一、基于进化策略的增长学习方法在故障诊断中的应用(论文文献综述)
贾金梁[1](2021)在《循环神经网络的自动高速结构优化》文中进行了进一步梳理循环神经网络(Recurrent Neural Networks,RNN)是一个简洁高效的非线性通用模型,加上时间元素之后,能有效地处理动态系统(包括时间序列)问题。在实践中,RNN的网络结构(包括反馈位置,隐藏层神经元个数,激活函数等)通常需要人为预先确定,这要求丰富的经验或者繁琐的反复实验;另外,RNN的权值参数优化一直是基于梯度方法的,梯度消失和梯度爆炸问题表现得尤为突出,这些都导致了RNN结构设计困难或者网络性能不佳。为了提高RNN的结构设计效率和网络性能,本文首先提出了一种RNN的自动化结构设计方法,由此形成了层内时间延迟神经网络(Intra-layer Time Delay Neural Network,ILTDNN)模型。ILTDNN模型引入延迟时间,延迟权值,激活函数种类三种结构参数增强网络性能,从两个方面体现了自动化结构设计:1).不用预先确定网络大小,而是通过网络生长确定;2).不用预先确定网络结构参数,而是通过优化算法得到。另外,该模型还将时间序列特征预处理过程并入网络结构设计过程中,实现了特征处理自动化,这也避免了当RNN网络性能表现不佳时,难以确定是特征处理不当还是网络结构设计不当的困境。传统的基于梯度的算法无法对结构优化,收敛缓慢,也很容易陷入局部最优,而进化算法可以通过编码和种群来高效地搜索结构参数空间。因此,本文还为ILTDNN模型设计了基于网络生长的增量优化策略和优化网络结构参数的混合进化算法。增量优化策略解决了网络从小到大生长时哪些参数会被优化的问题,一方面可以避免先前的优化努力不会浪费,另一方面可以减少要优化的结构参数数量。混合进化算法是基于改进收敛性的自然进化策略算法和具有超线性收敛的二阶局部搜索算法设计,其使用局部搜索增强种群搜索的梯度方向。实验表明,混合进化算法能够很好的处理复杂多模态问题。在实践中,将混合进化算法与并行计算技术结合,在多核处理器上能够实现RNN结构参数的高速准确求解。此外,本文比较了ILTDNN模型的几种结构参数对网络性能的影响,并将该网络模型应用于几个经典的混沌时间序列预测问题和轴承系统故障预测问题,证明了其有效性。与现有的大多数其它神经网络相比,通过自动化结构设计方法和混合进化算法生成的网络结构更加小型化,预测更准确。因此,网络模型更简洁,具有更好的泛化能力和应用前景。
伍功宇[2](2021)在《电力信息物理系统级联失效建模及韧性优化》文中进行了进一步梳理当代电力系统已演化为一类集通信、计算、控制于一体的复杂的多维异构电力信息物理系统(Cyber-Physical Power System,CPPS)。该系统由电力(即物理)与通信(即信息)网络耦合而成,其耦合依赖关系有益于系统规模的扩张以及国家经济的发展。但与此同时,这种依赖关系也在失效的级联演化过程中扮演着推波助澜的消极角色,致使大规模停电事件至今仍屡见不鲜,国家因而蒙受的经济损失依旧惨重。为了应对CPPS耦合效应为电力系统的风险管理带来的全新挑战,进而缓解扰动事件对CPPS的潜在风险,开展面向CPPS的韧性(Resilience)优化研究刻不容缓。现有的CPPS韧性优化研究主要围绕三个方面开展,即:优化受损组件的恢复序列、识别并保护系统中的关键节点以及优化电力和通信网络间的耦合模式。然而,由于对电力和通信网络间的耦合依赖关系的研究仍处于探索阶段,导致当前对CPPS的韧性研究仍方兴未艾,难以应用于实践。为此,本文以CPPS为研究对象,从信息物理融合视角出发,开展基于CPPS耦合效应的级联失效建模方法以及韧性优化方法的研究,主要工作和创新点总结如下:(1)多态失效下CPPS级联失效的动态建模方法针对电力和通信网络间相互依赖的耦合效应及其组件的多态失效尚未得到深入研究和探索的问题,本文提出了一种基于马尔科夫的多态CPPS级联失效动态建模方法。该方法将基于近似动态行为与基于复杂网络建模方法相结合,构建了电力和信息流的动态更新模型,并分析了信息拥塞对二者的影响。同时,通过马尔科夫模型建模了多态失效间的实时状态转移关系。提出的建模方法能够捕获扰动发生后系统性能和拓扑随时间的动态变化过程,为CPPS的失效级联演化规律提供了一种具有普适性的建模方法,并为后续CPPS的韧性优化研究奠定了基础。基于级联失效模型的输出,提出了一种基于多退化信息融合的多态CPPS鲁棒性评估方法,为多态CPPS的鲁棒性提供了更为准确和全面的量化方法。(2)基于优化组件恢复序列的多态CPPS韧性优化方法针对当前CPPS组件恢复序列优化方法尚未涉及组件多态失效、CPPS耦合依赖关系以及恢复资源和修复模式多样性的问题,本文提出了一种以韧性最大化为导向的基于多模式资源约束的多态CPPS组件恢复序列的优化方法。该方法首先通过提出的基于复合泊松过程的系统韧性年度期望通用评估框架,量化了CPPS韧性以作为优化模型的目标函数;其次,借由多模式资源约束项目调度问题的解决思路构建了组件恢复序列规划问题中的约束条件;然后,在(1)的基础上,进一步考虑了恢复过程中组件的维修和重连操作以及多态失效下组件维修方式的多样性,建立了用于修复阶段的多态CPPS级联失效模型,并嵌入至优化模型中,以量化系统在恢复过程中的实时性能,并抉择修复完成的组件是否能重新接入系统;最后,针对模拟退火算法的的局部收敛问题,提出了一种考虑回温过程的模拟退火算法,为上述优化问题提供了更准确的求解方法。提出的优化方法能够规划灾后受损组件的最优恢复序列以及对应的恢复资源和成本的最优调度和分配方式,并为CPPS的组件恢复序列规划问题提供了更高成本效益的定量解决方案。(3)基于识别并保护关键节点的CPPS韧性优化方法针对当前元启发式算法由于缺乏对于CPPS的关键节点集识别问题的有效搜索策略从而计算效率和准确率较低的问题,本文提出了一种基于基因重要度进化策略的CPPS关键节点集识别方法。首先,提出了一种基于基因重要度的进化算法,为种群的演变提供了精英搜索策略;其次,在(2)中级联失效模型的研究基础上,进一步探究了三种等级的通信节点的独立和协同控制分别对电力网络和系统性能的影响,以及节点的失效对自身网络及其耦合依赖网络的多重影响,提出了一种基于动态潮流和拓扑信息的节点重要度评估框架,为提出的进化算法提供了初始节点的重要度,从而提升了算法的效率和准确率;最后,基于CPPS的耦合依赖关系,提出了一种强耦合节点对的概念及其识别方法,以减少进化算法中决策变量的维数,从而进一步地提升了算法的效率和准确率。提出的识别方法能够获取CPPS中以系统总失电量最大化为导向的最优节点集合,并为CPPS的关键节点集识别问题提供了更为准确且高效的定量解决方案。(4)基于优化网络间耦合模式的CPPS韧性优化方法针对当前支路交换和添加策略缺乏定量规划方法且二者的联合优化策略尚未得到探究的问题,本文提出了一种以鲁棒性最大化为导向的CPPS耦合模式的三层联合优化方法。该方法首先构建了三层的联合优化模型用以解决支路交换和添加策略的联合优化问题;其次,将(3)中改进后的CPPS级联失效模型嵌入至了优化模型中,以刻画CPPS的耦合依赖关系,并量化扰动发生后的系统性能;最后,针对各层属于不同类型的优化问题分别给出了求解算法,进而提出了一种CPPS耦合模式联合优化问题的三层混合求解方法。提出的优化方法能够在有限成本约束下制定CPPS耦合模式的最优改善策略以及相应的成本分配方式,并为支路交换策略、支路添加策略以及二者的联合优化策略提供了有效的定量解决方案。
