汽輪發(fā)電機(jī)組振動(dòng)故障診斷的混合核函數(shù)SVM方法研究.pdf

1、隨著我國(guó)電力工業(yè)的迅速發(fā)展,大容量汽輪發(fā)電機(jī)組成為電力生產(chǎn)的主力機(jī)組,這對(duì)故障診斷技術(shù)提出了更高的要求。新型機(jī)器學(xué)習(xí)算法的出現(xiàn)促使傳統(tǒng)故障診斷方法逐漸走向智能化,但現(xiàn)實(shí)中故障樣本信息很難大量被采集到,而支持向量機(jī)(SVM)是針對(duì)小樣本信息的機(jī)器學(xué)習(xí)算法。本文依據(jù)one-against-one多類學(xué)習(xí)算法,引入混合核函數(shù)技術(shù),構(gòu)造基于混合核函數(shù)的SVM故障診斷模型,實(shí)現(xiàn)SVM對(duì)機(jī)組多類故障的分類識(shí)別。
　　 文中闡述了核函數(shù)理論并

2、探討了核函數(shù)選擇原則,分析了懲罰因子對(duì)SVM的性能影響；引入混合核函數(shù)技術(shù)并簡(jiǎn)單測(cè)試了幾種混合核函數(shù)的性能。
　　 故障信息特征的采集與提取是進(jìn)行故障診斷的前提。作者研究了故障征兆的提取方法,并利用Mann-Kendall趨勢(shì)檢驗(yàn)法提取故障信息的時(shí)間趨勢(shì)征兆；依據(jù)Shore振動(dòng)特征分析表,在不同頻域段對(duì)故障信息的頻域特征進(jìn)行提取。最后將所有故障樣本數(shù)據(jù)轉(zhuǎn)換為L(zhǎng)IBSVM所要求的數(shù)據(jù)格式。
　　 文中介紹了LIBSVM軟件