許小剛， 王松嶺， 劉錦廉

（華北電力大學(xué) 能源動(dòng)力與機(jī)械工程學(xué)院，保定 071003）

電廠中風(fēng)機(jī)的運(yùn)行狀況直接關(guān)系到電廠的安全、經(jīng)濟(jì)運(yùn)行，且風(fēng)機(jī)的可靠性、安全性和經(jīng)濟(jì)性取決于其高效運(yùn)行、實(shí)時(shí)狀態(tài)跟蹤評(píng)價(jià)及準(zhǔn)確的故障診斷和維修，因此研究風(fēng)機(jī)的故障診斷具有重大意義 常見的風(fēng)機(jī)機(jī)械故障有轉(zhuǎn)子不平衡 轉(zhuǎn)子不對(duì)中、軸承松動(dòng)和動(dòng)靜碰摩等，雖然故障診斷方法有很多，但基本上都分為3個(gè)步驟：診斷信息的獲取，故障特征提取，狀態(tài)識(shí)別和故障診斷.

風(fēng)機(jī)在旋轉(zhuǎn)過程中所產(chǎn)生的振動(dòng)信號(hào)與故障的類型、程度和部位等有著密切的聯(lián)系，包含了豐富的設(shè)備狀態(tài)信息.從信息論角度來看，振動(dòng)信號(hào)也具有信息熵最大的特點(diǎn).從實(shí)際應(yīng)用來看，振動(dòng)信號(hào)具有檢測(cè)方便、適用性廣、可以進(jìn)行非接觸測(cè)量和多維測(cè)量等優(yōu)點(diǎn).因此在診斷信息的獲取方面，采集振動(dòng)信號(hào)進(jìn)行故障監(jiān)測(cè)診斷是目前應(yīng)用最廣泛的方法.

傳統(tǒng)的信號(hào)特征提取方法以信號(hào)的平穩(wěn)性為前提，無法對(duì)非平穩(wěn)信號(hào)進(jìn)行有效地分析處理.由于風(fēng)機(jī)運(yùn)行中驅(qū)動(dòng)力、阻尼力和彈性力的非線性及機(jī)械系統(tǒng)的非線性，所檢測(cè)到的振動(dòng)信號(hào)是非平穩(wěn)信號(hào)，傳統(tǒng)的信號(hào)特征提取方法具有較大的局限性.小波包分析是小波分析［1-2］的改進(jìn)，它兼顧了短時(shí)傅里葉變換和小波變換的優(yōu)點(diǎn)，利用小波包分解的多分辨分析思想將信號(hào)分解到不同頻帶內(nèi)進(jìn)行處理.對(duì)于不連續(xù)、突變和非平穩(wěn)的振動(dòng)信號(hào)處理，這種方法具有很多優(yōu)點(diǎn)［3-4］，因此成為提取故障特征的一種常用方法［5-7］.

近年來，在故障診斷方面，國外人工智能界已將支持向量機(jī)（SVM）作為一大研究熱點(diǎn)，它比BP神經(jīng)網(wǎng)絡(luò)分類方法具有更強(qiáng)的適應(yīng)性、更好的分類能力和更高的計(jì)算效率，且不需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理就可以達(dá)到滿意的效果，為設(shè)備故障診斷提供了很好的狀態(tài)識(shí)別和診斷方法［8-11］.在應(yīng)用支持向量機(jī)時(shí)，如何選擇合適的參數(shù)是需要解決的重要問題，尤其是誤差懲罰因子c和核函數(shù)參數(shù)σ的選擇.

筆者在某4－73No.8D風(fēng)機(jī)實(shí)驗(yàn)臺(tái)上模擬采集了13種風(fēng)機(jī)運(yùn)行狀態(tài)下的振動(dòng)信號(hào)樣本，采用小波包分析來提取風(fēng)機(jī)振動(dòng)信號(hào)的特征，將不同頻帶內(nèi)信號(hào)能量占總能量的百分比作為振動(dòng)信號(hào)的小波包能量特征向量，從而構(gòu)造出每種運(yùn)行狀態(tài)下多測(cè)點(diǎn)信息融合的小波包能量特征向量，并將其用于改進(jìn)支持向量機(jī)的風(fēng)機(jī)機(jī)械故障診斷中.