宗圣凯[3](2021)在《基于多分类器融合的飞机机电系统故障诊断研究》文中认为飞机机电系统作为保障飞机平稳运行的重要组成部分,对飞机的可靠性和安全性意义重大。机电系统故障是导致飞机故障的主要原因之一,其传感器信号状态复杂,使用传统基于单分类器的诊断方法无法取得理想的效果,诊断准确率难以得到进一步提升,虚警率和漏判率较高。本文在充分分析飞机机电系统常见故障信号的基础上,探究数据融合技术在故障诊断中的应用,深入研究多分类器融合诊断算法,主要工作如下:第一,研究数据融合算法,深入分析Dempster-Shafer(DS)证据理论的原理,总结经典DS证据理论在融合诊断中的不足之处。针对经典DS证据理论存在的“Zadeh悖论”、“一票否决”以及在证据高冲突情况下融合效果差三个缺陷,提出了基于余弦相似度的改进DS证据融合算法,使用余弦相似度作为分配证据权重的依据,结果表明该算法明显减小了证据之间的冲突,改善了融合效果。第二,针对单分类器模型诊断准确率难以提高,虚警率和漏判率较高等问题,提出基于多分类器融合的飞机机电系统故障诊断方法,以Q统计量为依据选择卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short Term Memory Network,LSTM)作为子分类器,使用基于余弦相似度的改进DS证据融合算法对诊断结果进行决策级融合,完成故障诊断,明显减少了系统的虚警和漏判,对提高故障诊断准确率效果明显。第三,将提出的故障诊断方法工程化,实现了飞机机电系统故障诊断软件。该软件分为数据处理模块、CNN故障诊断模块、RNN故障诊断模块、LSTM故障诊断模块、DS证据融合模块。通过将软件的准确率、虚警率、漏报率与之前的测试结果进行对比,证明该软件有更好的故障诊断效果。综上所述,本文从理论研究到软件实现与验证的过程证明了提出的飞机机电系统故障诊断方法的有效性和优越性,可以提高地面维护人员的工作效率。
黄增强[4](2020)在《面向机器人模拟与强化学习的分布式训练平台设计与实现研究》文中研究指明随着强化学习算法在机器人场景上的应用与发展,此类算法表现出了巨大的潜力;同时,模拟框架的出现为基于强化学习算法的机器人训练任务提供了一个便利的训练方式。但是,大多数强化学习训练任务仍然是在单物理节点上运行,物理节点的性能成为了限制训练任务执行效率的一个瓶颈,迫切需要寻找一种途径解决单物理节点的性能限制问题;同时,强化学习算法在分布式平台上运行时会因为物理网络的延迟增加时间消耗,因此,有必要对通信开销进行优化。本文在国内外已有研究的基础之上,设计并实现了一个面向机器人模拟与强化学习的分布式训练平台Re-Ray(即分布式框架Ray的remake版本),为各种强化学习算法在机器人模拟框架上的训练任务提供了一个通用性平台。然后,本文基于进化策略算法提出了ES-RPRS算法,为强化学习算法在分布式场景下的优化提供了新的思路。主要研究工作如下:(1)基于开源的分布式框架Ray,设计并实现了一个面向机器人模拟的分布式训练平台Re-Ray,其主要服务于强化学习算法在机器人模拟应用的训练任务。Re-Ray平台的重点工作:首先,基于分布式框架Ray提出了本平台Re-Ray的架构设计;然后,分别从应用层、分布式框架Ray的适应性修改、多种模拟框架的整合与修改、容器层四个方面完成了训练平台Re-Ray的设计与实现;最后通过实验的对比分析,验证了Re-Ray平台的各方面性能表现。Re-Ray平台既能够为用户提供更丰富的模拟机器人种类与场景,又为用户提供了使用上的便利性。(2)在分布式平台Re-Ray基础之上,针对分布式训练平台网络延迟问题,提出了ES-RPRS算法,该算法能够在提高训练速度的同时具备较低的计算复杂度和高并行性。本文根据分布式场景下对算法的原子性等要求,以及进化策略算法的并行性特点,取消了工作节点间交换内容中的扰动参数,由各工作节点借助共享的随机因子生成扰动参数。在不影响训练效果的情况下,通过削减网络通信开销达到了加速训练任务的目的。最后,对ES-RPRS算法在超参数搜索方面的应用效果进行了测试与验证。
邹锐[5](2020)在《基于改进和声搜索算法的配电网研究与应用》文中研究说明配电网重构问题是NP(Non-Deterministic Polynomial)难的组合优化问题,作为智能电网的关键技术之一,国内外众多专家、学者和工程技术人员已经有大量的研究。相对于传统方法,智能优化算法由于求解效率高、收敛性能好,是当前的研究热点。基于此提出一种改进的和声搜索算法,用于解决配电网重构问题。主要工作如下:首先,综述了配电网重构问题的研究现状,在简要分析各方法的优点以及局限性的基础上,选用了智能优化算法中鲁棒性较好、搜索性能较高的算法——和声搜索算法作为基础算法解决配电网重构问题,然后确立了网损最小为配电网重构的优化目标,并基于节点分层的前推回代法计算配电网潮流分布,获得网损的计算结果。其次,基于和声搜索算法原理与流程的分析,说明了预设参数的合理选取对算法性能的影响,并进一步使用粒子群算法参数协进化的策略确定和声搜索算法的2个预设参数;优化了和声搜索算法的音调微调步骤,以启发式策略避免预设和声搜索算法的其余参数;考虑到参数协进化存在反馈时间较长的问题,提出一种生成辅助新和声的策略,使预设参数更为合理,最终达到降低预设参数对算法性能制约的目的。然后,将提出的改进算法应用到配电网重构问题时,针对不可行解的处理,使用一种优化的支路断开规定,以降低算法迭代过程中出现不可行解的概率,同时对算法迭代寻优过程出现的不可行解进行检测和剔除,进一步提升算法的寻优性能和计算效率。最后,通过标准算例IEEE33、IEEE69和某地区实际配电网进行仿真验证,并且选取了同类参考文献与所提出方法的仿真结果进行对比。仿真对比结果说明,所提出改进的基于粒子群参数协进化的和声搜索算法的收敛代数低,寻优性能好。同时,基于Matlab GUI和Application Compiler,开发了具有实际应用能力的可独立运行原型软件。
