基于新异类检测和支持向量机的水电机组诊断技术研究

【摘要】：水电机组状态监测与故障诊断技术的研究与应用,是近年来水电行业的热门话题。通过状态监测系统对机组运行状态数据的展示和积累,利用数据挖掘和故障诊断技术进行机组运行状态评估,可以发现机组可能存在的潜在故障和性能劣化的趋势,最终实现机组的状态检修。目前水电厂安装了大量的状态监测系统,在此基础上,如何进一步利用这些存储的长期海量数据,推进状态监测的深入应用,并开展诊断方法的应用研究,是当前状态监测与诊断技术在水电行业遇到的瓶颈和难点。而在水电机组故障诊断的分析过程中,常常存在先验知识缺乏、故障样本稀少或故障模式不完备的问题。针对水电机组的故障诊断技术大多采用基于知识的方法,这些方法对明确的故障状态数据能得到较好的效果,但作为低速旋转设备的水电机组,由于其运行机理的复杂性,很难得到清晰的故障模式,以及这些模式对应的特征数据。针对这些问题,本文以水电机组振动、摆度和温度等常见状态测点的长期数据作为研究对象,开展基于新异类检测方法和支持向量机技术的水电机组诊断研究。论文的主要撰写思路是从征兆的统计特征分析开始,到基于新异类检测(单类支持向量机)的建模和评估方法研究,再推广到基于支持向量机的多类故障诊断和趋势预估。论文前半部分分析了故障诊断的基础条件--故障征兆的特征提取方法,选择状态数据的长期统计特征作为模型学习样本,融合新异类检测中的单类支持向量机方法,实现对机组状态数据的异常评估。后半部分从单类支持向量机方法推广到多类故障分类,并结合机组状态监测数据的特点,试验研究了两种基于支持向量机回归和在线数据更新的趋势预估方法。论文主要研究工作如下：1.深入分析了新异类检测技术对水电机组故障诊断的意义,并参考机器学习和其他能源领域对模式识别或故障诊断方法的分类,总结归纳了水电机组的故障诊断模式,提出水电机组故障诊断方法可分为基于知识的诊断方法和基于数据的诊断方法两种类别。同时,通过对常见新异类检测技术的研究与应用现状进行总结,认为新异类检测技术以及源于支持向量机的单类支持向量机技术,可根据已知观测样本的学习,实现对未知异常的判断和识别。2.深入研究了水电机组状态数据的统计特征。通过实例分析水电机组状态数据的时域统计特征,设计基于正常运行数据的健康样本模型,并对其长期分布特性、短期分布特性和时序特性均作了数学分析和验证。最后,将Bootstrap采样方法应用于状态数据的统计特征提取中,设计了一种基于Bootstrap方法的水电机组状态特征阈值计算方法,并利用实例对Bootstrap方法对数据密度函数的改良效果进行了评估。3.利用统计特征和单类支持向量机技术研究机组状态信号的融合检测。(1)详细介绍了基于经验数据的机组状态评估方法,结合机组实际状态数据,对其评估方法进行验证,提出健康模型基准值的选择依据。(2)结合机组统计特征和高斯密度法,对基于机组正常运行数据的三维健康模型建模方法开展研究。通过工况网格划分,消除了工况对状态数据的影响,优化了健康模型的阈值范围。(3)研究基于新异类检测原理的机组状态信号检测与评估方法。通过无监督聚类与单类支持向量机方法的融合,实现对机组状态趋势信号的异常检查和状态判别。4.研究并验证基于小波包能量分解和最小二乘支持向量机技术的水电机组故障诊断方法。(1)详细介绍了支持向量机技术的多类分类方法和全局优化方案。利用小波包能量分解技术,以机组轴系特征数据为例,通过多频带能量分解实现了轴系故障征兆的提取。(2)将小波包分解技术与最小二乘支持向量机方法结合,对从征兆提取到样本学习,再到故障分类的诊断方法开展研究,并采用机组实际运行数据进行分类结果的准确率检验。5.在基于支持向量机回归技术的在线预测方法的基础上,对分段预测和多尺度预测两种改进型在线预测方法进行研究,将其用于水电机组实时更新状态监测数据的趋势预测。(1)针对常规状态监测系统数据更新造成的计算负荷过大、效率较低的问题,研究分析基于分段预测的支持向量机回归方法,通过选取最优子分类SVR模型来预测输出,实现了在线样本规模的缩减,并保持了较高的预测效率和精度。(2)针对状态监测系统数据更新容易丢失趋势特性的问题,研究基于多尺度分析的并行预测方法,通过对历史数据的重采样训练,既最大程度上保留了历史趋势特性,又减小了计算负荷,提高了预测精度。综上所述,论文避开常规水电机组故障诊断技术研究基于故障先验知识的特点,在机组趋势数据的统计特性和正常数据建模方面做了一定的研究,并利用新异类检测和支持向量机技术,通过与聚类算法、小波包能量分解技术的融合,以及针对在线监测数据更新的特点,试验研究了支持向量机技术在在线数据预测上的改进和优化,较好的实现了机组状态数据的故障分类和在线趋势预测。 【关键词】：水电机组 故障诊断 新异类检测 支持向量机 小波包能量分解 统计特征 健康样本
【学位授予单位】：中国水利水电科学研究院
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TV738
【目录】：

