《水電機組振動故障診斷應(yīng)用》由會員分享，可在線閱讀，更多相關(guān)《水電機組振動故障診斷應(yīng)用（7頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、水電機組振動故障診斷應(yīng)用 水電機組振動故障診斷應(yīng)用 2016/01/13 摘要: 針對水電機組振動故障耦合因素多、故障模式復雜等問題，提出了一種基于量子自適應(yīng)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(QAPSO-BP)的故障診斷模型。在QAPSO-BP算法中，利用量子計算中的疊加態(tài)特性和概率表達特性，增加了種群的多樣性;根據(jù)各粒子的位置與速度信息，實現(xiàn)慣性因子的自適應(yīng)調(diào)節(jié);為避免陷入局部最優(yōu)，在算法中加入變異操作;并以此來訓練BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)網(wǎng)絡(luò)的參數(shù)優(yōu)化，進而構(gòu)建了機組的振動故障

2、診斷模型。仿真實例表明，與粒子群優(yōu)化BP網(wǎng)絡(luò)(PSO-BP)法和BP網(wǎng)絡(luò)法相比，該算法具有較高的診斷準確度，適用于水電機組振動故障的模式識別。 關(guān)鍵詞: BP神經(jīng)網(wǎng)絡(luò);量子自適應(yīng)粒子群優(yōu)化算法;水電機組;振動;故障診斷 水電機組的振動包含水力、機械和電磁3個方面，異常振動可能會破壞機組的結(jié)構(gòu)。據(jù)統(tǒng)計，水電機組約有80%的故障都會在振動信號中有所反映［1］。因此，從水電機組的振動信號入手，進而建立相應(yīng)的模型已成為診斷機組故障的重要手段。鑒于水電機組發(fā)生振動故障的原因復雜多樣，涉及電氣、機械以及水力等多方面的因素，且故障成因與征兆之間呈現(xiàn)復雜的非線性，其故障的模式識別方法就成為研

3、究的熱點及難點［2］。近年來，針對水電機組振動故障診斷技術(shù)的研究，相關(guān)人員開展了大量工作，成果顯著。如易輝等［3］采用基于相關(guān)向量機(ＲelevanceVectorMachine，ＲVM)的水電機組故障診斷方法，并根據(jù)訓練樣本的分布情況來自動選取決策結(jié)構(gòu)，提高了診斷的速度和準確性。張孝遠等［4］考慮到故障樣本存在著交疊區(qū)域，提出了基于粗糙集與一對一多類支持向量機結(jié)合的診斷方法。賈嶸等［5］采用粒子群算法(ParticleSwarmOptimi-zation，PSO)優(yōu)化支持向量機(SupportVectorMachine，SVM)的故障診斷模型，取得了較好地分類效果。郭鵬程等［6］通過小波分解

4、對水電機組的振動信號波形進行去噪提純，并建立了基于改進BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型。顯然，相關(guān)研究主要側(cè)重于采用支持向量機、神經(jīng)網(wǎng)絡(luò)以及諸如粒子群等優(yōu)化算法用于水電機組的振動故障診斷中，但對基于量子粒子群優(yōu)化算法(QuantumParticleSwarmOptimization，QPSO)的機組振動故障診斷技術(shù)尚未見報道。PSO算法是美國Kennedy和Eber-hart受鳥類捕食行為的啟發(fā)，于1995年提出的一種智能優(yōu)化算法。作為一種重要的優(yōu)化工具，粒子群優(yōu)化算法已在組合優(yōu)化、系統(tǒng)辨識和神經(jīng)網(wǎng)絡(luò)訓練等領(lǐng)域得到廣泛應(yīng)用［7－9］。但是，同其它優(yōu)化算法一樣，PSO算法也表現(xiàn)出易陷入局部最優(yōu)等問題，

5、這也推動了改進PSO算法的研究，而量子粒子群優(yōu)化算法［10］就是從量子力學角度提出的一種改進模型。它認為粒子具有量子的行為，能夠在整個可行解空間進行搜索，故而具有較強的全局尋優(yōu)能力，已成功應(yīng)用于風電功率預測及碳酸鹽巖流體識別等領(lǐng)域［11－12］。因此，本文受文獻［13］的啟發(fā)，提出了一種基于量子自適應(yīng)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(QuantumAdaptiveParticleSwarmOptimizedBPNeuralNetwork，QAPSO-BP)的水電機組振動故障診斷模型。首先由量子自適應(yīng)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)、閾值參數(shù)，再由優(yōu)化后的BP網(wǎng)絡(luò)進行故障診斷，最終實現(xiàn)了水電機組振動故障集與

