汽輪機組振動故障診斷SVM方法與遠程監(jiān)測技術研究.pdf

1、電力工業(yè)的迅速發(fā)展，對汽輪發(fā)電機組狀態(tài)監(jiān)測與故障診斷技術提出了高的要求。本論文就機組振動故障特征自動提取、振動異常檢測、振動故障趨勢預測、多征兆故障診斷以及機組遠程監(jiān)測診斷等幾個影響故障診斷技術發(fā)展的關鍵技術進行了詳細研究，取得了一定的成果。 分析了發(fā)電機組振動故障及征兆的特點，研究了故障征兆自動提取方法，采用Mann-Kendall檢驗、EMD分解、相關系數(shù)法、不變矩理論對趨勢型征兆、相關性征兆以及轉子軸心軌跡圖形類征兆進行了

2、提取。將統(tǒng)計學習理論的研究成果-支持向量機(SVM)應用于機組振動異常檢測、振動趨勢預測及診斷故障中。分析了One-Class SVM異常檢測的基本原理，提出了發(fā)電機組振動異常檢測One-Class SVM方法，僅通過對正常運行狀態(tài)樣本的學習，就可以達到對機組振動異常的準確識別，解決了生產中機組異常振動訓練樣本缺乏問題；與FuzzyARTl及ARTMAP神經(jīng)網(wǎng)絡的比較試驗結果進一步證實了該方法的有效性；提出了一種核聚類二叉樹型多類SVM

3、算法，采用遺傳算法對模型參數(shù)進行選擇，將其應用在發(fā)電機組多征兆故障診斷中，試驗表明該方法具有較高的故障識別率，縮短了模型學習需要的時間，并解決了one-against-one等多類學習方法存在的拒分類問題；利用One-Class SVM的一類樣本學習能力，提出一種新的機組振動故障診斷動態(tài)模型，解決了其它故障診斷系統(tǒng)模型結構固定，無法對新增故障進行診斷的問題，實現(xiàn)了對未知新故障和復合故障的正確識別和學習，擴充了故障診斷系統(tǒng)的功能；研究了支