原创力文档- 1、本文档共10页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
西北水电·
西北水电·2013年·第3期
机电与金属结构
文章编号：1006—2610(2013)03—0058—04
基于支持向量机方法的水电机组状态识别
杜洪斌1,张雷2,李明桥3,侯纪坤3,白亮
(1.大唐(老挝)萨拉康水电有限公司，万象；2.西安电力高等专科学校，西安710032;
3.中国水电顾问集团西北勘测设计研究院，西安710065;4.西安理工大学，西安710048)
摘要：模式识别理论是水电机组状态识别与故障诊断的基础，通过选择不同类型的分类器来实现模式识别。支持向量机(SVM)算法有效地改善了传统分类方法的缺陷，具有较强理论依据，适合小样本的模式识别分类。结合水电机组振动信号特点，采用Hilbert-Huang变换对信号做前期处理，以IMF函数能量值为基本元素构造特征向量，将特征向量输入SVM进行模式识别。结果表明对于小样本分类，SVM方法简单有效，切实可用。
关键词：支持向量机；分类器；模式识别；状态检修；统计学习理论；结构风险；广义最优分类面中图分类号：TK73文献标识码：A
IdentificationofStatusofTurbine-GeneratorUnitBasedonSupportVectorMachineMethod
DUHong-bin1,ZHANGLei2,LIMing-qiao3,HOUJi-kun3,BAILiang4
(1.Datang(Laos)SanakhamHydropowerCo.,Lad.,Vientiane;2.XianElectricPowerCollege,Xian710032,China;
3.HYDROCHINAXibeiEngineeringCorporation,Xian710065,China;4.XianUniversityofTechnology,Xian710048,China)
Abstract:Thetheoryonthemodeidentificationisthebaseforthestatusidentificationandfaultdiagnosingoftheturbine-generatorunit.
Theclassifiersindifrenttypesareselectedtorealizethemodeidentification.Thesupportvectormachine(SVM)methodffectivelyo-vercomesdemeritsoftheconventionalclassifyingmethods.Themethodiswithstrongertheoreticalbasisandapplicabletotheclasifica-tionofthemodeidentificationwithsmallsamples.Incombinationwithfeaturesofthevibratingsignalsoftheturbine-generatorunit,theHilbert-Huangconversionisapliedtohandlethesignalatfirst;then,theIMFfunctionalenergyvalueisutilizedasthebasicelementtoformthecharacteristicvector.Finally,thecharacteristicvectorisinputintoSVMforthemodeidentfication.ThestudyresultsshowthattheSVMmethodissimple,effectiveandpracticalfortheclassificationwithsmallsamples.
Keywords:supportvectormachine;classfier;modeidentification;statusinspectionandmaintenance;staticlearningtheory;structuralrisk;generalizedoptimumclassifyingplane
0前言
中国水电厂长期实
文档评论（0）