• 摘要6-8
• ABSTRACT8-15
• 第一章 绪论15-33
• 1.1 课题背景和意义15-16
• 1.1.1 我国水电行业的发展15
• 1.1.2 我国水电设备检修现状15-16
• 1.2 水电机组诊断方法概述16-22
• 1.2.1 状态监测与故障诊断概述16-17
• 1.2.2 故障诊断方法的分类17-18
• 1.2.3 常见诊断方法18-21
• 1.2.4 水电机组新异类检测的意义21-22
• 1.3 新异类检测方法的研究与应用现状22-25
• 1.3.1 基于统计学的新异类检测方法22-24
• 1.3.2 基于神经网络的新异类检测方法24-25
• 1.4 支持向量机的研究与应用现状25-29
• 1.4.1 支持向量机的发展过程25-26
• 1.4.2 支持向量机的理论现状26-28
• 1.4.3 支持向量机的技术现状28
• 1.4.4 支持向量机的应用现状28-29
• 1.5 新异类检测与支持向量机的关系29-30
• 1.6 论文的结构与内容30-33
• 第二章 新异类检测与支持向量机的基本原理33-53
• 2.1 引言33
• 2.2 机器学习理论33-35
• 2.2.1 机器学习问题的提出33-34
• 2.2.2 机器学习问题的分类和目的34-35
• 2.3 统计学习理论35-39
• 2.3.1 期望风险和经验风险35-36
• 2.3.2 VC维36-37
• 2.3.3 结构风险最小化37-39
• 2.4 新异类检测方法39-42
• 2.4.1 新异类检测的基本原理39-40
• 2.4.2 高斯密度法原理40-41
• 2.4.3 k均值聚类法原理41
• 2.4.4 新异类检测方法的特点41-42
• 2.5 支持向量机原理42-45
• 2.5.1 最优分类面和支持向量机分类42-44
• 2.5.2 核函数44-45
• 2.6 支持向量机的求解算法45-46
• 2.7 支持向量机的计算与应用46-52
• 2.7.1 支持向量机进行故障诊断的基本步骤46-47
• 2.7.2 利用Matlab SVM函数进行单类识别47-48
• 2.7.3 利用LibSVM工具箱进行多类识别48-51
• 2.7.4 两种实现工具的对比51-52
• 2.8 本章小结52-53
• 第三章 基于统计学和BOOTSTRAP方法的机组特征提取53-76
• 3.1 引言53
• 3.2 水电机组状态数据统计特征的提取53-55
• 3.2.1 水电机组常见数据特征53-54
• 3.2.2 水电机组状态数据统计特征的选择54-55
• 3.3 水电机组健康模型研究55-59
• 3.3.1 健康样本模型的设计55-56
• 3.3.2 测点数据与工况参数的相关性验证56-59
• 3.4 水电机组状态数据统计特性分析59-69
• 3.4.1 长期趋势分布特性分析59-64
• 3.4.2 短期数据分布特性分析64-65
• 3.4.3 时序分析65-69
• 3.5 BOOTSTRAP方法69-72
• 3.5.1 Bootstrap方法概述69-71
• 3.5.2 Bootstrap置信区间的计算71
• 3.5.3 Bootstrap方法的数学实现71-72
• 3.6 基于BOOTSTRAP方法的状态特征阈值计算72-75
• 3.6.1 结构模型72
• 3.6.2 计算方法72-74
• 3.6.3 结果分析74-75
• 3.7 本章小结75-76
• 第四章 基于新异类检测的机组状态评估方法研究76-94
• 4.1 引言76
• 4.2 基于经验数据的状态评估方法76-79
• 4.2.1 参考评估方法76-78
