SVM方法在旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷中的應(yīng)用研究.pdf

1、電力工業(yè)的的迅速發(fā)展，對(duì)電力行業(yè)大型發(fā)電機(jī)組安全運(yùn)行提出了更高的要求。機(jī)組振動(dòng)故障診斷過(guò)程是一項(xiàng)非常復(fù)雜的系統(tǒng)工程，涉及到多學(xué)科多領(lǐng)域的技術(shù)融合，與現(xiàn)場(chǎng)工程實(shí)踐聯(lián)系十分密切，這就給故障診斷工作增加挨了難度，因此選擇一種有效的診斷方法至關(guān)重要。 本文對(duì)汽輪發(fā)電機(jī)組常見的振動(dòng)故障特征進(jìn)行了總結(jié)分析，將其分為頻譜特征、相關(guān)性特征和升降速過(guò)程的趨勢(shì)特征，對(duì)它們進(jìn)行預(yù)處理后作為故障分類的特征量。 本文介紹了支持向量機(jī)的概念和求解過(guò)

2、程，重點(diǎn)介紹了用于處理此類問(wèn)題的非線性軟間隔分類機(jī)，即C-支持向量分類機(jī)，并引入了一種改進(jìn)的方法：v-支持向量分類機(jī)，其參數(shù)v具有一些直觀上的意義，避免了C-支持向量分類機(jī)中參數(shù)C沒有確切意義的缺點(diǎn)。 在轉(zhuǎn)子實(shí)驗(yàn)臺(tái)上模擬了5類故障，將故障數(shù)據(jù)在頻域和升降速趨勢(shì)域進(jìn)行了特增量的提取，形成了故障特征量樣本。通過(guò)對(duì)不平衡和不對(duì)中故障樣本的兩類故障診斷，驗(yàn)證了支持向量機(jī)樣本數(shù)目越少，故障識(shí)別率越高的理論，同時(shí)表明了v-支持向量分類機(jī)參數(shù)