基于EEMD和优化SVM的水电机组振动故障诊断.pdfVIP

囹监控与自动化 基于EEMD 和优化SVM 的水电机组 振动故障诊断 秦正飞，王煌，离磊，汪健 (昆明理工大学，云南省昆明市 650092 ) 摘要 针对水电机组故障具有渐变性等特征，提出了一种基于总体平均经验模态分解 (EEMD) 和优 化支持向量机( SVM) 相结合的水电机组故障智能诊断方法。 利用 EEMD 能对机组振动信号进行 自适应分解成若干本征模式分量 ( I MF) ，并能有效抑制经典经验模式分解( EMD) 的端点效应以 及模式混叠现象。 从 IMF 分量中提取出来的能量特征作为输入建立优化$VM. 以此来判断机组 的故障状态。 通过实例分析表明:建立的混合智能诊断方法的分类正确率高，能有效诊断机组存 在的故障。 关键词 :水电机组; EEMD ; 优化SVM ; 故障诊断 0 引言 自动有效地消除或减弱端点效应问题。 另外，针对SVM 的核函数选择是影响其性能 一般对故障信号所提取的特征大多是时频特征， 的一个重要因素，本文选取 RBF 核函数作为 SVM 水电机组的振动倍号本质上是非线性和非平稳的。 的分类核函数，其分类性能的影响参数主要有核参 小波分析曾在处理该类信号上有一定优势，但它在 数和惩罚参数。为了避免SVM 参数选择的盲目性， 应用中存在着两个不足:首先，小波变换是一种傅 提高 SVM 的诊断能力，应用文献 [7] 中搞合人工鱼 里叶变换，能量的泄漏不可避免;其次，它在使用 时针对不同的问题不能自适应选取合适的基函数川。 群算法来优化 SVM 的参数。 美籍华人Norden E. Huangf2) 等人于 1998 年提出一种 基于此，本文提出基于EEMD 与优化SVM 相 时频分析方法一经验模态分解方法(empirical mode 结合的水电机组故障诊断方法。从振动信号的IMF decomposition , EMD) , EMD方法克服了小波变换的 分量中提取出来的能量特征作为支持向盘机的输入， 判断机组的工作状态和故障类型。 不足，能够对给定信号基于信号自身的特点进行自 适应的多分辨率分解。但EMD 在端点效应(3) 上存 在不足;另外， EMD 可能产生虚假的本质模式函数。 1 SVM核参数的优化 为了解决这个问题， WU(4) 等人在EMD分解研究的 1.1 SVM 概念 基础上，提出了总体平均模态分解的方法。该方法 支持向撞机(Support Vector Machine , SVM) 于 1995 年由 V. Vapnik[SJ 等人提出，是建立在统计学习 通过在待分析信号中添加有限的自噪声的方法可以 67 ~~.抽水蓄银 第2* .1 栩{且.5期} Hy毡回坤wtr and P\皿~s，...， Vol.2 胁1(Ser.5) 2016 年2 月 20 日 FebuaIy.20.20崎 理论基础之