6、征兆集之間的有效映射。 1PSO算法基本原理 在D維搜索空間中有m個粒子組成一個種群，其中第通過計算適應(yīng)度函數(shù)值，使粒子按照下式來實現(xiàn)速度和位置的更新。 2量子自適應(yīng)粒子群優(yōu)化算法(QAPSO) 2．1量子編碼QAPSO采用量子位的概率幅對粒子的當前位置進行編碼，其編碼方案為:由此可見，種群中每個粒子的位置xiα和xiβ與優(yōu)化問題的兩個解對應(yīng)起來，從而擴展了算法的遍歷能力。 2．2狀態(tài)評估對粒子i，由下式來估計與其它粒子的平均距離及平均速率。 2．3參數(shù)自適應(yīng)調(diào)節(jié)慣性因子ω的選取對算法的搜索能力影響很大。在QAPSO算法中，根據(jù)粒子的飛行軌跡差異按式(9)來

7、自適應(yīng)調(diào)整慣性因子。在搜索初期，由式(8)可知，平均軌跡差異的進化因子fc=1，此時ω=0．9。通過賦予ω一個較大值，有利于提高算法的全局尋優(yōu)能力。而在后期階段，賦予一個較小的ω，以增強算法的局部搜索能力。隨著算法搜索的進行，ω按照S型函數(shù)遞減，避免了線性遞減粒子群算法不能適應(yīng)非線性變化特性的缺陷，從而實現(xiàn)QAPSO算法在全局收斂與局部搜索能力之間的平衡。 2．4變異操作為了增加種群的多樣性，克服粒子的集聚現(xiàn)象，通過所預設(shè)的變異概率，對全局最優(yōu)粒子的量子位采用量子非門進行變異操作，以避免算法陷入局部最優(yōu)。其操作過程如下。 2．5QAPSO-BP算法實現(xiàn)步驟QAPSO-BP算法的實現(xiàn)

8、步驟如下［14］:步驟1:確定BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。步驟2:初始化量子自適應(yīng)粒子群，包含粒子數(shù)、空間維數(shù)及最大迭代次數(shù)等，隨機生成粒子速度，根據(jù)式(3)生成粒子位置的初始編碼。步驟3:構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，將各粒子位置向量所對應(yīng)的量子態(tài)0〉和1〉的概率幅表示為BP網(wǎng)絡(luò)初始連接權(quán)、閾值的解集合。步驟4:狀態(tài)更新。根據(jù)式(4)～(7)計算粒子的平均軌跡差異，根據(jù)式(8)、(9)調(diào)整慣性因子，根據(jù)式(1)、(2)更新粒子的速度和位置。步驟5:適應(yīng)度評估。若粒子當前位置優(yōu)于自身所記憶的最優(yōu)位置，則更新個體最優(yōu)位置;若當前個體歷史最優(yōu)位置優(yōu)于目前所搜索到的全局最優(yōu)位置，則替換成全局最優(yōu)位置。步驟6:變異操

9、作，根據(jù)式(10)進行變異操作。步驟7:循環(huán)操作。返回步驟4循環(huán)計算，若滿足收斂條件或所預設(shè)的最大迭代次數(shù)，則確定BP神經(jīng)網(wǎng)絡(luò)的最佳參數(shù)，轉(zhuǎn)向下一步驟。步驟8:利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對水電機組進行振動故障診斷。 3水電機組振動故障診斷 3．1水電機組的振動故障分析水電機組是一個復雜的動力系統(tǒng)，其故障多以振動的形式表現(xiàn)出來。根據(jù)振動的來源不同，可分為水力振動、機械振動和電磁振動3大類［15］。水力振動:水力振動是由水力和機械相互作用而產(chǎn)生的，主要包含:水力不平衡、導葉和輪葉開口不均、尾水管壓力脈動、尾水管偏心渦帶、轉(zhuǎn)輪葉片的卡門渦流、轉(zhuǎn)輪葉片斷裂、間隙射流等。機械振動:機械振動主要

