水电机组非平稳振动信号处理与故障诊断研究

发布时间：2020-10-26 22:48

　　 振动问题在水电机组中普遍存在。因此,对机组的振动信号作以有效分析与评价,准确识别与排除故障,对保障机组、电厂及电网的最优运行具有重要意义。本文以水电机组的振动信号为研究对象,将快速独立分量分析和集合经验模态分解进行有效结合,然后引入到机组振动信号的处理中;同时构建基于改进粒子群优化算法-最小二乘支持向量机的模型,用于振动故障的判别。首先针对水电机组振动激励源众多、传播路径复杂且容易产生耦合的特点,引入了快速独立分量分析(FICA)方法对实测信号进行分离,获得多个能表征不同振源的独立分量。在此基础上,提出FICA-EEMD特征提取法。即对FICA分离的各个独立分量作集合经验模态分解(EEMD),获得若干个本征模态分量(IMF),再将各个IMF归一化能量当作对应分量的特征值。与使用EEMD相比,FICA-EEMD具有一定的优势。然后将最小二乘支持向量机(LSSVM)引入到机组的振动故障诊断中。利用改进后的粒子群优化算法(IPSO)确定LSSVM的最佳超参数,并对传统的LSSVM进行有效的多分类扩展,进而构建相应的诊断模型,以完成对多种振动故障的精确判别。最后利用实测振动数据对上述理论与模型作以验证。可以证明,FICA-EEMD可有效提取到振动信号的特征向量,IPSO-LSSVM可准确识别出振动故障的类型,且相较于PSO-LSSVM、GA-LSSVM模型,具有更高的诊断精度及更快的运行速度,值得推广应用。
【学位单位】：西安理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TV738
【部分图文】：

总体框架

SVM 分类原理见图 5-1，黑色实线即为最优超平面。图4-1 最优分类超平面Fig.4-1 The optimal separating hyperplane设一样本集 ( , ), 1,2, , i ix y i n，可分为 1 和 2 两类。对于 Nix R，如果它属于类别1，则标记 1iy ；如果它是类别 2，则标记 1iy 。通过构建恰当的决策函数，将样本集 ( , ), 1

x 为边界支持向量（Boundary Support Vector，BSV）。决策函数的分类规则如下图。图4-2 支持向量机网络Fig.4-2 The network of SVM
【参考文献】

相关期刊论文 前10条

1 李辉;焦毛;杨晓萍;白亮;罗兴锜;;基于EEMD和SOM神经网络的水电机组故障诊断[J];水力发电学报;2017年07期

2 叶慧;叶龙海;尹强;王卫华;杨庆祥;;基于遗传算法寻优的多核支持向量机故障诊断系统[J];安阳工学院学报;2017年04期

3 徐健;周志祥;唐亮;冉杰;何杰;;基于总体平均经验模态分解算法的自适应改进[J];振动与冲击;2017年11期

4 赵朝贺;;一种改进的支持向量机参数优化方法[J];地理空间信息;2017年01期

5 向国齐;殷国富;;基于支持向量机和粒子群算法的稳健优化[J];机械设计与研究;2016年06期

6 王向红;尹东;胡宏伟;毛汉领;;基于小波包和独立分量分析的微弱多源故障声发射信号分离[J];上海交通大学学报;2016年05期

7 许昕;潘宏侠;潘铭志;;独立分量分析在自动机振动信号处理中的应用[J];振动.测试与诊断;2016年01期

8 何洋洋;贾嵘;李辉;董开松;;基于随机共振和多维度排列熵的水电机组振动故障诊断[J];水力发电学报;2015年12期

9 杨望灿;张培林;王怀光;陈彦龙;孙也尊;;基于EEMD的多尺度模糊熵的齿轮故障诊断[J];振动与冲击;2015年14期

10 安周鹏;肖志怀;陈宇凡;孙召辉;唐卫东;;小波包能量谱和功率谱分析在水电机组故障诊断中的应用[J];水力发电学报;2015年06期

相关博士学位论文 前2条

1 付文龙;水电机组振动信号分析与智能故障诊断方法研究[D];华中科技大学;2016年

2 黄海涛;水电开发中的生态风险评价与管理研究[D];华北电力大学;2014年

相关硕士学位论文 前6条

1 黄凯;水轮发电机组振动特性研究及其应用[D];华中科技大学;2013年

2 陈群涛;基于声振信号EMD和ICA的铣刀状态监测技术研究[D];上海交通大学;2013年

3 杨敏敏;基于支持向量机的滚动轴承故障诊断方法研究[D];江西理工大学;2012年

4 张鑫;水轮发电机组振动状态监测与分析技术研究[D];华北电力大学;2011年

5 谢志明;盲源分离技术在航空发动机故障诊断中的应用研究[D];中南大学;2011年

6 孔祥彬;水轮发电机组状态监测与故障诊断系统设计与应用[D];西安理工大学;2010年

本文编号：2857627