- 无标题文档
查看论文信息

中文题名:

 

基于机器学习的滑油参数异常识别与理化性能评估研究

    

姓名:

 王霞    

学号:

 1049721702440    

保密级别:

 公开    

论文语种:

 chi    

学科代码:

 082300    

学科名称:

 交通运输工程    

学生类型:

 硕士    

学位:

 工学硕士    

学校:

 武汉理工大学    

院系:

 能源与动力工程学院    

专业:

 交通运输工程    

研究方向:

 机械状态监测与诊断    

第一导师姓名:

 杨琨    

第一导师院系:

 武汉理工大学    

完成日期:

 2020-03-22    

答辩日期:

 2020-05-23    

中文关键词:

 

随机森林 ; 支持向量回归 ; 信息熵 ; 主成分分析 ; 门限循环单元模型

    

中文摘要:

汽轮机各部件之间的润滑油膜可以减少摩擦并提供额外的传热途径,从而有助于汽轮机保持机械效率,延长使用寿命并保证其正常运转。汽轮机高度依赖润滑油才能正常运转,因此油品对机组的工作状态有着重要的影响。与此同时,润滑油中也悬浮着许多由汽轮机零部件摩擦产生的磨损颗粒。显然获取实时机油质量和磨损金属元素信息并采取及时措施可以确保汽轮机处于良好的状态。大型机械设备的广泛应用已经使得油液监测成为故障诊断的重要工具,然而目前大部分油液监测系统通常利用参数阈值越限报警,报警模式单一,不具备预防劣化的功能。因此,本文基于机器学习提出了滑油参数异常识别模型及滑油理化性能评估模型。主要研究内容如下:

(1)对滑油监测参数异常辨识进行了研究。本节首先利用后向迭代对随机森林优化进行特征选择,随机森林算法可以对输入的每个特征进行重要度排序,然后进行后向搜索序列逐步删除重要度较小的特征参数,挖掘影响功率的相关特征。这种方法避免了单独使用随机森林只能机械删除与功率无关特征的缺点,使得整个过程更加简洁高效。特征选择之后再利用网格搜索和交叉验证对参数 进行寻优,建立支持向量回归(Support Vector Regression,SVR)模型。通过与BP神经网络的预测效果对比,验证了SVR对于本数据的适用性。最后通过回归模型预测值与实际监测值偏差的信息熵对滑油的状态进行评估。经过实例验证本节所建立的基于SVR与信息熵相结合的模型具有较好的异常辨识能力。

(2)对滑油理化性能进行综合评估与预测。本节提出了基于多参数分析的滑油理化性能评估模型,当存在多个监测参数时,需要首先利用主成分分析消除参数之间的相关性,从而避免以往采用主观方法对各参数权重的判断。然后分别计算降维后得到的各个主成分的偏差度,各主成分的偏差度按其权重相加便得到此次的滑油性能评估指标。同时提出了基于门限循环单元模型(Gated Recurrent Unit,GRU)的滑油性能趋势预测模型,通过与LSTM神经网络以及ARIMA模型的预测效果对比验证了本模型的可行性及适用性。对滑油理化性能评估,可及早发现滑油状态恶化,避免或减少事故的发生,保障机组安全、可靠运行。

参考文献:

[1]杨芳,赵振海,陈霞.设备润滑与设备故障[J].设备管理与维修,2012(12):55-56.

[2]李永春.润滑在设备管理中的地位及实践[J].科技资讯,2014,12(08):143-145.

[3]贺石中.全新的润滑理念及油液监测技术[J].润滑油,2006(03):1-6.

[4]张志强,于达仁,徐基豫.汽轮机油系统故障监测与诊断综述[J].中国电力,2001(02):11-16.

[5]陈彬,刘阁,张贤明等.润滑油污染在线监测技术研究进展[J].应用化工,2012,41(07):1248-1252+1257.

[6]Salgueiro J, Persin G, Vizintin J, et al. On-line Oil Monitoring and Diagnosis[J]. Strojniski Vestnik-Journal of Mechanical Engineering, 2013, 59(10):604-612.

