融合支持向量機的水電機組混合智能故障診斷研究.pdf

1、隨著水力資源的不斷開發(fā),水電在電力能源結(jié)構(gòu)中所占比重逐漸增大,作為水電生產(chǎn)過程核心設(shè)備的水電機組的結(jié)構(gòu)日趨復(fù)雜,集成化程度越來越高,不同部件之間動力學(xué)行為相互影響、相互作用,機組振動問題日益突出,對電網(wǎng)的安全穩(wěn)定運行造成的影響也日益凸顯。因此,常規(guī)的水電機組振動故障診斷方法已經(jīng)不能很好的適應(yīng)于當(dāng)前的工程實際,迫切需要采用一些有效的智能故障診斷方法對機組振動故障進行診斷,以提高機組故障診斷的準確性、智能性及魯棒性。本文針對水輪發(fā)電機組故障

2、診斷和工程應(yīng)用中的關(guān)鍵科學(xué)問題,運用支持向量機理論進行水電機組振動故障診斷,深入研究了支持向量機的理論及工程應(yīng)用,將先進信號處理技術(shù)與智能方法和支持向量機進行融合,使支持向量機與其它智能方法取長補短、優(yōu)勢互補,提出了若干融合支持向量機的水電機組混合智能故障診斷方法。論文的主要研究內(nèi)容和創(chuàng)新性成果如下:
　　(1)充分研究了支持向量機的模型參數(shù)對其性能的影響,提出采用特征空間中的類均值距離作為衡量所選核函數(shù)參數(shù)優(yōu)劣的準則,并在此基礎(chǔ)

3、上確定出多類支持向量機核參數(shù)的小而有效的搜索區(qū)間;在新的核參數(shù)搜索區(qū)間和懲罰因子的搜索區(qū)間上,利用一種具有自適應(yīng)搜索因子的差分進化算法進行支持向量機參數(shù)組合尋優(yōu)。工程應(yīng)用結(jié)果表明所提出的方法能夠有效診斷出機組的典型故障,具有一定的可行性和有效性。
　　(2)提出采用集合經(jīng)驗?zāi)B(tài)分解及基于集合經(jīng)驗?zāi)B(tài)分解的Hilbert譜與Hilbert邊際譜對水電機組尾水管壓力脈動信號進行分析;重點研究了基于集合經(jīng)驗?zāi)B(tài)分解的本征模態(tài)函數(shù)能量熵與

4、奇異值分解特征提取方法,利用本征模態(tài)函數(shù)能量熵判斷機組是否運行于故障狀態(tài);如果機組運行于故障狀態(tài),將本征模態(tài)函數(shù)奇異值特征輸入前述經(jīng)參數(shù)優(yōu)化的支持向量機進行故障類型診斷;工程應(yīng)用表明所提方法能夠識別出設(shè)備的多種運行工況,所提方法已被成功應(yīng)用在松江河發(fā)電廠故障診斷系統(tǒng)中。
　　(3)采用模糊支持向量機進行水電機組故障診斷,模糊支持向量機在訓(xùn)練階段對故障樣本區(qū)別對待,能夠有效消除孤立點和野點子對診斷結(jié)果的影響;在模糊支持向量機中采用一

5、種模糊sigmoid核函數(shù),對這種核函數(shù)的形式及優(yōu)勢進行了闡述;針對模糊支持向量機實際應(yīng)用中隸屬度函數(shù)難以確定的問題,提出一種反K近鄰方法與類均值距離結(jié)合的隸屬度函數(shù)確定方法;深入分析了一對一多類支持向量機,指出采用一對一方法將二類支持向量機推廣到多類時,在訓(xùn)練階段并不是所有的類別對形成的支持向量機對最終的決策分類都有貢獻,即存在著計算冗余;在此基礎(chǔ)上,提出一種改進的一對一方法以刪除其中不必要的支持向量機的訓(xùn)練。將所提方法應(yīng)用于水電機組

6、振動故障診斷取得滿意的診斷結(jié)果。
　　(4)針對傳統(tǒng)故障診斷分類器不能診斷出機組的不確定信息的不足,提出一種新的支持向量機與粗糙集結(jié)合的故障診斷方法。所提方法充分考慮了支持向量機和粗糙集各自的優(yōu)缺點,將二者有機融合,優(yōu)勢互補,利用粗糙集來描述支持向量機的分類間隔,采用粗糙集上下近似的概念描述故障的不確定信息,充分利用了支持向量機強大的泛化能力和粗糙集對不確定數(shù)據(jù)的較強建模能力。將所提方法應(yīng)用在某水電機組的故障診斷中能夠診斷出機組的