基于多重分形谱及支持向量机的水电机组轴系故障识别

doi:10.3969/j.issn.1008-0198.2022.05.020

湖南电力 ›› 2022, Vol. 42 ›› Issue (5): 114-118.doi: 10.3969/j.issn.1008-0198.2022.05.020

基于多重分形谱及支持向量机的水电机组轴系故障识别

孟繁聪¹, 吉俊杰¹, 薛小兵¹, 姚航宇¹, 胡飞², 潘伟峰², 白亮³

1.华东宜兴抽水蓄能有限公司,江苏宜兴 214205;
2.南瑞集团有限公司(国网电力科学研究院有限公司),江苏南京 211000;
3.西安理工大学,陕西西安 710048

收稿日期:2022-08-05 出版日期:2022-10-25 发布日期:2022-11-16
基金资助:
国网新源控股有限公司科技项目(SGXYKY-2020-031)

Identification of Hydropower Unit Shafting Fault Based on Multifractal Spectrum and Support Vector Machine

MENG Fancong¹ , JI Junjie¹, XUE Xiaobing¹, YAO Hangyu¹, HU Fei², PAN Weifeng², BAI Liang³

1. East China Yixing Pumped Storage Power Co. Ltd.,Yixing 214205,China;
2. NARI Group Corporation(State Grid Electric Power Research Institute), Nanjing 211000, China;
3. Xi′an University of Technology, Xi′an 710048,China

Received:2022-08-05 Online:2022-10-25 Published:2022-11-16

摘要/Abstract

摘要： 针对水电机组轴系振动故障诊断,提出多重分形谱和支持向量机相结合的故障分类识别方法。该方法首先利用多重分形谱算法提取振动信号的特征数据,然后将该特征数据作为支持向量机的输入向量来实现故障的分类识别。实验数据表明,该方法能比较准确地识别轴系常见故障,为水电机组轴系故障智能识别提供了一种新的思路。

关键词: 水电机组, 多重分形, 支持向量机, 故障识别

Abstract: A method based on multifractal spectrum and support vector machine is proposed for fault identification of shafting system of hydropower units. Firstly, the multifractal spectrum algorithm is used to extract the feature data of vibration signals, and then the feature data is used as the input vector of support vector machine to realize the fault classification. The experimental data show that the method can accurately identify the common shafting faults, and provide a new method for the intelligent identification of shafting faults of hydropower units.

Key words: hydropower unit, multifractal, support vector machine, fault identification

中图分类号:

TV738

孟繁聪, 吉俊杰, 薛小兵, 姚航宇, 胡飞, 潘伟峰, 白亮. 基于多重分形谱及支持向量机的水电机组轴系故障识别[J]. 湖南电力, 2022, 42(5): 114-118.

MENG Fancong , JI Junjie, XUE Xiaobing, YAO Hangyu, HU Fei, PAN Weifeng, BAI Liang. Identification of Hydropower Unit Shafting Fault Based on Multifractal Spectrum and Support Vector Machine[J]. Hunan Electric Power, 2022, 42(5): 114-118.

参考文献

[1]刘晓亭, 冯辅周.水电机组运行设备监测诊断技术及应用[M].北京:中国水利水电出版社, 2010:243.
[2]戴维·哈特. 重分形:理论与应用[M].北京:科学出版社,2012.
[3]徐玉秀,钟建军,刘薇,等. 基于广义分形的旋转机械故障诊断识别与分类[J].辽宁工程技术大学学报,2005,24(4):591-594.
[4]吕志民,徐金梧,翟绪圣.分形维数及其在滚动轴承故障诊断中的应用[J].机械工程学报, 1999(2):88-91.
[5]李兵,张培林,任国全,等. 基于数学形态学的分形维数计算及在轴承故障诊断中的应用[J].振动与冲击,2010, 29(5):191-194.
[6]张鑫,赵建民,倪祥龙,等.基于多重分形降趋算法与改进的K均值聚类滚动轴承故障诊断[J].北京理工大学学报,2019,39(5):473-479.
[7]陈龙,邵梦博,孟相旭,等.滚动轴承振动信号的多重分形特性分析[J].轴承,2020(9):43-49,56.
[8]闫晓丽.基于数学形态学与混沌理论的滚动轴承故障诊断研究[D]. 北京:华北电力大学,2021.
[9]樊佶,齐咏生,高学金,等. 基于形态学多重分形的风电机组轴承故障诊断[J]. 振动、测试与诊断,2021,41(6):1081-1089.
[10]李东东,周文磊,郑晓霞,等. 基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究[J]. 电力系统保护与控制,2017,45(11):43-48.
[11]郭鹏程,孙龙刚,李辉,等. 基于多重分形谱和改进 BP 神经网络的水电机组振动故障诊断研[J]. 水力发电学报,2014,33(3):299-305.
[12]焦毛.基于多重分形谱和 SOM 神经网络的水电机组振动故障研究[D].西安:西安理工大学,2018.
[13]李辉,李欣同,贾嵘,等. 基于分形和概率神经网络的水电机组故障诊断[J]. 水力发电学报,2019,38(3):92-100.
[14]李小鹏,丁宣文,束洪春,等. 基于多重分形谱的交流输电线路故障识别方法[J]. 电力系统保护与控制, 2021,49(14):1-10.
[15]安宇晨. 基于多重分形与引力搜索算法的水电机组振动信号状态识别[D].武汉:武汉大学,2021.
[16]李精明,魏海军,魏立队,等.摩擦振动信号的经验模式分解和多重分形研究[J].振动与冲击,2016,35(3):198-203.
[17]李精明,魏海军,丁刚.基于多重分形的摩擦振动信号研究[J].润滑与密封,2017,42(7):37-42.
[18]王建国,张文兴. 支持向量机建模及其智能优化[M]. 北京:清华大学出版社,2015.
[19]亓晓燕,刘恒杰,侯秋华,等.融合LSTM 和 SVM 的钢铁企业电力负荷短期预测[J].山东大学学报(工学版),2021,51(4):91-98.
[20]Chhabra Ashvin, Roderick V Jensen.Direct determination of the f(a) singularity spectrum[J]. Physical Review Letters,1989, 62(12): 1327-1330.

基于多重分形谱及支持向量机的水电机组轴系故障识别

Identification of Hydropower Unit Shafting Fault Based on Multifractal Spectrum and Support Vector Machine

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 1

编辑推荐

Metrics

本文评价