典型文献
融合PCA与自适应K-Means聚类的水电机组故障检测在线方法
文献摘要：
灯泡贯流式水电机组在运行过程中,由于受水力因素、机械、工况等因素影响,很容易导致转轮叶片与转轮室发生故障,严重影响水电机组安全运行.在分析灯泡贯流式水电机组转轮叶片与转轮室故障信号特征的基础上,提出了一种基于K均值(K-Means)和莱特准则(Wright's criterion)的水电机组故障在线检测方法.该方法利用主元分析(PCA)对水电机组振动和噪声信号特征降维后,融合莱特准则改进传统K均值算法,以实现K值的自适应选择,对特征进行在线聚类,能快速准确识别水轮机变负荷状态与金属扫膛故障.将本文方法应用到五凌电力近尾洲水电站灯泡贯流式机组故障检测中,实验结果表明,采用该方法的故障在线检测准确率为100％、变负荷在线检测准确率为96.7％,运行近10个月没有出现故障误报和漏报,表明了该方法的有效性.
文献关键词：
水电机组;故障在线检测;变负荷检测;自适应K-Means聚类;主元分析
中图分类号：
作者姓名：
徐雄;林海军;刘悠勇;胡边
作者机构：
湖南师范大学工程与设计学院 长沙 410081;湖南大学电气与信息工程学院 长沙 410082;五凌电力有限公司 长沙 410004
文献出处：
引用格式：
[1]徐雄;林海军;刘悠勇;胡边-.融合PCA与自适应K-Means聚类的水电机组故障检测在线方法)[J].电子测量与仪器学报,2022(03):260-267
A类：
特准
B类：
Means,水电机组,故障检测,转轮叶片,转轮室,响水,机组安全,故障信号,信号特征,和莱特,Wright,criterion,故障在线检测,法利,主元分析,机组振动,振动和噪声,噪声信号,特征降维,自适应选择,在线聚类,快速准确,准确识别,水轮机,机变,负荷状态,水电站,灯泡贯流式机组,检测准确率,误报,漏报,变负荷检测
AB值：
0.27734
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
