基于模糊K近邻支持向量数据描述的水电机组振动故障诊断研究

作     者：付文龙 周建中 李超顺 肖汉 肖剑 朱文龙 FU Wenlong;ZHOU Jianzhong;LI Chaoshun;XIAO Han;XIAO Jian;ZHU Wenlong

作者机构：华中科技大学水电与数字化工程学院湖北省武汉市430074 

出 版 物：《中国电机工程学报》 (Proceedings of the CSEE)

年 卷 期：2014年第34卷第32期

页      面：5788-5795页

核心收录：

学科分类：12[管理学] 080801[工学-电机与电器] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(51239004 51079057) 高等学校博士学科点专项科研基金(20100142110012) 

主　　题：支持向量数据描述(SVDD) K近邻(KNN) 模糊阈值 不平衡 故障诊断 

摘      要：水电机组振动故障诊断中常面临样本稀缺及分布不均匀、不平衡等问题,严重影响诊断结果。针对此类问题提出一种基于模糊K近邻(K nearest neighbor,KNN)支持向量数据描述(support vector data description,SVDD)的故障诊断模型。首先利用核变换将故障样本映射到高维特征空间,并采用SVDD提取不平衡故障样本域的边界支持向量样本,构建基于相对距离模糊阈值和KNN的决策规则,最终在此基础上建立机组故障诊断模型。用该模型对经过不平衡处理的国际标准测试数据样本进行测试实验,并与支持向量机(support vector machine,SVM)及目前应用较多的SVDD模型的分类结果进行对比,结果表明该模型可有效解决不平衡样本分类倾斜性问题。最后,将模型用于某水电厂机组振动故障诊断,取得了较高的诊断精度,证明了该方法的有效性。