• 4.2.2 中位值评估方法验证78-79
• 4.3 基于健康标准的水电机组状态样本建模79-84
• 4.3.1 三维健康模型设计79-80
• 4.3.2 健康评估方法设计80-81
• 4.3.3 三维健康模型示例81-84
• 4.3.4 健康样本评估方法总结84
• 4.4 基于新异类检测的状态评估策略84-85
• 4.4.1 单次测试评估策略85
• 4.4.2 自适应在线评估策略85
• 4.4.3 完备样本区域描述策略85
• 4.5 基于新异类检测的无监督聚类评估方法85-90
• 4.5.1 无监督聚类与支持向量机的融合评估方法86-87
• 4.5.2 无监督聚类算法实现87-88
• 4.5.3 单类支持向量机(OC-SVM)88-89
• 4.5.4 单类支持向量机的改进决策方法89-90
• 4.6 水电机组状态信号的融合检测90-93
• 4.6.1 检测策略90-92
• 4.6.2 参数优化92-93
• 4.7 本章小结93-94
• 第五章 基于支持向量机多类分类的水电机组故障诊断94-108
• 5.1 引言94
• 5.2 支持向量机的多类分类方法94-100
• 5.2.1 多类分类原理94-96
• 5.2.2 多类分类器的构造96-99
• 5.2.3 全局多类分类99-100
• 5.3 轴系故障征兆提取方法100-104
• 5.3.1 小波包分解原理100-101
• 5.3.2 稳定性信号频带能量分析101
• 5.3.3 轴系故障能量征兆的提取101-102
• 5.3.4 结果分析102-104
• 5.4 基于最小二乘支持向量机的轴系故障诊断104-107
• 5.4.1 最小二乘支持向量机的数学算法104-105
• 5.4.3 基于LS-SVM的机组轴系故障诊断105-106
• 5.4.4 分类结果106-107
• 5.5 本章小结107-108
• 第六章 基于支持向量机的水电机组状态数据预测108-124
• 6.1 引言108
• 6.2 时间序列预测模型108-111
• 6.2.1 传统时间序列108-110
• 6.2.2 人工智能模型110
• 6.2.3 其他预测模型110-111
• 6.3 支持向量机回归111-114
• 6.3.1 支持向量机回归原理111
• 6.3.2 线性支持向量机回归111-113
• 6.3.3 非线性支持向量机回归113-114
• 6.4 水电机组状态数据的预测研究现状114-115
• 6.5 分段预测在水电机组在线监测数据预测中的应用115-118
• 6.5.1 分段SVR预测思想115
• 6.5.2 基于SVR的分段在线预测算法115-116
• 6.5.3 分段模型设计116-117
• 6.5.4 实例分析与算法评估117-118
• 6.6 多尺度预测在水电机组在线监测数据预测中的应用118-121
• 6.6.1 多尺度分析方法118-119
• 6.6.2 基于SVR的多尺度在线时间预测算法119-120
• 6.6.3 实例分析与算法评估120-121
• 6.7 预测方法评价准则与误差评价指标121-123
• 6.7.1 预测方法评价准则121-122
• 6.7.2 误差评价指标122
• 6.7.3 两种预测算法对比122-123
• 6.8 本章小结123-124
• 第七章 结论与展望124-127
• 7.1 总结和结论124-125
• 7.2 创新点125
• 7.3 研究展望125-127
• 参考文献127-142
• 致谢142-143
• 攻读博士学位期间发表的论文及其他成果143-145
• 读博期间参加的主要科研工作145-146

