基于分解-集成的汽輪發(fā)電機(jī)組故障診斷方法研究.pdf

1、隨著汽輪發(fā)電機(jī)組容量的不斷增大和設(shè)備自動(dòng)化程度的不斷提高，為保障汽輪發(fā)電機(jī)組在高速、滿載、連續(xù)狀態(tài)下可靠運(yùn)轉(zhuǎn)，對在線故障監(jiān)測與診斷技術(shù)提出了更高的要求。Hilbert-Huang變換和神經(jīng)網(wǎng)絡(luò)集成技術(shù)為解決日益復(fù)雜條件下的汽輪機(jī)故障診斷問題提供了有效的方法和途徑。
　　 本文圍繞Hilbert-Huang變換和神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的幾個(gè)關(guān)鍵技術(shù)問題，展開了以下研究：
　　 (1)對基于Hilbert-Huang變換的故障診斷

2、進(jìn)行了研究和應(yīng)用。針對傳統(tǒng)汽輪機(jī)故障診斷方法的局限性，提出以EMD自適應(yīng)分頻方法結(jié)合頻譜分析研究汽輪機(jī)振動(dòng)信號的特性，并且恨據(jù)IMF分量的物理意義明確振動(dòng)信號的組成成分，最后通過繪制時(shí)間-頻率圖得到故障的特征頻率，根據(jù)故障特征頻率即可診斷出汽輪機(jī)出現(xiàn)的故障類型。
　　 (2)將基于核方法的特征提取技術(shù)應(yīng)用于汽輪機(jī)故障診斷中。詳細(xì)介紹了核方法的基本原理，說明為了進(jìn)一步提高汽輪機(jī)故障診斷的正確率，核特征提取技術(shù)是十分有效和必要的。根

3、據(jù)汽輪機(jī)故障數(shù)據(jù)的特點(diǎn)，重點(diǎn)介紹了核主元分析和核獨(dú)立分量分析兩種有效的非線性特征提取方法，并將其和實(shí)際問題結(jié)合起來。
　　 (3)提出了一種基于核主元分析和模糊核聚類集成的汽輪機(jī)故障診斷方法。該方法首先采用核主元分析對汽輪機(jī)故障數(shù)據(jù)進(jìn)行特征提取，可降低數(shù)據(jù)維數(shù)，提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的效率和精確度，然后采用模糊核聚類算法對相互獨(dú)立訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)個(gè)體進(jìn)行分類，最后取平均泛化誤差最小的神經(jīng)網(wǎng)絡(luò)個(gè)體作為這一類的代表進(jìn)行集成。與其他方法相比

4、，該方法具有更高的精確度和穩(wěn)定性。
　　 (4)提出了一種基于核獨(dú)立分量分析和動(dòng)態(tài)選擇性神經(jīng)網(wǎng)絡(luò)集成的汽輪機(jī)故障診斷方法。該方法首先利用核獨(dú)立分量分析方法，消除了數(shù)據(jù)的高階相關(guān)性，去除了冗余特征，因此得到的分類器具有很強(qiáng)的泛化能力。然后采用動(dòng)態(tài)選擇性集成方法，根據(jù)不同的測試樣本，隨時(shí)利用所有訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，從中動(dòng)態(tài)性地選擇適合于該樣本的神經(jīng)網(wǎng)絡(luò)集成，體現(xiàn)了“具體問題具體分析”的思想。
　　 (5)提出了一種基于優(yōu)化神經(jīng)