基于多分类相关向量机的水电机组振动故障诊断.pdfVIP

第34 卷 第17 期 中 国 电 机 工 程 学 报 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 文章编号：0258-8013 (2014) 17-2843-08 中图分类号：TP 18 ；TM 311 基于多分类相关向量机的水电机组振动故障诊断 1 1 1 2 1 易辉 ，梅磊 ，李丽娟 ，刘宇芳 ，袁宇浩 (1．南京工业大学自动化与电气工程学院，江苏省 南京市 211816 ； 2．国电环境保护研究院，江苏省 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 性关系，传统方法难以描述。当前研究常采用模式识别方法， and their causes for hydroelectric generating units are 如支持向量机、神经网络等实现振动故障诊断。该文在现有 nonlinear, and are hard to be described by conventional 研究基础上，引进相关向量机(relevance vector machine ， approaches. One usual method for the vibrating fault diagnosis RVM)对诊断过程进行改进。相比传统方法，该文所提方法 is to use the pattern recognition approaches like the support 在学习过程中参数设置简单，在输出结果时给出了分类的可 vector machine and neural networks. Following the current 靠性，适合实际工程应用。同时，该方法在决策过程中，能 work, we proposed the Relevance Vector Machine (RVM) 够根据训练数据分布情况，自动选取决策结构，进一步提高 based approach to optimize the diagnostic performance. 诊断的速度与准确性。将该文所提诊断方法用于水电机组振