电力系统保护与控制
電力繫統保護與控製
전력계통보호여공제
POWER SYSTM PROTECTION AND CONTROL
2015年
5期
27-34
,共8页
水电机组%振动%故障诊断%最小最大K均值聚类%核函数
水電機組%振動%故障診斷%最小最大K均值聚類%覈函數
수전궤조%진동%고장진단%최소최대K균치취류%핵함수
hydro-turbine generating unit%vibration%fault diagnosis%minmax K-means clustering algorithm%kernel function
基于聚类分析的故障诊断方法能够按照故障样本之间的相似性无监督地将同类故障聚为一簇,当前已成为一类有效的故障诊断策略.为解决传统聚类算法受初始聚类中心的影响,易陷入局部最优解的问题,提出一种最小最大核K均值聚类方法.该方法在聚类过程中为簇内方差赋以与其大小成正比的自动修正的权重,并引入核函数技术以处理低维输入空间的线性不可分问题,大大提高了聚类的精确性.在标准数据上将所提方法与标准K-means及K-means++比较,显示了所提算法的有效性和优越性.基于这一聚类方法提出了一种具有自学习能力的故障诊断模型.将该诊断模型应用于水电机组振动故障诊断,实例验证了模型的可行性.
基于聚類分析的故障診斷方法能夠按照故障樣本之間的相似性無鑑督地將同類故障聚為一簇,噹前已成為一類有效的故障診斷策略.為解決傳統聚類算法受初始聚類中心的影響,易陷入跼部最優解的問題,提齣一種最小最大覈K均值聚類方法.該方法在聚類過程中為簇內方差賦以與其大小成正比的自動脩正的權重,併引入覈函數技術以處理低維輸入空間的線性不可分問題,大大提高瞭聚類的精確性.在標準數據上將所提方法與標準K-means及K-means++比較,顯示瞭所提算法的有效性和優越性.基于這一聚類方法提齣瞭一種具有自學習能力的故障診斷模型.將該診斷模型應用于水電機組振動故障診斷,實例驗證瞭模型的可行性.
기우취류분석적고장진단방법능구안조고장양본지간적상사성무감독지장동류고장취위일족,당전이성위일류유효적고장진단책략.위해결전통취류산법수초시취류중심적영향,역함입국부최우해적문제,제출일충최소최대핵K균치취류방법.해방법재취류과정중위족내방차부이여기대소성정비적자동수정적권중,병인입핵함수기술이처리저유수입공간적선성불가분문제,대대제고료취류적정학성.재표준수거상장소제방법여표준K-means급K-means++비교,현시료소제산법적유효성화우월성.기우저일취류방법제출료일충구유자학습능력적고장진단모형.장해진단모형응용우수전궤조진동고장진단,실례험증료모형적가행성.