1 風(fēng)機(jī)機(jī)械故障實(shí)驗(yàn)

在某4－73No.8D風(fēng)機(jī)實(shí)驗(yàn)臺(tái)上進(jìn)行風(fēng)機(jī)不同機(jī)械振動(dòng)故障實(shí)驗(yàn)，該風(fēng)機(jī)是國內(nèi)電站廣泛應(yīng)用的4－73系列風(fēng)機(jī)，由于同系列的風(fēng)機(jī)在運(yùn)行過程中很容易滿足相似定律，因此模擬該風(fēng)機(jī)故障的機(jī)械特性具有一定的代表性.實(shí)驗(yàn)中在風(fēng)機(jī)軸承兩側(cè)各布置5個(gè)電渦流傳感器，分別對(duì)垂直（V）、水平（H）和軸向 振動(dòng)位移信號(hào)進(jìn)行非接觸式測(cè)量 見圖電渦流位移探頭為德國申克IN－81一體化電渦流位移探頭.所模擬的動(dòng)靜碰摩故障是集流器（靜止件）與風(fēng)機(jī)前盤（旋轉(zhuǎn)件）之間的碰摩，這類碰摩會(huì)引起轉(zhuǎn)子的軸向振動(dòng).當(dāng)轉(zhuǎn)子由于受熱不均引起彎軸、不平衡狀況嚴(yán)重及機(jī)組發(fā)生松動(dòng)等故障時(shí)，易誘發(fā)集流器與風(fēng)機(jī)前盤之間的碰摩.因此，軸向安裝電渦流傳感器來測(cè)量軸向的振動(dòng)信號(hào)是必要的.

圖1 機(jī)械振動(dòng)測(cè)點(diǎn)分布Fig.1 Distribution of measurement points for mechanical vibration

在非接觸式測(cè)量中，電渦流傳感器通過螺紋連接，然后固定在專門加工的剛度較大的振動(dòng)傳感器固定架上，振動(dòng)傳感器固定架通過螺栓與基礎(chǔ)導(dǎo)軌連接.采用PCB的Model 481A信號(hào)適調(diào)器進(jìn)行振動(dòng)信號(hào)的低通濾波.對(duì)13種不同的風(fēng)機(jī)運(yùn)行狀態(tài)（見表1）進(jìn)行實(shí)驗(yàn)?zāi)M，采用風(fēng)機(jī)故障實(shí)驗(yàn)測(cè)試系統(tǒng)對(duì)不同運(yùn)行狀態(tài)的振動(dòng)信號(hào)進(jìn)行采集，從而形成不同運(yùn)行狀態(tài)的振動(dòng)信號(hào)樣本集，其中每種運(yùn)行狀態(tài)下每個(gè)測(cè)點(diǎn)取20個(gè)振動(dòng)信號(hào)樣本，共得到13×5×20＝1300個(gè)振動(dòng)信號(hào)樣本，采樣頻率為1600 Hz，風(fēng)機(jī)轉(zhuǎn)速為1200r／min.

表1 實(shí)驗(yàn)?zāi)M的風(fēng)機(jī)運(yùn)行狀態(tài)Tab.1 Simulated operating conditions of fan

2 小波包能量特征提取

2.1 小波包消噪

風(fēng)機(jī)原始振動(dòng)信號(hào)包含大量的噪聲，如果直接利用小波包分解重構(gòu)提取頻帶能量特征，噪聲的能量會(huì)淹沒風(fēng)機(jī)運(yùn)行狀態(tài)的能量特征，因此對(duì)原始振動(dòng)信號(hào)進(jìn)行小波包消噪是必要的，這樣不僅可以消減大量的噪聲能量，而且較好地保留了信號(hào)故障特征，為精確診斷提供了可靠的依據(jù).

目前有很多方法用于信號(hào)消噪，如中值濾波、低通濾波和Fourier分析等，但這些方法在對(duì)信號(hào)消噪的過程中都會(huì)濾掉信號(hào)細(xì)節(jié)中的有用部分，在處理實(shí)際問題時(shí)會(huì)產(chǎn)生偏差，并且不具有時(shí)頻分析的局域性.小波變換在時(shí)域和頻域中都具有局部化的特征，能有效地從原始信號(hào)中提取有用的信息，從而達(dá)到信號(hào)消噪的目的.但在處理實(shí)際問題時(shí)，高頻區(qū)域往往也含有小部分有用的信號(hào)，利用小波變換進(jìn)行信號(hào)消噪時(shí)，分解只作用于低頻部分，一些有用信號(hào)可能會(huì)被濾掉.而小波包消噪法則可以解決這方面的問題，因?yàn)槔迷摲椒ǚ纸庑盘?hào)時(shí)，低頻和高頻部分均被進(jìn)一步分解.

