基于数据驱动的火电厂关键辅机设备故障诊断技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 课题研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 故障诊断技术研究现状 | 第14-15页 |
| 1.2.2 机器学习与数据挖掘 | 第15-16页 |
| 1.2.3 支持向量机 | 第16-17页 |
| 1.3 本文主要工作 | 第17-18页 |
| 第2章 基于数据挖掘的故障诊断方案总体设计 | 第18-22页 |
| 2.1 火电厂辅机设备介绍 | 第18页 |
| 2.2 系统总体结构 | 第18-20页 |
| 2.3 故障诊断系统实施路线 | 第20-21页 |
| 2.3.1 基于状态估计的故障预警 | 第20页 |
| 2.3.2 多标签故障模式分类 | 第20页 |
| 2.3.3 历史数据采集 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 一次风机故障预警 | 第22-36页 |
| 3.1 状态估计原理 | 第22-23页 |
| 3.2 支持向量机回归 | 第23-26页 |
| 3.2.1 LS-SVM回归 | 第25-26页 |
| 3.3 一次风机故障预警 | 第26-34页 |
| 3.3.1 一次风机建模数据选取 | 第27-31页 |
| 3.3.2 正常状态振动估计 | 第31-33页 |
| 3.3.3 异常情况下一次风机振动监测 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 制粉系统多标签故障分类 | 第36-73页 |
| 4.1 支持向量机分类概述 | 第36-41页 |
| 4.1.1 广义最优分类面 | 第36-39页 |
| 4.1.2 核函数 | 第39-40页 |
| 4.1.3 LS-SVM分类 | 第40-41页 |
| 4.2 制粉系统模型辨识 | 第41-49页 |
| 4.2.1 模型辨识 | 第42-45页 |
| 4.2.2 模型验证 | 第45-46页 |
| 4.2.3 故障特征提取 | 第46-49页 |
| 4.3 LS-SVM参数优化 | 第49-56页 |
| 4.3.1 粒子群算法基本原理 | 第49-50页 |
| 4.3.2 粒子群算法的不足与改进 | 第50-51页 |
| 4.3.3 自适应参数调整的改进PSO设计 | 第51-54页 |
| 4.3.4 参数优化结果 | 第54-56页 |
| 4.4 制粉系统多标签分类问题分析 | 第56-64页 |
| 4.4.1 多标签分类定义 | 第56-57页 |
| 4.4.2 多标签数据分解 | 第57-58页 |
| 4.4.3 基于后验概率的类别表示 | 第58-59页 |
| 4.4.4 概率LS-SVM概率分类器模型 | 第59-61页 |
| 4.4.5 阈值确定方法 | 第61-63页 |
| 4.4.6 概率LS-SVM多标签故障分类算法 | 第63-64页 |
| 4.4.7 可行性分析 | 第64页 |
| 4.5 实例验证 | 第64-72页 |
| 4.5.1 混合类分离性能验证 | 第64-68页 |
| 4.5.2 总体性能验证 | 第68-72页 |
| 4.6 本章小结 | 第72-73页 |
| 第5章 总结与展望 | 第73-75页 |
| 5.1 工作总结 | 第73-74页 |
| 5.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-82页 |
| 致谢 | 第82-83页 |
| 作者简历 | 第83页 |
