针对水电机组振动信号存在非平稳和非线性,提出一种结合IMF能量矩和双向长短期记忆神经网络(bidirection long short term memory neural network,BiLSTMNN)的故障诊断方法。首先采用互补集合经验模态分解(complementary ensemble empir...针对水电机组振动信号存在非平稳和非线性,提出一种结合IMF能量矩和双向长短期记忆神经网络(bidirection long short term memory neural network,BiLSTMNN)的故障诊断方法。首先采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对正常和故障振动信号样本进行处理,得到频率各异的本征模态函数(intrinsic mode functions,IMF)和剩余分量。然后计算IMF能量矩,并将其作为故障特征。进一步,将故障特征作为输入、故障类别作为输出,训练BiLSTMNN得到水电机组故障识别器。结合故障识别器和实时振动信号IMF能量矩特征,即可识别水电机组运行状态为正常或具体故障类型。最后,结合转子实验台数据和实际电站机组样本数据,设计对比实验,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。展开更多
文摘针对水电机组振动信号存在非平稳和非线性,提出一种结合IMF能量矩和双向长短期记忆神经网络(bidirection long short term memory neural network,BiLSTMNN)的故障诊断方法。首先采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对正常和故障振动信号样本进行处理,得到频率各异的本征模态函数(intrinsic mode functions,IMF)和剩余分量。然后计算IMF能量矩,并将其作为故障特征。进一步,将故障特征作为输入、故障类别作为输出,训练BiLSTMNN得到水电机组故障识别器。结合故障识别器和实时振动信号IMF能量矩特征,即可识别水电机组运行状态为正常或具体故障类型。最后,结合转子实验台数据和实际电站机组样本数据,设计对比实验,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。