基于最小最大核K均值聚类算法的水电机组振动故障诊断.pdfVIP

第43卷 第 5期 电力 系统保护 与控制 V_01．43NO．5 2015年 3月 1日 PowerSystem ProtectionandContro1 Mar．1，2015 基于最小最大核 K均值聚类算法的水电机组 振动故障诊断 张孝远 ，张新萍 ，苏保平 (1．河南工业大学电气工程学院，河南 郑州 450001；2．许继集团有限公司，河南 许昌 461ooo) 摘要：基于聚类分析的故障诊断方法能够按照故障样本之问的相似性无监督地将同类故障聚为一簇，当前已成为 一 类有效的故障诊断策略。为解决传统聚类算法受初始聚类中心的影响，易陷入局部最优解的问题，提出一种最 小最大核K均值聚类方法。该方法在聚类过程中为簇 内方差赋以与其大小成正比的自动修正的权重，并引入核函 数技术以处理低维输入空间的线性不可分问题 ，大大提高了聚类的精确性。在标准数据上将所提方法与标准 K—means及 K—means++~L较，显示了所提算法的有效性和优越性。基于这一聚类方法提出了一种具有 自学习能力 的故障诊断模型。将该诊断模型应用于水电机组振动故障诊断，实例验证了模型的可行性。 关键词：水电机组；振动；故障诊断；最小最大K均值聚类；核函数 Vibrantfaultdiagnosisforhydro-turbinegeneratingunitusingminmaxkernel — K-meansclusteringalgorithm ZHANGXiaoyuan，ZHANG Xinping，SU Baoping (1．CollegeofElectricalEngineering，HenanUniversityofTechnology,Zhengzhou450001，China； 2．XJGroupCorporation，Xuchang461000，China) Abstract：Faultdiagnosismethodsbasedonclusteringanalysiscanclusterthefaultsamplesintoacertainclassaccording totheirsimilaritieswithoutsupervision，andthusbecomeonetypeofeffectivefaultdiagnosisstrategy．Toovercomethe problem thattraditionalclusteringmethodsaresusceptibletohteinitialclusteringcenters，andthuspoorlocaloptimais easily obtained，aM inMax kernelK-meansclustering algorithm isintroduced．Intheproposedmethod clustersare ， assignedweightsrelmivetotheirvariances．Andkerneltrickisintroducedtodealwithlinearinseparableproblem ininput space．TheproposedmethodiscomparedwithhtetraditionalK—meansandK-means++insomeinternationalstandard datasets．Thecomparisonresultsshow itseffe~ivenessandadvantage．Then，afaultdia