基于數(shù)據(jù)挖掘的火電廠設(shè)備狀態(tài)檢修研究.pdf

1、為了能夠發(fā)展高效、節(jié)能、環(huán)保的火電機(jī)組,設(shè)備檢修就必須從傳統(tǒng)的定期檢修逐漸過(guò)渡到狀態(tài)檢修。對(duì)電力企業(yè)而言,越來(lái)越多的數(shù)據(jù)被DAS和DCS系統(tǒng)存儲(chǔ)到實(shí)時(shí)數(shù)據(jù)庫(kù)中,通過(guò)對(duì)歷史數(shù)據(jù)的分析,電廠的發(fā)展趨勢(shì)就有可能預(yù)測(cè)出來(lái),就可以提供有效的決策依據(jù)來(lái)處理將來(lái)的運(yùn)行和檢修等等。應(yīng)用數(shù)據(jù)挖掘的方法從實(shí)時(shí)數(shù)據(jù)庫(kù)中提取相應(yīng)的故障診斷知識(shí)是一種有效途徑,也是很有現(xiàn)實(shí)意義和研究?jī)r(jià)值的問(wèn)題。
　　支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新型機(jī)器學(xué)習(xí)方

2、法。由于它采用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,所以能較好地解決小樣本學(xué)習(xí)的問(wèn)題。本文采用支持向量機(jī)方法對(duì)故障進(jìn)行診斷。分別從特征選擇和參數(shù)優(yōu)化來(lái)分析研究。以汽輪機(jī)故障診斷為例,為提高汽輪機(jī)組故障診斷的效率,并考慮其計(jì)算成本和復(fù)雜性,把相關(guān)分析作為數(shù)據(jù)的前處理器,通過(guò)計(jì)算屬性間的相關(guān)系數(shù),結(jié)合最大最小聚類方法,對(duì)故障數(shù)據(jù)進(jìn)行特征選擇,刪除冗余屬性,此方法實(shí)現(xiàn)簡(jiǎn)單,分類效果顯著。然后構(gòu)造SVM多分類器,采用粒子群優(yōu)化算法對(duì)參數(shù)尋優(yōu)并訓(xùn)練樣本。最后與B