行故障诊断,以水电机组的历史数据为前提对水电机组未来运行状态进行预测。本文主要工作如下：1.针对经验模式分解(EMD)方法在旋转机械中广泛应用存在的问题(模式混叠),我们先对EMD进行微分再积分处理,即DEMD方法。该方法能够改变信号中不同频率成分的比重,将其中的频率相近或微弱的高频成分提取出来。再采用支持向量回归(SVR)和窗函数对DEMD在分解时的端点效应问题进行优化处理,通过仿真信号发现这对模式混叠和端点效应问题有较好的改善作用。将得到的优化方法应用于水电机组的故障诊断,验证了该方法的有效性。2.样本信号对故障的诊断不完全都是有贡献的,另外其贡献度也不完全相同。针对这个问题,我们使用模糊SVM应用在水电机组的故障诊断上,并提出一种基于类均值距离的优化方法来确定隶属度函数。然后将模糊SVM进行多类推广并进行数值仿真和在水电机组上应用,取得了较好的诊断结果。3.水电机组的很多故障信号在振动信号中都有一定的体现,基于振动信号可看成时间上的一个序列,可以用回归神经网络对水电机组的运行状态根据历史数据进行预测。由于回归神经网络的分布参数对预测准确度有很大的影响,采用果蝇优化算法对其进行优化处理。最后将该优化方法应用在水电机组的状态预测上并与BP神经网络进行分析对比,通过分析比较优化方法具有更好的预测率。
【学位单位】：昆明理工大学
【学位级别】：硕士
【学位年份】：2016
【中图分类】：TV738
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 本文研究的背景意义
    1.2 水电机组振动故障现状
        1.2.1 水电机组故障的特点
        1.2.2 机组故障产生的主要原因
    1.3 水电机组智能故障诊断技术与预测研究
        1.3.1 水电机组故障诊断研究现状
        1.3.2 水电机组的状态预测研究
    1.4 论文的主要研究内容及结构框图
第二章 SVM的基本理论
    2.1 SVM的研究现状
    2.2 SVM的基础理论
    2.3 SVM分类问题
        2.3.1 SVM分类基本原理及分类机
        2.3.2 多类SVM
    2.4 SVM的核函数
    2.5 SVM的模型建立
    2.6 SVM回归机
    2.7 SVM进行故障诊断的基本步骤
    2.8 本章小结
第三章 基于DEMD模糊熵和SVM的故障诊断方法
    3.1 EMD的模式混叠优化
        3.1.1 EMD和DEMD的分解及算法
        3.1.2 信号仿真
    3.2 DEMD的端点效应优化
        3.2.1 窗函数
        3.2.2 信号仿真
    3.3 模糊熵的算法及参数选择
    3.4 水电机组诊断实例
    3.5 本章小结
第四章 模糊多类SVM的故障诊断方法
    4.1 SVM核函数选择
    4.2 确定隶属度函数的优化方法
    4.3 模糊SVM的优化
    4.4 数值仿真及在水电机组上的应用
    4.5 本章小结
第五章 基于优化回归神经网络的预测
    5.1 振动信号的可预测性分析
    5.2 广义神经网络及参数优化
    5.3 水电机组实例分析
    5.4 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 研究展望
致谢
参考文献
附录：攻读专业硕士期间发表的论文

【相似文献】

相关期刊论文 前10条

1 ;我国自主研制世界最大水电机组[J];水电厂自动化;2008年02期

2 ;引进水电机组技术研讨会在富春江召开[J];水力发电;1994年11期

3 ;“700MW级巨型水电机组研制”被授予四川省重大科技成果转化示范项目[J];东方电气评论;2013年04期

4 沈磊;采用指标控制法监测水电机组的稳定运行[J];东北电力技术;2000年05期

5 李连贵;水电机组用新型制动器开发成功[J];发电设备;2001年05期

6 周波;改善水电机组运行稳定性[J];电器工业;2004年05期

7 施炳利;小型水电机组取消永磁机出现的问题及解决方法[J];河北水利;2004年08期

8 瞿曌,朱建林,赖旭;基于互联网的水电机组监测系统研究[J];继电器;2005年01期

9 李常青;调潮流对万家寨水电机组的影响浅析[J];电力学报;2005年01期

10 ;改革开放以来中国部分制成和在制的典型水电机组的主要参数[J];电力技术;2008年06期

相关博士学位论文 前10条

1 谢国财;基于团队智能的水电机组集成监测方法研究与实践[D];华中科技大学;2012年

2 肖剑;水电机组状态评估及智能诊断方法研究[D];华中科技大学;2014年

3 彭兵;基于改进支持向量机和特征信息融合的水电机组故障诊断[D];华中科技大学;2008年

4 杨志荣;基于多源信息融合的水电机组故障诊断与轴心轨迹识别技术研究[D];华中科技大学;2011年

5 邹敏;基于支持向量机的水电机组故障诊断研究[D];华中科技大学;2007年

6 潘罗平;基于健康评估和劣化趋势预测的水电机组故障诊断系统研究[D];中国水利水电科学研究院;2013年

7 刘忠;基于人工免疫系统的水电机组智能诊断方法研究[D];华中科技大学;2007年

8 向秀桥;现代智能计算及其在水电机组故障诊断中的应用[D];华中科技大学;2009年

9 彭文季;水电机组振动故障的智能诊断方法研究[D];西安理工大学;2007年

10 陈喜阳;水电机组状态检修中若干关键技术研究[D];华中科技大学;2005年

相关硕士学位论文 前10条

1 曲哲;水力作用对水电机组主轴稳定性影响研究[D];河北联合大学;2014年

2 闫海桥;水电机组稳定性监测及运行性能分析方法研究[D];华中科技大学;2014年

3 秦正飞;基于SVM智能混合方法的水电机组故障诊断与预测研究[D];昆明理工大学;2016年

4 田源;水电机组智能故障诊断方法与振动趋势预测研究[D];西华大学;2013年

5 陈宇;非负矩阵分解算法及其在水电机组异常检测的应用[D];浙江工业大学;2013年

6 代开锋;基于特征的水电机组状态趋势预测[D];华中科技大学;2005年

7 侯永超;水电机组稳定性监测系统的可靠性设计[D];华中科技大学;2010年

8 宋兵;中小型水电机组稳定性监测系统研究与开发[D];华中科技大学;2011年

9 何志锋;水电机组状态监测及数据分析系统开发研究[D];华中科技大学;2011年

10 朱传古;水电机组状态监测与诊断中的分析方法及案例[D];华中科技大学;2007年

本文编号：2887426