10、是由于機組本身結(jié)構(gòu)性缺陷、或在運行過程中機組部件受損而產(chǎn)生的。主要有:轉(zhuǎn)動部分質(zhì)量不平衡、軸線不對中、動靜碰磨、軸承瓦間隙大、導軸承缺陷、聯(lián)結(jié)螺絲松動等。電磁振動:電磁振動是由磁通密度分布不均以及磁拉力不平衡等原因產(chǎn)生的。主要包含:繞組匝間短路、定轉(zhuǎn)子間氣隙不勻、轉(zhuǎn)子不圓、定子鐵芯松動、負載不平衡等。然而，以上3類振動因素又相互作用。比如，當水電機組受水力因素的影響而導致轉(zhuǎn)動部分振動時，會造成定轉(zhuǎn)子間氣隙不均勻，進而產(chǎn)生不對稱磁拉力，反過來又將阻尼或加劇機組轉(zhuǎn)動部分的振動。由此可見，水電機組振動是水力、機械、電磁共同作用的結(jié)果，且多為多故障并發(fā)，致使機組振動信號具有高度的非線性。而量子自適應(yīng)粒

11、子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法，既具有量子計算的高度并行性優(yōu)勢，又保留了神經(jīng)網(wǎng)絡(luò)的非線性映射能力，可有效應(yīng)用于水電機組的振動故障診斷中。此外，由于水電機組振動的振頻既有引起設(shè)備振動的中低頻，又有因水力因素所產(chǎn)生的渦帶振動等壓力脈動頻率，故而機組振動信號的頻率范圍較廣。鑒于水電機組的振動故障類別與一定的頻率成分相對應(yīng)，如不平衡故障的一階轉(zhuǎn)頻能量較大、而不對中故障主要對應(yīng)于二階轉(zhuǎn)頻能量等。因此，可通過頻譜分析來提取機組故障數(shù)據(jù)的頻率特征。同時，由于傳統(tǒng)的頻譜分析方法無法對水電機組的振動信號進行有效的分析和處理，故采用小波分析進行振動信號的降噪處理，以去除噪聲信號所在的頻段，并對降噪后的小波系數(shù)進行重構(gòu)，

12、最終提取出機組振動故障的特征參數(shù)。 3．2應(yīng)用實例一以貴州索風營水電廠機組故障數(shù)據(jù)［16］為例進行驗證分析。鑒于頻譜分析能夠很好地揭示機組振動故障的特征，以對不同的振動故障加以區(qū)分。而變工況試驗一般是進行定水頭、變轉(zhuǎn)速試驗，根據(jù)轉(zhuǎn)速的不同來選取不同的工況點，進而確定水力、機械、電磁3類振源的影響大?。?7］。因此，這兩種方法在水電機組的振動故障診斷中較常采用。本文選取水電機組振動頻譜和變工況試驗中的9個特征向量:0．18～0．2f0、1/6～1/2f0、1f0、2f0、3f0(f0為基頻)、50Hz或100Hz頻率、振動與轉(zhuǎn)速關(guān)系、振動與負荷的關(guān)系以及振動與勵磁電流的關(guān)系為量子自適應(yīng)粒子

13、群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，分別用I1～I9表示。對應(yīng)的5種故障類型:轉(zhuǎn)子不對中、轉(zhuǎn)子不平衡、動靜碰摩、尾水管偏心渦帶和磁極不均勻作為QAPSO-BP模型的輸出參數(shù)，并依次用向量［001］、［010］、［011］、［100］及［101］分別表示，其樣本數(shù)據(jù)見表1。其中樣本1～3為轉(zhuǎn)子不對中故障，4～6為轉(zhuǎn)子不平衡故障，7～8為動靜碰摩故障，9～11為尾水管偏心渦帶故障，余下2個樣本為磁極不均勻故障。選擇樣本3、6、10為算法的測試數(shù)據(jù)，其余的為訓練樣本。在利用QAPSO-BP算法進行故障診斷時，主要參數(shù)設(shè)置為:網(wǎng)絡(luò)結(jié)構(gòu)9－12－3，種群規(guī)模20，迭代次數(shù)30，加速因子c1=c2=2，變異概率

