基于流形学习的核电厂RCS故障诊断方法研究
发布时间：2021-01-23 18:13
核电厂运行过程中存在潜在的放射性威胁,一旦发生放射性外泄后果极为严重。其特殊性决定了核电厂系统及设备对安全性要求很高。因此,通过研究故障早期检测、故障诊断等技术,在核电厂出现异常时,及早确定系统运行状态,给操纵人员以正确判断,对于提高核电厂安全性与可靠性具有重要意义。本文针对核电厂主冷却剂系统研发了一套智能故障诊断系统,解决了非线性系统的故障早期检测与诊断等一系列问题。本文将诊断系统按功能逻辑划分为四个子模块,依次为:故障特征降维与聚类、故障早期检测、故障类型模式识别以及故障程度近似评估模块。通过分析、比较不同方法的效果,对各子模块依据功能需求选取最佳数据驱动方法,并最终集成于同一数据平台下进行统一调度。具体工作如下:（1）通过选取人工数据集和核电厂主冷却剂系统运行数据试验,对比分析4种非线性流形学习方法与2种线性流形学习方法的数据降维、特征提取和聚类能力。最终,确定了综合性能最好的非线性局部切空间排列（Local Tangent Space Arrangement,LTSA）流形学习算法作为特征聚类方法。（2）用非线性LTSA方法取代传统的线性主元分析（Principal Compo...
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
故障诊断系统功能流程
图 2.21 主元贡献率图2.5.2 近邻点选择流形学习算法首先要选取k个近邻点作为邻域[54]。这其中涉及到两个关键问题，第一，距离的度量标准；第二，近邻参数k的取值。（1）常用距离实际过程中用到的距离主要有：曼哈顿距离(Manhattan Distance)、欧式距离(Euclidean Distance)、闵可夫斯基距离(Minkowski Distance)等[55]。（2）近邻参数的选取。一般流形学习近邻点数是通过 K-近邻方法确定的。这种方法的近邻点数是固定的，因此，k取不同值，会带来不同的降维结果。模式识别的理想状态是同类型点尽可能聚集到一块，而不同类的点距离较远，这样分类准确率较高。本文最终目的是对数据进行分类识别，因此，对近邻点数的选取以聚类能力为标准。图 2.22 是采用 LLE 算法、近邻参数k取不同值的降维试验结果。
对实时数据用流形学习方法进行，同时用 BP 神经网络评估故障程是由Vapnik于1995年提出的一种机器学习方法不具备的优点。例如点和所需训练样本较少等。性可分的情况为例，介绍支持向类别不同的数据点。这两类点是线以认为是一个最简单的线性支持b=0。在直线一侧的点类别全是“
【参考文献】：
期刊论文
[1]基于改进的K最近邻分类器的风机故障诊断[J]. 吴斌,奚立峰,范思遐,王加祥. 机械设计与研究. 2016(05)
[2]数据挖掘与人工智能技术研究[J]. 万璞,王丽莎. 无线互联科技. 2016(10)
[3]基于改进LLE算法的机械故障特征压缩与诊断[J]. 王江萍,崔锦. 科学技术与工程. 2016(13)
[4]基于贝叶斯网络的Android恶意行为检测方法[J]. 张国印,曲家兴,李晓光. 计算机工程与应用. 2016(17)
[5]K-最近邻分类算法应用研究[J]. 滕敏,卫文学,滕宁. 软件导刊. 2015(03)
[6]动态增殖流形学习算法在机械故障诊断中的应用[J]. 宋涛,汤宝平,邓蕾. 振动与冲击. 2014(23)
[7]基于LLTSA的转子故障数据集降维方法[J]. 袁德强,赵荣珍. 噪声与振动控制. 2014(05)
[8]动态系统间歇故障诊断技术综述[J]. 周东华,史建涛,何潇. 自动化学报. 2014(02)
[9]基于RBF神经网络的NPP运行状态趋势预测[J]. 张黎明,蔡琦,宋梅村. 原子能科学技术. 2013(11)
[10]LLE方法的分类与研究[J]. 屈治礼. 计算机系统应用. 2013(04)
博士论文
[1]基于流形学习的机械状态识别方法研究[D]. 张绍辉.华南理工大学 2014
[2]数据局部时空结构特征提取与故障检测方法[D]. 苗爱敏.浙江大学 2014
[3]基于PCA的统计过程监控研究[D]. 李荣雨.浙江大学 2007
硕士论文
[1]核动力装置运行趋势预测技术研究[D]. 谢飞.哈尔滨工程大学 2015
[2]基于流形学习算法的非高斯过程监控方法研究及在化工过程监控中的应用[D]. 杨正永.华东理工大学 2015
[3]基于最优r-覆盖堆积数本征维数估计方法及其应用[D]. 高汉宇.西安电子科技大学 2014
[4]流形学习算法研究与应用[D]. 周晓勇.安徽大学 2014
[5]基于改进核主元分析的化工过程故障诊断研究[D]. 杨武.兰州理工大学 2013
