考虑样本交叠的水电机组振动故障诊断.pdf

第４０卷第３期２０１２年２月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｏ１．４０ＮＯ．３Ｆｅｂ．１．２０１２考虑样本交叠的水电机组振动故障诊断张孝远，周建中，王常青，李超顺（华中科技大学水电与数字化工程学院，湖北武汉４３００７４）摘要：水电机组故障大多以振动的形式表现出来，其成因非常复杂，机组故障和振源缺乏非此即彼和一一对应的显明关系，故障样本存在交叠区域常规水电机组故障诊断分类器没有考虑分类问题的交叠区域，而处在交叠区域的样本的分类难度大，且含有不确定信息。针对这一问题，提出一种新的粗糙集与一对一多类支持向量机结合的诊断方法，该方法利用粗糙集基本理论对支持向量机的分类结果进行描述，对于可能存在样本交叠的分类间隔区域进行进一步处理诊断分两阶段进行，第一阶段采用粗糙集理论将故障样本划分为某类的上近似集、下近似集，属于下近似集的样本认为被确切分类。第二阶段，对于属于上近似集而不属于下近似集的样本，采用一种基于距离的可信度来判断其属于某一类的程度此分类方法考虑了水电机组故障模式中可能存在样本交叠的间隔区域，经数值试验和工程应用检验，更符合实际情况，且对于其他电力设备的故障诊断具有借鉴意义。关键词：水电机组；粗糙集；支持向量机；故障诊断；样本交叠Ｖｉｂｒａｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｈｙｄｒｏｅｌｅｃｔｒｉｃｇｅｎｅｒａｔｏｒｕｎｉｔｃｏｎｓｉｄｅｒｉｎｇｏｖｅｒｌａｐｐｉｎｇｆａｕｌｔｐａ￣ｅｒｎｓ—ＺＨＡＮＧＸｉａｏ－ｙｕａｎ，ＺＨＯＵＪｉａｎ－ｚｈｏｎｇ，ＷＡＮＧＣｈａｎｇｑｉｎｇ，ＬＩＣｈａｏ－ｓｈｕｎ（ＳｃｈｏｏｌｏｆＨｙｄｒｏｐｏｗｅｒａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００７４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆａｕｌｔｓｏｆｈｙｄｒｏｅｌｅｃｔｒｉｃｇｅｎｅｒａｔｏｒｕｎｉｔ（ＨＧＵ）ｍｏｓｔｌｙｍａｎｉｆｅｓｔｉｎｔｈｅｆｏｒｍｏｆｖｉｂｒａｔｉｏｎ，ａｎｄｉｔｓｇｅｎｅｓｉｓｉｓｖｅｒｙｃｏｍｐｌｅｘ．Ｔｈｅｍａｐｂｅｔｗｅｅｎｆａｕｌｔｓａｎｄｔｈｅｉｒｓｙｍｐｔｏｍｓｉｓｎｏｔｏｎｅ－ｔｏ－ｏｎｅ．Ｔｈｅｒｅｅｘｉｓｔｓｏｖｅｒｌａｐｐｉｎｇｐａ￣ｅｍｓｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒＨＧＵ．ＩｔｉｓｄｉｆｆｉｃｕｌｔｔｏｃｌａｓｓｉｆｙｔｈｅｏｖｅｒｌａｐｐｉｎｇｐａＲｅｍｓｗｈｉｃｈｍａｙｂｅｔａｋｅｏｎｓｏｍｅｉｎｔｅｒｅｓｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ｈｏｗｅｖｅ￣ｔｈｅｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｅｒｓｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒＨＧＵｄｏｎｏｔｃｏｎｓｉｄｅｒｏｖｅｒｌａｐｐｉｎｇｐａ￣ｅｍｓ．Ｆｏｒｔｈｅａｂｏｖｅｒｅａｓｏｎ．ａｎｅｗｈｙｂｒｉｄｍｅｔｈｏｄｏｆｒｏｕｇｈｓｅｔａｎｄ１－ｖ－１ｍｕｌｔｉ－ｃｌａｓｓＳＶＭｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃｏｎｄｕｃｔｓｉｎｔｗｏｐｈａｓｅｓ．Ｆｉｒｓｔｌｙ，ｉｔａｄｏｐｔｓｒｏｕｇｈｓｅｔｔｈｅｏｒｙｔｏｄｅｓｃｒｉｂｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ．Ｔｈｅｆａｕｌｔｓａｍｐｌｅｓａｒｅｃａｔｅｇｏｒｉｚｅｄａｓｔｈｅｌｏｗｅｒａｐｐｒｏｘｉｍａｔｉｏｎａｎｄｕｐｐｅｒａｐｐｒｏｘｉｍａｔｉｏｎｏｆｓｏｍｅｃｌａｓｓ．Ｔｈｅｓａｍｐｌｅｓｂｅｌｏｎｇｉｎｇｔｏｔｈｅｌｏｗｅｒａｐｐｒｏｘｉｍａｔｉｏｎａｒｅｒｅｇａｒｄｅｄａｓｄｅｆｉｎｉｔｅｌｙｃｌａｓｓｉｆｉｅｄ．Ｓｅｃｏｎｄｌｙ，ｆｏｒｔｈｅｓａｍｐｌｅｓｂｅｌｏｎｇｉｎｇｔｏｔｈｅｕｐｐｅｒａｐｐｒｏｘｉｍａｔｉｏｎａｎｄｎｏｔｂｅｌｏｎｇｉｎｇｔｏｔｈｅｌｏｗｅｒａｐｐｒｏｘｉｍａｔｉｏｎ，ａｒｅｌｉａｂｉｌｉｔｙｂａｓｅｄｏｎｓｏｍｅｄｉｓｔａｎｃｅｓｉｓａｐｐｌｉｅｄｔｏｄｅｓｃｒｉｂｅｔｏｗｈａｔｅｘｔｅｎｔｔｈｅｓａｍｐｌｅｂｅｌｏｎｇｉｎｇｔｏｏｎｅｃｌａｓｓ．ＡｔｌａｓｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｓｕｃｃｅｓｓｆｕｌｌｙａｐｐｌｉｅｄｉｎｄｉａｇｎｏｓｉｎｇｔｈｅｖｉｂｒａｎｔｆａｕｌｔｓｏｆａｎＨＧＵ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｃｌａｓｓｉｆｉｅｒｉｓｓｕｉｔａｂｌｅｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆＨＧＵ．Ａｎｄｉｔｏｆｆｅｒｓｒｅｆｅｒｅｎｃｅｓｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｏｔｈｅｒｐｏｗｅｒｅｑｕｉｐｍｅｎｔｓ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１０７９０５７）．Ｋｅｙｗｏｒｄｓ：ｈｙｄｒｏｅｌｅｃｔｒｉｃｇｅｎｅｒａｔｏｒｕｎｉｔ；ｒｏｕｇｈｓｅｔｓ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｏｖｅｒｌａｐｐｉｎｇｆａｕｌｔｐａｔｔｅｒｎｓ中图分类号：ＴＭ３１；ＴＰ１８文献标识码：Ａ文章编号：１６７４．３４１５（２０１２）０３．０００８．０７０引言水电机组是水力发电系统的核心设备，其健康状态直接影响整个电厂的运行状态，进而影响电力“”基金项目：国家自然科学基金项目（５１０７９０５７）；十一五国家科技支撑计划重大项目（２００８ＢＡＢ２９Ｂ０５，２００８ＢＡＢ２９Ｂ０８）系统的安全稳定运行，因而水电机组的状态检修与维护在水力发电系统中具有至关重要的地位。水电机组振动故障诊断技术是预测性和预防性状态检修的重要环节。对水电机组振动故障诊断开展研究具有重要意义。当前应用于水电机组智能故障诊断的方法主要有模糊诊断方法、神经网络故障诊断方法和专家系统诊断方法等¨Ｊ。模糊诊断技术由于能够张孝远，等考虑样本交叠的水电机组振动故障诊断．９．描述诊断对象的模糊信息，为水电机组振动故障诊断提供了一种有力工具，取得了较好的效果Ｊ，然而模糊诊断技术缺乏自我学习和经验自积累的能力，且模糊矩阵的建立难以把握。神经网络技术在一定程度上弥补了模糊诊断技术的不足，其具有自适应、可联想记忆、学习推理和自我修改及大规模并行计算的能力。但神经网络技术本身是大样本分析方法，其基于经验风险最小化，容易出现过学习，泛化能力较差且网络结构参数设置复杂【３Ｊ。支持向量机（Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）作为一种基于结构风险最小化的机器学习方法在解决小样本、非线性及高维模式识别中表现出许多特有的优势，具有良好的推广性能，近年来不少学者将其应用在水电机组及输电线路的故障诊断上，取得了良好的效果【５。９】。但是，ＳＶＭ对不确定数据的建模能力较差，不能够反映机组振动故障诊断中的故障征兆与振源的复杂映射关系。分类将某一样本非此即彼地判定为某类故障不符合客观实际，比如某些样本可能处在正常与故障之间的亚健康状态，或者某故障是几个振源引起的，显然以上故障诊断方法不能够诊断出这些不确定信息。因而亟待针对水电机组振动故障的特点设计出能够反映机组故障与征兆之间复杂映射关系及故障模式中的不确定信息的诊断方法。文献［１０．１２］将贝叶斯网络应用在水电机组及电网的故障诊断上取得了一定的效果，能够反映故障诊断中的不确定信息，但该方法需要一定的先验概率以及样本的分布概率，由于水电机组的故障样本维数较高，估计其概率分布十分困难，因此在实际应用中受到很大的限制。实际上，故障诊断的不确定信息大多反映在故障样本的交叠区域，即分类的边界区域，传统的分类器没有考虑分类边界区域的特殊意义。张孝远等Ｉ１采用粗糙１－Ｖ．１多类支持向量机进行水电机组振动故障诊断，该方法能够诊断出水电机组的亚健康状态，反映故障模式中的不确定信息，但文中所提方法的间隔区域过大，且没有给出处于间隔区域的故障样本属于某类故障的可信度。本文基于文献［１３】提出一种改进的粗糙１．ｖ．１多类支持向量机故障诊断方法。该方法运用粗糙集基本理论将支持向量机分类的结果划分为边界区域和非边界区域，将处于非边界区域的样本确切分类；然后对边界区域的样本计算其属于某一类的可信度。该方法能够缩小分类间隔区域，消除分类盲区，并对处在间隔区域的故障样本区别对待，给出其属于某类故障的程度。通过国际标准数据集实验，并将其应用于水电机组的振动故障诊断取得了较好的效果，能够反映分类的不确定信息及样本的故障程度，适合于水电机组的振动故障诊断，并能为其他电力设备的故障诊断提供借鉴。１改进的粗糙１－ｖ－｜多类支持向量机１．１粗糙１一ｖ一１多类支持向量机“—”Ⅳ１．ｖＩ方法针对类问题中的任意一个类别…对（）（泸１，，Ｊ７ｖ）构建一个支持向量机，共需构造Ｎ（Ｎ一１）／２个支持向量机。