發(fā)布時間：2017-06-25 05:03

  本文關(guān)鍵詞：基于支持向量機的風(fēng)電機組故障智能分類方法及其應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：近些年來,我國風(fēng)力發(fā)電得到了迅猛發(fā)展,雖然風(fēng)力發(fā)電機的設(shè)計與制造已逐步完善,但是由于運行載荷復(fù)雜多變,工作條件惡劣等特殊原因,使得風(fēng)電機組的故障率居高不下,對其運行維護提出了巨大的挑戰(zhàn)。因此研究及推廣應(yīng)用風(fēng)電機組狀態(tài)監(jiān)測與故障診斷技術(shù)對于提高風(fēng)電設(shè)備的運行安全可靠性具有重要的實際意義�；谏鲜銮闆r,本文對風(fēng)電機組傳動鏈故障智能分類方法進行研究,旨在提高傳動鏈設(shè)備故障的自動識別能力和精度,提高設(shè)備維修技術(shù)及管理水平。論文的主要工作如下：首先對風(fēng)電機組的結(jié)構(gòu)進行概述,簡要說明風(fēng)電機組主要部件的故障機理、故障類型。介紹了三種基于振動信號分析的故障特征提取方法,包括時域、頻域和小波包特征提取方法。通過實例分析了三種特征提取方法的分類效果和特點。同時還介紹了主成分分析方法的基本原理,并將主成分分析方法和小波包特征提取方法結(jié)合使用,把多個特征值指標轉(zhuǎn)化為少數(shù)幾個綜合指標,以獲取最主要的信息。其次,將基于支持向量機的智能故障分類方法應(yīng)用于風(fēng)電齒輪箱故障分類問題,用實際案例驗證了二分類和多分類支持向量機的效果。針對神經(jīng)網(wǎng)絡(luò)的局部極值問題和需要大量訓(xùn)練樣本的情況,以及提高分類準確率的問題,結(jié)合小波包(Wavelet Packet, WP)、粒子群優(yōu)化算法(Particle Swarm Optimization algorithm, PSO)和支持向量機(Support Vector Machine, SVM)理論建立了風(fēng)電機組傳動鏈故障診斷模型,即WP-PSO-SVM模型,用實際數(shù)據(jù)對模型的效果進行了驗證。討論了帶通濾波、特征提取和主成分分析三方面對分類正確率的影響。最后,針對支持向量機作為有監(jiān)督學(xué)習(xí)方法在實際應(yīng)用中所受到的限制,本文利用高維空間支持向量點聚類及相似度閩值判別方法實現(xiàn)支持向量機半監(jiān)督,并對未知樣本進行識別分類,進一步應(yīng)用到風(fēng)電機組群的智能故障診斷中。
【關(guān)鍵詞】：風(fēng)電機組 故障診斷 支持向量機 粒子群優(yōu)化 半監(jiān)督方法
【學(xué)位授予單位】：華北電力大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TM614;TP18
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 研究背景和意義10-11
• 1.2 研究現(xiàn)狀11-15
• 1.2.1 狀態(tài)監(jiān)測與故障診斷研究現(xiàn)狀11-13
• 1.2.2 支持向量機故障診斷方法研究現(xiàn)狀13-15
• 1.3 論文的主要內(nèi)容及結(jié)構(gòu)15-17
• 1.3.1 論文的主要內(nèi)容15
• 1.3.2 論文的結(jié)構(gòu)15-17
• 第2章 風(fēng)電機組故障機理及支持向量機的理論17-26
• 2.1 風(fēng)力發(fā)電機組結(jié)構(gòu)17-18
• 2.2 風(fēng)力發(fā)電機組主要部件結(jié)構(gòu)及其故障機理18-19
• 2.2.1 齒輪箱結(jié)構(gòu)及其故障診斷18
• 2.2.2 發(fā)電機結(jié)構(gòu)及其故障診斷18-19
• 2.3 統(tǒng)計學(xué)習(xí)理論19-21
• 2.3.1 函數(shù)集的VC維19-20
• 2.3.2 學(xué)習(xí)機器推廣能力的界20
• 2.3.3 結(jié)構(gòu)風(fēng)險最小化原則20-21
• 2.4 支持向量機分類算法21-25
• 2.4.1 線性分類算法情形21-23
• 2.4.2 非線性分類算法情形23-25
• 2.5 本章小結(jié)25-26
• 第3章 風(fēng)電機組振動信號特征提取及主成分分析26-38
• 3.1 時域特征提取方法26-28
• 3.1.1 時域分析法26
• 3.1.2 時域信號特征值提取26-28
• 3.2 頻域特征提取方法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 實測數(shù)據(jù)介紹32-33
• 3.5.2 信號的時域及頻域分析33
• 3.5.3 時域特征提取33-35
• 3.5.4 頻域特征提取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 本章小結(jié)37-38
• 第4章 支持向量機二分類及多分類算法的應(yīng)用38-47
• 4.1 支持向量機二分類算法的應(yīng)用38-39
• 4.2 支持向量機多分類算法的應(yīng)用39-43
• 4.2.1 不同故障類型案例39-41
• 4.2.2 故障狀態(tài)漸變案例41-43
• 4.3 特征提取方法對支持向量機分類的影響43-45
• 4.4 主成分分析對支持向量機分類的影響45-46
• 4.5 小結(jié)46-47
• 第5章 參數(shù)優(yōu)化方法及半監(jiān)督的實現(xiàn)47-56
• 5.1 粒子群優(yōu)化算法47-51
• 5.1.1 粒子群優(yōu)化算法的產(chǎn)生與發(fā)展47
• 5.1.2 粒子群優(yōu)化算法原理47-48
• 5.1.3 粒子群優(yōu)化算法流程48-49
• 5.1.4 粒子群優(yōu)化算法參數(shù)和參數(shù)設(shè)置49-50
• 5.1.5 基于粒子群的支持向量機分類實例50-51
• 5.2 半監(jiān)督支持向量機51-53
• 5.2.1 半監(jiān)督支持向量機診斷流程51-52
• 5.2.2 半監(jiān)督分類實例52-53
• 5.3 風(fēng)電機組群的故障診斷53-55
• 5.3.1 風(fēng)電機組群的故障診斷策略53-54
• 5.3.2 支持向量機在風(fēng)電機組群中的應(yīng)用54-55
• 5.4 小結(jié)55-56
• 第6章 結(jié)論及展望56-57
• 6.1 結(jié)論56
• 6.2 展望56-57
• 參考文獻57-63
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果63-64
• 致謝64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機和小波分解的氣體識別研究[J];儀器儀表學(xué)報;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機的一個邊界樣本修剪方法[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2006年07期

