基于流形半监督聚类的风电机组状态诊断方法研究
发布时间：2021-06-24 05:18
近年来,风力发电能源作为一种新兴绿色能源发展迅猛,风力发电机组数量迅速增加,同时对风力发电机组故障诊断和状态监测方法提出了更高的要求。风电机组数据采集与监视控制（Supervisory Control And Data Acquisition,SCADA）系统记录了环境参数与风力发电机组运行的各种状态信号参数,对监测数据进行充分分析,便可实现对风力发电机组的运行故障诊断。本文以K均值聚类为基本方法,以风力发电机组为研究对象,对其SCADA监测数据进行分析,提出了一种基于流形半监督K均值聚类的风力发电机组故障诊断方法。主要涉及一下几部分内容的研究:1.构造了一种基于核方法的K均值聚类方法,在K均值聚类中引入高斯核函数,提高了传统K均值聚类方法的性能。利用高斯核函数可以将低维线性数据不可分转化为高维线性可分数据的特性,进行数据升维,实现高维空间数据线性可分,提高了传统K均值聚类的性能。2.提出了一种基于流形学习的K均值聚类算法,把流形距离作为K均值算法的相似性度量。传统K均值聚类的相似性度量为欧氏距离,欧氏距离在解决高维复杂问题时存在一定的局限性,流形距离在高维空间中作为相似性度量能更准确...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
二维线性不可分数据集
内蒙古科技大学硕士学位论文`-13-图2.2映射后线性可分数据集通过高斯核函数将初始空间内的线性不可分的数据映射成为某高维特征空间内的线性可分数据，而且不增加计算的复杂度。通过选取适当的参数，大多数在初始输入空间数据的线性不可分问题都可以通过高斯核的映射来解决。如图2.1与图2.2所示，在二维输入空间内的初始数据不能通过某一个线性函数使其分开，但在特征空间是线性可分的。并且由于高斯核函数擅长提取局部特征，在数据密集区的映射使得数据在高维空间内与数据稀疏分布区有着明显的分布界限。2.3核函数的应用基于核函数的方法是解决非线性问题的一种有效手段，近年来，基于核函数的方法不断发展，除了支持向量机外，还有基于核函数的Fisher判别法和基于核函数的主成分分析法等。通常，核函数方法的运用和实施分为以下几步：1）对需处理样本进行整理，进行标准化。2）根据需求选择合适的核函数。3）使用核函数对样本进行变换，将样本转化为核函数矩阵，即经过核函数映射，把输入的低维空间数据通过映射计算，最终变换到特征空间内。4）在特征空间内对数据进行各种计算分析。5）得到初始输入数据的模型。
内蒙古科技大学硕士学位论文`-14-2.3.1支持向量机标准的支持向量机算法可以概括为一个约束最优化问题，更确切来说是一个线性规划的二次规划（QuadraticProgramming，QP）问题，对于其的求解，可以转化为无约束最优化问题。给定一个监督的机器学习问题YXyxyxyxll,,,,,,2211，其niRXx，Yy1,1i为输出类别，li,1l为样本数。支持向量机的目的就是建立一个最优超平面，对数据进行分类，使得数据分类尽可能正确，同时各类之间的距离尽可能大。如图2.3所示，H为最优超平面，1H和2H为支持向量，求得的H要使得两部分数据尽可能分开，同时保证H与1H和2H的距离尽可能大，保证分类效果。其中，设H表达式为bx0，其中RRn，b，1H的表达式为bx1，2H的表达式为bx1-。经支持向量机分类，若样本点属于第一类则输出1iy，若属于第二类，则输出1iy。图2.3二分类模型每一类距离超平面H距离最近的样本数据到超平面H的距离之和，成为分类间隔，因此，我们把1H和2H之间的间隔称为分类间隔。进而，可得一个优化问题，即min221（式2.19）ts..ibxy，，211ii…,l（l为样本数）（式2.20）则我们得到一个如式2.1与式2.2的凸二次规划问题。当求解线性不可分问题时，引入核函数，通过一个特征映射，将输入空间X进行映射，映射后得到新的有限维度或无限维度的空间H，这个映射后得到的空间H我们通常将其当作一个Hilbert空间：HXRXn:（式2.21）
【参考文献】：
期刊论文
[1]风力发电机轴承故障包络谱扫频分析诊断[J]. 邓巍,韩斌,王建亮,赵勇,刘腾飞. 热力发电. 2019(07)