给定训练集｛１１），…∈∈），，（）ｃ批）），ｘｉＲ，Ｙｉ｛＋ｌ，一１），其中为ｍ维输入向量，），为对应输出。假定样本已经过某种核函数的映射化为线性可分的问题。以，ｗ＞表示ＳＶＭ输入向量Ｘ与权值向量的内积，ｂ表示偏置值，Ｙ为对应的输出，根据ＳＶＭ的原理，其通过寻找一个最优分类超平面：＜］ｃ，ｗ＞＋６＝０来实Ⅳ现样本分类。图１所示为类问题中的任意一个类别对（ｆＪ，）组成的支持向量机。假定类ｆ中样本的类别标号是＋１，类，中样本的类别标号是一ｌ。其中Ｈ为最优超平面，Ｈ１和Ｈ２为平行于的分类边界。定≥义ｂｌ使得（，Ｍ＋６１）０，对于所有的（ｘ，ｙ）ｅｓ至少存在一个训练样本使得ｙ＝ｌ时），（，ｗ＞＋６１）＝Ｏ；类似地，定义ｂ２使得（，ｗ＞＋６２）０，对于所有的（ｘ，ｙ）ｅＳ至少存在一个训练样本使得一１时ｙ（，ｗ＞＋６２）＝０。显然，ｂ１和ｂ２分别对应于分类间隔的上下边界Ｈ１和Ｈ２。此外，ｂ１和ｂ２的确定根据具体的问题可以通过给定一个置信水平，比如有９５％的样本被正确分类来确定【ｌ引。为简单说明问题，此处以支持向量机最大化间隔的边界值来确定。以尸ｆ『（ＰＯＳ３，Ｐｏ．（ＰＯＳｊ）￣Ｐｏ．（ＢＮＤ）分别表示样本属于类别ｉ和，的下近似集以及二者之间的边界区域的集合，则这一分类问题可以用如下３条规则来描述。≥∈Ｒ１：（，ｗ＞＋ｂ１）Ｏ，Ｐｏ．（ＰＯＳ３，即样本属于类别ｆ的下近似；≤∈Ｒ２．），（，ｗ＞＋６１）０，Ｐ，／（ＰＯＳｊ），即样本Ｘ属于类别，的下近似；∈Ｒ３：其余，Ｘ的类别归属不确定，Ｐ（ＢＮＤ），即Ｘ属于类别ｆ，，的边界区。Ⅳ１界域图１粗糙支持向量机分类示意图Ｆｉｇ．１ＲｏｕｇｈｓｅｔｂａｓｅｄＳＶＭｃｌａｓｓｉｆｉｅｒ・１０一电力系统保护与控制易得类ｆ的上近似为（尸）Ｕ（），类Ｊ的上近似为Ｐ￣ｊ（ＰＯＳｊ）Ｕ（ＢＮＤ）。对于每一个类别对（按（１）式计算第ｆ类的总的下近似Ａ（ｃｌａｓｓ）＝ＮＰ￣ｊ（ＰＯＳｉ）（１）＝１≠ｆ每一类的边界区域按式（２）来计算：Ａ（ｃｌａｓｓｉ）－Ａ＿（ｃｌａｓｓｆ）＝Ｕ￣（ＢＮＤ）－ＵＡ（ｃｌａｓｓｊ）（２）＝ｌ＝１≠ｆ进而一个类的上近似可按式ｆ３）计算：Ａ（ｃｌａｓｓｆ）＝ＵＰｉｊ（ＢＮＤ）－ＵＡ（ｃｌａｓｓ，）＋Ａ＿（ｃｌａｓｓｆ）（３），＝１＝１≠，ｆ１．２数值试验借助于Ｇｉｓｔ支持向量机工具【１６ｊ来说明采用上述算法进行分类时的流程。以著名的ｉｒｉｓ数据集［１为例。Ｉｒｉｓ以鸢尾花的特征作为数据来源，数据集包含１５０个数据，分为三类，每类５０个数据，每个数据包含４个属性：萼片长、萼片宽、花瓣长、花瓣宽，Ｉｒｉｓ数据集的第２类、第３类之间有重叠，图２是以花瓣宽和长为纵横坐标绘制的数据集的样本分布图。ＰｅｔａｌＷｉｄ出图２Ｉｒｉｓ数据集Ｆｉｇ．２Ｉｒｉｓｄａｔａｓｅｔ将Ｉｒｉｓ每一类中的前３Ｏ个共９０个样本作为训练样本；将每一类的后２０个共６０个样本作为测试样本。支持向量机选用高斯核函数，核函数宽度Ｏ－＝ｌ，惩罚系数Ｃ＝１０。表１示出第２类、第３类的部分分类结果。表１中第３列的权值可以标识该样本是否是支持向量，第４列是训练样本的分类结果，第５列给出样本的判别式，该判别式表征了样本到最大间隔超平面的距离，判别式值的正、负表明样本在超平面之上、下。表中样本按照判别式值降序排列。将被正确分类的最后一个正样本（样本７８）作为边界区域的起始位置；把被正确分类的第一个负样本（样本１１９）作为边界区域的终止位置。表１使用Ｇｉｓｔ１－ｖ－１对第２类、第３类的部分分类结果！呈！！型璺！鱼！：：２巳２１１１竺！竺兰垒壁查量茎型兰壑篁坌耋堕墨型型壅６８１ｏ１１．３０３５７ｌ０ｌ１．２９９●●●●●●●●●●７８１０．９５８７１０．４７２２１１１—１一１．９４７１０．０７６９４７３ｌ２．８５６－１—０．５７９１１９—１—０．５２４２—１—０．７１１１１ｌ３—１—０．４８２７一ｌ一０．７３０４ｌ０２—１０—１—１．１９１用３来表示第２类和第３类的分类判别式，依据ｓ的取值可以判别样本所属区域即：∈ｄ２３＿＞０．４７２２，则Ｐ２３（ＰＯ）；３一０．７１１１，则∈∈Ｐ２３（ＰＯＳ３）；一０．７１１１＜ｄ２３＜０．４７２２，贝０ＸＰ２３（ＢＮＤ）。类似地依次对第１类、第２类，第１类、第３类进行计算，其结果总结在表２中。表２总结对测试样本三类的分类结果Ｔａｂｌｅ２Ｓｕｍｍａｒｙｏｆ３ｃｌａｓｓｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ利用式（１）和式（３）组合表２中的结果可得到对未知样本的分类规则为∈Ｉｆｄ１２＞０．７６９１ａｎｄｄｌ３＞０．８１６４ｔｈｅｎＸＡ（ｃｌａｓｓ１）Ｉｆ２一０．６９９３ａｎｄｄ２３＞０．４７２２ｔｈｅｎＸＥＡ（ｃｌａｓｓ２）∈Ｉｆｄｌ３＜－０．