基于最小二乘支持向量机和机电综合特征的发电机故障诊断

提出了1种最小二乘支持向量机和机电综合特征相结合的发电机故障诊断模型.用二次损失函数代替传统支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组求解,降低了计算的复杂性.提取发电机故障中的综合特征,即振动信号和电流信号,整理后作为诊断模型的特征值,从而得到了故障的典型特征,提高了诊断的准确率.最后从SDF 9型模拟发电机中实测数据进行分析,结果表明,与常规的方法相比,该模型具有较高的分类速度和较好的故障诊断准确率.

基于机电综合特征的发电机转子故障诊断系统的研究

首先分析了转子绕组匝间短路、气隙静偏心、气隙动偏心、转子不平衡等发电机转子故障发生时的振动特征和定子绕组并联支路间环流变化特征,得出不同故障引起的环流特征和振动特征的机电综合特征存在差别,从而提出了基于转子振动和定子绕组并联支路环流的机电综合特征的发电机振动故障识别方法。然后利用LabVIEW软件和PCI-6251数据采集卡,研制了基于虚拟仪器技术发电机故障检测系统,能够实现发电机信号的采集、在线分析、数据库管理、发电机参数查询、故障诊断等功能,并在SDF-9型故障模拟实验机组上完成调试,达到预期效果。

基于高斯基函数CMAC神经网络的发电机故障诊断方法

提出一种基于高斯基函数小脑模型神经网络(CMAC)的汽轮发电机故障诊断新方法,为了达到更高的精度和更好的泛化能力,该方法以高斯函数作为CMAC神经网络的基函数,针对发电机的机电耦合特性,将发电机机电综合特征作为神经网络的训练样本输入,经MATLAB仿真得到了完全正确的诊断结果,收敛速度快,精度高,可以满足在线监控的要求。通过比较学习率和泛化常数取值不同时CMAC网络的训练结果,分析了学习率和泛化常数对该网络的影响。