3 張菁華;袁鑫;劉達;;基于支持向量機的電力工程最優(yōu)投標報價決策研究[J];山東電力高等�？茖W(xué)校學(xué)報;2006年04期

4 張濤;段淑敏;;支持向量機在中醫(yī)疾病癥候診斷中的應(yīng)用[J];華北水利水電學(xué)院學(xué)報;2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機回歸[J];清華大學(xué)學(xué)報(自然科學(xué)版);2007年S2期

6 陳丹;;多類支持向量機算法的研究[J];東莞理工學(xué)院學(xué)報;2007年05期

7 程麗麗;張健沛;馬駿;;一種改進的加權(quán)邊界調(diào)節(jié)支持向量機算法[J];哈爾濱工程大學(xué)學(xué)報;2007年10期

8 宋召青;崔和;胡云安;;支持向量機理論的研究與進展[J];海軍航空工程學(xué)院學(xué)報;2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機[J];黑龍江交通科技;2008年12期

10 許超;運士偉;舒云星;;基于支持向量機的混凝土測強換算模型[J];洛陽理工學(xué)院學(xué)報(自然科學(xué)版);2008年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風(fēng)險評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學(xué)習(xí)方法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應(yīng)用[A];中國力學(xué)大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

10 侯澍e

本文編號：480820