蔡华洵[6](2020)在《基于免疫算法的配电网故障定位研究》文中认为随着国家对新能源的不断投入,越来越多的分布式电源接入配电网,这使得传统的单电源辐射型配电网变成多电源多向配电网。快速准确地进行配电网故障区段定位对保障电力系统供电可靠性具有重要的理论及工程实际意义。本文在国家自然科学基金“考虑非线性不平衡因素的微电网容量配置与协调控制策略研究(61903129)”的资助下,以含分布式电源接入的多电源配电网故障区段定位为研究对象,着眼于提高故障区段定位的速度和准确率,对配电网故障区段定位方法展开了深入研究。本文完成的主要工作和取得的研究结果如下:(1)分析了配电网故障区段定位原理,设计了基于智能算法的故障区段定位流程。阐述了标准免疫算法的原理及其数学实现,设计了基于标准免疫算法的配电网故障区段定位流程,在三馈线开环配电网和含分布式电源的配电网中进行了故障区段定位测试,并且将标准免疫算法与遗传算法的测试结果进行了对比分析,测试结果表明:标准免疫算法在单重故障和少量信息畸变下能够准确定位出故障区段,定位速度与定位准确率均优于遗传算法;在多点故障和多点状态畸变时,其定位速度和定位准确率还有待提高。(2)结合粒子群算法和免疫算法的优点,对免疫算法进行了改进,提出了一种免疫算法与粒子群算法的双种群进化算法,设计了基于改进免疫算法的故障区段定位流程,在三馈线开环配电网和含分布式电源的配电网中进行了故障区段定位测试,并将改进免疫算法与标准免疫算法和遗传算法进行对比,结果表明:改进免疫算法在双重故障和两处信息畸变下能够准确定位出故障区段,定位速度和准确率有大幅提升;当故障点和畸变数增多时,定位准确度随着故障复杂度而降低,改进免疫算法的定位速度和定位准确率还可以进一步提升。(3)为了进一步提高改进免疫算法区段定位的性能,提出了一种基于改进免疫算法和穷举法的分层定位方法。构建了故障区段分层模型,并对其求解策略进行了分析,设计了基于该分层定位方法的故障定位流程,在含分布式电源的多电源配电网中进行了故障区段定位测试,并将该分层定位方法与改进免疫算法、标准免疫算法和遗传算法进行了比较分析,结果表明:在多重故障和多重信息畸变时分层定位方法能准确定位出故障区段,定位速度和准确度都优于其它算法。
周宏宇[7](2020)在《基于证据进化C均值算法的热工设备状态挖掘方法研究》文中研究说明大型火电机组热工设备的状态监测及预警工作是机组安全、稳定运行的重要保障。目前数据驱动型设备状态监测及预警技术在挖掘电站历史数据中蕴含的设备状态信息、表征设备典型状态证据库以及研究基于正常运行数据的证据驱动型预警算法方面较少涉及。鉴于证据聚类方法在分析数据结构、描述类别状态方面展现出的强大能力,本文展开了基于证据进化C均值算法的设备状态挖掘及表征方法研究。论文的主要研究工作及创新如下:(1)针对蕴含在历史数据中热工设备运行状态数未知的问题,基于变长度人工蜂群智能算法,提出了一种基于单目标证据进化C均值算法的热工设备状态挖掘方法。该方法用蜂群寻优代替证据C均值算法中的拉格朗日交替迭代,通过将各个聚类中心随机编码在变长度的蜂群蜜源上,不同蜜源的长度代表不同的聚类个数及聚类中心,达到既能自动确定最优聚类个数又能得到数据间合理的信度划分的目的,从而解决了传统证据C均值算法中聚类个数需要作为先验知识提前确定的问题。研究结果表明,该方法可以充分挖掘排粉风机的运行状态并对其进行合理的表征,从而得到设备的典型状态证据库。(2)针对单目标证据进化C均值算法中目标函数迭代不一致以及标准化特异性指标不适用的问题,基于经典的多目标优化算法进化策略,提出了一种基于多目标证据进化C均值算法的热工设备状态挖掘方法。该方法将NSGA-II的快速非支配排序和拥挤度计算以及SPEA2中的适应度分配策略引入变长度人工蜂群智能算法,使其能够解决多目标问题。通过最小化证据C均值算法中的损失函数和证据理论中的非特异性指标,多目标证据进化C均值算法最终能够得到最优非支配解集。研究结果表明,该方法可以为挖掘及表征空气预热器设备状态,构建状态证据库提供更多可能性。(3)针对目前证据驱动型状态预警算法无法表征设备过渡状态的问题,基于CMEWEKNN状态预警模型,提出了一种改进型CMEW-EKNN状态预警方法。该方法对CMEWEKNN模型做了合乎设备典型状态证据库特点的修改,通过计算待监测状态点相对于证据库的冲突证据来判断设备的异常情况。研究结果表明,改进型CMEW-EKNN状态预警方法不仅可以实时监测设备的异常状态,还可以监测表征设备状态迁移的过渡状态,其中m(ф)值作为设备的异常预警指标更加符合状态证据库中所构建的噪音点的概念。实例证明,该方法可以为设备状态监测及预警提供支持。
丁萍萍[8](2020)在《基于IDA优化极限学习机的轴承故障诊断研究》文中研究指明滚动轴承在各种机械设备中发挥重要作用,其健康状态与机械设备的安全稳定运行密切相关。针对滚动轴承进行开展的故障诊断技术的研究,不仅可有效提高机械设备运行的可靠性及安全管理水平,同时还具有重要的理论应用价值。本文对滚动轴承故障诊断方法的研究主要是特征提取和模式识别。研究工作如下:第一,本文基于振动信号处理的方法对具有非平稳特性的滚动轴承故障振动信号先进行信号预处理,分析比较了常用的信号处理方法,最后选取了在处理非平稳信号方面有优势的基于改善小波变换的小波包分析的时频域处理方法。然后,应用小波包变换对轴承振动信号进行降噪并提取特征信息,构建输入分类器的有效特征向量。第二,在构建特征向量后,使用基于极限学习机的诊断模型进行轴承状态的模式识别。针对随机初始化极限学习机输入权值和隐藏层阈值带来的问题,利用蜻蜓算法在寻优速度和全局寻优能力上的优势,对极限学习机的输入权值和隐藏层阈值进行参数寻优。构建基于蜻蜓算法优化极限学习机的诊断模型,将该模型应用于滚动轴承的故障诊断,实验结果证明了该模型的有效性,且该模型对滚动轴承故障的测试速度和诊断准确率相比于极限学习机模型有了一定程度的提高。第三,针对蜻蜓算法在优化过程中存在的问题,引入自适应学习因子并且融合差分进化策略对蜻蜓算法进行改进,改进后的蜻蜓算法稳定性、收敛速度和精度等性能比较好。本文提出了用改进的蜻蜓算法对极限学习机进行输入权值和隐藏层阈值的参数寻优,构建了基于改进的蜻蜓算法优化极限学习机的诊断模型,将该模型用于滚动轴承的故障诊断,进一步提高极限学习机的轴承故障诊断性能。本文使用MATLAB工具对所使用的方法进行实验验证。小波包变换能有效地对轴承振动信号进行降噪和特征提取。构建的基于改进蜻蜓算法优化极限学习机的诊断模型能有效地对滚动轴承进行故障诊断。该模型不仅提高了极限学习机模型的诊断结果的稳定性,而且,与其它模型相比,该模型在收敛精度和收敛速度以及分类准确率上有一定的优势。
