论文部分内容阅读
随着水力机械设计和制造水平的发展,越来越多大容量机组投入到了实际应用中。水力发电在电力系统中所占比重越来越大,水轮机的结构日趋复杂,自动化水平也越来越高,因此水轮发电机组可靠、安全和稳定地运行变的越来越重要。与传统的傅立叶变换为基础的线性和稳态谱分析相比,基于经验模态分解(Empirical mode decomposition, EMD)的希尔伯特黄变换(Hilbert-Huang transform, HHT)方法能够更好的分析非平稳和非线性的问题。本文尝试将HHT方法应用到了水电机组的信号分析中。通过对水导轴承的振动信号进行研究发现,HHT方法得到的Hilbert谱相比于小波变换和Wigner-Ville变换具有更好的时频分辨率,得到的结果也更有物理意义。为了将HHT方法应用到实际应用中,采用Pascal语言编写了THHT类实现了EMD算法和Hilbert变换,并开发了远程诊断模块。支持向量机(Support vector machine, SVM)是人工智能(Artificial Intelligence)领域的后起之秀。它是建立在统计学习理论(Statistical Learning Theory, SLT)和结构风险最小(Structural risk minimization, SRM)原理基础上的新型学习机器。为了将SVM应用到水电机组的状态识别中,本文采用并构建了基于决策有向无环图(Decision Directed Acyclic Graph, DDAG)的支持向量机多分类器。对于水电机组运行状态的特征提取,采用了基于信号IMF(Intrinsic mode function, IMF )分量的能量分布。基于该特征提取方法,本文得到了5种状态下水导轴承信号的训练样本和检验样本。用训练样本训练得到的DDAGSVM多分类器对检验样本进行识别的结果表明,DDAGSVM能够很好地构建水电机组的多状态识别器,基于IMF分量的能量分布特征可以有效全面的提取出机组的运行特征。