基于改进不变矩的发电机组轴心轨迹识别

格式：pdf
大小：124.86 KB
文档页数：3

下载文档原格式

基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统

基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统叶大鹏
【期刊名称】《机电技术》
【年(卷),期】2003(026)B09
【摘要】分析旋转机械轴心轨迹的特点，构建出以曲线不变矩为特征，用二维隐马尔夫模型(2d-HMM）进行分类的轴心轨迹自动识别系统。

该系统综合应用小波滤波、曲线不变矩、2d-HMM理论，实现识别过程的自动化，并通过实验验证了它的有效性。

【总页数】4页(P146-149)
【作者】叶大鹏
【作者单位】福建农林大学机械工程及其自动化研究所福建福州350002
【正文语种】中文
【中图分类】TH17
【相关文献】
1.基于LabVIEW的轴心轨迹故障自动识别系统 [J], 刘其洪;叶聪;李伟光;万好;乔于格
2.基于HU不变矩的大型发电机组轴心轨迹识别方法 [J], 刘立伟;雷浩
3.基于不变矩和神经网络的泵机组轴心轨迹自动识别 [J], 陈坚;叶渊杰;陈抒;陈光大;于永海;王建明
4.基于仿射不变矩的轴心轨迹自动识别方法 [J], 付波;周建中;彭兵;赵炳
5.基于不变矩特征和新型关联度的轴心轨迹形状自动识别 [J], 万书亭;李永刚;李和明
因版权原因，仅展示原文概要，查看原文内容请购买。

基于思维进化优化极限学习机的滚动轴承故障的智能诊断

Keywords: mind evolutionary algorithm ； extreme learning machine ； rolling bearing ； fault diagnosis
滚动轴承作为机械设备的基础配件，其工作状态对整台设备的正常运行往往具有直接影响，一旦出现
故障将会造成安全隐患和重大经济损失⑷，因此对轴承故障的诊断与预测越来越受到人们的关注。
检测与88量 2°勺9年第"期__________________________________________________________________________ TestandQualily
基* 于思维进化优化极限学习机的滚动轴承故障的智能诊断
马丽华恥朱春梅②赵西伟②覃绘桥恥 (①北京信息科技大学机电工程学院，北京100192；②现代测控技术教育部重点实验室，北京100192)
Beijing 100192,CHN ；©Key Laboratory of Modem Measurement and Control Technology of Education, Beijing 100192,CHN)
Abstract: In order to solve the problem that the input weights and thresholds generated by the traditional extreme learning machine have a great impact on the accuracy of fault diagnosis, an intelligent diagnosis method using Mind Evolutionary Algorithm ( MEA) to optimize the Extreme Learning Machine ( ELM) is pro posed. First, the ELM method of weight and threshold value be encoded into individual MEA algorithm, generating initial population, and then through assimilation and dissimilation competition to produce su perior species of operation is completed, the whole iterative process continuously optimize the initial weights and threshold value of extreme learning machine, finally to obtain the optimal individual, to the best individual decoding to obtain the optimum input power and threshold value w b.Will build MEA ELM fault diagnosis model is applied to fault diagnosis of rolling bearing, and respectively with traditional extreme learning machine fault diagnosis model and comparing the experimental results of BP neural network model, the results show that the optimized MEA of ELM not only maintained the charac teristic of fast classification, and effectively improve the diagnostic accuracy, prove the feasibility and ef fectiveness of the proposed method .

基于改进Hu不变矩和SVM的转子故障诊断方法

基于改进Hu不变矩和SVM的转子故障诊断方法
仲博学
【期刊名称】《机械工程与技术》
【年(卷),期】2017(006)005
【摘要】在转子发生故障时,对转子进行准确地故障诊断一直是工程领域研究的重点。

针对这一问题,本文提出了一种基于改进Hu不变矩和支持向量机(SVM)相结合的转子多故障诊断方法。

该方法首先通过仿真合成4种常见故障的轴心轨迹图,并利用改进Hu不变矩分别对其进行特征提取,然后将得到的Hu不变矩值作为特征向量输入有向无环图SVM进行识别分类,最终实现转子的多故障诊断。

