本文關(guān)鍵詞：特征加權(quán)組稀疏模式分析算法及其在水電機(jī)組故障診斷中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：水電機(jī)組作為小水電生產(chǎn)過(guò)程中的核心設(shè)備,它的運(yùn)行狀況直接關(guān)系到水電廠的安全,同時(shí)也關(guān)系到水電廠能否向電網(wǎng)提供可靠電力。由于水電機(jī)組具有構(gòu)造復(fù)雜,機(jī)組運(yùn)行呈季節(jié)性,異常振動(dòng)誘發(fā)因素多等特點(diǎn),日益影響著電網(wǎng)的安全穩(wěn)定運(yùn)行。因此,對(duì)水電機(jī)組進(jìn)行運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷,以確保水電機(jī)組更為穩(wěn)定的運(yùn)行,并且最大程度提高發(fā)電效益,具有十分重要的意義。傳統(tǒng)的故障診斷算法主要基于專業(yè)技術(shù)人員的經(jīng)驗(yàn)和知識(shí)來(lái)推理診斷。這種過(guò)分依賴于個(gè)人經(jīng)驗(yàn)和知識(shí)的算法目前仍在水電機(jī)組故障診斷中占主導(dǎo)地位,其弊端是顯而易見(jiàn)的。因此,必須提高設(shè)備故障診斷的自動(dòng)化和智能化程度,實(shí)現(xiàn)對(duì)設(shè)備的高效、可靠的智能診斷。本文研究?jī)?nèi)容主要針對(duì)水電機(jī)組故障診斷問(wèn)題,研究并設(shè)計(jì)適合水電機(jī)組故障診斷的加權(quán)組稀疏模式分析系列算法,同時(shí)構(gòu)建故障診斷系統(tǒng),具體工作包含以下4個(gè)方面:(1)針對(duì)水電機(jī)組噪聲樣本輸入數(shù)據(jù)結(jié)構(gòu)非線性以及小樣本問(wèn)題,提出了一種改進(jìn)的核化判別公共向量降維算法,稱為高效核化判別公共向量算法。該算法的優(yōu)勢(shì)主要包括:能夠有效地解決數(shù)據(jù)非線性分布帶來(lái)的鑒別難點(diǎn),同時(shí)通過(guò)公共向量的引入解決了小樣本問(wèn)題,提升后續(xù)模式分類器的鑒別效果。(2)針對(duì)水電機(jī)組噪聲樣本數(shù)據(jù)易丟失信息和含干擾信息等問(wèn)題,提出了特征加權(quán)組稀疏模式分析算法。該算法結(jié)合各類重構(gòu)冗余以及樣本距離測(cè)度逼近樣本分布結(jié)構(gòu),并兼顧特征加權(quán)因子進(jìn)行奇異點(diǎn)剔除,從樣本和特征兩方面減少重構(gòu)表示誤差;實(shí)驗(yàn)證明算法兼顧了稀疏性、標(biāo)簽信息、特征貢獻(xiàn)因素以及局部結(jié)構(gòu)信息。(3)為有效地解決樣本數(shù)據(jù)丟失以及樣本維數(shù)過(guò)高導(dǎo)致的鑒別效率和樣本外問(wèn)題,將降維技術(shù)應(yīng)用到特征加權(quán)組稀疏模式分析算法中,提出特征加權(quán)組稀疏判別投影模式分析算法。以特征加權(quán)組稀疏為基礎(chǔ)進(jìn)行編碼系數(shù)求解,并計(jì)算特征加權(quán)約束的類內(nèi)重構(gòu)散度矩陣和類間重構(gòu)散度矩陣。實(shí)驗(yàn)該算法證明在減少計(jì)算復(fù)雜的同時(shí),提高了算法識(shí)別能力。(4)提出了水電機(jī)組故障診斷系統(tǒng)的設(shè)計(jì)方案,包括水電機(jī)組故障診斷單元設(shè)計(jì)、機(jī)組現(xiàn)地控制單元設(shè)計(jì)和上位機(jī)監(jiān)控軟件設(shè)計(jì)。并且將所提的特征加權(quán)組稀疏判別投影模式分析算法應(yīng)用到水電機(jī)組故障診斷單元,通過(guò)對(duì)水電機(jī)組運(yùn)行產(chǎn)生的聲音數(shù)據(jù)進(jìn)行特征的提取和識(shí)別,證明了算法在故障診斷中的有效性。
【關(guān)鍵詞】：水電機(jī)組 故障診斷 特征加權(quán) 組稀疏 判別投影
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TV738
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 緒論11-18
• 1.1 課題研究背景及意義11-12