７９５６ａｎｄｄ２３～０．７１１ｌｔｈｅｎｘＡ（ｃｌａｓｓ３）∈Ｉｆ２＞一０．６９９３ｏｒｄ１３＞一０．７９５６ｔｈｅｎＡ（ｃｌａｓｓ１）∈Ｉｆ２＜０．７６９ｌｏｒ３＞一０．７１１１ｔｈｅｎＡ（ｃｌａｓｓ２）∈Ｉｆｄｌ３＜０．８１６４ｏｒｄ２３＜０．４７２２ｔｈｅｎＡ（ｃｌａｓｓ３）采用这６条规则对６０个测试样本进行分类其结果如表３。张孝远，等考虑样本交叠的水电机组振动故障诊断表３对测试样本的分类结果类别归属。其中第ｌ类上近似间隔的样本为：４２，９９，１３９，１４２；第２类上近似间隔的样本为：４２，８４，９１，９９，１３１，１３２，１３３，１３４，１３６，１３８，１３９，１４０，１４２，１４６，１４７，１４８；第３类上近似间隔的样本为４２，８４，９１，１３１，１３２，１３３，１３４，１３６，１３８，１３９，１４０，１４２，１４６，１４７，１４８。１．３改进的粗糙卜ｖ－１多类支持向量机采用粗糙１．ｖ一１多类支持向量机进行分类，只有处在下近似集中的样本才认为被确切分类，在实际应用时由于每个类别的下近似是由式（１）中的各个类别对中该类的下近似集的交集组成，使得一部分原本可以正确分类的样本点落入到边界区域，导致分类边界区域过大，分类准确率降低；并且会出现某个样本同时属于多个类别的上近似集的情况，如上文的４２号样本即同时属于３个类的上近似集；另外由于采用１．ｖ．１方法实现支持向量机的多类分类时会有分类盲区的存在【ｌ引，该部分样本将难以分类。因此，针对以上问题，有必年间隔区域的样本点做进一步处理。根据第１．２节内容可知样本属于类别ｆ的下近似的规则的一般形式为…Ｉｆｉｎｅｑｌａｎｄｉｎｅｑ２ａｎｄｉｎｅｑｋｔｈｅｎｘ￣ｄ（ｃｌａｓｓｉ）（４）…其中：ｉｎｅｑ１ｉｎｅｑｋ为ｋ个不等式；ｋ的最大值为ＡＬ１。假设第类和第，类所形成的边界上的样本点距离第ｆ类和第，类之间最优超平面的距离值为，（即式（４）中条件部分不等式取等时的值），处在间隔区域内的样本点的距离值为，，那么根据规则，处于间隔区域内的样本点必然部分或全部不满足下近似规则条件部分的不等式。考虑到如果不满足不“”等式，可以计算出其不满足对应不等式的程度，采用间隔区域的样本点的各个距离值来对照…ｉｎｅｑ１ｉｎｅｑ等ｋ个不等式，满足，就令其距离该超平面的距离值为０，不满足则做差并求绝对值，然后求出该条规则中所有差值绝对值的和，取最小的判断为该类。假设满足某一不等式定义Ｌ，－＝－Ｉ，否则Ｌ，－－－Ｏ，则上述叙述可用式（５）表示。ｒｌ，ｔ…１一：ｊＩ一ｆｉｔＬｉ０ｒ５、１０ｉｆＬｉ＝１接下来可以用式（６）来判别该样本的进一步的广＝ａｒｇｍ！ｎ｛Ｚ）（６）用＋来表示类别对（广，）之间边界区域的宽度值，则。，＝ＩＬｍ．，一ｌ，其中。，和分别表示类别对（）的上下边界距离最优超平面的距离值。然后通过式（７）来求得该样本属于类别广的可信度。。∑１．（７）的值表征了样本属于类别ｉ的程度，显然０ｌ，依据式（５）可知，当样本点属于某类的下近似时．＝０，因而，由式（７）可知＝１００％，此时可信度最大。当样本在边界区域内时，根据的值可以得到该样本在多大程度上属于该类。图３是采用改进的粗糙１一ｖ．１多类支持向量机进行分类的流程图。按照式（５）～式（７）对间隔区域的样本进行处理可以得到处在边界区域样本的可信度如表４所示。支持向量机对训练样本分类粗糙集提取上下近似规则霹的下近似？／＼／Ｙ样本处于间隔区域运用式（５卜式（７）判定样本摄可能的类别归属计算可信度Ｙ＜＞Ｊ处于新的边界区并Ｎ给出可信度Ｖｌ图３改进粗糙１．ｖ．１多类支持向量机分类流程图Ｆｉｇ．３ＦｌｏｗｃｈａｒｔｏｆＩＲＳ１－Ｖ．１ＭＳＶＭ表４改进算法对间隔区域样本的分类结果１ｂｌｅ４ＣｌａｓｓｉｆｉｃａｔｉｏｎｃｏｎｃｌｕｓｉｏｎｏｆｉｍｐｒｏｖｅｄｍｅｔｈｏｄｆｏｒｔｅｓｔＰ！旦样本标号４２８４９ｌ９９１３１１３２１３３１３４所属类别１２２２３３３３可信度０．８２０．８７Ｏ．９６０．９１０．８１０．６１０．９９０．８７样本标号１３６１３８１３９１４０１４２１４６１４７１４８所属类别３３２３３３２３可信度０．６８Ｏ．６１０．５７０．５Ｏ．９８０．９３Ｏ．７６０．９３如果认为可信度大于Ｏ．８的样本是该类的下近似，则可将分类间隔区域缩小，所得结果如表５所电力系统保护与控制示，可见采用改进的算法能够对测试样本进行很好的分类，并能够给出分类的可信度，分类结果符合实际情况。表５对测试样本的分类结果！垒鱼！丝旦１２！２竺！塑！Ｐ！！类Ｎ／区域下近似样本数上近似样本数边界区样本数实含样本数１２０２００２０２２０２２２２Ｏ３１８２２４２０２应用于水电机组振动故障诊断２．１水电机组的振动故障水力发电系统是一个复杂的非线性动力系统，运行过程中故障的发生和发展包含大量的不确定性影响因素，故障多以振动的形式表现。