经实验表明,该方法能够准确地完成转子的多故障诊断,同时通过与原始Hu不变矩比较,证明改进Hu不变矩在识别准确率上明显优于原始Hu不变矩。

【总页数】7页(P369-375)
【作者】仲博学
【作者单位】[1]大唐保定热电厂,河北保定
【正文语种】中文
【中图分类】TP39
【相关文献】
1.基于ITD改进算法和关联维数的转子故障诊断方法 [J], 杨宇;王欢欢;喻镇涛;袁辉
2.基于改进LS-SVM的异步电机转子故障诊断 [J], 李伟伟;王莉;张琳;冯丹
3.基于EEMD云模型与SVM的汽轮机转子故障诊断方法 [J], 田松峰;胥佳瑞;王美俊;韩强
4.基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法∗[J], 冯培燕;张少波
5.基于改进鲸鱼算法寻优SVM的船用柴油机燃油系统故障诊断方法研究 [J], 黄烨鑫;万振刚;程琛
因版权原因，仅展示原文概要，查看原文内容请购买。

基于极限学习机的风电机组主轴承故障诊断方法

基于极限学习机的风电机组主轴承故障诊断方法卢锦玲;绳菲菲;赵洪山【摘要】针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法.利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断.实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高.【期刊名称】《可再生能源》【年(卷),期】2016(034)011【总页数】7页(P1588-1594)【关键词】风电机组;主轴承;故障诊断;极限学习机;改进粒子群优化算法【作者】卢锦玲;绳菲菲;赵洪山【作者单位】华北电力大学电气与电子工程学院,河北保定071003;华北电力大学电气与电子工程学院,河北保定071003;华北电力大学电气与电子工程学院,河北保定071003【正文语种】中文【中图分类】TK83;TP181近年来，风力发电技术的研究和应用不断深入，并得到了迅猛的发展[1]～[4]。

风电机组大多安装在非常恶劣的自然环境下，很容易受到变速、变方向的风力冲击和温差的影响，风电机组容易发生故障。

主轴承是风电机组中至关重要的传动部件，起着减少部件相对运动的阻力和支撑导向作用。

如果主轴承发生故障，机组将停止运行，利用率大幅度下降，给风电场带来极大的经济损失。

因此，快速有效地诊断风电机组主轴承的故障是提高风电机组利用率，进而提高风电场经济效益的有效措施。

目前，应用于风电机组主轴承故障诊断的人工智能方法主要有反向传播神经网络（Back Propagation Neural Network，BPNN）、支持向量机（Support Vector Machine，SVM）和最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）。

基于神经网络技术的水轮发电机组轴心轨迹识别与故障判定研究

(Harbin Electric Machinery Company Limited, Harbin 150040, China) Abstract: Axis track graph contains abundant information of unit operation state, and axis track recognition is an important technical means to judge the fault of hydro-generator shaft system. The neural network technology is an intelligent technical idea to simulate human brain structure and function through computer program, which has the advantage of self-learning. In this paper, the neural network technology is used for the first time to calculate the eigenvector through the affine moment invariant algorithm. The eigenvector is used as the data classification basis to draw the axis track graph, so as to achieve the goal of fault determination. The test results of numerical simulation show that the fault recognition rate of this technology can reach more than 95%. It is proved that the algorithm based on neural network technology is of great value for the fault diagnosis of hydro-generator units. Key words: neural network; hydro-generator units; axis orbit; fault judgement

水轮发电机组轴心轨迹自动识别方法研究

成轴心轨迹。由于轴心轨迹直观、面地反映了机组的运行状态，已成为现场人员判别全现机组运行状态的常用工具。但是，般情况下，组的运行情况比较复杂，之噪声的干一机加
扰和各频率分量间的相互耦合，得人们很难直接从混乱的轴心轨迹中得到有价值的信使息。为了更好地利用轴心轨迹信息，者针对水轮发电机组轴心轨迹的特点，究发展了笔研
衡或大轴轴线不直引起的摆度过大，心轨迹为椭圆形；水管涡带引起的轴心轨迹为规轴尾则或不规则花瓣形；油膜涡动引起的轴心轨迹为内“ ” 形；对中引起的轴心轨迹为香８字不蕉形或外 “ ” 形等。以往获取这方面的信息，能通过人的观察及通过 “ 机 ” ８字只人对话的方式将轴心轨迹的特征输入到诊断系统中。这不仅引入了人为的主观干扰，且使诊断过而程不能自动进行，诊断软件实用化进程中的严重障碍。是在旋转机械故障诊断领域，心轨迹的特征识别研究已经有许多成果 … 。虽然还未轴见到专门针对水轮发电机组轴心轨迹特征识别研究的报道，同为旋转机械，关成果仍但有然有很大的启发和借鉴作用。笔者通过分析比较，献中的方法都有其适用的范围，时也都有一定的局限性。为文同了找到适合水轮发电机组的轴心转迹自动识别方法，要对研究对象的特点进行全面的先