• 1.2 水電機(jī)組故障研究現(xiàn)狀12-14
• 1.3 稀疏表示算法和降維算法的研究現(xiàn)狀14-16
• 1.4 本文主要研究?jī)?nèi)容16-18
• 第2章 經(jīng)典的模式分析算法18-29
• 2.1 引言18-19
• 2.2 經(jīng)典的降維算法19-24
• 2.2.1 主成分分析19-20
• 2.2.2 線性判別分析20-21
• 2.2.3 判別公共向量分析21-22
• 2.2.4 核化判別公共向量分析22-24
• 2.3 稀疏表示型算法24-26
• 2.3.1 稀疏表示分類器24-25
• 2.3.2 組稀疏分類器25
• 2.3.3 加權(quán)組稀疏分類器25-26
• 2.4 稀疏降維算法26-28
• 2.4.1 稀疏保持投影算法26-27
• 2.4.2 稀疏判別投影分類算法27-28
• 2.5 本章小結(jié)28-29
• 第3章 高效核化判別公共向量分析算法29-39
• 3.1 引言29
• 3.2 算法的基本原理29-34
• 3.2.1 訓(xùn)練階段的改進(jìn)30-31
• 3.2.2 測(cè)試階段的改進(jìn)31-33
• 3.2.3 改進(jìn)的算法流程及復(fù)雜度分析33-34
• 3.3 仿真結(jié)果與分析34-38
• 3.3.1 識(shí)別性能分析35-36
• 3.3.2 訓(xùn)練效率分析36-37
• 3.3.3 測(cè)試效率分析37-38
• 3.4 本章小結(jié)38-39
• 第4章 特征加權(quán)組稀疏模式分析算法39-48
• 4.1 引言39
• 4.2 算法的基本原理39-43
• 4.2.1 特征加權(quán)矢量的選擇40-41
• 4.2.2 算法流程41-42
• 4.2.3 算法收斂性證明42-43
• 4.3 仿真結(jié)果與分析43-47
• 4.3.1 識(shí)別性能分析44-46
• 4.3.2 算法重構(gòu)性能46
• 4.3.3 運(yùn)算效率分析46-47
• 4.4 本章小結(jié)47-48
• 第5章 特征加權(quán)組稀疏判別投影模式分析算法48-55
• 5.1 引言48
• 5.2 算法的基本原理48-50
• 5.2.1 算法的優(yōu)化求解49-50
• 5.2.2 算法流程50
• 5.3 實(shí)驗(yàn)仿真與分析50-54
• 5.3.1 識(shí)別性能分析51-53
• 5.3.2 運(yùn)算效率分析53-54
• 5.4 本章小結(jié)54-55
• 第6章 水電機(jī)組故障診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)55-72
• 6.1 引言55
• 6.2 水電機(jī)組故障診斷系統(tǒng)的總體設(shè)計(jì)55-57
• 6.2.1 水電機(jī)組故障診斷任務(wù)55
• 6.2.2 水電機(jī)組故障診斷系統(tǒng)的結(jié)構(gòu)選擇55-56
• 6.2.3 水電機(jī)組故障診斷系統(tǒng)的總體設(shè)計(jì)方案56-57
• 6.3 上位機(jī)監(jiān)控軟件設(shè)計(jì)57-60
• 6.3.1 系統(tǒng)組態(tài)軟件的選擇與設(shè)置57-58
• 6.3.2 系統(tǒng)用戶權(quán)限配置58-59
• 6.3.3 故障診斷系統(tǒng)監(jiān)控界面設(shè)計(jì)59-60
• 6.4 機(jī)組現(xiàn)地控制單元設(shè)計(jì)60-65
• 6.4.1 機(jī)組現(xiàn)地控制單元結(jié)構(gòu)確定61
• 6.4.2 主控設(shè)備選擇61-63
• 6.4.3 主要控制回路關(guān)鍵點(diǎn)設(shè)計(jì)63-65
• 6.5 水電機(jī)組故障診斷單元設(shè)計(jì)65-71
• 6.5.1 傳感器故障雜質(zhì)及通常解決辦法65
• 6.5.2 加權(quán)組稀疏判別降維模式分析故障診斷模型的提出65-67
• 6.5.3 水電機(jī)組噪聲信號(hào)構(gòu)建及預(yù)處理67-69
• 6.5.4 水電機(jī)組噪聲信號(hào)鑒別任務(wù)仿真69-71
• 6.6 本章小結(jié)71-72
• 第7章 結(jié)論和展望72-74
• 7.1 結(jié)論72
• 7.2 展望72-74
• 參考文獻(xiàn)74-79
• 致謝79-80
• 攻讀學(xué)位期間的科研成果80-81