14、pm=0．05。經(jīng)過多次試驗，得出QAPSO-BP和PSO-BP算法的最佳適應(yīng)度函數(shù)及網(wǎng)絡(luò)訓練誤差曲線分別見圖1和圖2。從圖1可知，QAPSO算法在迭代8次左右時，已搜索到全局最優(yōu)解，遠小于PSO算法的29次，尋優(yōu)速度較快。同時，由于適應(yīng)度函數(shù)選取為網(wǎng)絡(luò)輸出均方誤差的倒數(shù)，適應(yīng)度值越大說明輸出誤差越小。而QAP-SO算法的最大適應(yīng)度值約為175，高出PSO的59．1%。對于圖2，QAPSO-BP算法在經(jīng)過8次優(yōu)化后，網(wǎng)絡(luò)訓練誤差即達到了設(shè)定的目標值10－5，而PSO-BP算法需要34次才實現(xiàn)。綜合以上可見，無論是在收斂精度還是收斂速度方面，QAPSO算法都比PSO有著較大的提高。這是因為QAP

15、SO算法通過將量子計算與PSO融合，提高了種群的遍歷性;引入慣性因子自適應(yīng)調(diào)整及變異操作，可以使粒子跳出局部極值點，從而提高了算法的全局尋優(yōu)能力及優(yōu)化效率。將訓練好的QAPSO-BP模型對3組測試樣本進行故障診斷，并與PSO-BP算法、BP神經(jīng)網(wǎng)絡(luò)的輸出進行比較，對比結(jié)果見表2。顯然，根據(jù)所預設(shè)的網(wǎng)絡(luò)輸出向量，QAPSO-BP算法及PSO-BP算法的診斷結(jié)果完全正確，而BP網(wǎng)絡(luò)誤將不平衡故障定位為不對中故障。同時，經(jīng)計算可知，對于QAPSO-BP算法，其輸出結(jié)果的平均絕對誤差為1．05%，低于PSO-BP算法和BP神經(jīng)網(wǎng)絡(luò)的相應(yīng)值2．54%與21．7%。由此可見，基于QAPSO-BP的水電機組

16、振動故障診斷算法，其診斷結(jié)果的準確性較高。 3．3應(yīng)用實例二為了進一步驗證該算法在水電機組振動故障診斷中的優(yōu)勢，采用文獻［18］數(shù)據(jù)進行分析。該文獻以振動信號頻譜分量的幅值作為特征向量，對應(yīng)故障分為不對中、不平衡和渦帶偏心3種，其樣本數(shù)據(jù)見表3。利用前12組數(shù)據(jù)對QAPSO-BP模型進行訓練，并定義網(wǎng)絡(luò)輸出:［001］、［010］和［100］與3種故障對應(yīng)。在這里，同樣采用應(yīng)用實例一中的3種算法進行診斷結(jié)果的對比，則對后3組測試樣本的網(wǎng)絡(luò)輸出見表4?？梢?，盡管表4中3種算法的診斷結(jié)果與機組振動故障的實際類型一致，但是QAPSO-BP模型的輸出結(jié)果更接近于所定義的網(wǎng)絡(luò)輸出值，其平均絕對誤差

17、僅為2．34%，明顯低于另2種算法的4．30%和8．38%，從而說明了基于QAPSO-BP算法的機組振動故障診斷結(jié)果具有一定的普遍性。 4結(jié)論 (1)針對粒子群優(yōu)化算法易陷入局部最優(yōu)等問題，將量子計算和PSO結(jié)合起來，組成量子自適應(yīng)粒子群優(yōu)化算法。采用量子位概率幅的編碼機制，擴展了解空間的遍歷性。根據(jù)種群中各粒子的位置與速度信息，對慣性因子進行自適應(yīng)調(diào)節(jié)，實現(xiàn)了QAPSO算法在全局收斂與局部搜索能力之間的平衡。為了便于搜索最優(yōu)解，用量子非門進行變異操作，提高了種群的多樣性。(2)利用QAPSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)、閾值參數(shù)，進而構(gòu)建了水電機組的振動故障診斷模型，并通過兩個實