以表1中角度不對(duì)中狀態(tài)的一個(gè)振動(dòng)信號(hào)樣本為例，基頻為20Hz，對(duì)其分別進(jìn)行低通濾波消噪、小波消噪和小波包消噪處理.圖2給出了消噪前后振動(dòng)信號(hào)的對(duì)比，其中利用低通濾波消噪、小波消噪和小波包消噪所得到的信號(hào)信噪比分別為9.5391、9.9339和12.0345，充分證明了小波包消噪方法的優(yōu)越性.

小波包消噪的步驟如下：（1）對(duì)振動(dòng)信號(hào)進(jìn)行小波包分解：筆者對(duì)振動(dòng)信號(hào)進(jìn)行5層小波包分解.（2）最佳樹計(jì)算（即確定最佳小波包基）：筆者基于香農(nóng)熵標(biāo)準(zhǔn)計(jì)算最佳樹.（3）小波包分解系數(shù)的閾值量化：對(duì)于每一個(gè)小波包分解系數(shù)（特別是低頻分解系數(shù)，因?yàn)榈皖l部分可能仍含有噪聲），選擇一個(gè)適當(dāng)?shù)拈撝挡?duì)分解系數(shù)進(jìn)行閾值量化.通過計(jì)算噪聲的強(qiáng)度，得到信號(hào)的全局閾值，從而實(shí)現(xiàn)全局閾值小波包消噪.（4）小波包重構(gòu)：根據(jù)第5層的小波包分解系數(shù)和經(jīng)過量化處理過的系數(shù)，進(jìn)行小波包重構(gòu).

2.2 能量特征的提取

由于風(fēng)機(jī)出現(xiàn)故障時(shí)會(huì)對(duì)振動(dòng)信號(hào)各頻帶的能量產(chǎn)生較大的影響，不同的故障對(duì)振動(dòng)信號(hào)各頻帶內(nèi)能量的影響也不同，根據(jù)不同頻帶內(nèi)能量的分布情況，可以診斷發(fā)生故障的類型、程度和部位.因此，對(duì)振動(dòng)信號(hào)進(jìn)行小波包分解與重構(gòu)，計(jì)算出各頻帶內(nèi)能量占總能量的百分比，并將其作為振動(dòng)信號(hào)的小波包能量特征.

圖2 不同消噪方法對(duì)風(fēng)機(jī)轉(zhuǎn)子角度不對(duì)中振動(dòng)信號(hào)消噪效果的對(duì)比Fig.2 Comparison of denoising effects on vibration signals caused by rotor angle misalignment among different methods

風(fēng)機(jī)振動(dòng)信號(hào)小波包能量特征提取方法如下：

（1）首先對(duì)原始振動(dòng)信號(hào)進(jìn)行小波包消噪，得到振動(dòng)信號(hào)幅值S，再對(duì)S進(jìn)行n層小波包分解，分別提取第n層從低頻到高頻2n個(gè)頻帶成分的小波包分解系數(shù).實(shí)驗(yàn)中風(fēng)機(jī)轉(zhuǎn)速為1200r／min，采樣頻率為1600Hz，基頻為20Hz.理論分析與實(shí)踐證明，風(fēng)機(jī)不平衡故障的頻譜特征頻率是1倍基頻及分?jǐn)?shù)倍基頻；風(fēng)機(jī)角度和平行不對(duì)中故障的頻譜特征頻率是1倍基頻、2倍基頻及小量值的高次諧波；風(fēng)機(jī)軸承松動(dòng)故障的頻譜特征頻率是1倍基頻及其高次諧波；風(fēng)機(jī)動(dòng)靜碰摩故障的頻譜特征頻率主要是分?jǐn)?shù)倍基頻、1倍基頻、2倍基頻及3～5倍基頻.因此，小波包分解的層數(shù)為5層，使得各種故障的頻譜特征頻率分布在不同的頻帶中，保證不同的頻帶能夠提取相應(yīng)的能量特征.

