排序方式: 共有15条查询结果,搜索用时 15 毫秒
11.
提出了一种基于多维特征和多分类器的水电机组故障诊断方法。通过提取水电机组不同状态下振动信号的时域特征、频域特征和集合经验模态分解-样本熵,构建多维特征,实现特征信息的多维互补,并利用遗传算法对构建的多维特征进行降维处理。以此多维特征作为分类器的输入,分别通过支持向量机、反向传播神经网络和朴素贝叶斯分类器进行故障诊断,将三种分类器的初步诊断结果进行融合得到最终诊断结论,从而提高水电机组故障诊断的准确率。为验证该方法的有效性,将转子不平衡、转子不对中、转子碰磨等故障在转子试验台上进行模拟,并用上述方法进行诊断,结果表明,较单维特征和单分类器,多维特征输入和多分类器融合的故障诊断准确率更高。 相似文献
12.
13.
14.
混流式水轮机尾水管压力脉动是影响水电机组稳定性的重要因素,监测和识别尾水管涡带状态对于保障水电机组的安全稳定运行十分必要。为此,采用能有效表征信号时频域特性的小波系数云图作为特征图像,并结合卷积神经网络对图像拓扑结构的良好适应性,将图像智能识别技术引入尾水管涡带状态识别领域,提出了基于连续小波变换与卷积神经网络的尾水管涡带状态识别方法,实现了时频图纹理特征的自动提取,避免了人工辨识并简化了特征预处理程序,能迅速准确识别尾水管涡带状态。根据某水电站单机容量200 MW的混流式机组变负荷试验数据对该方法进行实例验证,结果证明了其有效性。 相似文献
15.