[6]流形学习的邻域选择和增量算法研究[D]. 高翠珍.山西大学 2012
[7]基于流形学习的汽轮机振动故障诊断方法研究[D]. 薛广鑫.东北电力大学 2012
[8]基于证据理论的模糊kNN分类方法及其在故障诊断中的应用研究[D]. 杜妮.河北师范大学 2012
[9]核动力装置分布式状态监测技术研究[D]. 朱荣旭.哈尔滨工程大学 2012
[10]基于PCA-SDG的连退机组炉温系统故障诊断研究[D]. 朱敏.东北大学 2010
本文编号：2995685
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
故障诊断系统功能流程
图 2.21 主元贡献率图2.5.2 近邻点选择流形学习算法首先要选取k个近邻点作为邻域[54]。这其中涉及到两个关键问题，第一，距离的度量标准；第二，近邻参数k的取值。（1）常用距离实际过程中用到的距离主要有：曼哈顿距离(Manhattan Distance)、欧式距离(Euclidean Distance)、闵可夫斯基距离(Minkowski Distance)等[55]。（2）近邻参数的选取。一般流形学习近邻点数是通过 K-近邻方法确定的。这种方法的近邻点数是固定的，因此，k取不同值，会带来不同的降维结果。模式识别的理想状态是同类型点尽可能聚集到一块，而不同类的点距离较远，这样分类准确率较高。本文最终目的是对数据进行分类识别，因此，对近邻点数的选取以聚类能力为标准。图 2.22 是采用 LLE 算法、近邻参数k取不同值的降维试验结果。
对实时数据用流形学习方法进行，同时用 BP 神经网络评估故障程是由Vapnik于1995年提出的一种机器学习方法不具备的优点。例如点和所需训练样本较少等。性可分的情况为例，介绍支持向类别不同的数据点。这两类点是线以认为是一个最简单的线性支持b=0。在直线一侧的点类别全是“
【参考文献】：
期刊论文
[1]基于改进的K最近邻分类器的风机故障诊断[J]. 吴斌,奚立峰,范思遐,王加祥. 机械设计与研究. 2016(05)
[2]数据挖掘与人工智能技术研究[J]. 万璞,王丽莎. 无线互联科技. 2016(10)
[3]基于改进LLE算法的机械故障特征压缩与诊断[J]. 王江萍,崔锦. 科学技术与工程. 2016(13)
[4]基于贝叶斯网络的Android恶意行为检测方法[J]. 张国印,曲家兴,李晓光. 计算机工程与应用. 2016(17)
[5]K-最近邻分类算法应用研究[J]. 滕敏,卫文学,滕宁. 软件导刊. 2015(03)
[6]动态增殖流形学习算法在机械故障诊断中的应用[J]. 宋涛,汤宝平,邓蕾. 振动与冲击. 2014(23)
[7]基于LLTSA的转子故障数据集降维方法[J]. 袁德强,赵荣珍. 噪声与振动控制. 2014(05)
[8]动态系统间歇故障诊断技术综述[J]. 周东华,史建涛,何潇. 自动化学报. 2014(02)
[9]基于RBF神经网络的NPP运行状态趋势预测[J]. 张黎明,蔡琦,宋梅村. 原子能科学技术. 2013(11)
[10]LLE方法的分类与研究[J]. 屈治礼. 计算机系统应用. 2013(04)
博士论文
[1]基于流形学习的机械状态识别方法研究[D]. 张绍辉.华南理工大学 2014
[2]数据局部时空结构特征提取与故障检测方法[D]. 苗爱敏.浙江大学 2014
[3]基于PCA的统计过程监控研究[D]. 李荣雨.浙江大学 2007
硕士论文
[1]核动力装置运行趋势预测技术研究[D]. 谢飞.哈尔滨工程大学 2015
[2]基于流形学习算法的非高斯过程监控方法研究及在化工过程监控中的应用[D]. 杨正永.华东理工大学 2015
[3]基于最优r-覆盖堆积数本征维数估计方法及其应用[D]. 高汉宇.西安电子科技大学 2014
[4]流形学习算法研究与应用[D]. 周晓勇.安徽大学 2014
[5]基于改进核主元分析的化工过程故障诊断研究[D]. 杨武.兰州理工大学 2013
[6]流形学习的邻域选择和增量算法研究[D]. 高翠珍.山西大学 2012
[7]基于流形学习的汽轮机振动故障诊断方法研究[D]. 薛广鑫.东北电力大学 2012
[8]基于证据理论的模糊kNN分类方法及其在故障诊断中的应用研究[D]. 杜妮.河北师范大学 2012
[9]核动力装置分布式状态监测技术研究[D]. 朱荣旭.哈尔滨工程大学 2012
[10]基于PCA-SDG的连退机组炉温系统故障诊断研究[D]. 朱敏.东北大学 2010
本文编号：2995685
本文链接：https://www.wllwen.com/projectlw/hkxlw/2995685.html
