基于数据挖掘的水轮机异常预警方法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 水轮机组的系统结构及振动异常 | 第11-12页 |
| 1.2.2 设备异常预警技术及其发展现状 | 第12-13页 |
| 1.3 课题主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第2章 数据挖掘在异常预警中的应用 | 第16-22页 |
| 2.1 数据挖掘技术概述 | 第16页 |
| 2.2 数据挖掘算法分类 | 第16-18页 |
| 2.3 数据挖掘与异常预警流程分析 | 第18-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 运行模式分析与特征工程 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 运行模式分析 | 第22-29页 |
| 3.2.1 数据的分割处理 | 第23页 |
| 3.2.2 基于特征的时间序列聚类 | 第23-26页 |
| 3.2.3 K均值聚类算法 | 第26-27页 |
| 3.2.4 水轮机机组运行模式分析 | 第27-29页 |
| 3.3 特征工程 | 第29-33页 |
| 3.3.1 特征工程的主要方法 | 第29-30页 |
| 3.3.2 基于GBDT算法的特征选择 | 第30-32页 |
| 3.3.3 水轮机测点特征子集选择 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于时间序列数据的预测模型研究 | 第34-52页 |
| 4.1 引言 | 第34页 |
| 4.2 时间序列预测模型概述 | 第34-35页 |
| 4.3 长短时记忆模型 | 第35-37页 |
| 4.3.1 递归神经网络模型 | 第35-36页 |
| 4.3.2 LSTM模型 | 第36-37页 |
| 4.4 基于LSTM的预测模型构建 | 第37-48页 |
| 4.4.1 数据集的划分与构建 | 第38-40页 |
| 4.4.2 数据的标准化处理 | 第40-41页 |
| 4.4.3 模型结构的分析与确定 | 第41-43页 |
| 4.4.4 模型参数的调整与优化 | 第43-48页 |
| 4.5 模型对比与实例验证 | 第48-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第5章 状态评估与异常预警分析 | 第52-58页 |
| 5.1 引言 | 第52页 |
| 5.2 基于动态阈值的测点状态评估 | 第52-54页 |
| 5.3 设备运行状态评估 | 第54-56页 |
| 5.3.1 健康偏离度与状态评估 | 第54-56页 |
| 5.3.2 报警阈值与报警规则 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 第6章 固定导叶的异常预警分析 | 第58-68页 |
| 6.1 引言 | 第58-59页 |
| 6.2 水轮机的数据基础 | 第59-60页 |
| 6.3 预测模型搭建 | 第60-65页 |
| 6.3.1 数据预处理 | 第60-61页 |
| 6.3.2 特征子集选择 | 第61-63页 |
| 6.3.3 预测模型建模 | 第63-65页 |
| 6.4 状态评估与异常预警 | 第65-66页 |
| 6.5 本章小结 | 第66-68页 |
| 第7章 结论与展望 | 第68-70页 |
| 7.1 结论 | 第68页 |
| 7.2 展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 学位论文评阅及答辩情况表 | 第77页 |
