汽輪機(jī)組振動(dòng)故障診斷SVM方法與遠(yuǎn)程監(jiān)測(cè)技術(shù)研究.pdf

1、電力工業(yè)的迅速發(fā)展，對(duì)汽輪發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)提出了高的要求。本論文就機(jī)組振動(dòng)故障特征自動(dòng)提取、振動(dòng)異常檢測(cè)、振動(dòng)故障趨勢(shì)預(yù)測(cè)、多征兆故障診斷以及機(jī)組遠(yuǎn)程監(jiān)測(cè)診斷等幾個(gè)影響故障診斷技術(shù)發(fā)展的關(guān)鍵技術(shù)進(jìn)行了詳細(xì)研究，取得了一定的成果。 分析了發(fā)電機(jī)組振動(dòng)故障及征兆的特點(diǎn)，研究了故障征兆自動(dòng)提取方法，采用Mann-Kendall檢驗(yàn)、EMD分解、相關(guān)系數(shù)法、不變矩理論對(duì)趨勢(shì)型征兆、相關(guān)性征兆以及轉(zhuǎn)子軸心軌跡圖形類(lèi)征兆進(jìn)行了

2、提取。將統(tǒng)計(jì)學(xué)習(xí)理論的研究成果-支持向量機(jī)(SVM)應(yīng)用于機(jī)組振動(dòng)異常檢測(cè)、振動(dòng)趨勢(shì)預(yù)測(cè)及診斷故障中。分析了One-Class SVM異常檢測(cè)的基本原理，提出了發(fā)電機(jī)組振動(dòng)異常檢測(cè)One-Class SVM方法，僅通過(guò)對(duì)正常運(yùn)行狀態(tài)樣本的學(xué)習(xí)，就可以達(dá)到對(duì)機(jī)組振動(dòng)異常的準(zhǔn)確識(shí)別，解決了生產(chǎn)中機(jī)組異常振動(dòng)訓(xùn)練樣本缺乏問(wèn)題；與FuzzyARTl及ARTMAP神經(jīng)網(wǎng)絡(luò)的比較試驗(yàn)結(jié)果進(jìn)一步證實(shí)了該方法的有效性；提出了一種核聚類(lèi)二叉樹(shù)型多類(lèi)SVM

3、算法，采用遺傳算法對(duì)模型參數(shù)進(jìn)行選擇，將其應(yīng)用在發(fā)電機(jī)組多征兆故障診斷中，試驗(yàn)表明該方法具有較高的故障識(shí)別率，縮短了模型學(xué)習(xí)需要的時(shí)間，并解決了one-against-one等多類(lèi)學(xué)習(xí)方法存在的拒分類(lèi)問(wèn)題；利用One-Class SVM的一類(lèi)樣本學(xué)習(xí)能力，提出一種新的機(jī)組振動(dòng)故障診斷動(dòng)態(tài)模型，解決了其它故障診斷系統(tǒng)模型結(jié)構(gòu)固定，無(wú)法對(duì)新增故障進(jìn)行診斷的問(wèn)題，實(shí)現(xiàn)了對(duì)未知新故障和復(fù)合故障的正確識(shí)別和學(xué)習(xí)，擴(kuò)充了故障診斷系統(tǒng)的功能；研究了支