基于支持向量機的水電機組故障診斷研究.pdf

1、隨著現代工業(yè)化進程的迅猛發(fā)展，工業(yè)設備正朝著精密化、復雜化以及高度集成自動化的方向不斷發(fā)展，設備的安全、穩(wěn)定運行對企業(yè)生產具有極其重要的意義。水電機組作為水電企業(yè)生產過程中的核心關鍵設備，其健康狀態(tài)直接關系到水電企業(yè)生產的安全性和經濟效益；另一方面，水電企業(yè)的檢修方式正朝著狀態(tài)檢修的新機制轉變。因而，通過監(jiān)測水電機組運行狀態(tài)，實現對水電機組健康狀態(tài)的準確分析和水電機組故障模式的有效判斷，對于水電企業(yè)生產與狀態(tài)檢修體制都具有積極的意義。在

2、綜合分析水電機組故障診斷研究方法的發(fā)展狀況，針對水電機組振動故障研究中存在的小樣本問題，以及水電機組振動信號的非線性與非平穩(wěn)特性，本文結合正處于發(fā)展當中的支持向量機診斷方法，對支持向量機方法在水電機組故障模式分類、狀態(tài)趨勢預測、診斷模型參數選擇等多個方面的問題進行了系統(tǒng)的研究。主要內容如下：
　　 ⑴介紹了支持向量機方法的基本理論，分析了支持向量機標準算法在處理分類與回歸問題的基本原理與算法。闡述了支持向量機標準算法的擴展形式—

3、—最小二乘支持向量機在分類與回歸方面的基本原理與算法，并對比分析了這兩種方法的差異，為支持向量機方法應用于水電機組故障診斷研究奠定了基礎。利用支持向量機方法進行了水電機組振動故障模式分類研究。故障診斷在本質上可以看作模式分類問題。因而結合支持向量機在模式分類問題中的優(yōu)異性能，將支持向量機應用于水電機組故障診斷研究，提出基于小波分解與最小二乘支持向量機的水電機組振動故障分類模型。利用小波分解提取水電機組振動信號的能量特征值作為水電機組故障

4、的特征向量，通過最小二乘支持向量機建立水電機組振動故障多類識別模型。實例分析驗證了分類模型的有效性。
　　 ⑵分析了設備運行狀態(tài)發(fā)展的漸近性特征，具體闡述了水電機組狀態(tài)預測的可行性，歸納總結了常用的預測方法，指出水電機組運行狀態(tài)發(fā)展過程是一種從量變到質變的漸近性的發(fā)展過程。水電機組運行狀態(tài)發(fā)展的漸近性特性是利用預測模型進行水電機組狀態(tài)預測研究的重要理論依據。
　　 ⑶在水電機組狀態(tài)預測的可行性分析基礎上，針對表征水電機組

5、狀態(tài)的振動信號序列，分析了水電機組振動狀態(tài)序列相空間重構，以及與相空間重構相關的振動序列嵌入維數和延時參數等問題，歸納總結了預測模型的評價原則與誤差評價函數；提出了基于小波分解與最小二乘支持向量機方法的集成預測模型。該集成預測模型利用小波分解方法將具有復雜趨勢信息的振動信號序列分解成若干個具有較明顯規(guī)律的子序列；然后利用最小二乘支持向量機實現子序列的預測；最后集成這些子序列的輸出作為振動序列的預測結果。對比分析不同預測模型對振動序列的預

6、測結果，集成預測模型具有較高的預測精度以及與原始信號良好的擬合程度，能較準確的反映出信號的峰值變化，對水電機組狀態(tài)預警具有一定的參考意義。模型參數選擇是支持向量機研究中的重要內容，合適的模型參數才能使支持向量機模型獲得滿意的性能。
　　 ⑷結合遺傳算法在復雜系統(tǒng)優(yōu)化問題中具有的全局搜索能力，提出了基于遺傳算法的最小二乘支持向量機預測模型的參數選擇方法，并應用于水電機組振動狀態(tài)預測研究。為水電機組故障診斷的支持向量機方法研究的模型