基于能量算子和粒子群優(yōu)化神經網絡的水輪發(fā)電機組振動故障診斷研究.pdf

1、隨著水電機組單機容量的增大，對機組可靠性的要求越來越高。對機組開展在線監(jiān)測與故障診斷，加強水電機組的監(jiān)測，及時預測設備可能發(fā)生的故障，分析原因，是實現(xiàn)設備預知性維修的前提和保證設備安全運行的關鍵。
　　本文以水輪發(fā)電機組狀態(tài)監(jiān)測與故障診斷方法為研究對象，深入研究了經驗模態(tài)分解(EMD)和能量算子解調法理論的基礎上，將其引入水輪發(fā)電機組故障診斷系統(tǒng)中。該方法首先對機組振動信號進行經驗模態(tài)分解(EMD)，獲得固有模態(tài)函數(shù)(IMF)分量

2、，每一個IMF分量都可以是幅度或頻率調制的(調頻調幅信號)，然后對每一個IMF分量進行能量算子解調，依次獲得信號的包絡譜，從包絡譜中即可看出原始復雜信號的幅值和頻率信息，得到信號中的異常頻率，進而確定機組的故障類型。
　　針對傳統(tǒng)徑向基(RBF)神經網絡在水輪機組振動故障診斷中泛化能力不足的缺點，充分研究了粒子群(PSO)算法，提出了基于PSO優(yōu)化的RBF神經網絡。利用其PSO操作簡單，容易實現(xiàn)等特點及其深刻的智能背景對RBF神經

3、網絡的參數(shù)(中心和寬度)、連接權重進行優(yōu)化。并把訓練好的網絡用于水輪機組振動故障診斷，診斷實例結果表明，該方法具有較好的分類效果，較RBF診斷模型精度高、收斂快。又通過BP神經網路、RBF神經網絡、PSO優(yōu)化的RBF神經網絡三種方法對同一組故障數(shù)據(jù)進行診斷比較，結果表明，文中采用的方法明顯優(yōu)于其它方法，從而驗證了PSO優(yōu)化的RBF神經網絡的有效性，證明了該方法有較高的收斂速度、診斷精度和推廣應用價值，為水輪機組故障診斷開創(chuàng)了新的思路。<