粗糙集和多类支持向量机的水电机组振动故障诊断

水电机组的振动信号为典型的非平稳、非线性信号。为了通过振动信号正确判断水电机组的运行状态，本文提出运用经验模态分解处理原始信号，并对获得的基本模式分量计算其复杂度特征，最后运用最小二乘支持向量机进行故障诊断。选取径向基函数作为核函数，并通过网格搜索和交叉验证确定相关参数。结果表明，经验模态分解复杂度特征和支持向量机结合，能够准确地实现故障诊断，确定故障类型，为机组运行维护人员提供参考依据。

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。

针对水电机组故障信息缺乏、故障识别困难等问题,提出基于支持向量机的水电机组故障诊断模型.并针对实测水电机组故障数据,分析支持向量机水电机组故障诊断模型和常用的神经网络故障诊断模型等理论在水电机组故障诊断中的优劣.研究表明,支持向量机理论在小样本情况下比神经网络具有更强的诊断能力.

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备\"能量-故障\"映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。

为提高水电机组故障诊断的准确率,提出基于优化支持向量机多分类器的水电机组故障诊断方法。支持向量机(supportvectormachine,简称svm)在解决小样本问题上有着突出的表现,针对其参数设置采用人工蜜蜂群(artificialbeecolony,简称abc)进行参数优化。建立基于fisher加权的朴素贝叶斯分类器(attributefisherweightednaivebayesclassifier,简称fwnbc)和基于mahalanobis距离的分类器(mahalanobisdistanceclassifier,简称mdc),并与优化的支持向量机分类器组合成为fwnbc+mdc+优化svm的分类融合模型,以基于优化微分经验模式分解法(differentialempiricalmodedecomposition,简称demd)提取的分量作为输入特征向量,应用融合模型对水电机组故障进行诊断,以投票为决策方法。实验结果表明该模型对于未经优化的支持向量机和特征提取以及单一的分类器,能有效提高故障识别的准确率。

本文主要针对旋转机械的故障诊断问题,设计了基于labview的旋转机械振动测试系统,该系统通过软件编程来实现振动信号的存储、分析及特征提取,并且提出了基于支持向量机的智能故障诊断方法,该方法将特征向量直接输入到支持向量机分类器中进行故障识别,结果表明支持向量机对于机械故障有较好的分类效果。

针对辽宁省桓仁水电站计算机监控系统的机组振动故障诊断功能缺陷,提出了基于灰色关联分析的水电机组振动故障诊断方案.事实证明该诊断方案具有良好的实际应用效果,可以有效提高桓仁水电站机组检修效率.

提出了一种开发水电机组故障诊断专家系统的设计思想及实现方法.通过采用产生式规则来表示知识,运用正反向推理机制,动态丰富知识库,实现水电机组振动的在线(离线)监测和故障诊断,并提供诊断结果和相应的故障处理措施,为水电厂从计划检修向状态检修提供可靠的技术保证.该系统具有人机界面友好、运行速度快、信息存储量大、开发周期短、易于维护、扩充等特点

介绍了人工神经网络的基本性能和bp网络模型及算法，并将神经网络中的bp模型应用于水轮发电机组振动故障诊断中，比较了选择不同的网络参数对诊断系统性能的影响。实验证明，基于bp网络的水轮发电机组振动故障诊断方法具有较高的实用价值。

将人工智能引入水轮发电机组的故障诊断,有利于大中型水电厂“无人值班(少人值守)”管理模式的加速发展。本文首先简单介绍了人工神经网络的基本性能和bp网络模型及算法,然后将神经网络中的bp模型应用于水轮发电机组振动故障诊断中,比较了选择不同的网络参数对诊断系统性能的影响。实验证明,基于bp网络的水轮发电机组振动故障诊断方法具有很高的实用价值。

本文首先简单介绍了人工神经网络的基本性能和bp网络模型及算法，在此基础上将神经网络应用于水电机组振动故障诊断中。试验证明，基于神经网络的水电机组振动故障诊断方法具有很高的实用价值。

介绍了国内水电机组振动监测与故障诊断技术的理论研究及应用，并与国外的情况进行了比较，指出了今后的发展方向。

提出了综合考虑风电机组转速及输入/输出轴水平和垂直方向振动信号,对故障数据依照转动周期分组后分别对每个周期的时域指标进行提取,而后基于svm(支持向量机)对提取后的数据进行4种状态下故障分类的方法。测试结果表明,该方法简单有效,具有很好的故障识别能力,适合风电机组齿轮箱故障诊断。