[2]2018年我国风电产业发展形势及2019年展望[J]. 韩雪,陶冶. 中国能源. 2019(05)
[3]基于EEMD-RVM风力发电机故障诊断方法研究[J]. 牛盛瑜,张新燕,杨璐璐,邸强,张冠琪. 电测与仪表. 2018(19)
[4]新时期我国风电产业发展SWOT分析[J]. 姚雪,赵振宇. 风能. 2018(04)
[5]基于预聚类和主动半监督学习的遥感影像分类[J]. 汪婵,王磊,丁西明. 湖北第二师范学院学报. 2018(02)
[6]基于小波包——倒频谱的滚动轴承故障检测方法[J]. 李方前,杨斌,黄永程. 电子技术与软件工程. 2018(03)
[7]基于SCADA数据的风电机组关键载荷预测[J]. 周士栋,薛扬,马晓晶,王文卓. 农业工程学报. 2018(02)
[8]基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法[J]. 赵洪山,李浪. 太阳能学报. 2018(02)
[9]基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J]. 王玉静,那晓栋,康守强,谢金宝,V I MIKULOVICH. 中国电机工程学报. 2017(23)
[10]基于K-均值聚类分析的风力机功率曲线统计应用[J]. 宋聚众,兰杰,林淑,莫尔兵. 东方汽轮机. 2017(02)
博士论文
[1]在线半监督学习理论、算法与应用研究[D]. 孙博良.国防科学技术大学 2014
[2]基于数据驱动的行星齿轮箱故障诊断方法研究[D]. 刘志亮.电子科技大学 2013
[3]基于差异的半监督学习中有关算法和理论研究[D]. 姜震.复旦大学 2012
[4]基于流形学习的风电机组传动系统故障诊断方法研究[D]. 李锋.重庆大学 2011
硕士论文
[1]基于流形学习的风电机组齿轮箱故障诊断方法研究[D]. 马丽.兰州交通大学 2016
[2]基于流形学习的半监督分类方法及其应用[D]. 郝勇智.中北大学 2016
[3]基于支持向量机的风电机组故障智能分类方法及其应用[D]. 刘达.华北电力大学(北京) 2016
[4]电力设备故障监测和预警系统的设计与实现[D]. 叶晖.华北电力大学 2016
[5]结合主动学习的半监督分类算法优化研究[D]. 王瑶.大连理工大学 2013
[6]基于聚类异动搜索的风电机组齿轮箱早期故障识别研究[D]. 王敏.华北电力大学 2013
[7]基于半监督和主动学习的蛋白质关系抽取研究[D]. 崔宝今.大连理工大学 2008
本文编号：3246451
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
二维线性不可分数据集
内蒙古科技大学硕士学位论文`-13-图2.2映射后线性可分数据集通过高斯核函数将初始空间内的线性不可分的数据映射成为某高维特征空间内的线性可分数据，而且不增加计算的复杂度。通过选取适当的参数，大多数在初始输入空间数据的线性不可分问题都可以通过高斯核的映射来解决。如图2.1与图2.2所示，在二维输入空间内的初始数据不能通过某一个线性函数使其分开，但在特征空间是线性可分的。并且由于高斯核函数擅长提取局部特征，在数据密集区的映射使得数据在高维空间内与数据稀疏分布区有着明显的分布界限。2.3核函数的应用基于核函数的方法是解决非线性问题的一种有效手段，近年来，基于核函数的方法不断发展，除了支持向量机外，还有基于核函数的Fisher判别法和基于核函数的主成分分析法等。通常，核函数方法的运用和实施分为以下几步：1）对需处理样本进行整理，进行标准化。2）根据需求选择合适的核函数。3）使用核函数对样本进行变换，将样本转化为核函数矩阵，即经过核函数映射，把输入的低维空间数据通过映射计算，最终变换到特征空间内。4）在特征空间内对数据进行各种计算分析。5）得到初始输入数据的模型。
