特征加权组稀疏模式分析算法及其在水电机组故障诊断中的应用

发布时间：2017-05-02 19:04

  本文关键词：特征加权组稀疏模式分析算法及其在水电机组故障诊断中的应用，，由笔耕文化传播整理发布。

【摘要】：水电机组作为小水电生产过程中的核心设备,它的运行状况直接关系到水电厂的安全,同时也关系到水电厂能否向电网提供可靠电力。由于水电机组具有构造复杂,机组运行呈季节性,异常振动诱发因素多等特点,日益影响着电网的安全稳定运行。因此,对水电机组进行运行状态监测和故障诊断,以确保水电机组更为稳定的运行,并且最大程度提高发电效益,具有十分重要的意义。传统的故障诊断算法主要基于专业技术人员的经验和知识来推理诊断。这种过分依赖于个人经验和知识的算法目前仍在水电机组故障诊断中占主导地位,其弊端是显而易见的。因此,必须提高设备故障诊断的自动化和智能化程度,实现对设备的高效、可靠的智能诊断。本文研究内容主要针对水电机组故障诊断问题,研究并设计适合水电机组故障诊断的加权组稀疏模式分析系列算法,同时构建故障诊断系统,具体工作包含以下4个方面:(1)针对水电机组噪声样本输入数据结构非线性以及小样本问题,提出了一种改进的核化判别公共向量降维算法,称为高效核化判别公共向量算法。该算法的优势主要包括:能够有效地解决数据非线性分布带来的鉴别难点,同时通过公共向量的引入解决了小样本问题,提升后续模式分类器的鉴别效果。(2)针对水电机组噪声样本数据易丢失信息和含干扰信息等问题,提出了特征加权组稀疏模式分析算法。该算法结合各类重构冗余以及样本距离测度逼近样本分布结构,并兼顾特征加权因子进行奇异点剔除,从样本和特征两方面减少重构表示误差;实验证明算法兼顾了稀疏性、标签信息、特征贡献因素以及局部结构信息。(3)为有效地解决样本数据丢失以及样本维数过高导致的鉴别效率和样本外问题,将降维技术应用到特征加权组稀疏模式分析算法中,提出特征加权组稀疏判别投影模式分析算法。以特征加权组稀疏为基础进行编码系数求解,并计算特征加权约束的类内重构散度矩阵和类间重构散度矩阵。实验该算法证明在减少计算复杂的同时,提高了算法识别能力。(4)提出了水电机组故障诊断系统的设计方案,包括水电机组故障诊断单元设计、机组现地控制单元设计和上位机监控软件设计。并且将所提的特征加权组稀疏判别投影模式分析算法应用到水电机组故障诊断单元,通过对水电机组运行产生的声音数据进行特征的提取和识别,证明了算法在故障诊断中的有效性。
【关键词】：水电机组 故障诊断 特征加权 组稀疏 判别投影
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TV738
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 绪论11-18
• 1.1 课题研究背景及意义11-12
• 1.2 水电机组故障研究现状12-14
• 1.3 稀疏表示算法和降维算法的研究现状14-16
• 1.4 本文主要研究内容16-18
• 第2章 经典的模式分析算法18-29
• 2.1 引言18-19
• 2.2 经典的降维算法19-24
• 2.2.1 主成分分析19-20
• 2.2.2 线性判别分析20-21
• 2.2.3 判别公共向量分析21-22
• 2.2.4 核化判别公共向量分析22-24
• 2.3 稀疏表示型算法24-26
• 2.3.1 稀疏表示分类器24-25
• 2.3.2 组稀疏分类器25
• 2.3.3 加权组稀疏分类器25-26
• 2.4 稀疏降维算法26-28
• 2.4.1 稀疏保持投影算法26-27
• 2.4.2 稀疏判别投影分类算法27-28
• 2.5 本章小结28-29
• 第3章 高效核化判别公共向量分析算法29-39
• 3.1 引言29
• 3.2 算法的基本原理29-34
• 3.2.1 训练阶段的改进30-31
• 3.2.2 测试阶段的改进31-33
• 3.2.3 改进的算法流程及复杂度分析33-34
• 3.3 仿真结果与分析34-38
• 3.3.1 识别性能分析35-36
• 3.3.2 训练效率分析36-37
• 3.3.3 测试效率分析37-38
• 3.4 本章小结38-39
• 第4章 特征加权组稀疏模式分析算法39-48
• 4.1 引言39
• 4.2 算法的基本原理39-43
• 4.2.1 特征加权矢量的选择40-41
• 4.2.2 算法流程41-42
• 4.2.3 算法收敛性证明42-43
• 4.3 仿真结果与分析43-47
• 4.3.1 识别性能分析44-46
• 4.3.2 算法重构性能46
• 4.3.3 运算效率分析46-47
• 4.4 本章小结47-48
• 第5章 特征加权组稀疏判别投影模式分析算法48-55
• 5.1 引言48
• 5.2 算法的基本原理48-50
• 5.2.1 算法的优化求解49-50
• 5.2.2 算法流程50
• 5.3 实验仿真与分析50-54
• 5.3.1 识别性能分析51-53
• 5.3.2 运算效率分析53-54
• 5.4 本章小结54-55
• 第6章 水电机组故障诊断系统设计与实现55-72
• 6.1 引言55
• 6.2 水电机组故障诊断系统的总体设计55-57
• 6.2.1 水电机组故障诊断任务55
• 6.2.2 水电机组故障诊断系统的结构选择55-56
• 6.2.3 水电机组故障诊断系统的总体设计方案56-57
• 6.3 上位机监控软件设计57-60
• 6.3.1 系统组态软件的选择与设置57-58
• 6.3.2 系统用户权限配置58-59
• 6.3.3 故障诊断系统监控界面设计59-60
• 6.4 机组现地控制单元设计60-65
• 6.4.1 机组现地控制单元结构确定61
• 6.4.2 主控设备选择61-63
• 6.4.3 主要控制回路关键点设计63-65
• 6.5 水电机组故障诊断单元设计65-71
• 6.5.1 传感器故障杂质及通常解决办法65
• 6.5.2 加权组稀疏判别降维模式分析故障诊断模型的提出65-67
• 6.5.3 水电机组噪声信号构建及预处理67-69
• 6.5.4 水电机组噪声信号鉴别任务仿真69-71
• 6.6 本章小结71-72
• 第7章 结论和展望72-74
• 7.1 结论72
• 7.2 展望72-74
• 参考文献74-79
• 致谢79-80
• 攻读学位期间的科研成果80-81