[7]Ahmadi H, Mollazade K. An Oil Condition Monitoring Technique to Determine the Optimal Oil Type and Maintenance Schedule[J]. Structural Health Monitoring-An International Journal, 2009, 8(4):331-339.

[8]孙成杰,丁冬梅,陆沁莹等.油液污染度分析在油液监测技术中的应用[J].润滑油,2017,32(01):36-38.

[9]Persin G, Salgueiro J, Vizintin J, et al. A system for automated online oil analysis[J]. Insight, 2012, 54(8):428-432.

[10]刘学工.基于油液监测技术的重型车辆故障诊断研究[D].长春理工大学,2013.

[11]刘粲.基于油液分析的设备状态监测与磨粒识别系统开发[D].华南理工大学,2011.

[12]邢志娜,瞿军,王菊香.重载车辆发动机油液的多技术监测方法[J].兵工自动化,2012,31(05):83-86.

[13]杨琨,孙鑫未,宋平等.一种汽轮机油在线监测系统[J].润滑与密封,2017,42(01):116-119+101.

[14]赵方,谢友柏,刘岩.齿轮磨损状态的在线铁谱监测试验研究[J].机械科学与技术,1996(05):132-135.

[15]袁丽娟,吴晓铃,韩素兰.基于多种分析技术的油液监测分析专家系统研究与开发[J].机械传动,2008(05):37-39+119.

[16]Yampikulsakul N, Byon E, Huang S, et al. Condition Monitoring of Wind Power System With Nonparametric Regression Analysis[J]. IEEE Transactions on Energy Conversion, 2014, 29(2):288-299.

[17]Kusiak A, Zhang ZJ, Verma A. Prediction, operations, and condition monitoring in wind energy[J]. Energy, 2013, 60:1-12.

[18]Yan YL, Li J, Gao DW. Condition Parameter Modeling for Anomaly Detection in Wind Turbines[J]. Energies, 2014, 7(5):3104-3120.

[19]Lapira E, Brisset D, Ardakani HD, et al. Wind turbine performance assessment using multi-regime modeling approach[J]. Renewable Energy, 2012, 45:86-95.

[20]颜永龙,李剑,李辉等.采用信息熵和组合模型的风电机组异常检测方法[J].电网技术,2015,39(03):737-743.

[21]李辉,杨超,李学伟等.风机电动变桨系统状态特征参量挖掘及异常识别[J].中国电机工程学报,2014,34(12):1922-1930.

[22]余宇峰,朱跃龙,万定生等.基于滑动窗口预测的水文时间序列异常检测[J].计算机应用,2014,34(08):2217-2220+2226.

[23]董静怡,庞景月,彭宇等. 集成LSTM的航天器遥测数据异常检测方法[ [J]. 仪器仪表学报, 2019,40(07):22-29.

[24]Sinha BK. Trend prediction from steam turbine responses of vibration and eccentricity[J]. Proceedings of the Institution of Mechanical Engineers Part a journal of Power and Energy, 2002, 216(A1):97-104.

[25]Tran VT, Pham HT, Yang BS, et al. Machine performance degradation assessment and remaining useful life prediction using proportional hazard model and support vector machine[J]. Mechanical Systems and Signal Processing, 2012, 32:320-330.

[26]Loutas TH, Roulias D, Georgoulas G. Remaining Useful Life Estimation in Rolling Bearings Utilizing Data-Driven Probabilistic E-Support Vectors Regression[J]. IEEE Transactions on Reliability, 2013, 62(4): 821-832.

[27]Kusiak A, Li WY. The prediction and diagnosis of wind turbine faults[J]. Renewable Energy, 2011, 36(1):16-23.

[28]曹昕燕,邹英永.基于ARMA模型的振动信号建模与预测[J].长春大学学报,2010,20(06):52-55.

[29]魏莹晨,钱虹,张栋良等.基于改进型灰色预测的核电站汽轮机趋势预测[J].自动化仪表,2019,40(06):36-41.

[30]黄振中,卞政明.基于信息融合技术的船舶汽轮机故障诊断和预测的研究[J].舰船科学技术,2017,39(14):164-166.

