✨ 长期致力于水电机组、故障诊断、新异类检测、支持向量机、小波包能量分解、统计特征、健康样本研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1水电机组健康样本统计特征建模从某水电站机组状态监测系统中提取两年的正常运行数据采样间隔1分钟包括上机架振动、下机架振动、摆度、瓦温等16个测点。对每个测点计算时域统计特征均值、方差、偏度、峰度、峰值因子、脉冲因子。采用Bootstrap重采样方法1000次估计特征阈值的置信区间置信度95%。例如上机架X向振动幅值均值的正常阈值为25.3±3.1μm。异常检测时若当前时段统计特征超出阈值区间且持续超过10分钟则判定为异常。将多维特征组成特征向量利用单类支持向量机ν0.05核函数为RBF训练健康模型。在测试集中健康样本误报率为2.1%对轻微碰摩故障的检出率达到93%。2工况网格化与三维健康模型水电机组状态受水头、有功功率影响显著。将水头分为5个区间80-90m,90-100m,…120-130m功率分为10个区间形成50个工况网格。在每个网格内用正常数据建立三维健康模型三个维度分别为振动幅值、摆度和瓦温。使用高斯核密度估计拟合概率密度以95%分位数作为异常阈值。在变工况过渡过程中系统实时判断当前所属网格动态调用对应阈值。实测数据验证该网格化方法将变工况下的误报率从单一模型的12%降低到3.5%。对于一种早期转子不平衡故障在功率升高到90%以上时才出现明显特征本模型在该网格内提前2小时发出预警。3小波包能量分解与最小二乘支持向量机故障分类对振动信号进行3层小波包分解得到8个频带计算每个频带的能量百分比作为特征向量。使用最小二乘支持向量机进行多类故障分类正常、不平衡、不对中、碰摩、松动。选取500组样本每类100组训练采用径向基核函数通过网格搜索优化正则化参数γ120和核宽度σ8.5。测试集200组总分类准确率94.5%其中不平衡和碰摩的准确率分别为96%和92%。将该分类器与在线监测系统集成在机组大修后成功识别出一次因安装误差导致的不对中故障指导维修人员进行了调整避免了长期运行造成的损害。import numpy as np import pywt from sklearn.svm import OneClassSVM, SVC from sklearn.preprocessing import StandardScaler def statistical_features(signal): mean np.mean(signal) var np.var(signal) skew np.mean(((signal-mean)/np.std(signal))**3) kurt np.mean(((signal-mean)/np.std(signal))**4) peak np.max(np.abs(signal)) crest peak / np.sqrt(np.mean(signal**2)) return np.array([mean, var, skew, kurt, peak, crest]) def bootstrap_threshold(features, n_iter1000, ci0.95): boots np.random.choice(features, (n_iter, len(features)), replaceTrue) means np.mean(boots, axis1) lower np.percentile(means, (1-ci)/2*100) upper np.percentile(means, (1ci)/2*100) return lower, upper def wavelet_packet_energy(signal, level3, waveletdb4): wp pywt.WaveletPacket(signal, wavelet, modesymmetric, maxlevellevel) nodes [node.path for node in wp.get_level(level, natural)] energies [] for node in nodes: coeffs wp[node].data energy np.sum(coeffs**2) energies.append(energy) total sum(energies) return np.array(energies)/total if total0 else energies def train_oneclass_svm(features, nu0.05, gammaauto): scaler StandardScaler() features_scaled scaler.fit_transform(features) clf OneClassSVM(nunu, kernelrbf, gammagamma) clf.fit(features_scaled) return clf, scaler def train_lssvm_classifier(X, y, gamma120, sigma8.5): from sklearn.metrics.pairwise import rbf_kernel n X.shape[0] K rbf_kernel(X, X, gamma1/(2*sigma**2)) # simplified LS-SVM training using pseudo-inverse I np.eye(n) Omega K (1/gamma)*I alpha np.linalg.pinv(Omega) y return alpha, X, sigma if __name____main__: test_signal np.random.randn(1024) stats statistical_features(test_signal) print(Stats:, stats) wp_energy wavelet_packet_energy(test_signal) print(Wavelet packet energy:, wp_energy[:4]) ,
基于新异类检测和支持向量机的水电机组诊断技术解析【附数据】
