| 【中文题名】 | 基于遗传规划的多级智能诊断模型研究 |
| 【英文题名】 | Model Research on Multi-Layer Intelligent Diagnosis Based on Genetic Programming |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-11-21 |
| 【中关键词】 | 遗传规划,故障诊断,概率模型,3σ规则,分级聚类,决策树 |
| 【英关键词】 | genetic programming,fault diagnosis,probabilistic model,3σ-rule,hierarchical clustering,decision tree,power transformers, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 将人工智能的理论和方法用于故障诊断，发展智能化的诊断方法，是故障诊断的一条全新的途径。随着人工智能学科的不断发展，许多新思想、新理论、新技术将不断涌现，如何将这些新理论、新技术、新方法应用于故障诊断，形成新的智能诊断方法，这是人工智能学者与故障诊断研究者共同面临的重要课题。
遗传规划(Genetic Programming，GP)是一种新型的搜索寻优技术，它依据生物界的遗传和进化，根据优胜劣汰的原则，借助复制、交换、变异等操作，逐步逼近最优解。本文以电力变压器故障诊断为应用背景，对遗传规划分类器进行了研究，提出了一种基于分级聚类和概率模型的多级遗传规划分类算法，并仿真建立了电力变压器故障诊断模型。
本文主要围绕遗传规划分类器在故障诊断中的应用展开研究。主要研究内容与创新点归纳如下：
1、分析了遗传规划在二类分类问题上的应用，提出了一种基于概率模型的遗传规划分类算法。同时引入3σ规则，使在分类过程中产生一个动态边界，提高分类精度；
2、研究了两类问题转换为多类问题的方法。介绍了基于程序分类图的遗传规划分类模型。结合分级聚类和决策树思想构建了基于分级... |
| 【论文题纲】 |
|
摘要 |
2-4 |
|
ABSTRACT |
4-9 |
|
第一章 绪论 |
9-17 |
|
1.1 引言 |
9-10 |
|
1.2 故障诊断技术的现状与发展 |
10-12 |
|
1.2.1 信号获取技术 |
10-11 |
|
1.2.2 故障机理及故障征兆的研究 |
11 |
|
1.2.3 信号处理方法和特征提取技术 |
11-12 |
|
1.3 主要的智能诊断方法 |
12-15 |
|
1.3.1 基于专家系统的故障诊断方法 |
13 |
|
1.3.2 基于神经网络的故障诊断方法 |
13-14 |
|
1.3.3 基于模糊理论的故障诊断方法 |
14 |
|
1.3.4 基于故障树的故障诊断方法 |
14-15 |
|
1.4 本文的主要工作、创新点与结构安排 |
15-17 |
|
1.4.1 本文的主要工作 |
15 |
|
1.4.2 本文的创新点 |
15-16 |
|
1.4.3 结构安排 |
16-17 |
|
第二章 遗传规划的原理 |
17-29 |
|
2.1 遗传规划概述 |
17-19 |
|
2.1.1 遗传算法的局限性 |
17-18 |
|
2.1.2 遗传规划简介 |
18-19 |
|
2.2 遗传规划的基本原理 |
19-28 |
|
2.2.1 遗传规划的基本步骤 |
19-20 |
|
2.2.2 遗传规划的原理 |
20-28 |
|
2.2.2.1 个体描述 |
20-21 |
|
2.2.2.2 初始群体的生成 |
21-23 |
|
2.2.2.3 适应度计算 |
23-25 |
|
2.2.2.4 遗传算子 |
25-27 |
|
2.2.2.5 终止准则 |
27 |
|
2.2.2.6 结果评定 |
27-28 |
|
2.3 本章小结 |
28-29 |
|
第三章 基于遗传规划智能诊断算法的设计和实现 |
29-42 |
|
3.1 引言 |
29 |
|
3.2 诊断模型设计 |
29-32 |
|
3.2.1 程序分类图模型(Program Classification Map Model) |
29-30 |
|
3.2.2 概率模型(Probabilistic Model) |
30-32 |
|
3.2.3 3σ规则的动态边界 |
32 |
|
3.3 基于分级聚类的多级诊断模型的工作原理 |
32-36 |
|
3.3.1 训练过程 |
33-35 |
|
3.3.2 分类过程 |
35-36 |
|
3.4 PCM和PM适应度函数的算法实现 |
36-39 |
|
3.4.1 PCM算法实现 |
37-38 |
|
3.4.1.1 适应度计算 |
37 |
|
3.4.1.2 终止条件 |
37-38 |
|
3.4.2 PM算法实现 |
38-39 |
|
3.4.2.1 适应度计算 |
38-39 |
|
3.4.2.2 终止条件 |
39 |
|
3.5 多级PM模型的伪代码 |
39-41 |
|
3.6 本章小结 |
41-42 |
|
第四章 多级智能诊断模型在电力变压器故障诊断中的应用 |
42-60 |
|
4.1 引言 |
42-43 |
|
4.2 变压器诊断的气相色谱分析法 |
43-45 |
|
4.2.1 气相色谱分析法的原理 |
43-44 |
|
4.2.2 IEC三比值法 |
44-45 |
|
4.3 电力变压器故障诊断方法现状 |
45-46 |
|
4.4 遗传规划在电力变压器故障诊断中的应用 |
46-59 |
|
4.4.1 实验环境 |
46 |
|
4.4.2 数据来源 |
46-47 |
|
4.4.3 训练样本的数据预处理 |
47-48 |
|
4.4.4 GP中各参数的设置 |
48 |
|
4.4.5 分级聚类过程 |
48-51 |
|
4.4.6 PCM和PM模型的训练结果 |
51-56 |
|
4.4.7 训练结果分析 |
56 |
|
4.4.8 诊断实例 |
56-59 |
|
4.5 本章小结 |
59-60 |
|
第五章 结束语 |
60-61 |
|
参考文献 |
61-64 |
|
致谢 |
64-65 |
|
攻读硕士期间参与的科研项目 |
65-66 |
|
攻读硕士期间发表的论文 |
66 |
|
| 【DOI】 | LunWen.ID:2.2008.388192 |
