论文部分内容阅读
近年来，随着中国电力行业的迅速发展，水电站的建设和维护也日趋完善，保障水电机组安全、稳定运行成为人们目前普遍关注的问题。为了及时准确掌握设备的运行状态，水电机组安装了振动、摆动、发电等状态监测系统，对机组设备运行期间状态参数进行实时监测。其中振动是影响水电机组正常运行和危害机组寿命的主要因素，对振动信号及时诊断，有利于提高水电机组的安全、稳定运行。因此，通过收集大型水电机组振动数据，对其进行分析处理，利用机器学习的方法对水电机组振动故障进行诊断分析，提前预警设备故障和异常，更好的指导设备运行管理和检修维护，这将是一项重大且有意义的工作。 本文调研了国内外在水电机组故障预测研究方面的发展现状，分析了相关研究方法的优点和不足，并在此基础上，本文提出了一种关于水电机组振动故障预测的新方法。 首先，本文针对水电机组振动数据特点，进行数据处理，包括数据的异常和缺失值处理，数据稳定特征区间提取。然后进行统计分析，查找水电机组振动故障主要原因，从而构造机组故障的关键特征。 其次，由于构造的特征较多，单个筛选比较繁琐，因此针对此问题本文提出一种新的特征筛选（也称变量筛选）方法，此方法的一大优势是利用两个指标评价标准评估一个特征的重要性，并用二分法进行特征筛选，通过实验证明该方法具有较高的准确率和良好的泛化能力。 最后针对本文研究的问题是小样本上的类别不均衡问题，通过查阅资料和文献调研，本文提出一种新的基于二次平面支持向量机的不均衡分类方法，该方法的最大优点是不需要选取核函数，通过实验证明该方法比一些现有的不均衡分类方法、软二次平面支持向量机方法以及带有核函数的支持向量机方法具有较高的稀有类识别率。