侯澍旻[9](2006)在《时序数据挖掘及其在故障诊断中的应用研究》文中进行了进一步梳理数据挖掘是一个复杂的过程,而针对时间序列具有维数高和动态性等特点,如何高效地对时间序列数据进行挖掘是一个十分有意义的研究课题。本文对时间序列数据非线性检验、降噪、分割等数据挖掘中的预处理工作进行了研究,并将时间序列数据挖掘技术引入机械故障诊断领域;通过应用实例,验证了这些方法和理论。论文主要完成工作如下:1)时间序列数据非线性检验研究提出了一种随机迭代修正幅值的傅立叶变换(SIAFFT)算法和KS检验统计量相结合的时间序列数据非线性检验方法,通过对弱非线性信号、强非线性信号以及含噪信号的检验,该方法均能得到正确的判断结果。与传统方法相比,该方法收敛速度快,具有较强的抗噪声能力,对非线性信号具有较高的敏感性。2)全局投影算法用于降噪和故障特征提取全局投影降噪算法具有良好的适用性,运算效率和降噪效果明显优于局部投影降噪算法。将全局投影算法应用于转子轴心轨迹的提纯,比基于谐波小波等的轴心轨迹提纯方法运算效率高得多。将全局投影降噪算法和共振解调技术相结合,提出了一种适用于低速重载轴承故障诊断的方法。利用此方法对某炼钢厂转炉倾动机构悬挂齿轮箱耳轴轴承进行故障诊断,诊断结果与实际情况相符。3)基于GG聚类的时间序列数据分割方法针对传统时间序列分割算法的不足,提出了一种基于GO聚类在线数据分割算法。该算法具有自合并功能,能不借助相关领域专家的支持自动寻找最优的分割子集数,是一种有工程应用价值的数据在线分割方法。4)基于KS检验的时序数据分类挖掘系统提出了一种基于KS检验的时序数据分类挖掘方法,在此方法基础上,建立了故障分类系统。通过仿真试验和齿轮及轴承的故障诊断,说明该方法在数据样本含有一定噪声时也能正确判断故障类型。该方法算法简单、计算效率高、实用性强,在机械故障智能诊断领域具有广泛的应用前景和推广价值。5)改进型支持向量机(ES-SVM)用于时间序列数据趋势预测将传统的基于支持向量机的时间序列预测方法进行改进,采用进化策略法搜索惩罚因子C,ε不敏感损失函数和高斯核参数σ。Lorenz信号的数值仿真实验预测结果证明改进后的ES-SVM算法比原SVM算法的预测精度更高。另外,由于在工程实际中所拾取的信号不可避免地会含有噪声,因此,将全局投影算法和ES-SVM相结合的预测方法具有更大的工程应用价值。6)构建基于时序数据挖掘的远程监测与诊断系统作为时序数据挖掘应用的重要组成部分,本文以机械在线监测系统为对象,对数据仓库结构、数据类型进行了探讨;并针对机械信号的特点,建立了时间序列数据挖掘快速处理模型。在此基础上,结合企业对具体远程监测与诊断系统的要求,构建了基于时间序列数据挖掘的远程监测与诊断系统,并成功应用于某烧结厂抽风机。
王子建[10](2006)在《模糊聚类分析及其在变压器油色谱数据分析中的应用》文中研究表明电力变压器是电力系统中最重要的电气设备之一,其运行状态直接影响到整个电力系统的安全与稳定运行。油中溶解气体分析由于无需停电试验,便于在线监测,且不受外界电场和磁场因素的干扰,因此被世界公认为是监测和诊断充油电力变压器早期潜伏性故障最有效的方法之一。目前基于溶解气体分析的变压器故障诊断方法有很多,本文尝试将模糊聚类分析方法应用到变压器油色谱数据的分析中来,并针对该方法在实际应用中存在的问题进行了分析讨论。本文首先应用模糊聚类分析中的模糊ISODATA算法对变压器油色谱数据进行了聚类分析。该方法在实际应用中存在一些问题,如:模式空间的划分缺乏依据,聚类分析时没有考虑各种气体成分对故障反映的灵敏度等。本文对此进行了改进,引入了一个描述不同气体成分对故障反映灵敏度的指标权向量,并在每次迭代运算之后对聚类中心进行分解和合并处理。利用改进后的模糊ISODATA算法对100条测试样本进行了故障诊断,并将诊断结果与三比值法、改良电协研法以及实际故障原因进行了对比分析,诊断准确率达到了92%,相对于原有的88%有了一定程度的提高。模糊ISODATA算法以及改进后的算法都存在着一个共同的缺点,那就是大数据量情况下的计算耗时。改进后的模糊ISODATA算法虽然有效地缩短了故障诊断的时间,但在故障诊断之前需要对已有的样本数据进行聚类分析,其计算过程依然比较繁琐,为此,将模糊逻辑聚类神经元网络应用到变压器故障诊断中来,该方法采用模糊集理论中的模糊逻辑算子来完成网络的运算,再加上神经网络并行处理的特点,从而大幅度提高了其运算速度,节省了运算时间。应用该方法对测试库的样本进行了故障诊断,其诊断准确率达到了91%。模糊ISODATA算法存在两大缺点:一是处理大数据量时的计算耗时,二是容易陷入局部极小点或鞍点。模糊逻辑聚类神经元网络虽然可以解决其中第一个缺点,但该方法还是基于梯度下降的学习算法,因此不可避免的会陷入局部极小点或鞍点,为此,将进化计算中的进化策略应用到变压器故障诊断中来,利用该算法全局寻优的特点,从而得到更加合理的类别划分。实际诊断结果表明,在参数相同的条件下,使用该算法可以得到比传统模糊ISODATA算法更小的聚类目标函数,并且诊断准确率也得到了相应的提高。
二、基于进化策略的增长学习方法在故障诊断中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于进化策略的增长学习方法在故障诊断中的应用(论文提纲范文)
(1)循环神经网络的自动高速结构优化(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 神经网络结构优化研究现状 |
1.2.2 用于预测任务的网络结构研究现状 |
1.2.3 网络优化算法研究现状 |
1.3 主要研究内容 |
1.4 论文结构 |
第二章 相关理论介绍 |
2.1 神经网络的数学模型和主要结构 |
2.1.1 感知器的数学模型 |
2.1.2 神经网络的三种主要结构 |
2.1.3 设计神经网络的三个步骤 |
2.2 循环神经网络及其变体 |
2.3 循环神经网络的长期依赖问题 |
2.4 Vapnik-Chervonenkis维度和结构风险最小化 |
2.5 进化算法及其并行实现 |
2.6 本章小结 |
第三章 循环神经网络的自动化结构框架设计 |
3.1 引言 |
3.2 循环神经网络的自动化结构框架设计 |
3.2.1 相空间重构技术 |
3.2.2 层内时间延迟神经网络结构设计 |
3.2.3 结构参数描述 |
3.2.4 RNN和 ILTDNN的关系 |
3.3 网络前向计算算法设计 |
3.4 网络自动化结构生长流程设计 |
3.5 本章小结 |
第四章 循环神经网络的高速结构优化算法设计 |
4.1 引言 |
4.2 代价函数改进 |
4.2.1 预测滞后问题 |
4.2.2 带惩罚项的代价函数 |
4.3 自然进化策略及其收敛性改进 |
4.3.1 自然进化策略 |
4.3.2 改进的自然进化策略 |
4.3.3 基准测试验证 |
4.3.3.1 基准测试和测试函数 |
