本文關鍵詞：基于多分類相關向量機的水電機組振動故障診斷，由筆耕文化傳播整理發(fā)布。

第34 卷 第17 期 中 國 電 機 工 程 學 報 Vol.34 No.17 Jun.15, 2014 2014 年6 月15 日 Proceedings of the CSEE ?2014 Chin.Soc.for Elec.Eng. 2843 DOI ：10.13334/j.0258-8013.pcsee.2014.17.013 文章編號：0258-8013 2014 17-2843-08 中圖分類號：TP 18 ；TM 311 基于多分類相關向量機的水電機組振動故障診斷 1 1 1 2 1 易輝 ，梅磊 ，李麗娟 ，劉宇芳 ，袁宇浩 1．南京工業(yè)大學自動化與電氣工程學院，江蘇省 南京市 211816 ； 2．國電環(huán)境保護研究院，江蘇省 南京市 210031 Vibration Fault Diagnosis for Hydroelectric Generating Units Using the Multi-class Relevance Vector Machine 1 1 1 2 1 YI Hui , MEI Lei , LI Lijuan , LIU Yufang , YUAN Yuhao 1. College of Automation and Electronic Engineering，Nanjing University of Technology, Nanjing 211816, Jiangsu Province, China; 2. Guodian Institute of Environmental Protection, Nanjing 210031, Jiangsu Province, China ABSTRACT: The functions between vibrating fault symptoms 性關系，傳統(tǒng)方法難以描述。當前研究常采用模式識別方法， and their causes for hydroelectric generating units are 如支持向量機、神經(jīng)網(wǎng)絡等實現(xiàn)振動故障診斷。該文在現(xiàn)有 nonlinear, and are hard to be described by conventional 研究基礎上，引進相關向量機 relevance vector machine ， approaches. One usual method for the vibrating fault diagnosis RVM 對診斷過程進行改進。相比傳統(tǒng)方法，該文所提方法 is to use the pattern recognition approaches like the support 在學習過程中參數(shù)設置簡單，，在輸出結果時給出了分類的可 vector machine and neural networks. Following the current 靠性，適合實際工程應用。同時，該方法在決策過程中，能 work, we proposed the Relevance Vector Machine RVM 夠根據(jù)訓練數(shù)據(jù)分布情況，自動選取決策結構，進一步提高 based approach to optim

  本文關鍵詞：基于多分類相關向量機的水電機組振動故障診斷，由筆耕文化傳播整理發(fā)布。