基于支持向量机的风电机组故障智能分类方法及其应用

发布时间：2017-06-25 05:03

  本文关键词：基于支持向量机的风电机组故障智能分类方法及其应用，，由笔耕文化传播整理发布。

【摘要】：近些年来,我国风力发电得到了迅猛发展,虽然风力发电机的设计与制造已逐步完善,但是由于运行载荷复杂多变,工作条件恶劣等特殊原因,使得风电机组的故障率居高不下,对其运行维护提出了巨大的挑战。因此研究及推广应用风电机组状态监测与故障诊断技术对于提高风电设备的运行安全可靠性具有重要的实际意义。基于上述情况,本文对风电机组传动链故障智能分类方法进行研究,旨在提高传动链设备故障的自动识别能力和精度,提高设备维修技术及管理水平。论文的主要工作如下：首先对风电机组的结构进行概述,简要说明风电机组主要部件的故障机理、故障类型。介绍了三种基于振动信号分析的故障特征提取方法,包括时域、频域和小波包特征提取方法。通过实例分析了三种特征提取方法的分类效果和特点。同时还介绍了主成分分析方法的基本原理,并将主成分分析方法和小波包特征提取方法结合使用,把多个特征值指标转化为少数几个综合指标,以获取最主要的信息。其次,将基于支持向量机的智能故障分类方法应用于风电齿轮箱故障分类问题,用实际案例验证了二分类和多分类支持向量机的效果。针对神经网络的局部极值问题和需要大量训练样本的情况,以及提高分类准确率的问题,结合小波包(Wavelet Packet, WP)、粒子群优化算法(Particle Swarm Optimization algorithm, PSO)和支持向量机(Support Vector Machine, SVM)理论建立了风电机组传动链故障诊断模型,即WP-PSO-SVM模型,用实际数据对模型的效果进行了验证。讨论了带通滤波、特征提取和主成分分析三方面对分类正确率的影响。最后,针对支持向量机作为有监督学习方法在实际应用中所受到的限制,本文利用高维空间支持向量点聚类及相似度闽值判别方法实现支持向量机半监督,并对未知样本进行识别分类,进一步应用到风电机组群的智能故障诊断中。
【关键词】：风电机组 故障诊断 支持向量机 粒子群优化 半监督方法
【学位授予单位】：华北电力大学(北京)
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614;TP18
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-17
• 1.1 研究背景和意义10-11
• 1.2 研究现状11-15
• 1.2.1 状态监测与故障诊断研究现状11-13
• 1.2.2 支持向量机故障诊断方法研究现状13-15
• 1.3 论文的主要内容及结构15-17
• 1.3.1 论文的主要内容15
• 1.3.2 论文的结构15-17
• 第2章 风电机组故障机理及支持向量机的理论17-26
• 2.1 风力发电机组结构17-18
• 2.2 风力发电机组主要部件结构及其故障机理18-19
• 2.2.1 齿轮箱结构及其故障诊断18
• 2.2.2 发电机结构及其故障诊断18-19
• 2.3 统计学习理论19-21
• 2.3.1 函数集的VC维19-20
• 2.3.2 学习机器推广能力的界20
• 2.3.3 结构风险最小化原则20-21
• 2.4 支持向量机分类算法21-25
• 2.4.1 线性分类算法情形21-23
• 2.4.2 非线性分类算法情形23-25
• 2.5 本章小结25-26
• 第3章 风电机组振动信号特征提取及主成分分析26-38
• 3.1 时域特征提取方法26-28
• 3.1.1 时域分析法26
• 3.1.2 时域信号特征值提取26-28
• 3.2 频域特征提取方法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 实测数据介绍32-33
• 3.5.2 信号的时域及频域分析33
• 3.5.3 时域特征提取33-35
• 3.5.4 频域特征提取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 本章小结37-38
• 第4章 支持向量机二分类及多分类算法的应用38-47
• 4.1 支持向量机二分类算法的应用38-39
• 4.2 支持向量机多分类算法的应用39-43
• 4.2.1 不同故障类型案例39-41
• 4.2.2 故障状态渐变案例41-43
• 4.3 特征提取方法对支持向量机分类的影响43-45
• 4.4 主成分分析对支持向量机分类的影响45-46
• 4.5 小结46-47
• 第5章 参数优化方法及半监督的实现47-56
• 5.1 粒子群优化算法47-51
• 5.1.1 粒子群优化算法的产生与发展47
• 5.1.2 粒子群优化算法原理47-48
• 5.1.3 粒子群优化算法流程48-49
• 5.1.4 粒子群优化算法参数和参数设置49-50
• 5.1.5 基于粒子群的支持向量机分类实例50-51
• 5.2 半监督支持向量机51-53
• 5.2.1 半监督支持向量机诊断流程51-52
• 5.2.2 半监督分类实例52-53
• 5.3 风电机组群的故障诊断53-55
• 5.3.1 风电机组群的故障诊断策略53-54
• 5.3.2 支持向量机在风电机组群中的应用54-55
• 5.4 小结55-56
• 第6章 结论及展望56-57
• 6.1 结论56
• 6.2 展望56-57
• 参考文献57-63
• 攻读硕士学位期间发表的论文及其它成果63-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期

3 张菁华;袁鑫;刘达;;基于支持向量机的电力工程最优投标报价决策研究[J];山东电力高等专科学校学报;2006年04期

4 张涛;段淑敏;;支持向量机在中医疾病症候诊断中的应用[J];华北水利水电学院学报;2007年03期

5 王晶;靳其兵;曹柳林;;面向多输入输出系统的支持向量机回归[J];清华大学学报(自然科学版);2007年S2期

6 陈丹;;多类支持向量机算法的研究[J];东莞理工学院学报;2007年05期

7 程丽丽;张健沛;马骏;;一种改进的加权边界调节支持向量机算法[J];哈尔滨工程大学学报;2007年10期

8 宋召青;崔和;胡云安;;支持向量机理论的研究与进展[J];海军航空工程学院学报;2008年02期

9 郭濵;孙晓梅;薛明;;基于壳向量的边界邻近支持向量机[J];黑龙江交通科技;2008年12期

10 许超;运士伟;舒云星;;基于支持向量机的混凝土测强换算模型[J];洛阳理工学院学报(自然科学版);2008年02期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e

本文编号：480820