论文题目: 汽轮机组振动故障诊断SVM方法与远程监测技术研究
论文类型: 博士论文
论文专业: 动力机械与工程
作者: 汪江
导师: 陆颂元
关键词: 征兆提取,检验,经验模态分解,不变矩,支持向量机,支持向量回归,异常检测,远程监测,故障诊断
文献来源: 东南大学
发表年度: 2005
论文摘要: 电力工业的迅速发展,对汽轮发电机组状态监测与故障诊断技术提出了高的要求。本论文就机组振动故障特征自动提取、振动异常检测、振动故障趋势预测、多征兆故障诊断以及机组远程监测诊断等几个影响故障诊断技术发展的关键技术进行了详细研究,取得了一定的成果。分析了发电机组振动故障及征兆的特点,研究了故障征兆自动提取方法,采用Mann-Kendall检验、EMD分解、相关系数法、不变矩理论对趋势型征兆、相关性征兆以及转子轴心轨迹图形类征兆进行了提取。将统计学习理论的研究成果-支持向量机(SVM)应用于机组振动异常检测、振动趋势预测及故障诊断中。分析了One-Class SVM异常检测的基本原理,提出了发电机组振动异常检测One-Class SVM方法,仅通过对正常运行状态样本的学习,就可以达到对机组振动异常的准确识别,解决了生产中机组异常振动训练样本缺乏问题;与Fuzzy ART1及ARTMAP神经网络的比较试验结果进一步证实了该方法的有效性;提出了一种核聚类二叉树型多类SVM算法,采用遗传算法对模型参数进行选择,将其应用在发电机组多征兆故障诊断中,试验表明该方法具有较高的故障识别率,缩短了模型学习需要的时间,并解决了one-against-one等多类学习方法存在的拒分类问题;利用One-Class SVM的一类样本学习能力,提出一种新的机组振动故障诊断动态模型,解决了其它故障诊断系统模型结构固定,无法对新增故障进行诊断的问题,实现了对未知新故障和复合故障的正确识别和学习,扩充了故障诊断系统的功能;研究了支持向量回归方法及最小二乘支持向量回归(LS-SVR)在时间序列预测的应用,通过仿真实验得出了LS-SVR在有噪声环境下,可以取得比RBF更好的预测效果,适合于现场实际应用;将LS-SVR用于发电机组振动趋势预测,取得了较高的预测精度。采用JAVA语言,使用Applet、Socket、多线程、Web数据库技术,开发了一套汽轮发电机组Internet远程监测与故障诊断系统,实现了机组振动远程在线监测与故障诊断。
论文目录:
摘要
Abstract
第一章 绪论
1.1 立题背景
1.2 汽轮发电机组状态监测与故障诊断技术国内外发展现状
1.2.1 故障机理的研究现状
1.2.2 故障信息处理技术研究现状
1.2.3 智能故障诊断方法的研究现状
1.2.4 远程诊断技术的国内外研究现状
1.3 论文研究内容与主要结果
第二章 统计学习理论与支持向量机
2.1 引言
2.2 机器学习的基本原理
2.2.1 机器学习问题的表示
2.2.2 经验风险最小化归纳原则
2.2.3 学习的复杂性和推广性分析
2.3 统计学习理论
2.3.1 学习过程一致性
2.3.2 学习机器的VC维
2.3.3 学习机器推广性的界
2.3.4 结构风险最小化归纳原则
2.4 支持向量机
2.4.1 最优分类超平面
2.4.2 广义最优分类超平面
2.4.3 核函数
2.5 SVM实现算法
2.6 本章小结
第三章 汽轮机组故障征兆自动提取方法的研究
3.1 引言
3.2 汽轮发电机组振动故障和征兆的特点
3.3 故障征兆的自动提取
3.3.1 数值型征兆的提取
3.3.1.1 时域征兆的提取
3.3.1.2 频域征兆的提取
3.3.2 时间趋势征兆的提取
3.3.3 利用EMD和相关系数的征兆相关性分析
3.3.4 利用不变矩方法对轴心轨迹征兆的提取
3.4 本章小结
第四章 基于One-Class SVM的机组异常振动检测
4.1 引言
4.2 异常监测方法
4.3 基于ONE-CLASS SVM的异常检测方法
4.3.1 One-Class SVM分类基本原理
4.3.2 One-Class SVM的异常检测
4.4 ONE-CLASS SVM在机组振动异常检测中的应用研究
4.4.1 研究用原始数据的来源
4.4.2 One-Class SVM分类器核参数σ及控制变量v的选择
4.4.3 One-Class SVM与神经网络的试验比较
4.5 本章小结
第五章 机组振动趋势预测LS-SVR方法研究
5.1 前言
5.2 时间序列可预测性
5.3 时间序列预测的常用方法
5.4 支持向量回归预测
5.4.1 ε不敏感损失函数
5.4.2 支持向量回归
5.4.3 最小二乘支持向量回归
5.4.4 数值仿真试验
5.5 LS-SVR方法在机组振动故障趋势预测中的应用
5.6 本章小结
第六章 支持向量机在机组振动故障诊断中的应用研究
6.1 引言
6.2 SVM故障诊断方法
6.2.1 SVM故障诊断原理
6.2.2 SVM多类分类学习算法
6.3 核聚类二叉树型SVM多值分类算法研究
6.3.1 核聚类二叉树型SVM多值分类器算法说明
6.3.2 算法模型参数的选择
6.4 机组振动采用核聚类二叉树型SVM的多征兆故障诊断
6.4.1 故障的多征兆特征信息融合
6.4.2 试验样本数据的采集
6.4.3 试验结果
6.4.4 与神经网络及三种多类SVM方法的比较
6.5 发电机组振动故障ONE-CLASS SVM诊断模型
6.5.1 One-Class SVM诊断模型
6.5.2 One-Class SVM模型对新故障的诊断
6.5.3 One-Class SVM对复合故障的诊断
6.6 本章小结
第七章 汽轮发电机组Internet远程监测诊断系统
7.1 前言
7.2 设备远程状态监测与诊断技术
7.3 远程监测诊断系统的通信原理
7.3.1 远程通信的OSI参考模型
7.3.2 TCP/IP通信协议
7.3.3 远程通信接口的实现－Socket套接字
7.4 汽轮发电机组振动远程监测与故障诊断系统
7.4.1 系统总体方案设计
7.4.1.1 系统结构模式
7.4.1.2 系统组成
7.4.2 系统功能模块
7.4.3 系统的实现
7.4.4 网络安全措施
7.5 本章小结
第八章 结论
8.1 本论文主要研究内容
8.2 进一步的研究工作
致谢
参考文献
发布时间: 2007-06-11
参考文献
- [1].汽轮机轴系振动故障诊断中的信息融合方法研究[D]. 张燕平.华中科技大学2006
相关论文
- [1].工业汽轮机热力性能在线监测与故障诊断的研究[D]. 高洪涛.大连理工大学1998
- [2].时序数据挖掘及其在故障诊断中的应用研究[D]. 侯澍旻.武汉科技大学2006
标签：征兆提取论文; 检验论文; 经验模态分解论文; 不变矩论文; 支持向量机论文; 支持向量回归论文; 异常检测论文; 远程监测论文; 故障诊断论文;