發(fā)布時間：2020-11-17 11:00

　　 現(xiàn)代設(shè)備逐漸向大型化、復(fù)雜化、集成化和自動化的方向發(fā)展,這提高了工作效率的同時也對設(shè)備的安全高效運行提出了更高的要求。一旦發(fā)生故障,損失將非常大,甚至?xí)�造成某些無法挽回的損失。所以,對設(shè)備的故障進行診斷和狀態(tài)預(yù)測,是保證設(shè)備安全可靠運行的重要措施。本文主要基于支持向量機(Support Vector Machine,簡稱SVM)智能混合方法對水電機組進行故障診斷,以水電機組的歷史數(shù)據(jù)為前提對水電機組未來運行狀態(tài)進行預(yù)測。本文主要工作如下：1.針對經(jīng)驗?zāi)Ｊ椒纸?EMD)方法在旋轉(zhuǎn)機械中廣泛應(yīng)用存在的問題(模式混疊),我們先對EMD進行微分再積分處理,即DEMD方法。該方法能夠改變信號中不同頻率成分的比重,將其中的頻率相近或微弱的高頻成分提取出來。再采用支持向量回歸(SVR)和窗函數(shù)對DEMD在分解時的端點效應(yīng)問題進行優(yōu)化處理,通過仿真信號發(fā)現(xiàn)這對模式混疊和端點效應(yīng)問題有較好的改善作用。將得到的優(yōu)化方法應(yīng)用于水電機組的故障診斷,驗證了該方法的有效性。2.樣本信號對故障的診斷不完全都是有貢獻的,另外其貢獻度也不完全相同。針對這個問題,我們使用模糊SVM應(yīng)用在水電機組的故障診斷上,并提出一種基于類均值距離的優(yōu)化方法來確定隸屬度函數(shù)。然后將模糊SVM進行多類推廣并進行數(shù)值仿真和在水電機組上應(yīng)用,取得了較好的診斷結(jié)果。3.水電機組的很多故障信號在振動信號中都有一定的體現(xiàn),基于振動信號可看成時間上的一個序列,可以用回歸神經(jīng)網(wǎng)絡(luò)對水電機組的運行狀態(tài)根據(jù)歷史數(shù)據(jù)進行預(yù)測。由于回歸神經(jīng)網(wǎng)絡(luò)的分布參數(shù)對預(yù)測準確度有很大的影響,采用果蠅優(yōu)化算法對其進行優(yōu)化處理。最后將該優(yōu)化方法應(yīng)用在水電機組的狀態(tài)預(yù)測上并與BP神經(jīng)網(wǎng)絡(luò)進行分析對比,通過分析比較優(yōu)化方法具有更好的預(yù)測率。
【學(xué)位單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2016
【中圖分類】：TV738
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 本文研究的背景意義
    1.2 水電機組振動故障現(xiàn)狀
        1.2.1 水電機組故障的特點
        1.2.2 機組故障產(chǎn)生的主要原因
    1.3 水電機組智能故障診斷技術(shù)與預(yù)測研究
        1.3.1 水電機組故障診斷研究現(xiàn)狀
        1.3.2 水電機組的狀態(tài)預(yù)測研究
    1.4 論文的主要研究內(nèi)容及結(jié)構(gòu)框圖
第二章 SVM的基本理論
    2.1 SVM的研究現(xiàn)狀
    2.2 SVM的基礎(chǔ)理論
    2.3 SVM分類問題
        2.3.1 SVM分類基本原理及分類機
        2.3.2 多類SVM
    2.4 SVM的核函數(shù)
    2.5 SVM的模型建立
    2.6 SVM回歸機
    2.7 SVM進行故障診斷的基本步驟
    2.8 本章小結(jié)
第三章 基于DEMD模糊熵和SVM的故障診斷方法
    3.1 EMD的模式混疊優(yōu)化
        3.1.1 EMD和DEMD的分解及算法
        3.1.2 信號仿真
    3.2 DEMD的端點效應(yīng)優(yōu)化
        3.2.1 窗函數(shù)
        3.2.2 信號仿真
    3.3 模糊熵的算法及參數(shù)選擇
    3.4 水電機組診斷實例
    3.5 本章小結(jié)
第四章 模糊多類SVM的故障診斷方法
    4.1 SVM核函數(shù)選擇
    4.2 確定隸屬度函數(shù)的優(yōu)化方法
    4.3 模糊SVM的優(yōu)化
    4.4 數(shù)值仿真及在水電機組上的應(yīng)用
    4.5 本章小結(jié)
第五章 基于優(yōu)化回歸神經(jīng)網(wǎng)絡(luò)的預(yù)測
    5.1 振動信號的可預(yù)測性分析
    5.2 廣義神經(jīng)網(wǎng)絡(luò)及參數(shù)優(yōu)化
    5.3 水電機組實例分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究展望
致謝
參考文獻
附錄：攻讀專業(yè)碩士期間發(fā)表的論文

