基于多特征提取与核极限学习机的汽轮机转子故障诊断

针对汽轮机转子发生的典型故障,提出一种基于多特征提取和核主元分析的核极限学习机诊断模型。首先,对测取到的各典型故障时的振动信号进行变分模态分解,获得不同尺度固有模态函数;其次,对各固有模态函数计算特征能量和样本熵组成特征向量;最后,对特征向量采用核主元分析法进行去噪和降维,并将其作为输入进行核极限学习机(遗传算法优化)模型的训练和测试。与基于单一特征向量的模型相比,多种特征提取能够增强模型的输入特征,而核主元分析方法能够明显减少信息冗余和特征向量的相关性,且节约时间成本,在一定程度上提高模型的预测性能,为汽轮机转子故障的诊断研究提供一种新的思路。