[31]李岳,温熙森.基于分形与支持向量回归的动力装置运行状态预测模型[J].中国机械工程,2008(01):22-25.

[32]吴庚申,梁平,龙新峰.基于ARMA的汽轮机转子振动故障序列的预测[J].华南理工大学学报(自然科学版),2005(07):67-73.

[33]剡昌锋,易程,吴黎晓等.基于EEMD和ARIMA模型的汽轮机故障趋势预测[J].甘肃科学学报,2016,28(04):100-106.

[34]Rai A, Upadhyay SH. Bearing performance degradation assessment based on a combination of empirical mode decomposition and k-medoids clustering[C]. Mechanical System and Signal Processing, 2017,93:16-29.

[35]Caglayan O, Ozakgul K, Tezer O. Assessment of existing steel railway bridges[J]. Journal of Constructional Steel Research, 2011, 69(1):54-63.

[36]Kusiak A, Verma A. Analyzing bearing faults in wind turbines: A data-mining approach[J]. Renewable Energy, 2012, 48:110-116.

[37]Schlechtingen M, Santos IF, Achiche S. Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1: System description[J]. Applied Soft Computing Journal, 2013, 13(1):259-270.

[38]张晶晶,许修乐,丁明等.基于模糊层次分析法的变压器状态评估[J].电力系统保护与控制,2017,45(03):75-81.

[39]马德仲,任锁,刘凯辛等.贝叶斯网络和模糊评判结合的滚动轴承故障诊断[J].哈尔滨理工大学学报,2018,23(05):113-118.

[40]贺川双,杜修明,严英杰等.基于数据挖掘和主成分分析的电力设备状态评价[J].高压电器,2017,53(12):34-41.

[41]赵文清,朱永利,姜波等.基于贝叶斯网络的电力变压器状态评估[J].高电压技术,2008(05):1032-1039.

[42]商立群,王守鹏.改进主成分分析法在火电机组综合评价中的应用[J].电网技术,2014,38(07):1928-1933.

[43]Vapnik V, Lerner A. Pattern recognition using generalized portrait method[J]. Automation and Remote Control, (24),1963.

[44]Vapnik V . The Nature of Statistical Learning Theory[M].许建华,张学工译.北京:电子工业出版社,2009,3.

[45]丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(01):2-10.

[46]Vapnik VN. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks/a publication of the IEEE Neural Networks Council, 2008, 10(5):988-999.

[47]郭丽娟,孙世宇,段修生.支持向量机及核函数研究[J].科学技术与工程,2008(02):487-490.

[48]张倩,杨耀权.基于支持向量机核函数的研究[J].电力科学与工程,2012,28(05):42-45.

[49]周泉锡.常见数据预处理技术分析[J].通讯世界,2019,26(01):17-18.

[50]胡秀.数据挖掘中数据预处理的研究[J].赤峰学院学报(自然科学版),2015,31(05):5-6.

[51]García S, Luengo J, Herrera F. Tutorial on practical tips of the most influential data preprocessing algorithms in data mining[J]. Knowledge-Based Systems, 2016, 98:1-29.

[52]姚登举,杨静,詹晓娟.基于随机森林的特征选择算法[J].吉林大学学报(工学版),2014,44(01):137-141.

[53]徐少成,李东喜.基于随机森林的加权特征选择算法[J].统计与决策,2018,34(18):25-28.

[54]Cehovin L, Bosnic Z. Empirical evaluation of feature selection methods in classification[J]. Intelligent Data Analysis, 2010, 14(03):265-281.

[55]王君. 基于SVM-RFE的特征选择方法研究[D].大连理工大学,2015.

[56]刘笑笑,王亮,徐胜华等.一种后向迭代的森林生物量遥感特征选择方法[J].测绘科学,2017,42(05):100-105.

[57]张文雅,范雨强,韩华等.基于交叉验证网格寻优支持向量机的产品销售预测[J].计算机系统应用,2019,28(05):1-9.

[58]郭李娜,樊贵盛.基于网格搜索和交叉验证支持向量机的地表土壤容重预测[J].土壤通报,2018,49(03):512-518.