4.3.3.2 基线和实验设置 |
4.3.3.3 结果和分析 |
4.3.4 全局算法改进总结 |
4.4 局部搜索算法收敛性比较 |
4.5 混合进化算法设计 |
4.5.1 混合进化算法原理及实施过程 |
4.5.2 实验结果与分析 |
4.5.2.1 测试函数和实验设置 |
4.5.2.2 LANES-BFGS的收敛过程 |
4.5.2.3 LANES-BFGS与其它启发式算法的比较 |
4.5.2.4 LANES-BFGS的种群数量分析 |
4.5.3 混合算法设计总结 |
4.6 并行计算应用方案设计 |
4.7 本章小结 |
第五章 实验验证及工程应用 |
5.1 引言 |
5.2 模型评估误差准则 |
5.3 Mackey–Glass混沌时间序列的预测 |
5.3.1 不同结构参数对网络性能的影响 |
5.3.2 不同优化算法对网络性能的影响 |
5.3.3 惩罚代价函数对网络性能的影响 |
5.3.4 自动化生成ILTDNN网络 |
5.4 Rossler混沌时间序列的预测 |
5.5 Lorenz混沌时间序列的预测 |
5.6 轴承系统故障预测应用 |
5.6.1 CWRU轴承故障数据集介绍 |
5.6.2 预测结果和分析 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 结论 |
6.2 未来工作 |
致谢 |
参考文献 |
硕士学习期间取得的研究成果 |
(2)电力信息物理系统级联失效建模及韧性优化(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题来源 |
1.2 研究背景及意义 |
1.3 韧性量化评估方法研究现状 |
1.3.1 扰动下典型的系统性能过渡曲线 |
1.3.2 韧性量化评估方法 |
1.4 CPPS级联失效建模方法研究现状 |
1.5 CPPS韧性优化方法研究现状 |
1.5.1 基于优化组件恢复序列的CPPS韧性优化方法 |
1.5.2 基于识别并保护关键节点的CPPS韧性优化方法 |
1.5.3 基于优化网络间耦合模式的CPPS韧性优化方法 |
1.6 现有研究发展趋势与挑战 |
1.7 论文的主要研究内容及结构安排 |
第二章 多态失效下CPPS级联失效的动态建模方法 |
2.1 引言 |
2.2 CPPS系统模型建立 |
2.3 CPPS的多态失效及级联失效建模 |
2.3.1 组件的多态失效分析 |
2.3.2 级联演化过程中三种主要失效原因及其概率建模 |
2.3.3 失效状态间实时转移关系的马尔科夫过程建模 |
2.3.4 基于马尔科夫的多态CPPS级联失效动态建模方法 |
2.4 多态CPPS鲁棒性评估方法 |
2.4.1 现有CPPS鲁棒性评估方法及其性能分析 |
2.4.2 基于多退化信息融合的多态CPPS鲁棒性评估方法 |
2.5 应用案例分析 |
2.5.1 测试系统及参数 |
2.5.2 结果与对比分析 |
2.6 本章小结 |
第三章 基于优化组件恢复序列的多态CPPS韧性优化方法 |
3.1 引言 |
3.2 基于复合泊松过程的系统韧性年度期望通用评估框架 |
3.3 基于多模式资源约束的多态CPPS组件恢复序列优化方法 |
3.3.1 多态失效下CPPS恢复过程实时性能评估 |
3.3.2 基于多模式资源约束的CPPS组件恢复序列优化模型 |
3.3.3 考虑回温过程的模拟退火算法 |
3.4 地震灾害的随机仿真方法 |
3.5 应用案例分析 |
3.5.1 测试系统及参数 |
3.5.2 结果与对比分析 |
3.6 本章小结 |
第四章 基于识别并保护关键节点的CPPS韧性优化方法 |
4.1 引言 |
4.2 基于动态潮流和拓扑信息的CPPS节点重要度评估框架 |
4.2.1 节点失效对系统造成的层内影响评估方法 |
4.2.2 节点失效对系统造成的跨层影响评估方法 |
4.3 基于基因重要度进化策略的CPPS关键节点集识别方法 |
4.3.1 关键节点集识别问题的优化模型 |
4.3.2 强耦合依赖节点对及其识别方法 |
4.3.3 基于基因重要度的进化算法 |
4.4 应用案例分析 |
4.4.1 测试系统及参数 |
4.4.2 结果与对比分析 |
4.5 本章小结 |
第五章 基于优化网络间耦合模式的CPPS韧性优化方法 |
5.1 引言 |
5.2 CPPS耦合模式的三层联合优化模型 |
5.2.1 耦合模式的内层优化模型 |
5.2.2 耦合模式的中层优化模型 |
5.2.3 耦合模式的外层优化模型 |
5.3 CPPS耦合模式联合优化问题的三层混合求解方法 |
5.3.1 耦合模式内层优化模型求解算法 |
5.3.2 耦合模式中层优化模型求解算法 |
5.3.3 耦合模式外层优化模型求解算法 |
5.3.4 耦合模式联合优化问题的三层混合求解算法框架 |
5.4 应用案例分析 |
5.4.1 测试系统及参数 |
5.4.2 结果与对比分析 |
5.5 本章小结 |
第六章 全文总结与展望 |
6.1 本文的主要贡献及创新 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读博士学位期间取得的成果 |
(3)基于多分类器融合的飞机机电系统故障诊断研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及研究的目的和意义 |
1.1.1 研究背景 |
1.1.2 研究目的和意义 |
1.2 国内外研究现状 |
1.2.1 飞机机电系统故障诊断技术研究现状和发展态势 |
1.2.2 融合故障诊断研究现状和发展态势 |
1.3 本文研究目标与内容 |
1.4 本论文的结构安排 |
第二章 飞机机电系统故障诊断技术分析 |
2.1 飞机机电系统状态信号的分析 |
2.1.1 飞机机电系统常见故障类型 |
2.1.2 飞机机电系统常见故障信号 |
2.2 故障诊断技术性能度量 |
2.3 DS证据理论 |
2.4 本章小结 |
第三章 改进DS证据融合算法研究 |
3.1 DS证据融合算法的不足 |
3.2 DS证据融合算法的改进方法 |
3.3 基于余弦相似度的改进DS证据融合算法 |
3.4 “一票否决”现象的改进方法 |
3.5 改进DS证据融合算法的验证 |
3.6 本章小结 |
第四章 机电系统多分类器融合故障诊断方法研究 |
4.1 子分类器的选择 |
4.2 模块方案设计及关键技术分析 |
4.2.1 基于卷积神经网络的故障诊断模块 |
4.2.2 基于循环神经网络的故障诊断模块 |
4.2.3 基于LSTM的故障诊断模块 |
4.2.4 重叠采样技术 |
4.3 机电系统多分类器融合故障诊断方法验证 |
4.3.1 基于无人机机电系统仿真平台的实验 |