（2）對(duì)小波包分解系數(shù)重構(gòu)，提取各頻帶信號(hào).用Sj（j＝0，1，…，2n－1）表示第n層各節(jié)點(diǎn)的重構(gòu)信號(hào)幅值，振動(dòng)信號(hào)幅值S可表示為

（3）求解各頻帶信號(hào)的總能量.由于輸入信號(hào)是一個(gè)隨機(jī)信號(hào) 其輸出也是一個(gè)隨機(jī)信號(hào) 設(shè)各頻帶重構(gòu)信號(hào)幅值Sj（j＝0，1，…，2n－1）對(duì)應(yīng)的能量為Ej（j＝0，1，…，2n－1），則有

式中：xjk（j＝0，1，…，2n－1；k＝1，2，…，n）為重構(gòu)信號(hào)Sj的離散點(diǎn)幅值；n為振動(dòng)信號(hào)的離散點(diǎn)數(shù).

（4）構(gòu)造特征向量.由于風(fēng)機(jī)出現(xiàn)故障時(shí)會(huì)對(duì)各頻帶重構(gòu)信號(hào)的能量產(chǎn)生較大的影響，因此，以能量為元素可以構(gòu)造一個(gè)特征向量.特征向量T的構(gòu)造如下：

對(duì)特征向量T進(jìn)行歸一化處理，令

式中：T′為歸一化的能量特征向量.

為了避免振動(dòng)信號(hào)特征向量維數(shù)過大，結(jié)合各振動(dòng)信號(hào)經(jīng)小波包消噪、分解與重構(gòu)后各頻帶的能量分布特征，用Fi＝［Ei0，Ei1，Ei2，Ei3，Ei4］表示第i個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)的特征向量，其中Ei0、Ei1、Ei2、Ei3分別為第i個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)進(jìn)行5層分解與重構(gòu)后1～4倍基頻（f）所在頻帶對(duì)應(yīng)的歸一化能量，Ei4為第i個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)進(jìn)行5層分解與重構(gòu)后≥5f的所有頻帶歸一化能量之和.實(shí)驗(yàn)中采用5個(gè)電渦流傳感器同時(shí)對(duì)風(fēng)機(jī)各運(yùn)行狀態(tài)下軸承不同位置不同方向上的振動(dòng)信號(hào)進(jìn)行測(cè)量，對(duì)5個(gè)測(cè)點(diǎn)同一時(shí)間的振動(dòng)信號(hào)進(jìn)行綜合分析，構(gòu)建風(fēng)機(jī)各運(yùn)行狀態(tài)下的小波包能量特征向量F：

根據(jù)實(shí)際數(shù)據(jù)，對(duì)1300個(gè)振動(dòng)信號(hào)樣本分別進(jìn)行小波包消噪和小波包5層分解與重構(gòu)，進(jìn)而提取風(fēng)機(jī)各運(yùn)行狀態(tài)下5個(gè)測(cè)點(diǎn)信息融合的小波包能量特征向量F，得到了13種運(yùn)行狀態(tài)下260個(gè)振動(dòng)信號(hào)樣本的特征向量.表2僅給出了風(fēng)機(jī)每種狀態(tài)一個(gè)樣本的特征向量.由于F的維數(shù)較大，利用支持向量機(jī)在高維模式識(shí)別方面的優(yōu)越性可解決這個(gè)問題.

3 風(fēng)機(jī)機(jī)械故障診斷

3.1 支持向量機(jī)多故障分類器及其優(yōu)化

支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的新型機(jī)器學(xué)習(xí)方法，是一種針對(duì)二分類問題設(shè)計(jì)的學(xué)習(xí)機(jī)器.對(duì)于多分類問題，需要采用多類支持向量機(jī)處理方法 如一對(duì)多 一對(duì)一、有向無環(huán)圖法、糾錯(cuò)編碼和決策樹等.筆者采用一對(duì)一的多分類法，針對(duì)多分類問題，該方法具有調(diào)節(jié)參數(shù)少、正確識(shí)別率高和運(yùn)算速度快等優(yōu)點(diǎn)，適用于在線機(jī)械故障診斷，與其他分類方法相比，一對(duì)一多分類法的綜合性能最好［12］.

