基于PSO-PCA-CNN的水电机组故障诊断

姬升阳; 魏学锋; 曾广栋; 朱斌; 周鑫; 何志宏; 李超顺

doi:10.20040/j.cnki.1000-7709.2025.20242353

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于PSO-PCA-CNN的水电机组故障诊断

水能利用及水电站工程 | 更新时间：2026-02-25

- 基于PSO-PCA-CNN的水电机组故障诊断
- 基于PSO-PCA-CNN的水电机组故障诊断
- 水电能源科学 2025年43卷第10期页码：178-181+211
- 作者机构：
  
  1. 中国长江电力股份有限公司溪洛渡水力发电厂
  2. 华中科技大学土木与水利工程学院
- 作者简介：
- 基金信息：
  
  三峡金沙江川云水电开发有限公司永善溪洛渡电厂科研项目(4123020058)
- DOI：10.20040/j.cnki.1000-7709.2025.20242353
  中图分类号： TV738
- 纸质出版：2025
- 稿件说明：
移动端阅览
姬升阳, 魏学锋, 曾广栋, 等. 基于PSO-PCA-CNN的水电机组故障诊断[J]. 水电能源科学, 2025,43(10):178-181+211.

姬升阳, 魏学锋, 曾广栋, et al. 基于PSO-PCA-CNN的水电机组故障诊断[J]. 2025, 43(10): 178-181+211.
姬升阳, 魏学锋, 曾广栋, 等. 基于PSO-PCA-CNN的水电机组故障诊断[J]. 水电能源科学, 2025,43(10):178-181+211. DOI： 10.20040/j.cnki.1000-7709.2025.20242353.

姬升阳, 魏学锋, 曾广栋, et al. 基于PSO-PCA-CNN的水电机组故障诊断[J]. 2025, 43(10): 178-181+211. DOI： 10.20040/j.cnki.1000-7709.2025.20242353.

摘要

为了充分利用水电机组振动信号资源，建立更高效的故障诊断模型，提出利用主成分分析(PCA)对振动数据进行降维，基于粒子群算法(PSO)优化目标维度和卷积神经网络(CNN)参数的故障诊断模型。首先将多通道的原始振动数据进行通道层面的降维，再将降维后数据输入CNN网络进行故障诊断分类；其次采用PSO对目标维度和CNN模型中部分关键参数进行寻优，实现信号自适应降维，构建更高效的模型；最后基于寻优结果进行数据降维和模型深入训练，获得最优诊断模型，输出诊断结果。基于某水电机组不同工况下的实测振动数据进行试验对比和分析，验证了所提方法具有较高的诊断精度和稳定性。

Abstract

关键词

Keywords

references

张勋康,陈文献,杨洋,李涛涛.基于VMD分解和支持向量机的水电机组振动故障诊断[J].电网与清洁能源,2017(10).

邓晓琴,瞿卫华,陈金保,王云鹤,邹屹东,胡文庆,肖志怀.融合IMF能量矩和BiLSTMNN的水电机组振动故障诊断[J].水力发电学报,2023(10).

李想,钱晶,曾云.基于UPEMD融合RCMCSE和ALWOA-BP的水电机组故障诊断[J].水利学报,2024(06).

罗玮,陈媛.基于PSO-LSTM网络的水电机组振动故障诊断方法[J].机械设计与制造工程,2024(09).

Hervé Abdi,Lynne J. Williams.Principal component analysis[J].Wiley Interdisciplinary Reviews: Computational Statistics,2010.

胡宇.基于一维卷积神经网络的轴承故障诊断算法研究[D].北京化工大学,2022(02).

浏览量

361

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于STFT-SE-CNN多通道特征融合的水电机组故障诊断

基于CNN-SVM的水电机组智能故障诊断方法研究

基于CWT-CNN模型的泵站机组故障诊断研究

基于改进经验模态分解的水电机组振动信号故障特征提取

基于RFECV-RF和PCA-LightGBM的水电机组劣化趋势评估