【相似文献】

中国期刊全文数据库 前9条

1 胡胜海;何蕾;徐鹏;杨奇;金锦花;;基于灰色特征加权支持向量机的火炮质量评估[J];应用科技;2011年01期

2 孔令燕;夏乐天;;基于特征加权的混合型模糊聚类分析及其在洪水灾害等级划分中的应用[J];水利经济;2009年05期

3 赵俊杰;;基于特征加权的KNNFP改进算法及在故障诊断中的应用[J];电子技术应用;2011年04期

4 王改堂;王斐;黄超凡;丁力;叶锦函;;基于特征加权K最近邻的无人机武器发射过程参数预测[J];弹箭与制导学报;2014年04期

5 王国才;张聪;;一种基于粗糙集的特征加权朴素贝叶斯分类器[J];重庆理工大学学报(自然科学版);2010年07期

6 顾播宇;孙俊喜;李洪祚;刘红喜;刘广文;;基于特征加权模块双方向二维主成分分析的人脸识别[J];吉林大学学报(工学版);2014年03期

7 邱超;;特征加权FCM算法在洪水样本分类中的应用[J];水文;2007年05期

8 任会峰;阳春华;周璇;桂卫华;鄢锋;;基于泡沫图像特征加权SVM的浮选工况识别[J];浙江大学学报(工学版);2011年12期

9 ;[J];;年期

中国重要会议论文全文数据库 前1条

1 杜玫芳;王昕;;基于特征加权的模糊c均值聚类算法及其应用[A];2008通信理论与技术新进展——第十三届全国青年通信学术会议论文集（上）[C];2008年

中国硕士学位论文全文数据库 前10条

1 马会敏;几种特征加权支持向量机方法的比较研究[D];河北大学;2010年

2 王秀菲;基于特征加权支持向量机的复合材料粘接缺陷量化识别研究[D];内蒙古大学;2011年

3 马萍;贝叶斯网络与基于特征加权的聚类研究[D];大连理工大学;2011年

4 黄琼芳;特征加权组稀疏模式分析算法及其在水电机组故障诊断中的应用[D];浙江工业大学;2015年

5 吴彪;基于信息论的特征加权和主题驱动协同聚类算法研究[D];哈尔滨工业大学;2008年

6 周计美;基于特征加权单类支持向量机的颜色识别算法及其在异色物检测中的研究[D];内蒙古大学;2012年

7 陈晓琳;采用ReliefF特征加权的NIC算法研究[D];郑州大学;2014年

8 周徐宁;基于特征加权连续隐马尔可夫模型的故障诊断方法研究[D];上海交通大学;2012年

9 刘建林;基于样本—特征加权的模糊核聚类算法研究及应用[D];华东交通大学;2013年

10 刘东洋;基于GMM和特征加权SVM的目标识别算法研究[D];南京理工大学;2013年

  本文关键词：特征加权组稀疏模式分析算法及其在水电机组故障诊断中的应用，由笔耕文化传播整理发布。

本文编号：341500