對(duì)于支持向量機(jī)的實(shí)際應(yīng)用，研究［13-15］發(fā)現(xiàn)選擇不同的核函數(shù)對(duì)支持向量機(jī)的性能影響不大，而誤差懲罰因子c和核函數(shù)參數(shù)σ的選擇是影響其性能的關(guān)鍵因素.只有選擇合適的σ，才能將樣本數(shù)據(jù)投射到合適的特征空間，得到性能較好的支持向量機(jī)模型.因此，采用支持向量機(jī)多故障分類器對(duì)已知振動(dòng)信號(hào)樣本特征向量集進(jìn)行訓(xùn)練，在此過程中采用粒子群算法對(duì)支持向量機(jī)的c和σ進(jìn)行優(yōu)化，并建立了風(fēng)機(jī)機(jī)械故障診斷模型.

采用粒子群算法對(duì)支持向量機(jī)的c和σ進(jìn)行優(yōu)化的基本步驟如下：

（1）將樣本訓(xùn)練集按k折交叉驗(yàn)證要求平均分成k個(gè)互不包含的子集.

（2）約定優(yōu)化參數(shù)c和σ的取值范圍，對(duì)每個(gè)粒子的位置向量進(jìn)行二維編碼，產(chǎn)生初始粒子群.

（3）對(duì)各粒子對(duì)應(yīng)的參數(shù)選定訓(xùn)練集進(jìn)行交叉驗(yàn)證，將得到的預(yù)測(cè)模型分類準(zhǔn)確率作為粒子對(duì)應(yīng)的目標(biāo)函數(shù)值.

（4）將粒子群中的粒子按以下公式進(jìn)行迭代：

（5）利用目標(biāo)函數(shù)值評(píng)價(jià)所有粒子，當(dāng)某個(gè)粒子的當(dāng)前評(píng)價(jià)值優(yōu)于其歷史評(píng)價(jià)值時(shí)，將其作為該粒子最優(yōu)歷史評(píng)價(jià)值，記錄當(dāng)前粒子最優(yōu)位置向量.

（6）尋找全局最優(yōu)解，如果其值優(yōu)于當(dāng)前歷史最優(yōu)解，則更新；達(dá)到終止準(zhǔn)則時(shí)，則停止搜索，輸出最優(yōu)參數(shù)c和σ，否則返回，重新進(jìn)行搜索.

3.2 基于改進(jìn)支持向量機(jī)的風(fēng)機(jī)機(jī)械故障診斷

在計(jì)算得到上述13種運(yùn)行狀態(tài)下所有振動(dòng)信號(hào)的小波包能量特征向量Fi后，在以Fi或F為故障特征向量的前提條件下，采用改進(jìn)支持向量機(jī)多故障分類器進(jìn)行風(fēng)機(jī)機(jī)械故障診斷，診斷步驟如下：

表2 風(fēng)機(jī)各運(yùn)行狀態(tài)下一個(gè)樣本的歸一化特征向量Tab.2 Normalized eigenvector of a sample under various operating conditions

（1）選取13種狀態(tài)130組小波包能量特征向量（Fi或F）作為訓(xùn)練樣本，其中每種狀態(tài)取10組，剩下130組作為測(cè)試樣本.

（2）將訓(xùn)練樣本輸入支持向量機(jī)多故障分類器，進(jìn)行訓(xùn)練與粒子群優(yōu)化，建立風(fēng)機(jī)機(jī)械故障診斷模型，然后再將測(cè)試樣本輸入該模型，得到相應(yīng)的診斷結(jié)果.

3.2.1 基于單測(cè)點(diǎn)振動(dòng)信號(hào)分析的故障診斷

圖3～圖7分別給出了以F1、F2、…、F5作為風(fēng)機(jī)機(jī)械故障特征向量的故障診斷結(jié)果，其中類別標(biāo)簽見表1.

圖3 基于第1個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)分析的故障診斷結(jié)果Fig.3 Fault diagnosis chart based on vibration signal analysis of the first measurement point

由圖3～圖7可知，基于第1～第5個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)分析的故障診斷準(zhǔn)確率分別為65.38%、43.85%、53.85%、54.62%和69.23%.因此，若只對(duì)單個(gè)傳感器采集的振動(dòng)信號(hào)進(jìn)行分析，會(huì)出現(xiàn)高概率的虛警、漏報(bào)和混淆等，故障識(shí)別率低，無法滿足風(fēng)機(jī)機(jī)械故障狀態(tài)辨識(shí)和診斷的要求.