已有不少研究者对水电机组的故障进行了系统的分析【１３，１９－２０】。根据激振因素不同，水电机组的振动故障可分为水力、机械和电磁三大类。水力振动是水力与机械相互作用产生的，主要有：压力管道中水力振动；蜗壳、叶片和转轮水流不均匀引起的振动：导叶后面卡门涡列引起的振动；迷宫环间隙不等引起的振动；空化引起的振动；尾水管涡带引起的振动；协联关系不正确引起的振动等。其振动的特点是振动频率随振源的变化而不同。机械振动主要有：转动部分因质量不平衡引起的振动：主轴不对中引起的振动；轴承瓦间隙大或推力轴承的推力头松动和推力轴瓦不平等原因引起的振动；机组转动部件与固定部件的碰磨引起的振动等。其振动的特点是振动频率为转频及转频的倍数。电磁振动主要有：由转子与定子间间隙不匀、转子外缘不圆和转子动不平衡或匝间短路等造成的磁拉力不平衡以及定子铁芯松动引起的振动等。以上三种因素又相互影响，当水力方面的因素造成机组转动部分振动时，会使发电机转子和定子间的空气间隙不均匀，因此便产生了不对称磁拉力，反过来又会加剧或阻尼机组转动部分的振动。因而，水电机组作为一个复杂设备系统其振动故障与一般动力机械相比有较大的差异，机组振动是水、机、电共同作用的结果，具有复杂多样性、渐变性、相关性及故障和特征的非一一对应性。故障可能出现在不同的部件和部位，某些振源所引起的机组部件和部位的振动往往是相互耦联的，机组多为多故障并发，且包含众多不确定信息。因此，探求新的故障诊断分类器，以描述故障征兆与故障类别之间的复杂映射关系及不确定信息是水电机组故障诊断研究工作的重要课题引。２．２工程应用实例目前，不少文献［６－７，２０］对水电机组的振动故障机理进行分析及试验研究，得到了大量有关机组振动的典型故障征兆，通常故障征兆以振动信号的频域特征来描述。本文以水电机组振动信号的频谱特征中（０．１８－０．２０．５ｆ．ｉｆ，ｅｆ，３ｆ．＞３ｆ，６个频段上的幅值分量作为故障征兆属性（厂为转频），对某水电机组的三种典型故障：转子不平衡、转子不对中及动静碰磨，所组成的学习样本提取规则，然后对测试样本进行分类。对更多类别的故障进行诊断时方法是类似的。表６和表７分别示出部分训练样本和测试样本【２Ｊ。其中Ｆ１，Ｆ２，Ｆ３分别表示转子不平衡，转子不对称，动静碰磨三种故障。测试样本中的１号和５号为转子不平衡，２号为轻度转子不对称，３号为转子不对称，４号为动静碰磨，６号为轻度转子不平衡。表６振动频谱和幅值征兆域训练样本Ｔａｂｌｅ６Ｔｒａｉｎｉｎｇｓａｍｐｌｅｓｏｆｖｉｂｒａｎｔｓｐｅｃｔｒｕｍａｎｄａｍｐｌｉｔｕｄｅ故障模式表７振动频谱幅值征兆域测试样本Ｔａｂｌｅ７Ｔｅｓｔｉｎｇｓａｍｐｌｅｓｏｆｖｉｂｒａｎｔｓｐｅｃｔｒｕｍａｎｄａｍｐｌｉｔｕｄｅｓｙｍｐｔｏｍｓｄｏｍａｉｎ样本号频带Ｏ．０５Ｏ．Ｏ３０．０１０．０７０．０３０．０２张孝远，等考虑样本交叠的水电机组振动故障诊断．１３．按照１．３节的方法从训练样本中提取如下规则Ｉｆｄｎ＿：ｚ＇０．６９９４ａｎｄｄ１３＞０．４９０３，ｔｈｅｎｘｅＡ（ｃｌａｓｓ０Ⅱ∈Ｉｆ２一０．７１０７ａｎｄｄ２３＞０．２７４５，ｌｅｎ（ｃｌａｓｓ２）≤Ｉｆｄｌ３＿＜一０．５０９６ａｎｄｄ２３一０．２９９７，ｔｈｅｎｘｅｄ（ｃｌａｓｓ３）Ｉｆｄ１２＞－－０．７１０７ｏｒｄＢ＞－０．５０９６，ｔｈｅｎｘＡ（ｄａｓｓ１）Ｉｆ２＜０．６９９４ｏｒｄｚ３＞一０．２９９７，ｔｈｅｎｘｅＡＭａｓｓ２）Ｉｆｄ１３＜０．４９０３ｏｒｄ２３＜０．２７４５，ｔｈｅｎｘＡ（ｃｌａｓｓ３）其中：ｄｌ２、ｄｌ３、ｄ２３分别代表三类故障样本之间分类超平面与样本之间的距离；为待识别样本；Ａ＿（ｃｌａｓｓｍ），Ａ＿（ｃｌａｓｓ２），Ａ（ｃｌａｓｓ３），Ａ（ｃｌａｓｓ１），Ａ（ｃｌａｓｓ２），Ａ（ｃｌａｓｓ）分别为三类故障的下近似和上近似。“”表８列出了测试样本的距离值，采用上文提取的规则对其分类，发现１号，５号样本属于Ｆ１转子不平衡故障类的下近似；４号样本属于Ｆ３动静碰磨故障类的下近似；２号，３号，６号样本处于边界区。采用式（５）～式（７）计算得到２号和３号样本属于Ｆ２转子不对称类的可信度分别为０．８８２和０．９３６，６号样本属于Ｆｌ转子不平衡的可信度为０．８８５。如果假设一个置信度为０．９０，则１号，３号，４号，５号故障样本被确切诊断出来，２号样本属于轻度不对称，６号样本属于轻度不平衡提醒相关运行人员，做进一步分析处理，这和实际情况是符合的。“”表８测试样本的各个距离值Ｔａｂｌｅ８Ｄｉｓｃｒｉｍｉｎａｎｔｏｆｔｅｓｔｓａｍｐｌｅｓ３结语水电机组振动故障诊断中故障耦合因素多，故障征兆与故障起因之间非一一对应，故障样本包含有相当不确定信息，而这些不确定信息大多存在于故障样本的交叠区域。针对这一问题，本文提出一种考虑样本交叠的故障诊断方法。