基于多分类器组合的水电机组故障诊断.docx

水力发电桃电与金属结构第39卷第4期2013年4月

水力发电

桃电与金属结构

基于多分类器组合的水电机组故障诊断

田源1,2,张彼德1,邹江平1,吴华丰2,陈笑2,师鹏2

(1.西华大学电气信息学院，四川成都610039;

2.国电四川电力股份有限公司南桠河发电厂，四川雅安625000)

摘要：为提高水电机组故障诊断的准确性，提出了多分类器组合的故障诊断方法。对朴素贝叶斯分类器(NBC)进行了基于属性相似度的加权改进得到基于属性相似度的加权朴素贝叶斯分类器(SWNBC),并应用基于Fisher加权的朴素贝叶斯分类器(FWNBC),与支持向量机分类器(SVM)组合成为SWNBC+FWNBC+SVM多分类器组合模型，以小波包提取的相关频带能量作为输入特征向量，应用组合模型对水电机组故障进行诊断，采用多数投票法来决定最终的故障类型。实验结果表明该模型相对于单一的分类器，能有效提高识别故障的精度。

关键词：水电机组；故障诊断；朴素贝叶斯；加权贝叶斯；支持向量机

FaultDiagnosisofHydro-generatingUnitBaseonCombinedClassifier

TIANYuan12,ZHANGBide1,ZOUJiangping,WUHuafeng2,CHENXiao2,SHIPeng2

(1.SchoolofElectricalandInformationEngineering,XihuaUniversity,Chendu610039,Sichuan,China2.GuodianSichuanElectricPowerCo.Ltd.NanyaheHydroelectricPlant,Yaan625000,Sichuan,China)

Abstract:Anewmethodisproposedtodiagnosehydro-generatingunitfaultsbasedoncombinedclassifierforimprovingtheaccuracyoffaultdiagnosis.TheAttributeSimilarityWeightedNaiveBayesClasifier(SWNBC)whichisobtainedfromtheweightedimprovementofNaiveBayesClasfier(NBC)basedonattributesimilarity,theFisherWeightedNaiveBayesClassifier(FWNBC)whichisfisher-weightedandtheSupportVectorMachine(SVM)iscomposedascombinedclassfierSWNBC+FWNBC+SVM.Aftertakingrelatedbandenergywhichextractedbywaveletpacketasinputcharacteristicvector,thecombinedclasifierisusedtodiagnosethefaultsofhydro-generatingunit,andtheballotisusedtodeterminethefinalfaulttype.Thesimulationexperimentshowsthatthemodelisbetterthanthesingleclassifierandcaneffectivelyidentifyfaults.

KeyWords:hydro-generatingunit;faultdiagnosis;NaiveBayesClassifier;WeightedNaiveBayesClassifier;SupportVectorMachine

中图分类号：TK73;TP18文献标识码：A文章编号：0559-9342(2013)04-0051-04

0引言

水电机组的故障诊断系统是水电站发电机组的重要组成部分。绝大多数水电机组故障都以振动征兆形式表现出来，目前大多水电机组故障诊断系统都是对水电机组的振动信号进行处理，从中提取反映振动原