[59]Fayed HA, Atiya AF. Speed up grid-search for parameter selection of support vector machines[J]. Applied Soft Computing, 2019, 80:202-210.

[60]郭美丽,覃锡忠,贾振红等.基于改进的网格搜索SVR的话务预测模型[J].计算机工程与科学,2014,36(04):707-712.

[61]McCulloch WS, Pitts W. A logical calculus of the ideas immanent in nervous activity[J]. Bulletin of Mathematical Biology, 1990:52(1-2):99-115.

[62]王晓敏,刘希玉,戴芬.BP神经网络预测算法的改进及应用[J].计算机技术与发展,2009,19(11):64-67.

[63]杨娟丽,徐梅,王福林等.基于BP神经网络的时间序列预测问题研究[J].数学的实践与认识,2013,43(04):158-164.

[64]Hecht-Nielsen R. Kolmogorov’s mapping neural network existence theorem[C]. Proceedings of the International Conference on Neural Networks, 1987,3:11-14.

[65]颜永龙,李剑,李辉等.采用信息熵和组合模型的风电机组异常检测方法[J].电网技术,2015,39(03):737-743.

[66]齐敏芳,付忠广,景源等.基于信息熵与主成分分析的火电机组综合评价方法[J].中国电机工程学报,2013,33(02):58-64+12.

[67]Chen JS, Chen WG, Li J, et al. A Generalized Model for Wind Turbine Faulty Condition Detection Using Combination Prediction Approach and Information Entropy[J]. Energy Weekly News, 2018, 32(01):14-24.

[68]Pearson K. On lines and planes of closest fit to systems of points in space[J]. Edinburgh and Dublin Philosophical Magazine and Journal of Science. 1901, 6(2):572-575.

[69]Taouali O, Jaffel I, Lahdfiri H, et al. New fault detection method based on reduced kernel principal component analysis(RKPCA)[J]. The international Journal of Advanced Manufacturing Technology, 2016, 85(5-8):1547-1552.

[70]杨欣程.主成分分析方法在遥感数字图像处理中的应用综述[J].中国水运航道科技,2017(03):67-71.

[71]Tung CT, Lee YJ. A novel approach to construct grey principal component analysis evaluation model[J]. Expert Systems With Applications, 2008, 36(3):5916-5920.

[72]洪文学.基于多元统计学图表示原理的信息融合和模式识别技术[M].北京:国防工业出版社,2008.

[73]陈佩.主成分分析法研究及其在特征提取中的应用[D].陕西师范大学,2014.

[74]赵思远. 基于实时可靠性分析的电站设备状态评价及预测研究[D].华北电力大学(北京),2011.

[75]杨丽,吴雨茜,王俊丽等.循环神经网络研究综述[J].计算机应用,2018,38(S2):1-6+26.

[76]杨祎玥,伏潜,万定生.基于深度循环神经网络的时间序列预测模型[J].计算机技术与发展,2017,27(03):35-38+43.

[77]王鑫,吴际,刘超等.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报,2018,44(04):772-784.

[78]陈佳,刘冬雪,武大硕.基于特征选取与LSTM模型的股指预测方法研究[J].计算机工程与应用,2019,55(06):108-112.

[79]陈畅,李晓磊,崔维玉.基于LSTM网络预测的水轮机机组运行状态检测[J].山东大学学报(工学版),2019,49(03):39-46.

[80]王文广,赵文杰.基于GRU神经网络的燃煤电站NO_x排放预测模型[J].华北电力大学学报(自然科学版),2020,47(01):96-103.

[81]王雨城,曾宪文,高桂革.基于GRU网络的风功率短期预测模型[J].仪表技术,2020(01):9-12+39.

[82]潘伟靖,陈德旺.基于GRU-SVR的短时交通流量预测研究[J].计算机技术与发展,2019,29(10):11-14.

中图分类号:

 TE626.21    

馆藏号:

 TE626.21/2440/2020    

备注:

 403-西院分馆博硕论文库;203-余家头分馆博硕论文库    

无标题文档

   建议浏览器: 谷歌 火狐 360请用极速模式,双核浏览器请用极速模式