基于HHT和SVM的水电机组特征提取与状态识别

论文摘要

随着水力机械设计和制造水平的发展,越来越多大容量机组投入到了实际应用中。水力发电在电力系统中所占比重越来越大,水轮机的结构日趋复杂,自动化水平也越来越高,因此水轮发电机组可靠、安全和稳定地运行变的越来越重要。与传统的傅立叶变换为基础的线性和稳态谱分析相比,基于经验模态分解（Empirical mode decomposition, EMD）的希尔伯特黄变换（Hilbert-Huang transform, HHT）方法能够更好的分析非平稳和非线性的问题。本文尝试将HHT方法应用到了水电机组的信号分析中。通过对水导轴承的振动信号进行研究发现,HHT方法得到的Hilbert谱相比于小波变换和Wigner-Ville变换具有更好的时频分辨率,得到的结果也更有物理意义。为了将HHT方法应用到实际应用中,采用Pascal语言编写了THHT类实现了EMD算法和Hilbert变换,并开发了远程诊断模块。支持向量机（Support vector machine, SVM）是人工智能（Artificial Intelligence）领域的后起之秀。它是建立在统计学习理论（Statistical Learning Theory, SLT）和结构风险最小（Structural risk minimization, SRM）原理基础上的新型学习机器。为了将SVM应用到水电机组的状态识别中,本文采用并构建了基于决策有向无环图（Decision Directed Acyclic Graph, DDAG）的支持向量机多分类器。对于水电机组运行状态的特征提取,采用了基于信号IMF（Intrinsic mode function, IMF ）分量的能量分布。基于该特征提取方法,本文得到了5种状态下水导轴承信号的训练样本和检验样本。用训练样本训练得到的DDAGSVM多分类器对检验样本进行识别的结果表明,DDAGSVM能够很好地构建水电机组的多状态识别器,基于IMF分量的能量分布特征可以有效全面的提取出机组的运行特征。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 水电机组状态检修技术的意义与研究内容
• 1.2 水电机组信号处理和特征提取方法研究
• 1.3 水电机组的故障诊断方法的发展及现状
• 1.4 论文研究内容与结构
• 2 HHT 分析方法基本理论
• 2.1 信号的瞬时频率
• 2.2 固有模态函数
• 2.3 经验模态分解
• 2.4 IMF 的判定条件
• 2.5 Hilbert 谱分析
• 2.6 HHT 分析方法的特点
• 2.7 总结
• 3 基于分类的支持向量机
• 3.1 引言
• 3.2 线性可分支持向量机
• 3.3 推广的线性支持向量分类机
• 3.4 非线性支持向量分类机
• 3.5 多类分类问题
• 3.6 总结
• 4 基于HHT 和SVM 的水电机组知识的获取与状态识别
• 4.1 引言
• 4.2 基于HHT 的水电机组信号时频分析方法
• 4.3 水电机组信号特征提取与状态识别
• 4.4 总结
• 5 基于HHT 算法的远程故障诊断模块的设计
• 5.1 引言
• 5.2 基于Intertnet 的远程故障诊断模块总体框架设计
• 5.3 关键技术
• 5.4 基于Object Pascal 语言的HHT 算法的实现
• 5.5 故障诊断模块的界面设计和功能实现
• 5.6 总结
• 6 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 附录1 THHT 中关键代码