当前位置: 首页 » 论文 » 水利水电工程论文 »

考虑样本交叠的水电机组振动故障诊断

PDF文档
  • 文件类型:PDF文档
  • 文件大小:1M
  • 更新日期:2014-09-05 10:40
  • 浏览次数:16278   下载次数:0
进入下载
详细介绍

摘要:水电机组故障大多以振动的形式表现出来,其成因非常复杂,机组故障和振源缺乏非此即彼和一一对应的显明关系,故障样本存在交叠区域。常规水电机组故障诊断分类器没有考虑分类问题的交叠区域,而处在交叠区域的样本的分类难度大,且含有不确定信息。针对这一问题,提出一种新的粗糙集与一对一多类支持向量机结合的诊断方法,该方法利用粗糙集基本理论对支持向量机的分类结果进行描述,对于可能存在样本交叠的分类间隔区域进行进一步处理。诊断分两阶段进行,第一阶段采用粗糙集理论将故障样本划分为某类的上近似集、下近似集,属于下近似集的样本认为被确切分类。第二阶段,对于属于上近似集而不属于下近似集的样本,采用一种基于距离的可信度来判断其属于某一类的程度。此分类方法考虑了水电机组故障模式中可能存在样本交叠的间隔区域,经数值试验和工程应用检验,更符合实际情况,且对于其他电力设备的故障诊断具有借鉴意义。

  关键词:水电机,粗糙集,支持向量机,故障诊断,样本交叠

  0 引言

  水电机组是水力发电系统的核心设备,其健康状态直接影响整个电厂的运行状态,进而影响电力系统的安全稳定运行,因而水电机组的状态检修与维护在水力发电系统中具有至关重要的地位。水电机组振动故障诊断技术是预测性和预防性状态检修的重要环节。对水电机组振动故障诊断开展研究具有重要意义。当前应用于水电机组智能故障诊断的方法主要有模糊诊断方法、神经网络故障诊断方法和专家系统诊断方法等[1]。模糊诊断技术由于能够描述诊断对象的模糊信息,为水电机组振动故障诊断提供了一种有力工具,取得了较好的效果[2],然而模糊诊断技术缺乏自我学习和经验自积累的能力,且模糊矩阵的建立难以把握。神经网络技术在一定程度上弥补了模糊诊断技术的不足,其具有自适应、可联想记忆、学习推理和自我修改及大规模并行计算的能力。但神经网络技术本身是大样本分析方法,其基于经验风险最小化,容易出现过学习,泛化能力较差且网络结构参数设置复杂[3-4]。支持向量机(Support vector machine, SVM)作为一种基于结构风险最小化的机器学习方法在解决小样本、非线性及高维模式识别中表现出许多特有的优势,具有良好的推广性能,近年来不少学者将其应用在水电机组及输电线路的故障诊断上,取得了良好的效果[5-9]。但是,SVM 对不确定数据的建模能力较差,不能够反映机组振动故障诊断中的故障征兆与振源的复杂映射关系。分类将某一样本非此即彼地判定为某类故障不符合客观实际,比如某些样本可能处在正常与故障之间的亚健康状态,或者某故障是几个振源引起的,显然以上故障诊断方法不能够诊断出这些不确定信息。因而亟待针对水电机组振动故障的特点设计出能够反映机组故障与征兆之间复杂映射关系及故障模式中的不确定信息的诊断方法。

  文献[10-12]将贝叶斯网络应用在水电机组及电网的故障诊断上取得了一定的效果,能够反映故障诊断中的不确定信息,但该方法需要一定的先验概率以及样本的分布概率,由于水电机组的故障样本维数较高,估计其概率分布十分困难,因此在实际应用中受到很大的限制。实际上,故障诊断的不确定信息大多反映在故障样本的交叠区域,即分类的边界区域[13-14],传统的分类器没有考虑分类边界区域的特殊意义。张孝远等[13]采用粗糙1-v-1 多类支持向量机进行水电机组振动故障诊断,该方法能够诊断出水电机组的亚健康状态,反映故障模式中的不确定信息,但文中所提方法的间隔区域过大,且没有给出处于间隔区域的故障样本属于某类故障的可信度。本文基于文献[13]提出一种改进的粗糙1-v-1多类支持向量机故障诊断方法。该方法运用粗糙集基本理论将支持向量机分类的结果划分为边界区域和非边界区域,将处于非边界区域的样本确切分类;然后对边界区域的样本计算其属于某一类的可信度。该方法能够缩小分类间隔区域,消除分类盲区,并对处在间隔区域的故障样本区别对待,给出其属于某类故障的程度。通过国际标准数据集实验,并将其应用于水电机组的振动故障诊断取得了较好的效果,能够反映分类的不确定信息及样本的故障程度,适合于水电机组的振动故障诊断,并能为其他电力设备的故障诊断提供借鉴。
 

 
[ 论文搜索 ]  [ 加入收藏 ]  [ 告诉好友 ]  [ 打印本文 ]  [ 关闭窗口 ]

下载地址



您还没有登录,请登录后查看详情
免费注册为会员后,您可以...
发布供求信息 推广企业产品
建立企业商铺 在线洽谈生意
还不是会员,立即免费注册
 


0条 [查看全部]  相关评论
 
推荐论文
本类下载排行
总下载排行
遵化人才网电力人才网