发布时间：2026/6/4 20:22:31
✨ 长期致力于水电机组、故障诊断、新异类检测、支持向量机、小波包能量分解、统计特征、健康样本研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1水电机组健康样本统计特征建模从某水电站机组状态监测系统中提取两年的正常运行数据采样间隔1分钟包括上机架振动、下机架振动、摆度、瓦温等16个测点。对每个测点计算时域统计特征均值、方差、偏度、峰度、峰值因子、脉冲因子。采用Bootstrap重采样方法1000次估计特征阈值的置信区间置信度95%。例如上机架X向振动幅值均值的正常阈值为25.3±3.1μm。异常检测时若当前时段统计特征超出阈值区间且持续超过10分钟则判定为异常。将多维特征组成特征向量利用单类支持向量机ν0.05核函数为RBF训练健康模型。在测试集中健康样本误报率为2.1%对轻微碰摩故障的检出率达到93%。2工况网格化与三维健康模型水电机组状态受水头、有功功率影响显著。将水头分为5个区间80-90m,90-100m,…120-130m功率分为10个区间形成50个工况网格。在每个网格内用正常数据建立三维健康模型三个维度分别为振动幅值、摆度和瓦温。使用高斯核密度估计拟合概率密度以95%分位数作为异常阈值。在变工况过渡过程中系统实时判断当前所属网格动态调用对应阈值。实测数据验证该网格化方法将变工况下的误报率从单一模型的12%降低到3.5%。对于一种早期转子不平衡故障在功率升高到90%以上时才出现明显特征本模型在该网格内提前2小时发出预警。3小波包能量分解与最小二乘支持向量机故障分类对振动信号进行3层小波包分解得到8个频带计算每个频带的能量百分比作为特征向量。使用最小二乘支持向量机进行多类故障分类正常、不平衡、不对中、碰摩、松动。选取500组样本每类100组训练采用径向基核函数通过网格搜索优化正则化参数γ120和核宽度σ8.5。测试集200组总分类准确率94.5%其中不平衡和碰摩的准确率分别为96%和92%。将该分类器与在线监测系统集成在机组大修后成功识别出一次因安装误差导致的不对中故障指导维修人员进行了调整避免了长期运行造成的损害。import numpy as np import pywt from sklearn.svm import OneClassSVM, SVC from sklearn.preprocessing import StandardScaler def statistical_features(signal): mean np.mean(signal) var np.var(signal) skew np.mean(((signal-mean)/np.std(signal))**3) kurt np.mean(((signal-mean)/np.std(signal))**4) peak np.max(np.abs(signal)) crest peak / np.sqrt(np.mean(signal**2)) return np.array([mean, var, skew, kurt, peak, crest]) def bootstrap_threshold(features, n_iter1000, ci0.95): boots np.random.choice(features, (n_iter, len(features)), replaceTrue) means np.mean(boots, axis1) lower np.percentile(means, (1-ci)/2*100) upper np.percentile(means, (1ci)/2*100) return lower, upper def wavelet_packet_energy(signal, level3, waveletdb4): wp pywt.WaveletPacket(signal, wavelet, modesymmetric, maxlevellevel) nodes [node.path for node in wp.get_level(level, natural)] energies [] for node in nodes: coeffs wp[node].data energy np.sum(coeffs**2) energies.append(energy) total sum(energies) return np.array(energies)/total if total0 else energies def train_oneclass_svm(features, nu0.05, gammaauto): scaler StandardScaler() features_scaled scaler.fit_transform(features) clf OneClassSVM(nunu, kernelrbf, gammagamma) clf.fit(features_scaled) return clf, scaler def train_lssvm_classifier(X, y, gamma120, sigma8.5): from sklearn.metrics.pairwise import rbf_kernel n X.shape[0] K rbf_kernel(X, X, gamma1/(2*sigma**2)) # simplified LS-SVM training using pseudo-inverse I np.eye(n) Omega K (1/gamma)*I alpha np.linalg.pinv(Omega) y return alpha, X, sigma if __name____main__: test_signal np.random.randn(1024) stats statistical_features(test_signal) print(Stats:, stats) wp_energy wavelet_packet_energy(test_signal) print(Wavelet packet energy:, wp_energy[:4]) ,