大型水电机组的状态监测与故障诊断技术还远远没有成熟,这就要求在今后的研究工作中,不断地提高已有的知识水平,完善知识体系。以下几个方面需要在今后的研究工作中进行更加深入细致的研究:①水电机组设备庞大,结构复杂,诱发故障的因素多、水电机组故障率高、技术难度大;②水力流体因素、振动因素、电磁因素是相互影响的3个难点,是以后要继续研究的重要课题。

重点介绍了水电机组实施工况监测的主要工况及其分析诊断技术,并在总结现场试验研究的基础上,给出了水电机组运行设备工况监测与分析诊断的故障类型。

对当前水电机组故障诊断系统的现状进行了讨论,并且基于数据融合和信息共享的思想,提出将状态检修系统与计算机监控系统和信息管理系统相结合的方法,基于研究开发了水电机组状态监测与故障诊断系统,达到了充分利用现有资源,提供智能决策参考的目的

针对水电机组故障诊断知识较为复杂多样的特点,提出了将产生式模糊规则表示、神经网络表示和可视化故障知识表示等多种方法综合集成的知识表达方式和诊断推理策略。诊断实例表明,该集成知识表达和推理方式的引入有助于增强水电机组故障诊断专家系统的知识获取和表达能力,提高了系统的推理匹配能力。

作为电厂的重要设备之一，水电机组的良好运行状态是确保水电厂安全运行的重要保证。随着国内水电工程建设的发展不断加快，水电机组开始往高效率、大容量、高转速以及高水头的设计方向进行发展，在设计采用的材料拥有更高的强度，不仅增加了机组尺寸，减小了相对刚度，并且采用更加灵活的构件，因此对机组运行的稳定性和可靠性提出了更高的要求。为了对水电机组的运行状态进行在线监测和诊断分析，采用了水电机组状态监测与故障诊断系统，通过系统收集机组运行数据，上传给计算机网络进行监测分析，对机组运行过程中存在的潜在故障进行排查和报警，提前避免重大安全事故的产生，对保证水电机组运行的安全性和可靠性具有重要的意义。本文主要对状态监测技术和故障诊断技术进行了分析。

在电厂中,水电机组是其中十分重要的一个设备,其运行状态与水电厂运行的安全性有着直接的联系.在我国水电工程不断发展与进步的情况下,水电机组就必须向着以下几个方面发展:效率更高;容量更大;转速更快;水头更高等,除此之外,为了能够更好的满足当前时代对机组的更高需求,还应该尽量选择具有高强度的材料以及灵活性更高的构件.为了能够让水电组实现更加稳定、安全且可靠的运行,就需要在线监测水电组的运行状态并进行相应的诊断分析,为了能够提高这些工作的准确性和效率,可以在这个过程中使用水电组状态检测系统以及故障诊断系统,接下来是将系统收集到的有关数据信息上传到计算机网络中,进行相应的监测分析,从而更好的排查机组运行过程中存在的问题,并及时的采取合理的措施加以解决,避免机组运行过程中出现故障问题.为此,本文对水电机组状态监测与故障诊断技术进行了相关研究与分析,为后续相关工作的进行提供了一定的参考和依据.

随着水电站自动化运行不断提升,传统的维修方式已经难符合需求,需要提升设备的利用效率,节省维修成本,这对于水电站经济效益的提升有着十分重要的意义。本文将对水电机组振动监测与故障系统的构成以及设计进行分析。

随着水电站自动化运行不断提升,传统的维修方式已经难符合需求,需要提升设备的利用效率,节省维修成本,这对于水电站经济效益的提升有着十分重要的意义.本文将对水电机组振动监测与故障系统的构成以及设计进行分析.

故障样本的缺乏严重制约智能故障诊断的发展,本文提出支持向量机应用到发动机故障诊断中,该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广,而且模型简单,具体是将汽车在典型故障下尾气中各气体的体积分数作为训练样本。用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断。经过libsvm工具箱进行仿真,结果表明经优化后的支持向量机对于小样本故障诊断有很高的准确率。