基于HHT和SVM的水電機(jī)組特征提取與狀態(tài)識(shí)別.pdf

1、隨著水力機(jī)械設(shè)計(jì)和制造水平的發(fā)展，越來(lái)越多大容量機(jī)組投入到了實(shí)際應(yīng)用中。水力發(fā)電在電力系統(tǒng)中所占比重越來(lái)越大，水輪機(jī)的結(jié)構(gòu)日趨復(fù)雜，自動(dòng)化水平也越來(lái)越高，因此水輪發(fā)電機(jī)組可靠、安全和穩(wěn)定地運(yùn)行變的越來(lái)越重要。與傳統(tǒng)的傅立葉變換為基礎(chǔ)的線性和穩(wěn)態(tài)譜分析相比，基于經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical mode decomposition，EMD)的希爾伯特黃變換(Hilbert-Huang transform，HHT)方法能夠更好的分析非平穩(wěn)和

2、非線性的問(wèn)題。 本文嘗試將HHT 方法應(yīng)用到了水電機(jī)組的信號(hào)分析中。通過(guò)對(duì)水導(dǎo)軸承的振動(dòng)信號(hào)進(jìn)行研究發(fā)現(xiàn)，HHT 方法得到的Hilbert譜相比于小波變換和Wigner-Ville 變換具有更好的時(shí)頻分辨率，得到的結(jié)果也更有物理意義。為了將HHT 方法應(yīng)用到實(shí)際應(yīng)用中，采用Pascal語(yǔ)言編寫了THHT 類實(shí)現(xiàn)了EMD 算法和Hilbert 變換，并開(kāi)發(fā)了遠(yuǎn)程診斷模塊。支持向量機(jī)(Support vector machine，S

3、VM)是人工智能(Artificial Intelligence)領(lǐng)域的后起之秀。它是建立在統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory，SLT)和結(jié)構(gòu)風(fēng)險(xiǎn)最小(Structural risk minimization，SRM)原理基礎(chǔ)上的新型學(xué)習(xí)機(jī)器。為了將SVM 應(yīng)用到水電機(jī)組的狀態(tài)識(shí)別中，本文采用并構(gòu)建了基于決策有向無(wú)環(huán)圖(Decision DirectedAcyclic Graph，DDAG)的支持向量機(jī)