论文部分内容阅读
火力发电厂中汽轮机组的安全与经济运行一直为人们所关注，而性能监测与故障诊断技术为机组的安全经济运行提供了有力的保障。因此，研究电站汽轮机组性能监测与故障诊断方法具有十分重要的意义。
支持向量机是一种基于统计学习理论的机器学习方法，在解决小样本、过学习、非线性及高维模式识别等问题中表现出了许多特有的优势，能够在有限特征信息情况下最大限度地挖掘数据中隐含的知识，从实际应用性的角度来看，更适用于汽轮机组性能监测与故障诊断这种工程问题。
基于此，论文将支持向量机应用于汽轮机组的性能监测与故障诊断中，研究了支持向量回归、分类模型的建立和实现以及模型的参数选择等几个方面的问题。
根据电站机组性能参数的数据特点，从回归的角度研究机组性能参数和应达值的计算。利用支持向量机算法在解决小样本方面的优势，提出了一种新的性能参数在线计算方法——基于支持向量回归的建模方法，分析了该算法在参数监测方面的可行性和优异性，研究了模型建立的基本步骤及其参数的选择方法，并建立了凝汽器真空应达值和汽轮机热耗率回归估计模型，实现了该方法的工程应用。
建立了基于时间序列分析理论的汽轮机组运行参数预测模型。针对汽轮机组运行参数中具有周期性变化的时间序列，提出将支持向量回归算法与时间序列分析中的自回归模型相结合，建立适用于工程实际应用的具有分析非线性样本特点的支持向量自回归预测模型——SVAR，并将其应用到凝汽器清洁系数和汽轮机转子振动振幅预测中，为实现运行参数的未来趋势分析提供了强有力的支持。
基于支持向量回归算法中结构风险函数较好的平滑性以及KKT条件，针对电站实时数据中普遍存在异常值的情况，提出一种回归中的异常值检测方法，研究了算法实现中对异常值处理的方式，介绍了其在处理异常值时优于其它方法的特点，并详细阐述了模型理论基础、建模过程和工程实现过程。
针对有限样本情况下传统模式识别方法在故障模式分类中面临的困难，把支持向量机多分类算法引入到故障诊断中。研究了支持向量机用于故障诊断的关键问题，给出了支持向量机用于故障诊断的算法及其基本实现步骤。采用一对一算法与决策树结合构成的DAGSVM算法，建立了电站汽轮机凝汽设备多故障分类器模型，并对影响故障分类器分类性能的各种因素进行深入分析。