18、例進行驗證。結(jié)果表明，QAPSO-BP算法具有較佳的全局尋優(yōu)能力及優(yōu)化效率，能夠較好地擬合機組征兆域與故障域之間的復雜非線性映射關(guān)系，適用于水電機組的振動故障診斷。 參考文獻 ［1］張彼德，田源，鄒江平，等．基于Choquet模糊積分的水電機組振動故障診斷［J］．振動與沖擊，2013，32(12):61－66．ZHANGBi-de，TIANYuan，ZOUJiang-ping，etal．VibrationfaultdiagnosisofaHydro-generatingunitbasedonchoquetfuzzyintegration［J］．JournalofVibrationa

19、ndShock，2013，32(12):61－66． ［2］ZhangXiao-yuan，ZhouJian-zhong，GuoJun，etal．Vibrantfaultdiagnosisforhydroelectricgeneratorunitswithanewcombinationofroughsetsandsupportvectormachine［J］．ExpertSystemsWithApplications，2012，39(3):2621－2628． ［3］易輝，梅磊，李麗娟，等．基于多分類相關(guān)向量機的水電機組振動故障診斷［J］．中國電機工程學報，2014，34(17):2

20、843－2850．YIHui，MEILei，LILi-juan，etal．Vibrationfaultdiagnosisforhydroelectricgeneratingunitsusingthemulti-classrelevancevectormachine［J］．ProceedingsoftheCSEE，2014，34(17):2843－2850． ［4］張孝遠，周建中，王常青，等．考慮樣本交疊的水電機組振動故障診斷［J］．電力系統(tǒng)保護與控制，2012，40(3):8－14．ZHANGXiao-yuan，ZHOUJian-zhong，WANGChang-qing，etal．Vib

21、rantfaultdiagnosisforhydroelectricgeneratorunitconsideringoverlappingfaultpatterns［J］．PowerSystemProtectionandControl，2012，40(3):8－14． ［5］賈嶸，洪剛，武樺，等．基于IPSO優(yōu)化LSSVM的水輪發(fā)電機組振動故障診斷［J］．水利學報，2011，42(3):373－378．JIAＲong，HONGGang，WUHua，etal．VibrationfaultdiagnosisofhydroelectricgeneratingunitbyLeastSquares

22、SupportVectorMachinebasedonImprovedParticleSwarmOptimization［J］．ShuiliXuebao，2011，42(3):373－378． ［6］郭鵬程，孫龍剛，李輝，等．基于多重分形譜和改進BP神經(jīng)網(wǎng)絡(luò)的水電機組振動故障診斷研究［J］．水力發(fā)電學報，2014，33(3):299－305．GUOPeng-cheng，SUNLong-gang，LIHui，etal．Vibrationfaultdiagnosisofhydropowerunitbasedonmulti-fractalspectrumandimprovedBPneuraln

23、etwork［J］．JournalofHydroelectricEngineering，2014，33(3):299－305． ［7］李鑫，王少萍．基于卡箍優(yōu)化布局的飛機液壓管路減振分析［J］．振動與沖擊，2013，32(1):14－20．LIXin，WANGShao-ping．Vibrationcontrolanalysisforhydraulicpipelinesinanaircraftbasedonoptimizedclamplayout［J］．JournalofVibrationandShock，2013，32(1):14－20． ［8］張海鵬，韓端鋒，郭春雨．改進PSO訓

24、練的BPNN方法的艦船主尺度建模［J］．哈爾濱工程大學學報，2012，33(7):806－810．ZHANGHai-peng，HANDuan-feng，GUOChun-yu．ModelingoftheprincipaldimensionsoflargevesselsbasedonaBPNNtrainedbyanimprovedPSO［J］．JournalofHarbinEngineeringUniversity，2012，33(7):806－810． ［9］張曉輝，董興華．含風電場多目標低碳電力系統(tǒng)動態(tài)經(jīng)濟調(diào)度研究［J］．電網(wǎng)技術(shù)，2013，37(1):24－31．ZHANGXiao-h