您可以在本站搜索以下学术论文文献来了解更多相关内容

SVM回归与朴素贝叶斯分类相结合的变压器故障诊断    耿兰芹;王芳;赵文清;

Bootstrap方法在机电设备振动状态阈值设定中的应用    李会鹏;贺国;明廷锋;

基于Bootstrap方法的可靠性评估    徐玉茗;邓超;吴军;

动态系统的故障预报技术    陈敏泽,周东华

基于支持向量机的水电机组状态趋势预测研究    邹敏;周建中;刘忠;占梁梁;

提高预测精度的ELMAN和SOM神经网络组合    王杰,闫东伟

基于混沌时间序列的水电机组状态短期预测    商志根;姚志树;

统计模拟在工程诊断中的一些应用    屈梁生,吴松涛

基于时变自回归模型与支持向量机的旋转机械故障诊断方法    张龙;熊国良;柳和生;邹慧君;陈慧;

基于支持向量机的我国水产品出口贸易风险预警研究    李淑华;徐良培;陶建平;

支持向量机在粮食产量预测中的应用    程伟;张燕平;赵姝;

基于支持向量机的农村用电量需求预测    赵万明;黄彦全;谌贵辉;

基于LSSVM的小子样元器件寿命预测    邹心遥;姚若河;

基于SVR的船舶溢油事故预测    刘翠红;

应用支持向量机回归确定岩体强度指标    张贵,乔春生

支持向量机在股票价格预测中的应用    张玉川;张作泉;

改进的离散灰色模型及其应用    肖燕彩;陈秀海;朱衡君;

基于模糊支持向量机的变压器故障诊断    肖燕彩;张清;

基于支持向量机的地磁辅助导航匹配区域选取准则    吕云霄;吴美平;胡小平;

基于内容的医学图像检索及语义建模关键技术研究    梁洪

基于统计学习理论的分类方法研究    殷志伟

引线键合视觉检测关键技术研究    孔凡芝

六自由度Stewart平台分散智能控制研究    李晚龙

计算机辅助卷烟配方设计关键技术研究    杨宁

柔性坐标测量机空间误差模型及最佳测量区研究    郑大腾

基于群体智能的机器视觉的关键技术研究    陈志国

蛋白质点突变效果预测与突变数据库研究    高山

农田养分流失风险评价及养分平衡管理研究    丁晓东

高技术企业信用风险影响因素及评价方法研究    张目

优化问题的PVD算法研究    徐芳芳

支持向量机在冲击地压预测模型中的应用研究    朱耿峰

基于支持向量机的时间序列预测    姜成玉

支持向量机在金融市场预测中的应用    李海清

基于全矢高阶谱的故障诊断方法及其应用研究    李朋勇

基于全矢谱的故障预测关键技术研究    樊碧波

基于时频分析的齿轮故障机理及诊断研究    李会臣

高光谱图像类别信息相关技术研究    邓禄群

基于灰度图像的信息隐藏算法研究    欧阳杰

基于支持向量机的杂草识别研究    曲昆鹏

小样本下维修性评估方法    罗木生;赵修平;周昊;