4.3.2 基于凯斯西储大学数据集的实验 |
4.4 本章小结 |
第五章 飞机机电系统故障诊断软件设计与实现 |
5.1 飞机机电系统故障诊断软件需求分析 |
5.2 飞机机电系统故障诊断软件方案设计 |
5.3 人机交互界面设计与实现 |
5.4 数据处理模块的设计与实现 |
5.5 CNN故障诊断模块的设计与实现 |
5.6 DS证据融合模块的设计与实现 |
5.7 系统验证 |
5.8 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 研究展望 |
致谢 |
参考文献 |
(4)面向机器人模拟与强化学习的分布式训练平台设计与实现研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景与研究意义 |
1.1.1 课题背景 |
1.1.2 研究意义 |
1.2 研究现状 |
1.2.1 机器人模拟研究现状 |
1.2.2 分布式框架研究现状 |
1.3 本文主要工作及创新点 |
1.4 文章组织结构 |
第二章 分布式框架选择 |
2.1 分布式框架Spark |
2.1.1 弹性分布式数据集(RDDs) |
2.1.2 并行作业 |
2.1.3 共享变量 |
2.2 分布式框架Ray |
2.2.1 应用层 |
2.2.2 系统层 |
2.2.3 整合 |
2.3 本章小结 |
第三章 分布式训练平台Re-Ray的架构设计与实现 |
3.1 引言 |
3.2 Re-Ray平台硬件及网络设计 |
3.3 分布式框架Ray的修改与扩展 |
3.4 应用层 |
3.4.1 应用层架构设计 |
3.4.2 相关组件的配置脚本化 |
3.5 模拟框架的修改与部署自动化 |
3.5.1 模拟赛车游戏框架 |
3.5.2 第一人称射击游戏框架 |
3.5.3 模拟框架Gazebo |
3.5.4 模拟框架gym-gazebo2 |
3.6 容器层 |
3.6.1 容器封装 |
3.6.2 调度策略 |
3.7 本章小结 |
第四章 基于Re-Ray的进化策略算法ES-RPRS |
4.1 引言 |
4.2 进化策略算法(Evolution Strategies) |
4.3 策略类算法并行性优势分析 |
4.4 ES-RPRS的设计与实现 |
4.5 ES-RPRS的超参数搜索实现 |
4.6 本章小结 |
第五章 实验与评估 |
5.1 引言 |
5.2 实验模拟环境搭建 |
5.3 Re-Ray平台性能测试 |
5.3.1 流数据处理性能 |
5.3.2 可靠性 |
5.3.3 扩展性 |
5.3.4 算力成本对比 |
5.4 ES-RPRS算法相关测试 |
5.4.1 扰动参数优化测试 |
5.4.2 超参数搜索测试 |
5.5 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 下一步研究方向 |
致谢 |
参考文献 |
附录 作者在读期间发表的学术论文及参加的科研项目 |
详细摘要 |
(5)基于改进和声搜索算法的配电网研究与应用(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题研究背景 |
1.2 配电网重构问题的研究意义与重构算法综述 |
1.2.1 配电网重构问题的研究意义 |
1.2.2 配电网重构算法综述 |
1.3 基于智能优化算法配电网重构的研究现状 |
1.4 主要研究内容 |
2 配电网拓扑结构分析与潮流计算 |
2.1 配电网接线特点与结构分析 |
2.2 配电网重构的数学模型分析 |
2.3 配电网拓扑结构分析 |
2.3.1 基本参数矩阵 |
2.3.2 节点邻接矩阵 |
2.3.3 节点分层矩阵 |
2.4 配电网的潮流计算方法 |
2.4.1 潮流计算的基本方法 |
2.4.2 前推回代法 |
2.5 基于节点分层矩阵的前推回代法 |
2.6 本章小结 |
3 改进的基于参数协进化策略的和声搜索算法 |
3.1 和声搜索算法的基本原理与流程 |
3.1.1 和声搜索算法原理 |
3.1.2 和声搜索算法流程 |
3.2 预设参数对HSA性能影响及优化方法分析 |
3.2.1 预设参数对HSA的性能影响 |
3.2.2 基于参数的改进和声搜索算法 |
3.3 改进的基于粒子群参数协进化的和声搜索算法 |
3.3.1 基于参数协进化的参数优化策略 |
3.3.2 粒子群算法的基本原理和流程 |
3.3.3 改进的基于粒子群参数协进化的和声搜索算法 |
3.4 本章小结 |
4 改进和声搜索算法在配电网重构中的应用 |
4.1 重构解的概念 |
4.2 不可行解的相关分析 |
4.2.1 不可行解的概念 |
4.2.2 支路组及公用支路节点 |
4.2.3 重构解与支路组解集的联系 |
4.3 不可行解的处理方案 |
4.3.1 防止生成不可行解 |
4.3.2 检测并剔除不可行解 |
4.4 本章小结 |
5 配电网重构的仿真验证与原型软件开发 |
5.1 配电网重构的仿真验证与结果分析 |
5.1.1 算例1:IEEE33节点系统 |
5.1.2 算例2:IEEE69节点系统 |
5.1.3 算例3:某实际配电网系统 |
5.2 基于工程应用的原型软件开发 |
5.2.1 原型软件的需求分析 |
5.2.2 基于Matlab GUI的原型软件开发 |
5.2.3 基于原型软件的配电网重构结果 |
6 全文总结与展望 |
6.1 全文总结 |
6.2 展望 |
致谢 |
参考文献 |
附录1 攻读硕士学位期间取得的学术成果 |
附录2 各节点系统配电网参数 |
(6)基于免疫算法的配电网故障定位研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 相关技术国内外研究现状 |
1.2.1 配电网故障的定位方法研究现状 |
1.2.2 辐射型配电网故障区段定位研究现状 |
1.2.3 含分布式电源的配电网故障区段定位研究现状 |
1.3 本文需要解决的关键问题 |
1.4 本文的主要研究内容及章节安排 |
第2章 配电网故障区段定位原理分析及流程设计 |
2.1 配电网故障区段定位原理分析 |
2.1.1 区段状态编码 |
2.1.2 节点状态编码 |
2.1.3 开关函数构建 |
2.1.4 适应度函数选择 |
2.2 基于智能算法的故障区段定位流程设计 |
2.3 本章小结 |
第3章 基于标准免疫算法的故障区段定位研究 |
3.1 标准免疫算法原理分析 |
3.1.1 标准免疫算法的数学实现 |
3.1.2 抗原识别 |
3.1.3 初始抗体产生 |
3.1.4 抗体评测 |
3.1.5 免疫操作 |
3.2 标准免疫算法故障区段定位流程设计 |