25、ui，DONGXing-hua．Ｒesearchonmulti-objectiveschedulingforlow-carbonpowersystemwithwindfarms［J］．PowerSystemTechnology，2013，37(1):24－31． ［10］LinLiang-kui，XuHui，XuDan，etal．QPSO-basedalgorithmofCSOjointinfraredsuper-resolutionandtrajectoryestimation［J］．JournalofSystemsEngineeringandElectronics，2011，22(3

26、):405－411． ［11］陳道君，龔慶武，金朝意，等．基于自適應(yīng)擾動量子粒子群算法參數(shù)優(yōu)化的支持向量回歸機短期風電功率預測［J］．電網(wǎng)技術(shù)，2013，37(4):974－980．CHENDao-jun，GONGQing-wu，JINZhao-yi，etal．Short-termwindpowerpredictionbasedonsupportvectorregressionmachineoptimizedbyadaptivedisturbancequantum-behavedparticleswarmoptimization［J］．PowerSystemTechnology，2013

27、，37(4):974－980． ［12］劉立峰，孫贊東，韓劍發(fā)，等．量子粒子群模糊神經(jīng)網(wǎng)絡(luò)碳酸鹽巖流體識別方法研究［J］．地球物理學報，2014，57(3):991－1000．LIULi-feng，SUNZan-dong，HANJian-fa，etal．Acarbonatefluididentificationmethodbasedonquantumparticleswarmfuzzyneuralnetwork［J］．ChineseJournalofGeophysics，2014，57(3):991－1000． ［13］郭通，蘭巨龍，李玉峰，等．基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神

28、經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預測［J］．電子與信息學報，2013，35(9):2220－2226．GUOTong，LANJu-long，LIYu-feng，etal．Networktrafficpredictionwithradialbasisfunctionneuralnetworkbasedonquantumadaptiveparticleswarmoptimization［J］．JournalofElectronics＆InformationTechnology，2013，35(9):2220－2226． ［14］陳義雄，梁昔明，黃亞飛．基于佳點集構(gòu)造的改進量子粒子群優(yōu)化算法［J］．中南大學學

29、報:自然科學版，2013，44(4):1409－1414．CHENYi-xiong，LIANGXi-ming，HUANGYa-fei．Improvedquantumparticleswarmoptimizationbasedongood-pointset［J］．JournalofCentralSouthUniversity:ScienceandTechnology，2013，44(4):1409－1414． ［15］盧娜，肖志懷，符向前．基于蟻群初始化小波網(wǎng)絡(luò)的水電機組振動故障診斷［J］．水力發(fā)電學報，2014，33(2):251－258．LUNa，XIAOZhi-huai，F(xiàn)UXian

30、g-qian．VibrationfaultdiagnosisofhydroelectricgeneratingunitbasedonACO-initializedwaveletnetwork［J］．JournalofHydroelectricEngineering，2014，33(2):251－258． ［16］李超順，周建中，肖劍，等．基于引力搜索核聚類算法的水電機組振動故障診斷［J］．中國電機工程學報，2013，33(2):98－104．LIChao-shun，ZHOUJian-zhong，XIAOJian，etal．Vibrationfaultdiagnosisofhydroele

31、ctricgeneratingunitusinggravitationalsearchbasedkernelclusteringmethod［J］．ProceedingsoftheCSEE，2013，33(2):98－104． ［17］肖劍，周建中，張孝遠，等．基于Levy-ABC優(yōu)化SVM的水電機組故障診斷方法［J］．振動、測試與診斷，2013，33(5):839－844．XIAOJian，ZHOUJian-zhong，ZHANGXiao-yuan，etal．FaultdiagnosisforHydroelectricGeneratorUnitBasedonLevyFlight-Art

32、ificialBeeColonyandSupportVectorMachine［J］．JournalofVibration，Measurement＆Diagnosis，2013，33(5):839－844． ［18］盧娜，肖志懷，曾洪濤，等．基于徑向基多小波神經(jīng)網(wǎng)絡(luò)的水電機組故障診斷［J］．武漢大學學報:工學版，2014，47(3):388－393．LUNa，XIAOZhi-huai，ZENGHong-tao，etal．Faultdiagnosisofhydro-turbinegeneratingunitbasedonradialbasismultiwavelet［J］．EngineeringJournalofWuhanUniversity，2014，47(3):388－393．