圖4 基于第2個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)分析的故障診斷結(jié)果Fig.4 Fault diagnosis chart based on vibration signal analysis of the second measurement point

圖5 基于第3個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)分析的故障診斷結(jié)果Fig.5 Fault diagnosis chart based on vibration signal analysis of the third measurement point

圖6 基于第4個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)分析的故障診斷結(jié)果Fig.6 Fault diagnosis chart based on vibration signal analysis of the fourth measurement point

圖7 基于第5個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)分析的故障診斷結(jié)果Fig.7 Fault diagnosis chart based on vibration signal analysis of the fifth measurement point

3.2.2 基于多測(cè)點(diǎn)振動(dòng)信號(hào)綜合分析的故障診斷

圖8給出了以F作為風(fēng)機(jī)機(jī)械故障特征向量的診斷結(jié)果，其故障診斷準(zhǔn)確率為94.60%.由圖8可知 基于多測(cè)點(diǎn)振動(dòng)信號(hào)綜合分析的風(fēng)機(jī)機(jī)械故障診斷不會(huì)出現(xiàn)虛警和漏報(bào)，對(duì)所發(fā)生故障的類別、嚴(yán)重程度和部位均有很高的識(shí)別率.130個(gè)測(cè)試樣本中只有7個(gè)樣本出現(xiàn)誤診，即：2個(gè)平行不對(duì)中（輕）狀態(tài)的樣本被誤診為平行不對(duì)中（重）狀態(tài)；2個(gè)軸承松動(dòng)（全松輕）狀態(tài)的樣本被誤診為軸承松動(dòng)（全松重）狀態(tài)；1個(gè)軸承松動(dòng)（全松輕）狀態(tài)的樣本被誤診為軸承松動(dòng)（左側(cè)松動(dòng)）狀態(tài)；2個(gè)軸承松動(dòng)（左側(cè)松動(dòng)）狀態(tài)的樣本被誤診為軸承松動(dòng)（全松輕）狀態(tài).出現(xiàn)誤診的原因?yàn)槠叫胁粚?duì)中故障不同程度間的振動(dòng)信號(hào)特征向量較為相似，軸承松動(dòng)故障不同故障位置、不同嚴(yán)重程度的振動(dòng)信號(hào)特征向量較為相似，發(fā)生了小概率的分類錯(cuò)誤.

圖8 基于5個(gè)測(cè)點(diǎn)振動(dòng)信號(hào)綜合分析的故障診斷結(jié)果Fig.8 Fault diagnosis chart based on vibration signal analysis of the five measurement points

4 結(jié) 論

（1）通過實(shí)驗(yàn)?zāi)M了13種風(fēng)機(jī)運(yùn)行狀態(tài)，并得到各運(yùn)行狀態(tài)下充足的振動(dòng)信號(hào)；運(yùn)用小波包分析方法對(duì)已得的振動(dòng)信號(hào)進(jìn)行消噪、分解與重構(gòu)，計(jì)算了每種運(yùn)行狀態(tài)下5個(gè)測(cè)點(diǎn)振動(dòng)信息融合后的小波包能量特征向量F，建立了風(fēng)機(jī)機(jī)械故障小波包能量特征向量樣本集.

（2）所構(gòu)造的小波包能量特征向量F可以很好地表征風(fēng)機(jī)的多種運(yùn)行狀態(tài)；改進(jìn)的支持向量機(jī)多故障分類器在故障診斷中具有良好的分類效果，對(duì)故障的種類、嚴(yán)重程度和發(fā)生部位均有較高的識(shí)別能力.

［1］牛培峰，張君.小波分析技術(shù)在汽輪機(jī)故障診斷中的應(yīng)用［J］.動(dòng)力工程，2007，27（1）：76－80.NIU Peifeng，ZHANG Jun.Application of the wavelet transform technique in turbo－generator fault diagnosis［J］.Journal of Power Engineering，2007，27（1）：76－80.

［2］LI K，CHEN P，WANG H Q.Intelligent diagnosis method for rotating machinery using wavelet trans－form and ant colony optimization［J］.Sensors Journal，2012，12（7）：2474-2484.

［3］WANG Wenyi.Early detection of gear tooth cracking using the resonance demodulation technique［J］.Mechanical Systems and Signal Processing，2001，15（5）：887-903.