3.3 算例验证 |
3.3.1 三馈线开环配电网故障区段定位 |
3.3.2 含分布式电源接入的多电源配电网故障区段定位 |
3.3.3 标准免疫算法与遗传算法的对比分析 |
3.4 本章小结 |
第4章 基于改进免疫算法的故障区段定位方法研究 |
4.1 粒子群算法分析 |
4.2 免疫算法的改进 |
4.3 改进免疫算法的定位流程设计 |
4.4 算例验证 |
4.4.1 三馈线开环配电网区段定位 |
4.4.2 含分布式电源接入的多电源配电网故障区段定位 |
4.4.3 改进免疫算法与标准免疫算法及遗传算法的对比分析 |
4.5 本章小结 |
第5章 基于改进免疫算法和穷举法的分层定位方法 |
5.1 定位模型分层的理论依据研究 |
5.2 分层定位模型构建及其求解策略分析 |
5.3 基于分层定位方法的定位流程设计 |
5.4 算例分析 |
5.4.1 含分布式电源接入的多电源配电网故障区段定位 |
5.4.2 与其他算法的对比分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间的学术成果 |
(7)基于证据进化C均值算法的热工设备状态挖掘方法研究(论文提纲范文)
摘要 |
Abstract |
主要符号说明 |
第一章 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状与分析 |
1.2.1 数据驱动型热工设备状态预警方法研究现状 |
1.2.2 热工设备状态挖掘与表征方法研究现状 |
1.2.3 数据驱动型热工设备状态预警方法面临的问题 |
1.3 论文主要研究内容及框架 |
1.3.1 论文主要内容 |
1.3.2 论文安排 |
第二章 单目标证据进化C均值算法研究及应用 |
2.1 引言 |
2.2 证据C均值聚类算法研究 |
2.2.1 证据理论基础概念 |
2.2.2 证据C均值聚类算法 |
2.3 基于VABC的单目标进化C均值聚类算法 |
2.3.1 E2CM算法基本思想 |
2.3.2 E2CM算法具体实现 |
2.4 仿真结果与分析 |
2.4.1 示例 |
2.4.2 与其他聚类方法比较 |
2.5 E2CM算法在排粉机状态挖掘及表征上的应用 |
2.5.1 排粉机状态挖掘及表征 |
2.5.2 排粉机状态划分及仿真分析 |
2.6 本章小结 |
第三章 多目标证据进化C均值算法研究及应用 |
3.1 引言 |
3.2 多目标优化算法进化策略研究 |
3.2.1 适应度分配策略 |
3.2.2 快速非支配排序方法 |
3.2.3 拥挤度计算策略 |
3.3 多目标证据进化C均值聚类算法 |
3.3.1 单目标E2CM算法的不足之处 |
3.3.2 多目标证据进化C均值算法实现 |
3.4 仿真结果与分析 |
3.4.1 示例 |
3.4.2 仿真结果与其他算法比较 |
3.5 MOE2CM算法在空气预热器状态挖掘及表征中的应用 |
3.5.1 空气预热器状态挖掘及表征 |
3.5.2 空气预热器状态划分及仿真分析 |
3.6 本章小结 |
第四章 基于改进型CMEW-EKNN方法的热工设备状态预警 |
4.1 引言 |
4.2 CMEW-EKNN状态预警模型 |
4.3 改进型CMEW-EKNN方法 |
4.3.1 CMEW-EKNN模型存在问题分析 |
4.3.2 改进型CMEW-EKNN方法具体实现 |
4.4 改进型CMEW-EKNN状态预警方法的应用 |
4.4.1 排粉机正常状态监测 |
4.4.2 空气预热器异常状态预警 |
4.5 本章小结 |
第五章 论文总结与展望 |
5.1 论文总结 |
5.2 论文展望 |
参考文献 |
附录A 变长度的人工蜂群智能算法 |
作者攻读硕士学位期间的研究成果 |
致谢 |
(8)基于IDA优化极限学习机的轴承故障诊断研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 滚动轴承故障诊断方法 |
1.2.2 滚动轴承故障诊断技术的发展现状 |
1.2.3 滚动轴承故障诊断技术的发展趋势 |
1.2.4 极限学习机研究现状 |
1.3 论文结构安排及创新点 |
1.3.1 论文结构安排 |
1.3.2 论文创新点 |
2 滚动轴承振动信号分析方法相关研究 |
2.1 轴承振动机理及故障特征分析 |
2.1.1 轴承结构 |
2.1.2 轴承振动机理 |
2.1.3 轴承故障特征频率 |
2.1.4 轴承故障振动信号特性分析 |
2.2 轴承故障振动信号分析方法 |
2.2.1 时域方法 |
2.2.2 频域方法 |
2.2.3 时频域方法 |
2.3 本章小结 |
3 基于小波包变换的轴承振动信号预处理 |
3.1 轴承振动信号去噪 |
3.1.1 非平稳信号去噪 |
3.1.2 小波阈值去噪 |
3.1.3 小波包分析去噪 |
3.2 轴承振动信号特征提取 |
3.2.1 小波包变换 |
3.2.2 小波基函数选取 |
3.3 基于小波包变换的轴承信号特征提取 |
3.3.1 实验装置及振动信号数据采集 |
3.3.2 基于小波包变换的轴承信号能量特征提取 |
3.4 本章小结 |
4 基于蜻蜓算法优化极限学习机的轴承故障诊断 |
4.1 DA-ELM滚动轴承故障诊断方案 |
4.2 极限学习机 |
4.3 蜻蜓算法 |
4.4 基于DA-ELM的滚动轴承故障诊断 |
4.4.1 DA-ELM诊断模型构建 |
4.4.2 DA-ELM轴承故障诊断实验分析 |
4.5 本章小结 |
5 基于改进的蜻蜓算法优化极限学习机的轴承故障诊断 |
5.1 IDA-ELM轴承故障诊断方案 |
5.2 改进的蜻蜓算法-IDA |
5.2.1 自适应学习因子引入 |
5.2.2 差分进化算法 |
5.2.3 IDA算法描述 |
5.2.4 IDA算法性能评价 |
5.3 基于IDA-ELM的轴承故障诊断 |
5.3.1 IDA-ELM诊断模型构建 |
5.3.2 IDA-ELM轴承故障诊断实验分析 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(9)时序数据挖掘及其在故障诊断中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 机械故障诊断 |
1.1.1 机械故障诊断主要研究内容 |
1.1.2 机械故障诊断技术理论及方法 |
1.1.3 机械故障诊断的现状及发展趋势 |
1.2 数据挖掘技术 |
1.2.1 数据挖掘技术简介 |
1.2.2 数据挖掘处理模型及常用算法 |
1.2.3 设备故障诊断信息特点 |
1.2.4 国内外研究现状 |
1.3 时间序列数据挖掘 |
1.3.1 时间序列数据挖掘简介 |
