基于KPCA和KFCM集成的汽轮机故障诊断

• 作者: 李岩 王东风 韩璞 黄保海
• 来源期刊: 电力自动化设备
• 学科: 工学
• 关键词: 核主元分析 特征提取 模糊核聚类 选择性集成 汽轮机 故障诊断
• 年，卷（期）: 2010,（7）
• 所属期刊栏目: 分析与研究
• 页码范围: 84-87
• 分类号: TP206+.3
• 字数: 2973字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-6047.2010.07.016

摘要

为了提高汽轮机故障诊断的正确率和鲁棒性,提出一种基于核主元分析(KPCA)和模糊核聚类(KFCM)集成的汽轮机故障诊断方法.该方法针对汽轮机故障数据高维非线性的特点,采用核主元分析方法对故障数据进行特征提取,提高了神经网络的学习效率和精确度.然后由训练样本集相互独立地训练出多个神经网络,对其编号并按顺序将网络输出构成输出矩阵,再采用模糊核聚类算法对输出矩阵进行分析并对所有个体网络归类,计算所有类别中每个网络在独立验证样本集上的泛化误差,最后分别选取每个类别中泛化误差最小的个体网络作为这一类的代表进行相对多数投票法集成.实验结果表明,即使在学习样本较少的情况下,该方法也能取得较好的故障诊断效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王东风	华北电力大学控制科学与工程学院	170	3490	34.0	51.0
2	韩璞	华北电力大学控制科学与工程学院	272	4579	35.0	54.0
3	李岩	华北电力大学控制科学与工程学院	34	208	9.0	13.0
4	黄保海	华北电力大学控制科学与工程学院	2	47	2.0	2.0