基于HHT和SVM的水電機(jī)組特征提取與狀態(tài)識別.pdf

1、隨著水力機(jī)械設(shè)計和制造水平的發(fā)展，越來越多大容量機(jī)組投入到了實際應(yīng)用中。水力發(fā)電在電力系統(tǒng)中所占比重越來越大，水輪機(jī)的結(jié)構(gòu)日趨復(fù)雜，自動化水平也越來越高，因此水輪發(fā)電機(jī)組可靠、安全和穩(wěn)定地運行變的越來越重要。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?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、非線性的問題。 本文嘗試將HHT 方法應(yīng)用到了水電機(jī)組的信號分析中。通過對水導(dǎo)軸承的振動信號進(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)用到實際應(yīng)用中，采用Pascal語言編寫了THHT 類實現(xiàn)了EMD 算法和Hilbert 變換，并開發(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)計學(xué)習(xí)理論(Statistical Learning Theory，SLT)和結(jié)構(gòu)風(fēng)險最小(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)識別中，本文采用并構(gòu)建了基于決策有向無環(huán)圖(Decision DirectedAcyclic Graph，DDAG)的支持向量機(jī)