该方法首先利用粗糙集上近似、下近似和间隔区域对支持向量机的分类结果进行描述，认为处在下近似的样本被确切分类，处在间隔区域的样本具有交叠现象。然后对于处在间隔区域的样本进行进一步处理，计算出处在间隔区域的样本最可能的类别归属，及其归属于这一类的可信度。将所提方法应用于国际标准测试数据集并应用于某水电机组的故障诊断结果发现其可以反映诊断中的不确定信息，适合应用于水电机组的故障诊断，并对其他电力设备的故障诊断具有一定借鉴意义。参考文献［１］马震岳，董毓新．水电站机组及厂房振动的研究与治理【Ｍ］．北京：中国水利水电出版社，２００４．ＭＡＺｈｅｎ－ｙｕｅ，ＤＯＮＧＹｕ－ｘｉｎ．Ｖｉｂｒａｔｉｏｎａｎｄｉｔｓｃｏｒｒｅｃｔｉｖｅａｃｔｉｏｎｓｏｆｗａｔｅｒｔｕｒｂｉｎｅｇｅｎｅｒａｔｏｒｓｅｔａｎｄｐｏｗｅｒｈｏｕｓｅ［Ｍ］．Ｂｅｉｊｉｎｇ：ＣｈｉｎａＷａｔｅｒＰｏｗｅｒＰｒｅｓｓ，２００４．［２］符向前，蒋劲，孙慕群，等．水电机组故障诊断系统中的模糊诊断技术研究［Ｊ］．华中科技大学学报：自然科学版，２００６，３４（１）：８１．８３．—ＦＵＸｉａｎｇｑｉａ—ｎ，ＪＩＡＮＧＪｉｎ，ＳＵＮＭｕｑｕｎ，ｅｔａ１．Ａｐｐｌｉｃａｔｉｏｎｏｆｆｕｚｚｙｄｉａｇｎｏｓｉｓｔｏｆａｕｌｔｄｉａｇｎｏｓｉｓｓｙｓｔｅｍｏｆｈｙｄｒａｕｌｉｃｇｅｎｅｒａｔｏｒｓｅｔｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ：ＮａｔｕｒｅＳｃｉｅｎｃｅ，２００６，３４（１）：８１－８３．［３］刘忠，周建中，张勇传，等．基于水电机组复合特征提取的ＲＢＦＮＮ故障诊断［Ｊ］．电力系统自动化，２００７，—３１（１１）：８７９１．——ＬＩＵＺｈｏｎｇ，ＺＨＯＵＪｉａｎｚｈｏｎｇ，ＺＨＡＮＧＹｏｎｇｃｈｕａｎ，ｅｔａ１．ＣｏｍｐｏｕｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｅｘｔｒａｃｔｉｏｎｂａｓｅｄｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｈｙｄｒｏｅｌｅｃｔｒｉｃｇｅｎｅｒａｔｉｎｇｕｎｉｔｕｓｉｎｇＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，—２００７，３１（１１）：８７９１．［４］陈林刚，韩凤琴，桂中华．基于神经网络的水电机组智能故障诊断系统［Ｊ】．电网技术，２００６，３０（１）：４０－４３，９８．ＣＨＥＮＬｉｎ－ｇａｎｇ，ＨＡＮＦａ—ｎｇｑｉｎ，ＧＵＩＺｈｏｎｇ－ｈｎａ．Ａｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｓｙｓｔｅｍｆｏｒｈｙｄｒｏｅｌｅｃｔｒｉｃｇｅｎｅｒａｔｉｎｇｓｅｔｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２００６，３０（１）：４０－４３，９８．［５］ＬＡＮＬＩＪＨ．ＨｙｄｒｏｅｌｅｃｔｒｉｃｇｅｎｅｒａｔｉｎｇｓｅｔｓｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＤＤＡＧＳＶＭ［Ｃ】／／３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｉｃＵｔｉｌｉｔｙＤｅｒｅｇｕｌａｔｉｏｎ，ＲｅｓｔｒｕｃｔｕｒｉｎｇａｎｄＰｏｗｅｒＴｅｃｈｎｏｌｏｇｉｅｓ，Ｎａｎｊｉｎｇ，ＰＥＯＰＬＥＳＲＣＨＩＮＡ，２００８：６７９－６８３．［６］彭文季，罗兴镝，郭鹏程，等．基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断［Ｊ］．中国电机工程学报，２００７，２７（２３）：８６．９２．ＰＥＮＧＷｅｎ－ｊｉ，ＬＵＯＸｉｎｇ－ｑｉ，ＧＵＯＰｅｎｇ－ｃｈｅｎｇ，ｅｔａ１．Ｖｉｂｒａｔｉｏｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｈｙｄｒｏｅｌｅｃｔｒｉｃｕｎｉｔｂａｓｅｄｏｎ—ＬＳＳＶＭａｎｄｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｔｅｃｈｎｏｌｏｇｙ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００７，２７（２３）：８６－９２．［７］彭文季，罗兴镝．基于粗糙集和支持向量机的水电机组振动故障诊断［Ｊ］．电工技术学报，２００６，２１（１０）：ｌ１７．１２２．．１４．电力系统保护与控制—ＰＥＮＧＷｅｎ－ｊｉ，ＬＵＯＸｉｎｇｑｉ．Ｖｉｂｒａｔｉｏｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆ—ｈｙｄｒｏｔｕｒｂｉｎｅｇｅｎｅｒａｔｉｎｇｕｎｉｔｂａｓｅｄｏｎｒｏｕｇｈｓｅｔｓａｎｄｓｕｐｐｏｇｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｏｆＣｈｉｎａ—ＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２００６，２１（１０）：１１７１２２．［８］高彩亮，廖志伟，岳苓，等．基于小波奇异值和支持向量机的高压线路故障诊断［Ｊ］．电力系统保护与控制，—２０１０，３８（６）：３５３９，５１．ＧＡＯＣａｉ－ｌｉａｎｇ，ＬＩＡＯＺｈｉ－ｗｅｉ，ＹＵＥＬｉｎｇ，ｅｔａ１．ＦａｕｌｔｄｉａｇｎｏｓｉｓｏｆＨＶｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｂａｓｅｄｏｎｗａｖｅｌｅｔｓｉｎｇｕｌａｒｖａｌｕｅａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（６）：３５－３９，５１．［９］王成江，马新明，官云，等．基于ＳＶＭ的改进二叉树输电线路故障分类器ｆＪ］．电力系统保护与控制，２０１０，３８（５）：３９－４４．ＷＡＮＧＣｈｅｎｇ－ｊｉａｎｇ，ＭＡＸｉｎ－ｍｉｎｇ，ＧＵＡＮＹｕｎ，ｅｔａ１．Ａｎｉｍｐｒｏｖｅｄｂｉｎａｒｙ虹ｅｅｃｌａｓｓｉｆｉｅｒｆｏｒｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｆａｕｌｔｂａｓｅｄｏｎＳＶＭ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（５）：３９４４．［１０］华斌，周建中，喻菁．贝叶斯网络在水电机组故障诊断中的应用研究［Ｊ］．华北电力大学学报，２００４，３１（５）：３３．３６．—ＨＵＡＢｉｎ，ＺＨＯＵＪｉａｎｚｈｏｎｇ，ＹＵＪｉｎｇ．ＡｐｐｌｉｃａｔｉｏｎｏｆＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓｉｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｈｙｄｒｏｅｌｅｃｔｒｉｃｕｎｉｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＮｏｒｔｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，２００４，３１（５）：３３－３６．［１１］张晓丹，赵海，谢元芒，等．用于水电厂设备的故障诊断的贝叶斯网络模型【Ｊ］．东北大学学报：自然科学—版，２００６，２７（３）：２７６２７９．ＺＨＡＮＧＸｉａｏ－ｄａｎ，ＺＨＡＯＨａｌ，ＸＩＥＹｕａｎ－ｍａｎｇ，ｅｔａ１．Ｂａｙｅｓｉａｎｎｅｔｗｏｒｋｍｏｄｅｌｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｈｙｄｒｏｐｏｗｅｒｅｑｕｉｐｍｅｎｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ：ＮａｔｕｒａｌＳｃｉｅｎｃｅ，２００６，２７ｆ３１：２７６．２７９．［１２］何小飞，童晓阳，周曙，等．基于贝叶斯网络和故障区域识别的电网故障诊断研究［Ｊ］．电力系统保护与控制，２０１０．３８（１２）：２９－３４．ＨＥＸｉａｏ．ｆｅｉ，Ｔ０ＮＧＸｉａｏ－ｙａｎｇ，ＺＨＯＵＳｈｕ，ｅｔａ１．ＰｏｗｅｒｓｙｓｔｅｍｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋａｎｄｆａｕｌｔｓｅｃｔｉｏｎｌｏｃａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１０，３８（１２）：２９３４．［１３］张孝远，周建中，黄志伟，等．基于粗糙集和多类支持向量机的水电机组振动故障诊断［Ｊ］．中国电机工程学报，２０１０，３０（２０）：８８９３．ＺＨＡＮＧＸｉａｏ－ｙｕａ—ｎ，ＺＨＯＵＪｉａｎｚｈｏｎｇ，ＨＵＡＮＧＺｈｉ．ｗｅｉ，ｅｔａ１．Ｖｉｂｒａｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｈｙｄｒｏ．ｔｕｒｂｉｎｅｇｅｎｅｒａｔｉｎｇｕｎｉｔｂａｓｅｄｏｎｒｏｕｇｈｓｅｔｓａｎｄｍｕｌｔｉ－ｃｌａｓｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１０．３０（２０）：８８－９３．［１４］ＴａｎｇＹＨ，ＧａｏＪＨ．Ｉｍｐｒｏｖｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｐｒｏｂｌｅｍｉｎｖｏｌｖｉｎｇｏｖｅｒｌａｐｐｉｎｇｐａｔｔｅｒｎｓ［Ｊ］．２００７，Ｅ９０Ｄ（１１）：】７８７．１７９５．１１５］ＬｉｎｇｒａｓＰａｗａｎ，ＢｕｔｚＣｏｒｙ．Ｒｏｕｇｈｓｅｔｂａｓｅｄ１－Ｖ一１ａｎｄ１－Ｖ－ｒａｐｐｒｏａｃｈｅｓｔｏｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｍｕｌｔｉ－ｃｌａｓｓｉｆｉｃａｔｉｏｎ．ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｓ［Ｊ］．２００７，—１７７（１８）：３７８２３７９８．［１６］ＰａｕｌＰ，ＩｌａｎＷ，ＷｉｌｌｉａｍＳ．Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎｔｈｅｗｅｂ［Ｊ】．Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ，２００４，２０（４）：５８６．５８７．［１７］ＢｌａｋｅＣＬ．ＭｅｒｚＣＪ．（１９９８）ＵＣＩｒｅｐｏｓｉｔｏｒｙｏｆｍａｃｈｉｎｅｌｅａｒｎｉｎｇｄａｔａｂａｓｅｓ．ＵｎｉｖｅｒｓｉｔｙｏｆＣａｌｉｆｏｒｎｉａＤｅｐａｒｔｍｅｎｔＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，Ｉｒｖｉｎｅ，ＣＡ［ＥＢ／ＯＬ］．Ⅵｈｔｔｐ：／／ｎｖｉｃｓ．ｕｃｉ．ｅｄｕ／ｍｌｅａｒｎ／ＭＬＲｅｐｏｓｉｔｏｒｙ．ｈｔｍ１．［１８］ＳｈｉｇｅｏＡｂｅ．ＫｅＳａｋａｇｕｃｈｉ．Ｇｅｎｅｒａｌｉｚａｔｉｏｎｉｍｐｒｏｖｅｍｅｎｔｏｆａｆｕｚｚｙｃｌａｓｓｉｆｉｅｒｗｉｔｈｅｌｌｉｐｓｏｄｉａｌｒｅｇｉｏｎｓ［Ｃ｝｝ＦＵＺＺ．ＩＥＥＥ２００１：２０７．２１０．［１９］沈东，褚福涛，陈思．水轮发电机组振动故障诊断与识别［Ｊ］．水动力学研究与进展Ａ辑，２０００，１５（１）：—１２９１３３．ＳＨＥＮＤｏｎｇ，ＣＨＵＦｕｔａｏ，ＣＨＥＮＳｉ．ＤｉａｇｎｏｓｉｓａｎｄＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＶｉｂｒａｔｉｏｎＡｃｃｉｄｅｎｔｆｏｒＨｙｄｒｏｇｅｎｅｒａｔｏｒＵｎｉｔ［Ｊ］．ＪｏｕｒａｌｏｆＨｙｄｒｏｄｙｎａｍｉｃｓ，２０００，１５（１）：１２９－１３３．［２０］彭文季，罗兴镝，赵道利．基于频谱法与径向基函数网络的水电机组振动故障诊断［Ｊ】．中国电机工程学报，２００６，２６（９）：１５５－１５８．—ＰＥＮＧＷｅｎＪｉ，ＬＵＯＸｉｎｇ－ｑｉ，ＺＨＡＯＤａｏ－ｌｉ．Ｖｉｂｒａｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｈｙｄｒｏ－ｔｕｒｂｉｎｅｇｅｎｅｒａｔｉｎｇｕｎｉｔｂａｓｅｄｏｎｓｐｅｃｔｒｕｍａｎａｌｙｓｉｓａｎｄＲＢＦｎｅｔｗｏｒｋｍｅｔｈｏｄ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００６，２６（９）：１５５－１５８．［２１］王荣荣．基于变精度粗糙集与神经网络的水电机组振动故障诊断研究［Ｄ】．西安：西安理工大学，２００７．—ＷＡＮＧＲｏｎｇｒｏｎｇ．Ｒｅｓｅａｒｃｈｏｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｈｙｄｒｏｅｌｅｃｔｒｉｃｕｎｉｔｖｉｂｒａｔｉｏｎｂａｓｅｄｏｎｖａｒｉａｂｌｅｐｒｅｃｉｓｉｏｎｒｏｕｇｈｓｅｔａ’’ｎｄｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｄ］．Ｘｉａｎ：ＸｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２００７．［２２］Ｊｉａ＆ＨｕａｎｇＧＨｙｄｒｏｅｌｅｃｔｒｉｃｇｅｎｅｒａｔｉｎｇｕｎｉｔｖｉｂｒａｔｉｏｎｆａｕｌｔｄｉａｇｎｏｓｉｓｖｉａＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ】／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＳｕｓｔａｉｎａｂｌｅＰｏｗｅｒＧｅｎｅｒａｔｉｏｎａｎｄＳｕｐｐｌｙ，２００９．６－７Ａｐｒｉｌ，２００９．收稿日期：２０１１－０３－２６作者简介：张孝远（１９８１－），男，博士研究生，主要从事水力发电—机组故障诊断、控制方面的研究工作；Ｅｍａｉｌ：ｘｙｚ＿１９８１＠ｔｏｍ．ｃｏｍ周建中（１９５９－），男，教授，博士生导师，主要从事人工智能，水电能源相关理论及应用研究工作。