特征加權(quán)組稀疏模式分析算法及其在水電機組故障診斷中的應(yīng)用.pdf

1、水電機組作為小水電生產(chǎn)過程中的核心設(shè)備，它的運行狀況直接關(guān)系到水電廠的安全，同時也關(guān)系到水電廠能否向電網(wǎng)提供可靠電力。由于水電機組具有構(gòu)造復(fù)雜，機組運行呈季節(jié)性，異常振動誘發(fā)因素多等特點，日益影響著電網(wǎng)的安全穩(wěn)定運行。因此，對水電機組進行運行狀態(tài)監(jiān)測和故障診斷，以確保水電機組更為穩(wěn)定的運行，并且最大程度提高發(fā)電效益，具有十分重要的意義。
　　傳統(tǒng)的故障診斷算法主要基于專業(yè)技術(shù)人員的經(jīng)驗和知識來推理診斷。這種過分依賴于個人經(jīng)驗和知識

2、的算法目前仍在水電機組故障診斷中占主導(dǎo)地位，其弊端是顯而易見的。因此，必須提高設(shè)備故障診斷的自動化和智能化程度，實現(xiàn)對設(shè)備的高效、可靠的智能診斷。
　　本文研究內(nèi)容主要針對水電機組故障診斷問題，研究并設(shè)計適合水電機組故障診斷的加權(quán)組稀疏模式分析系列算法，同時構(gòu)建故障診斷系統(tǒng)，具體工作包含以下4個方面：
　?。?）針對水電機組噪聲樣本輸入數(shù)據(jù)結(jié)構(gòu)非線性以及小樣本問題，提出了一種改進的核化判別公共向量降維算法，稱為高效核化判別公

3、共向量算法。該算法的優(yōu)勢主要包括：能夠有效地解決數(shù)據(jù)非線性分布帶來的鑒別難點，同時通過公共向量的引入解決了小樣本問題，提升后續(xù)模式分類器的鑒別效果。
　?。?）針對水電機組噪聲樣本數(shù)據(jù)易丟失信息和含干擾信息等問題，提出了特征加權(quán)組稀疏模式分析算法。該算法結(jié)合各類重構(gòu)冗余以及樣本距離測度逼近樣本分布結(jié)構(gòu)，并兼顧特征加權(quán)因子進行奇異點剔除，從樣本和特征兩方面減少重構(gòu)表示誤差；實驗證明算法兼顧了稀疏性、標簽信息、特征貢獻因素以及局部結(jié)構(gòu)

4、信息。
　?。?）為有效地解決樣本數(shù)據(jù)丟失以及樣本維數(shù)過高導(dǎo)致的鑒別效率和樣本外問題，將降維技術(shù)應(yīng)用到特征加權(quán)組稀疏模式分析算法中，提出特征加權(quán)組稀疏判別投影模式分析算法。以特征加權(quán)組稀疏為基礎(chǔ)進行編碼系數(shù)求解，并計算特征加權(quán)約束的類內(nèi)重構(gòu)散度矩陣和類間重構(gòu)散度矩陣。實驗該算法證明在減少計算復(fù)雜的同時，提高了算法識別能力。
　?。?）提出了水電機組故障診斷系統(tǒng)的設(shè)計方案，包括水電機組故障診斷單元設(shè)計、機組現(xiàn)地控制單元設(shè)計和上