【相似文獻】

相關(guān)期刊論文 前10條

1 ;我國自主研制世界最大水電機組[J];水電廠自動化;2008年02期

2 ;引進水電機組技術(shù)研討會在富春江召開[J];水力發(fā)電;1994年11期

3 ;“700MW級巨型水電機組研制”被授予四川省重大科技成果轉(zhuǎn)化示范項目[J];東方電氣評論;2013年04期

4 沈磊;采用指標控制法監(jiān)測水電機組的穩(wěn)定運行[J];東北電力技術(shù);2000年05期

5 李連貴;水電機組用新型制動器開發(fā)成功[J];發(fā)電設(shè)備;2001年05期

6 周波;改善水電機組運行穩(wěn)定性[J];電器工業(yè);2004年05期

7 施炳利;小型水電機組取消永磁機出現(xiàn)的問題及解決方法[J];河北水利;2004年08期

8 瞿曌,朱建林,賴旭;基于互聯(lián)網(wǎng)的水電機組監(jiān)測系統(tǒng)研究[J];繼電器;2005年01期

9 李常青;調(diào)潮流對萬家寨水電機組的影響淺析[J];電力學(xué)報;2005年01期

10 ;改革開放以來中國部分制成和在制的典型水電機組的主要參數(shù)[J];電力技術(shù);2008年06期

相關(guān)博士學(xué)位論文 前10條

1 謝國財;基于團隊智能的水電機組集成監(jiān)測方法研究與實踐[D];華中科技大學(xué);2012年

2 肖劍;水電機組狀態(tài)評估及智能診斷方法研究[D];華中科技大學(xué);2014年

3 彭兵;基于改進支持向量機和特征信息融合的水電機組故障診斷[D];華中科技大學(xué);2008年

4 楊志榮;基于多源信息融合的水電機組故障診斷與軸心軌跡識別技術(shù)研究[D];華中科技大學(xué);2011年

5 鄒敏;基于支持向量機的水電機組故障診斷研究[D];華中科技大學(xué);2007年

6 潘羅平;基于健康評估和劣化趨勢預(yù)測的水電機組故障診斷系統(tǒng)研究[D];中國水利水電科學(xué)研究院;2013年

7 劉忠;基于人工免疫系統(tǒng)的水電機組智能診斷方法研究[D];華中科技大學(xué);2007年

8 向秀橋;現(xiàn)代智能計算及其在水電機組故障診斷中的應(yīng)用[D];華中科技大學(xué);2009年

9 彭文季;水電機組振動故障的智能診斷方法研究[D];西安理工大學(xué);2007年

10 陳喜陽;水電機組狀態(tài)檢修中若干關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 曲哲;水力作用對水電機組主軸穩(wěn)定性影響研究[D];河北聯(lián)合大學(xué);2014年

2 閆海橋;水電機組穩(wěn)定性監(jiān)測及運行性能分析方法研究[D];華中科技大學(xué);2014年

3 秦正飛;基于SVM智能混合方法的水電機組故障診斷與預(yù)測研究[D];昆明理工大學(xué);2016年

4 田源;水電機組智能故障診斷方法與振動趨勢預(yù)測研究[D];西華大學(xué);2013年

5 陳宇;非負矩陣分解算法及其在水電機組異常檢測的應(yīng)用[D];浙江工業(yè)大學(xué);2013年

6 代開鋒;基于特征的水電機組狀態(tài)趨勢預(yù)測[D];華中科技大學(xué);2005年

7 侯永超;水電機組穩(wěn)定性監(jiān)測系統(tǒng)的可靠性設(shè)計[D];華中科技大學(xué);2010年

8 宋兵;中小型水電機組穩(wěn)定性監(jiān)測系統(tǒng)研究與開發(fā)[D];華中科技大學(xué);2011年

9 何志鋒;水電機組狀態(tài)監(jiān)測及數(shù)據(jù)分析系統(tǒng)開發(fā)研究[D];華中科技大學(xué);2011年

10 朱傳古;水電機組狀態(tài)監(jiān)測與診斷中的分析方法及案例[D];華中科技大學(xué);2007年

本文編號：2887426