發(fā)布時間：2018-03-21 18:23

  本文選題：水電機組　切入點：故障診斷　出處：《西北農林科技大學學報(自然科學版)》2017年02期 　論文類型：期刊論文

【摘要】：【目的】研究水電機組振動故障診斷的方法,為水電機組狀態(tài)監(jiān)測提供一種新的信號處理方法。【方法】對水電機組的振動信號進行多小波變換,提取振動信號的特征向量,將此特征向量作為學習樣本輸入到經過粒子群優(yōu)化的徑向基神經網絡,通過訓練后建立頻譜特征向量和故障類型的映射關系,然后以測試樣本和多故障測試樣本為例進行應用檢驗�！窘Y果】優(yōu)化后的神經網絡在第30次迭代時就達到了目標值,而優(yōu)化前則需要56次迭代才能達到目標值。測試樣本的診斷結果和測試樣本的多故障診斷結果顯示,期望輸出與實際輸出基本一致,故障識別的正確率達到100%�！窘Y論】多小波-能量和經過粒子群優(yōu)化的RBF神經網絡結合的方法適用于水電機組的振動故障診斷,其診斷精度高,具有工程應用價值。
[Abstract]:[purpose] to study the method of vibration fault diagnosis of hydropower unit, and to provide a new signal processing method for condition monitoring of hydropower unit. [method] the vibration signal of hydropower unit is transformed by multi-wavelet transform, and the characteristic vector of vibration signal is extracted. The feature vector is input into the radial basis function neural network which is optimized by particle swarm optimization as a learning sample, and the mapping relationship between the spectrum eigenvector and the fault type is established after training. Then take test samples and multi-fault test samples for application test. [results] the optimized neural network reached the target value at the 30th iteration. Before optimization, 56 iterations are required to reach the target value. The diagnostic results of the test samples and the multi-fault diagnosis results of the test samples show that the expected output is basically the same as the actual output. [conclusion] the method of combining multi-wavelet energy with RBF neural network based on particle swarm optimization is suitable for vibration fault diagnosis of hydroelectric generating sets, which has high diagnostic accuracy and engineering application value.
【作者單位】： 西安理工大學水利水電學院;中國電建集團西北勘測設計研究院有限公司;
【基金】：國家自然科學基金項目(51209172,51279161) 陜西省自然科學基礎研究計劃項目(2010JK730)
【分類號】：TV738;TP183

【相似文獻】

相關期刊論文 前10條

1 高協(xié)平,周四望;正交平衡對稱的區(qū)間多小波研究[J];中國科學E輯:信息科學;2005年04期

2 徐濤;吳登峰;劉杰;魏連鑫;宋廣才;;多小波正交擴充算法在圖像處理中的應用[J];吉林大學學報(工學版);2006年05期

3 何永紅;文鴻雁;袁海蓮;;基于多小波的變形監(jiān)測信號處理[J];水電自動化與大壩監(jiān)測;2007年01期

4 張新;鄧彩霞;李智;;二重緊支撐對稱—反對稱多小波的構造[J];哈爾濱商業(yè)大學學報(自然科學版);2008年06期

5 馮阿芳;張新;鄧彩霞;;緊支撐對稱正交多小波的構造[J];哈爾濱理工大學學報;2009年03期

6 王紅君;賀鵬;趙輝;岳有軍;劉明明;;多小波對風機故障信號降噪處理的比較研究[J];化工自動化及儀表;2013年02期

7 何永紅;靳鵬偉;文鴻雁;;基于不同預處理的多小波在變形監(jiān)測數據處理中對比分析[J];工程勘察;2013年12期

8 曾怡達,劉志剛;利用多小波的電力系統(tǒng)信號重構分析[J];繼電器;2004年15期

9 毛一波;;廣義插值多小波[J];重慶大學學報(自然科學版);2007年03期

10 白婷婷;鄧彩霞;張立剛;;r重緊支撐對稱-反對稱正交多小波的構造[J];哈爾濱商業(yè)大學學報(自然科學版);2009年06期

相關會議論文 前2條

1 趙志宏;楊紹普;劉永強;;基于多小波的混沌信號降噪研究[A];第九屆全國動力學與控制學術會議會議手冊[C];2012年

2 王欣;龐云階;;基于多小波收縮與子帶增強的圖像去噪方法[A];中國儀器儀表學會第六屆青年學術會議論文集[C];2004年

相關博士學位論文 前7條

1 張彬;區(qū)間小波多小波及其在圖像處理中的應用研究[D];西安電子科技大學;2003年

2 盧娜;基于多小波的水電機組振動特征提取及故障診斷方法研究[D];武漢大學;2014年

3 鄭武;多小波在圖像及視頻編碼中的研究[D];華中科技大學;2007年

4 吳登峰;小波理論在數字圖像處理及無網格方法中應用的研究[D];吉林大學;2008年

5 李尤發(fā);Sobolev空間中的多小波框架理論和采樣定理[D];汕頭大學;2010年

6 周立儉;多小波構造方法研究及在圖像處理中的應用[D];中國海洋大學;2007年

7 唐笑年;基于BOR多小波分解系數特點的圖像數字水印技術研究[D];吉林大學;2009年

相關碩士學位論文 前10條

1 劉佳;基于多小波的高分辨率圖像與多光譜圖像融合研究[D];江蘇科技大學;2015年

2 申鵬;提升多小波在有限元法中的應用研究[D];西安建筑科技大學;2014年

3 黃燕;基于DSP Builder的信息的多小波分解的研究[D];內蒙古大學;2016年

4 蘇宇;Armlets多小波與剪切波的構造理論[D];新疆師范大學;2016年

5 張新;緊支撐多小波的構造[D];哈爾濱理工大學;2009年

6 李紅巖;正交對稱多小波的構造及其應用[D];北京交通大學;2010年

7 楊玉花;多小波的理論研究[D];陜西師范大學;2006年

8 章琳;多小波圖像去噪方法研究[D];江西財經大學;2006年

9 王委興;具有特定性質的多小波的構造及其在圖像處理中的應用[D];北京化工大學;2008年

10 趙英敏;a尺度r重區(qū)間多小波的構造及其平衡性的刻畫[D];北方民族大學;2010年

，

本文編號：1645021