内蒙古科技大学硕士学位论文`-14-2.3.1支持向量机标准的支持向量机算法可以概括为一个约束最优化问题，更确切来说是一个线性规划的二次规划（QuadraticProgramming，QP）问题，对于其的求解，可以转化为无约束最优化问题。给定一个监督的机器学习问题YXyxyxyxll,,,,,,2211，其niRXx，Yy1,1i为输出类别，li,1l为样本数。支持向量机的目的就是建立一个最优超平面，对数据进行分类，使得数据分类尽可能正确，同时各类之间的距离尽可能大。如图2.3所示，H为最优超平面，1H和2H为支持向量，求得的H要使得两部分数据尽可能分开，同时保证H与1H和2H的距离尽可能大，保证分类效果。其中，设H表达式为bx0，其中RRn，b，1H的表达式为bx1，2H的表达式为bx1-。经支持向量机分类，若样本点属于第一类则输出1iy，若属于第二类，则输出1iy。图2.3二分类模型每一类距离超平面H距离最近的样本数据到超平面H的距离之和，成为分类间隔，因此，我们把1H和2H之间的间隔称为分类间隔。进而，可得一个优化问题，即min221（式2.19）ts..ibxy，，211ii…,l（l为样本数）（式2.20）则我们得到一个如式2.1与式2.2的凸二次规划问题。当求解线性不可分问题时，引入核函数，通过一个特征映射，将输入空间X进行映射，映射后得到新的有限维度或无限维度的空间H，这个映射后得到的空间H我们通常将其当作一个Hilbert空间：HXRXn:（式2.21）
【参考文献】：
期刊论文
[1]风力发电机轴承故障包络谱扫频分析诊断[J]. 邓巍,韩斌,王建亮,赵勇,刘腾飞. 热力发电. 2019(07)
[2]2018年我国风电产业发展形势及2019年展望[J]. 韩雪,陶冶. 中国能源. 2019(05)
[3]基于EEMD-RVM风力发电机故障诊断方法研究[J]. 牛盛瑜,张新燕,杨璐璐,邸强,张冠琪. 电测与仪表. 2018(19)
[4]新时期我国风电产业发展SWOT分析[J]. 姚雪,赵振宇. 风能. 2018(04)
[5]基于预聚类和主动半监督学习的遥感影像分类[J]. 汪婵,王磊,丁西明. 湖北第二师范学院学报. 2018(02)
[6]基于小波包——倒频谱的滚动轴承故障检测方法[J]. 李方前,杨斌,黄永程. 电子技术与软件工程. 2018(03)
[7]基于SCADA数据的风电机组关键载荷预测[J]. 周士栋,薛扬,马晓晶,王文卓. 农业工程学报. 2018(02)
[8]基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法[J]. 赵洪山,李浪. 太阳能学报. 2018(02)
[9]基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J]. 王玉静,那晓栋,康守强,谢金宝,V I MIKULOVICH. 中国电机工程学报. 2017(23)
[10]基于K-均值聚类分析的风力机功率曲线统计应用[J]. 宋聚众,兰杰,林淑,莫尔兵. 东方汽轮机. 2017(02)
博士论文
[1]在线半监督学习理论、算法与应用研究[D]. 孙博良.国防科学技术大学 2014
[2]基于数据驱动的行星齿轮箱故障诊断方法研究[D]. 刘志亮.电子科技大学 2013
[3]基于差异的半监督学习中有关算法和理论研究[D]. 姜震.复旦大学 2012
[4]基于流形学习的风电机组传动系统故障诊断方法研究[D]. 李锋.重庆大学 2011
硕士论文
[1]基于流形学习的风电机组齿轮箱故障诊断方法研究[D]. 马丽.兰州交通大学 2016
[2]基于流形学习的半监督分类方法及其应用[D]. 郝勇智.中北大学 2016
[3]基于支持向量机的风电机组故障智能分类方法及其应用[D]. 刘达.华北电力大学(北京) 2016
[4]电力设备故障监测和预警系统的设计与实现[D]. 叶晖.华北电力大学 2016
[5]结合主动学习的半监督分类算法优化研究[D]. 王瑶.大连理工大学 2013
[6]基于聚类异动搜索的风电机组齿轮箱早期故障识别研究[D]. 王敏.华北电力大学 2013
[7]基于半监督和主动学习的蛋白质关系抽取研究[D]. 崔宝今.大连理工大学 2008
本文编号：3246451
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3246451.html