［4］NIKOLAOU N G，ANTONIADIS I A.Rolling element bearing fault diagnosis using wavelet packets［J］.NDT ＆ E International，2002，35（3）：197-205.

［5］梁平，白蕾，龍新峰，等.基于小波包分析及神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷［J］.控制理論與應(yīng)用，2007，24（6）：981-985.LIANG Ping，BAI Lei，LONG Xinfeng，et al.Turbine rotor vibration faults diagnosis based on wavelet packet analysis and neural network［J］.Control Theory＆ Applications，2007，24（6）：981-985.

［6］韓磊，洪杰，王冬.基于小波包分析的航空發(fā)動(dòng)機(jī)軸承故障診斷［J］.推進(jìn)技術(shù)，2009，30（3）：328-332.HAN Lei，HONG Jie，WANG Dong.Fault diagnosis of aero-engine bearings based on wavelet package analysis［J］.Journal of Propulsion Technology，2009，30（3）：328-332.

［7］彭文季，羅興錡.基于小波包分析和支持向量機(jī)的水電機(jī)組振動(dòng)故障診斷研究［J］.中國電機(jī)工程學(xué)報(bào)，2006，26（24）：164-168.PENG Wenji，LUO Xingqi.Research on vibrant fault diagnosis of hydro-turbine generating unit based on wavelet packet analysis and support vector machine［J］.Proceedings of the CSEE，2006，26（24）：164-168.

［8］鄭蕊蕊，趙繼印，趙婷婷，等.基于遺傳支持向量機(jī)和灰色人工免疫算法的電力變壓器故障診斷［J］.中國電機(jī)工程學(xué)報(bào)，2011，31（7）：56-63.ZHENG Ruirui，ZHAO Jiyin，ZHAO Tingting，et al.Power transformer fault diagnosis based on genetic support vector machine and gray artificial immune algorithm［J］.Proceedings of the CSEE，2011，31（7）：56-63.

［9］白衛(wèi)東，嚴(yán)建華，馬增益，等.基于支持向量機(jī)的火焰狀態(tài)識(shí)別方法［J］.動(dòng)力工程，2004，24（4）：548-551.BAI Weidong，YAN Jianhua，MA Zengyi，et al.Method of flame identification based on support vector machine［J］.Power Engineering，2004，24（4）：548-551.

［10］劉永斌，何清波，孔凡讓，等.基于PCA和SVM的內(nèi)燃機(jī)故障診斷［J］.振動(dòng)、測(cè)試與診斷，2012，32（2）：250-255.LIU Yongbin，HE Qingbo，KONG Fanrang，et al.Fault diagnosis of internal combustion engine using PCA and SVM［J］.Journal of Vibration，Measurement＆ Diagnosis，2012，32（2）：250-255.

［11］楊宏暉，陳兆基，戴鍵.基于自適應(yīng)增強(qiáng)SVM集成算法的風(fēng)機(jī)故障診斷［J］.測(cè)控技術(shù)，2010，29（7）：72-74.YANG Honghui，CHEN Zhaoji，DAI Jian.Fault diagnosis for fan based on self-adaptive boosting SVM ensemble［J］.Measurement ＆ Control Technology，2010，29（7）：72-74.

［12］閆志剛，杜培軍.多類支持向量機(jī)推廣性能分析［J］.采集與處理，2009，24（4）：469-475.YAN Zhigang，DU Peijun.Generalization performance analysis of M-SVMs［J］.Journal of Data Acquisition＆ Processing，2009，24（4）：469-475.

［13］石志標(biāo)，宋全剛，馬明釗，等.基于改進(jìn)粒子群優(yōu)化支持向量機(jī)的汽輪機(jī)組故障診斷［J］.動(dòng)力工程學(xué)報(bào)，2012，32（6）：454-457.SHI Zhibiao，SONG Quangang，MA Mingzhao，et al.Fault diagnosis of steam turbine based on MPSOSVM algorithm［J］.Journal of Chinese Society of Power Engineering，2012，32（6）：454-457.

［14］吳明圣.徑向基神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的參數(shù)優(yōu)化方法研究及應(yīng)用［D］.長沙：中南大學(xué)，2007.

［15］張楠.關(guān)于支持向量機(jī)中的參數(shù)優(yōu)化的研究［D］.西安：西北大學(xué)，2008.