变压器故障诊断技术的研究    杨启平,薛五德,蓝之达

基于贝叶斯网络的分类器研究    周颜军,王双成,王辉

小子样下的Bootstrap方法    段晓君,王正明

水电机组故障诊断系统信号特征的提取    梁武科,张彦宁,罗兴锜

运用GA-BP神经网络研究时间序列的预测    黄建国;罗航;王厚军;龙兵;

一种非平稳随机信号模型的时变参数估计算法性能研究    王文华,王宏禹

水电厂设备状态监测    滕小羽,唐国庆

小子样条件下可靠性试验信息的融合方法    张士峰,蔡洪

基于自助法的小样本数据分析方法研究    戴邵武;高华明;肖支才;

小子样复杂系统可靠性信息融合方法与应用研究    冯静

基于支持向量机的水电机组故障诊断研究    邹敏

基于支持向量机和小波分解的气体识别研究    葛海峰;林继鹏;刘君华;丁晖;

支持向量机的一个边界样本修剪方法    琚旭;王浩;姚宏亮;

基于支持向量机的电力工程最优投标报价决策研究    张菁华;袁鑫;刘达;

支持向量机在中医疾病症候诊断中的应用    张涛;段淑敏;

面向多输入输出系统的支持向量机回归    王晶;靳其兵;曹柳林;

多类支持向量机算法的研究    陈丹;

一种改进的加权边界调节支持向量机算法    程丽丽;张健沛;马骏;

支持向量机理论的研究与进展    宋召青;崔和;胡云安;

基于壳向量的边界邻近支持向量机    郭鹍;孙晓梅;薛明;

基于支持向量机的混凝土测强换算模型    许超;运士伟;舒云星;

基于中心化支持向量机的信用风险评估模型    余乐安;姚潇;

基于支持向量机的创新分类器    刘希玉;徐志敏;段会川;

一种抗噪音的支持向量机学习方法    史晓涛;刘建丽;骆玉荣;

基于支持向量机的系统辨识方法研究及应用    何琴淑;刘信恩;肖世富;

基于支持向量机方法的衢州降雪模型    刘骏;

基于组合向量的支持向量机方法预测膜蛋白类型    王婷;胡秀珍;

支持向量机综述    赵晶;高隽;张旭东;谢昭;

智能数学与支持向量机    周星宇;王思元;

一种鲁棒支持向量机算法    颜根廷;马广富;朱良宽;宋斌;

基于支持向量机的设备振动信号趋势预测    侯澍旻;李友荣;刘光临;

支持向量机若干问题的研究    张晓雷

基于支持向量机和多信息融合的局部放电故障诊断研究    王瑜

支持向量机的优化建模方法研究    郭虎升

支持向量机关键技术及其在人体活动识别中的应用研究    姚毓凯

基于新异类检测和支持向量机的水电机组诊断技术研究    周叶

非可信环境下的支持向量机研究    周喜川

支持向量机学习算法若干问题的研究    常甜甜

三类不确定支持向量机及其应用    王超

支持向量机算法及其应用研究    张国云

支持向量机及其在人脸识别中的应用研究    李华庆

添加Universum数据双支持向量机    佟乐

鲁棒支持向量机研究    胡金扣

一类支持张量机及其算法研究    邱志勇

基于人群搜索—支持向量机的心脏病多生理参数诊断方法研究    董慧康

基于支持向量机的高分遥感影像分类技术研究与应用    李萌

基于支持向量机的高光谱图像降维与分类研究    甘乐

基于支持向量机的太原市土壤重金属污染评价研究    苏超

基于支持向量机的短期风电功率预测    李胜刚

基于支持向量机的燃煤机组燃烧优化算法的研究    孙亭亭

基于支持向量机的沪深300指数回归预测    王芳