【摘要】：針對水電機組振動信號的非平穩(wěn)性和特殊性,提出一種基于集合經(jīng)驗模態(tài)分解(EEMD)的奇異譜熵和自組織特征映射網(wǎng)絡(SOM)相結合的故障診斷方法。首先采用EEMD對振動信號進行分解,得到本征模態(tài)函數(shù)(IMF);隨后進行奇異譜分解,得到反映振動信號的動態(tài)特征向量——奇異譜熵;最后將得到的特征向量輸入經(jīng)過訓練的SOM神經(jīng)網(wǎng)絡中進行故障自動識別。結果表明:該方法可以準確地提取機組故障特征,具有更高的識別精度和更快的計算速度。
[Abstract]:In view of the non-stationarity and particularity of the vibration signals of hydroelectric generating units, a fault diagnosis method based on the singular spectral entropy and the self-organizing feature mapping network (SOM) based on the set empirical mode decomposition (EEMD) is proposed. Firstly, the vibration signal is decomposed by EEMD, then the eigenmode function (IMF); is decomposed by singular spectrum, and the dynamic eigenvector-singular spectral entropy is obtained. Finally, the obtained eigenvector is input to the trained SOM neural network for automatic fault identification. The results show that this method can accurately extract the fault features of the unit and has higher recognition accuracy and faster calculation speed.
【作者單位】： 西安理工大學水利水電學院;
【基金】：國家自然科學基金(51209172)
【分類號】：TV738

【參考文獻】

相關期刊論文 前10條

1 安周鵬;肖志懷;陳宇凡;孫召輝;唐衛(wèi)東;;小波包能量譜和功率譜分析在水電機組故障診斷中的應用[J];水力發(fā)電學報;2015年06期

2 薛浩然;張珂珩;李斌;彭晨輝;;基于布谷鳥算法和支持向量機的變壓器故障診斷[J];電力系統(tǒng)保護與控制;2015年08期

3 王軍輝;賈嶸;譚泊;;基于EEMD和模糊C均值聚類的風電機組齒輪箱故障診斷[J];太陽能學報;2015年02期

4 王賀;胡志堅;張翌暉;李晨;楊楠;王戰(zhàn)勝;;基于聚類經(jīng)驗模態(tài)分解和最小二乘支持向量機的短期風速組合預測[J];電工技術學報;2014年04期

5 朱文龍;周建中;肖劍;肖漢;李超順;;獨立分量分析 經(jīng)驗模態(tài)分解特征提取在水電機組振動信號中的應用[J];中國電機工程學報;2013年29期

6 王賀;胡志堅;陳珍;仉夢林;賀建波;李晨;;基于集合經(jīng)驗模態(tài)分解和小波神經(jīng)網(wǎng)絡的短期風功率組合預測[J];電工技術學報;2013年09期

7 蘇立;南海鵬;余向陽;吳羅長;王瑾;;基于改進閾值函數(shù)的小波降噪分析在水電機組振動信號中的應用[J];水力發(fā)電學報;2012年03期

8 蘇立;南海鵬;余向陽;吳羅長;王瑾;;基于集合經(jīng)驗模態(tài)分解與Wigner-Ville分布的水輪機振動特征信號的分析研究[J];水力發(fā)電學報;2012年02期

9 羅興，

本文編號：2231012