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 胡勝海;何蕾;徐鵬;楊奇;金錦花;;基于灰色特征加權(quán)支持向量機(jī)的火炮質(zhì)量評(píng)估[J];應(yīng)用科技;2011年01期

2 孔令燕;夏樂(lè)天;;基于特征加權(quán)的混合型模糊聚類分析及其在洪水災(zāi)害等級(jí)劃分中的應(yīng)用[J];水利經(jīng)濟(jì);2009年05期

3 趙俊杰;;基于特征加權(quán)的KNNFP改進(jìn)算法及在故障診斷中的應(yīng)用[J];電子技術(shù)應(yīng)用;2011年04期

4 王改堂;王斐;黃超凡;丁力;葉錦函;;基于特征加權(quán)K最近鄰的無(wú)人機(jī)武器發(fā)射過(guò)程參數(shù)預(yù)測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2014年04期

5 王國(guó)才;張聰;;一種基于粗糙集的特征加權(quán)樸素貝葉斯分類器[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年07期

6 顧播宇;孫俊喜;李洪祚;劉紅喜;劉廣文;;基于特征加權(quán)模塊雙方向二維主成分分析的人臉識(shí)別[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2014年03期

7 邱超;;特征加權(quán)FCM算法在洪水樣本分類中的應(yīng)用[J];水文;2007年05期

8 任會(huì)峰;陽(yáng)春華;周璇;桂衛(wèi)華;鄢鋒;;基于泡沫圖像特征加權(quán)SVM的浮選工況識(shí)別[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2011年12期

9 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 杜玫芳;王昕;;基于特征加權(quán)的模糊c均值聚類算法及其應(yīng)用[A];2008通信理論與技術(shù)新進(jìn)展——第十三屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（上）[C];2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 馬會(huì)敏;幾種特征加權(quán)支持向量機(jī)方法的比較研究[D];河北大學(xué);2010年

2 王秀菲;基于特征加權(quán)支持向量機(jī)的復(fù)合材料粘接缺陷量化識(shí)別研究[D];內(nèi)蒙古大學(xué);2011年

3 馬萍;貝葉斯網(wǎng)絡(luò)與基于特征加權(quán)的聚類研究[D];大連理工大學(xué);2011年

4 黃瓊芳;特征加權(quán)組稀疏模式分析算法及其在水電機(jī)組故障診斷中的應(yīng)用[D];浙江工業(yè)大學(xué);2015年

5 吳彪;基于信息論的特征加權(quán)和主題驅(qū)動(dòng)協(xié)同聚類算法研究[D];哈爾濱工業(yè)大學(xué);2008年

6 周計(jì)美;基于特征加權(quán)單類支持向量機(jī)的顏色識(shí)別算法及其在異色物檢測(cè)中的研究[D];內(nèi)蒙古大學(xué);2012年

7 陳曉琳;采用ReliefF特征加權(quán)的NIC算法研究[D];鄭州大學(xué);2014年

8 周徐寧;基于特征加權(quán)連續(xù)隱馬爾可夫模型的故障診斷方法研究[D];上海交通大學(xué);2012年

9 劉建林;基于樣本—特征加權(quán)的模糊核聚類算法研究及應(yīng)用[D];華東交通大學(xué);2013年

10 劉東洋;基于GMM和特征加權(quán)SVM的目標(biāo)識(shí)別算法研究[D];南京理工大學(xué);2013年

  本文關(guān)鍵詞：特征加權(quán)組稀疏模式分析算法及其在水電機(jī)組故障診斷中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：341500