关键词:
高压调门油动机
支持向量数据描述(SVDD)异常检测
支持向量机(SVM)故障诊断
状态监测系统
摘要:
在高压调门油动机的运行监控中,由于正常状态的样本远多于故障样本,故障数据稀缺且采集相对困难,此外还存在故障发生的不确定性,传统的监测方法难以有效应用。对此,提出了一种基于支持向量数据描述(support vector data description,SVDD)异常检测和支持向量机(support vector machine,SVM)故障诊断的高压调门油动机状态监测系统。首先,从原始数据中提取时域(time domain,T)、频域(frequency domain,F)和时频域小波包子带能量(wavelet packet subband energy,W)特征,并通过特征融合及归一化的方式形成新的多维融合特征向量TFW。随后,采用卷积神经网络(convolutional neural network,CNN)对TFW进行深层次挖掘,生成更具表现力的特征TFWCNN,以此作为SVDD和SVM模型的输入。搭建了高压调门油动机故障模拟试验台,用以采集数据并验证该方法的有效性。研究结果表明:在三个具有不同阀位开度的高压调门油动机动态数据集上,SVDD异常检测的F1分数分别达到0.9991、0.9978和0.9760;SVM故障诊断的F1分数分别为0.9988、0.9950和0.9867;不仅说明该方法在高压调门油动机的状态监测中表现出的优异性能,同时也说明深度TFWCNN特征在高压调门油动机状态监测中的有效性和准确性;还为类似的汽轮机状态监测诊断系统提供了一种有效的技术方案。