1.3.2 时间序列数据挖掘主要研究内容及研究现状 |
1.4 本文主要研究内容及结构安排 |
1.4.1 本文结构安排 |
1.4.2 本文主要研究内容 |
第二章 基于 SIAAFT 算法的非线性检验 |
2.1 替代数据法 |
2.1.1 替代数据法简介 |
2.1.2 各种零假设及其算法 |
2.1.3 检验统计量 |
2.2 改进的替代数据法──SIAAFT 法 |
2.2.1 IAAFT 法 |
2.2.2 SIAAFT 法 |
2.2.3 选取最佳被测数据 |
2.3 算法绩效验证 |
2.4 检验统计量的影响分析 |
2.5 应用实例 |
2.6 本章小结 |
第三章 基于高维相重构数据的全局投影降噪算法 |
3.1 研究基础 |
3.2 全局投影算法的实现 |
3.2.1 算法实现原理 |
3.2.2 重构时间序列 |
3.2.3 全局投影算法步骤 |
3.2.4 全局投影算法与局部投影算法比较 |
3.3 实验分析 |
3.3.1 仿真实验 |
3.3.2 讨论 |
3.4 全局投影算法在机械故障诊断中的应用 |
3.4.1 全局投影降噪算法用于转子轴心轨迹提纯 |
3.4.2 全局投影降噪算法用于低速重载轴承诊断 |
3.5 本章小结 |
第四章 基于 GG 聚类的时间序列分割算法 |
4.1 常用时间序列分割算法及其不足 |
4.2 时间序列分割 |
4.2.1 时间序列分割问题的形式化描述 |
4.2.2 分割问题基本概念 |
4.3 基于 GG 聚类的时间序列分割算法 |
4.3.1 常用 c 分割算法 |
4.3.2 基于模糊聚类的模糊分割 |
4.3.3 基于GG模糊聚类的算法实现步骤 |
4.3.4 分割数目和主成分数量的确定 |
4.4 分割算法应用实例 |
4.4.1 应用于仿真数据 |
4.4.2 应用于在线监测系统 |
4.4.3 应用展望 |
4.5 本章小结 |
第五章 基于 KS 检验的时序数据分类挖掘系统 |
5.1 研究基础 |
5.1.1 经验分布函数 |
5.1.2 Glivenko 定理简介 |
5.1.3 Kolmogorov 检验 |
5.1.4 Smirnov 检验 |
5.2 KS 检验的应用实例 |
5.2.1 仿真信号实验 |
5.2.2 齿轮故障诊断实验 |
5.2.3 KS 检验应用于故障分类 |
5.3 远程监测与诊断系统中的应用实例 |
5.3.1 利用 KS 检验快速诊断轴承故障 |
5.3.2 故障分类器准确性验证 |
5.4 本章小结 |
第六章 基于支持向量机的时序数据趋势预测 |
6.1 常用的时间序列预测方法及其不足 |
6.2 研究基础 |
6.2.1 SVM 用于函数逼近的基本理论 |
6.2.2 进化策略法 |
6.3 基于支持向量回归的时间序列预测模型 |
6.3.1 时间序列预测模型的建立 |
6.3.2 数据准备 |
6.3.3 预测模型 |
6.3.4 预测评价指标 |
6.4 仿真实验 |
6.4.1 核函数的选择 |
6.4.2 进化策略法用于优化 SVM 参数 |
6.4.3 两种算法的预测实验比较 |
6.4.4 多步预测实验 |
6.5 应用实例 |
6.6 本章小结 |
第七章 基于时序数据挖掘的远程监测与诊断系统 |
7.1 数据仓库 |
7.1.1 从数据库到数据仓库 |
7.1.2 数据仓库定义 |
7.1.3 机械监测系统数据仓库 |
7.1.4 数据接口 |
7.2 时间序列数据挖掘快速处理模型 |
7.3 风机远程监测与诊断系统构建 |
7.3.1 监测对象 |
7.3.2 诊断系统网络运行结构 |
7.3.3 系统诊断数据挖掘结构 |
7.4 结论 |
第八章 总结与展望 |
8.1 论文主要完成工作 |
8.2 未来工作展望 |
参考文献 |
在学研究成果 |
致谢 |
论文主要创新点 |
(10)模糊聚类分析及其在变压器油色谱数据分析中的应用(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题的来源、目的和意义 |
1.2 国内外研究现状 |
1.3 本文研究的主要内容 |
2 基于DGA 数据的变压器故障诊断 |
2.1 DGA 反映故障的原理 |
2.2 DGA 数据的提取 |
2.3 变压器的故障分类 |
2.4 DGA 的应用现状 |
2.5 DGA 存在的问题 |
3 聚类分析 |
3.1 聚类分析概述 |
3.2 相似性度量 |
3.3 聚类目标函数 |
3.4 DGA 数据的预处理 |
3.5 本章小结 |
4 基于目标函数的模糊聚类方法 |
4.1 基于模糊ISODATA 算法的变压器故障诊断 |
4.2 基于改进模糊ISODATA 算法的变压器故障诊断 |
4.3 本章小结 |
5 基于模糊逻辑聚类神经元网络的变压器故障诊断 |
5.1 模糊逻辑聚类神经元网络的结构 |
5.2 网络学习算法 |
5.3 变压器故障诊断结果与实例分析 |
5.4 本章小结 |
6 进化策略及其在变压器故障诊断中的应用 |
6.1 进化策略的基本原理 |
6.2 进化策略在变压器故障诊断中的应用 |
6.3 变压器故障诊断结果与实例分析 |
6.4 本章小结 |
7 总结和对未来的展望 |
7.1 本文的工作总结 |
7.2 研究展望 |
致谢 |
参考文献 |
附录1 攻读硕士学位期间发表的论文 |
附录2 故障建模油色谱数据库 |
附录3 准确率测试油色谱数据库 |
四、基于进化策略的增长学习方法在故障诊断中的应用(论文参考文献)
- [1]循环神经网络的自动高速结构优化[D]. 贾金梁. 电子科技大学, 2021(01)
- [2]电力信息物理系统级联失效建模及韧性优化[D]. 伍功宇. 电子科技大学, 2021
- [3]基于多分类器融合的飞机机电系统故障诊断研究[D]. 宗圣凯. 电子科技大学, 2021(01)
- [4]面向机器人模拟与强化学习的分布式训练平台设计与实现研究[D]. 黄增强. 杭州电子科技大学, 2020(04)
- [5]基于改进和声搜索算法的配电网研究与应用[D]. 邹锐. 西安建筑科技大学, 2020(01)
- [6]基于免疫算法的配电网故障定位研究[D]. 蔡华洵. 湖北工业大学, 2020(08)
- [7]基于证据进化C均值算法的热工设备状态挖掘方法研究[D]. 周宏宇. 东南大学, 2020(01)
- [8]基于IDA优化极限学习机的轴承故障诊断研究[D]. 丁萍萍. 青岛科技大学, 2020(01)
- [9]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(03)
- [10]模糊聚类分析及其在变压器油色谱数据分析中的应用[D]. 王子建. 华中科技大学, 2006(03)