在火電廠中，汽輪機是火力發(fā)電的核心設備之一，如何能夠使汽輪機高效運轉并不發(fā)生故障是每個電廠一直追求的目標。汽輪機轉子則是汽輪機的核心部件之一，也是汽輪機故障診斷中重要部件之一。由于汽輪機轉子一直高速運轉，就會有各種不可預見性因素的存在，難免會有各種故障的產(chǎn)生，從而潛在有巨大的安全隱患，對汽輪機運行檢測及故障診斷就顯得尤為重要。

　　由于機械設備工作環(huán)境惡劣，現(xiàn)場收集到的信號經(jīng)常是受到了嚴重污染，為了消除信號中的噪聲，前人進行了一系列的研究工作，大多是通過提取信號中不發(fā)生改變的特征來進行故障的分類識別。其中，經(jīng)常使用的特征主要包括：矩特征（幾何矩、Zernike矩、偽Zernike矩、復矩等）、傅里葉描述符、高階相關特征等。

　　1962年Hu提出了圖形不變矩理論，并隨著理論逐漸成熟而被廣泛地應用。該理論為圖形的特征提取提供了一種新的方法，即通過得到圖形中在旋轉、平移、縮放時保持穩(wěn)定的不變矩來識別圖形。該理論中的二維不變矩是將一維信號擴展到二維空間，再經(jīng)過歸一化處理后，獲得較為敏感的二維圖形的各階圖形不變矩。

　　在故障識別分類方面，支持向量機（support vector machine．SVM）在小樣本、非線性及高維模式識別中具有較好的優(yōu)勢。本文基于支持向量機（SVM）的基礎上，采用有向無環(huán)圖SVM多故障診斷模型。結合文獻的理論，本文提出了基于改進Hu不變矩和SVM多故障診斷方法。首先引入汽輪機常見的4中故障狀態(tài)，即質量不平衡、油膜渦動、轉子不對中、動靜碰摩，并得到轉子各狀態(tài)下的軸心軌跡圖；然后轉換成二值圖，并對其內部進行填充；之后，計算改進的圖形不變矩，并挑選出實驗樣本；最后，輸入支持向量機（SVM）中進行分類識別，最終通過實驗驗證該方法的有效性及優(yōu)越性。
?