基于机器学习算法在风机故障预测中的分析与应用

摘要

随着信息通信技术的飞速发展，电力系统通过引入网络技术和控制技术实现了先进的自动化管理，为此开发了许多的分布式管理系统，电力系统积累了海量的数据和信息，而大量的数据中潜藏着故障信息没有被充分的利用，现实的故障发现通常是以监控和诊断方式而不是预测。本文利用机器学习算法对这些海量数据进行数据挖掘实现故障预测。
　　本文将机器学习算法应用于电厂引风机故障预测中，通过机器学习算法探索风机运行数据在故障预测应用中的有效性和可行性。主要研究三个方面的问题:首先，故障预测中通常面临数据的高维度问题，通过对特征提取方法进行分析和研究，提出采用主成分分析(Principal Component Analysis，PCA)和偏最小二乘(Partial Least Square，PLS)特征提取方法降低特征维度，实验结果表明，主成分分析和偏最小二乘都能很好的包含原始数据的绝大部分信息，累计方差贡献率很高，但是在主成分的选择上，偏最小二乘有更好的解释能力;其次，故障预测技术的关键问题是如何提高检测的效果，提出一种基于支持向量机(Support Vector Machine，SVM)回归算法，用以提高检测准确率;通过实验表明，基于偏最小二乘特征提取的SVM回归模型的性能更优于基于主成分分析的SVM回归模型，风机故障预测的均方误差小。最后，将偏最小二乘与SVM回归结合算法应用到风机故障预测系统中。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外风机故障预测技术研究现状

1．2．1 国外风机故障预测技术研究现状

1．2．2 国内风机故障预测技术研究现状

1．3 故障预测方法研究现状

1．3．1 故障预测方法

1．3．2 故障预测方法对比及存在问题

1．4 论文研究内容和结构安排

第2章 影响引风机故障因素分析

2．1 引风机工作原理

2．2 引风机状态监测分析

2．3 引风机故障类型

2．4 本章小结

第3章 基于偏最小二乘故障数据预处理

3．1 数据预处理

3．2 主成分分析理论

3．3 偏最小二乘回归分析理论

3．4 引风机轴承振动预测模型中的数据预处理

3．4．1 主成分分析在轴承振动预测中的应用

3．4．2 偏最小二乘分析在轴承振动预测中的应用

3．5 引风机轴承温度预测模型中的数据预处理

3．5．1 主成分分析在轴承温度预测中的应用

3．5．2 偏最小二乘法在轴承温度预测中的应用

3．6 本章小结

第4章 基于支持向量回归故障预测模型的建立

4．1 支持向量机理论

4．2 引风机轴承振动预测模型的建立

4．2．1 基于主成分分析的支持向量回归在轴承振动中的应用

4．2．2 基于偏最小二乘分析的支持向量回归在轴承振动中的应用

4．3 引风机轴承温度预测模型的建立

4．3．1 基于主成分分析的支持向量回归在轴承温度中的应用

4．3．2 基于偏最小二乘分析的支持向量回归在轴承温度中的应用

4．4 预测结果分析

4．5 本章小结

第5章 引风机故障预测系统的实现

5．1 引风机故障预测设计

5．1．1 系统功能分析

5．1．2 系统实现关键技术

5．1．3 基于SSH的系统框架设计

5．1．4 数据库设计

5．2 状态监测功能实现

5．3 故障预测功能实现

5．3．1 预测和实测数据比对

5．3．2 预测模型的封装

5．4 本章小结

6．1 总结

6．2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