论文部分内容阅读
现有水电机组故障诊断方法或着眼于由专家经验出发构建新的故障征兆提取算法,或依赖于机器自学习算法自动提取故障征兆。在本文欲将二者优势相结合,提出了一种基于卷积神经网络(CNN)的机器自学习及人工经验混合特征-极端梯度提升算法(XGBoost)的水电机组故障诊断方法,利用CNN自学习能力自动挖掘水电机组故障数据所隐藏的征兆指标,并与水电机组数据分析所常用的时域、频域人工指标相融合,构建高维的融合特征分量来表征水电机组振动特点,并通过特征筛选降维,消除特征间冗余信息。最终基于XGBoost分类算法识别故障类别,通过某电厂转轮室碰摩故障实测数据验证该方法能有效提高水电机组故障诊断精度。