Hilbert—Huang变换在风力发电机主轴轴承故障诊断中的应用

ｉｓｖｅｒｙｃｏｍｐｌｉｃａｔｅｄａｎｄｔｉｍｅｉｎｔｅｒｖｌａｂｅｔｗｅｅｎｔｗｏａｄｊａｃｅｎｔｉｍｐａｃｔｓｉｓｖｅｙｒｓｍｌ１ａ．Ｇｅｎｅｒｌａｔｉｍｅｄｏｍａｉｎａｎｌａｙｓｉｓｎｄａｆｒｅ－
ＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓ
ＣｈｅｎＷｅｎ—ｊｉｎｇ，ＷｕＪｉｎ— ｑｉａｎｇ
（ＩｎｓｔｉｔｕｔｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｃｈｉ８３００４７，Ｃｈｉｎａ）
目前，所有安装的风力发电机中，７５％一８０％
析方法具有很好的时域和频域分辨率。但传统的
时频分析方法往往受到测不准原理的制约，很难
的主轴轴承采用滚动轴承Ｊ。滚动轴承是旋转机
械中广泛应用的关键部件，也是容易产生故障的部件。经统计，轴承故障中的４０％与污染和润滑
中图分类号：ＴＨ１３３．３３文献标志码：Ｂ文章编号：１０００—３７６２（２０１３）０６— ００５９一ｏ４
ＡｐｐｌｉｃａｔｉｏｎｏｆＨｉｌｂｅｒｔ—ＨｕａｎｇＴｒａｎｓｆｏｒｍｉｎＷｉｎｄＴｕｒｂｉｎｅＳＭａｉｎｓｈａｆｔ

基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法

ＶｏｃａｔｉｏｎａｌＴｅｃｈｎｏｌｏｇｙ，Ｓｕｚｈｏｕ２１５１２３，Ｃｈｉｎａ；
２．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｉｒｎｇ，ＮｏｒｔｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，Ｂａｏｄｉｎｇ０７１００３，Ｃｈｉｎａ）
ｔｏｄｅｃｏｍｐｏｓｅｔｈｅｖｉｂｒａｔｉｏｎｓｉｎａｇｌａｎｄｏｂｔａｉｎｓｅｖｅｒａｌｉｎｔｉｒｎｓｉｃｍｏｄｅｃｏｍｐｏｎｅｎｔｓ（ＩＭＦｓ）．Ｔｈｅｎｐｅｒｍｕｔａｔｉｏｎｅｎｔｒｏｐｙ
别。将提出方法应用于汽轮发电机转子试验台采集的数据，结果表明：提出的方法能有效实现不同运行状态
下的转子振动信号的辨识，提高了模式识别精度。
关键词：变分模态分解；人工化学反应算法；排列熵；极限学习机；故障诊断中图分类号：ＴＭ３０７．１文献标志码：Ａ文章编号：１６７３ — ６５４０（２０１６）１１ — ００８６－０６
Ａｂｓｔｒａｃｔ：Ａｉｍａｔｔｈｅｎｏｎｌｉｎｅａｒａｎｄｎｏｎ・ｓｔａｔｉｏｎａｒｙｏｆｔｈｅａｃｔｕａｌｒｏｔｏｒｖｉｂｒａｔｉｏｎｓｉｇｎａｌａｓｗｅｌｌａｓｔｈｅｄｉｉｃｆｕｌｔｙｏｆｒｏｔｏｒｆａｕｌｔｔｙｐｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ａｒｏｔｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｉｍｐｒｏｖｅｄＶＭＤｐｅｒｍｕｔａｔｉｏｎｅｎｔｒｏｐｙａｎｄｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｏｏｖｅｒｃｏｍｅｔｈｅｅｍｐｉｉｒｃａｌｓｅｌｅｃｔｉｏｎｏｆｐｕｎｉｓｈｍｅｎｔｆａｃｔｏｒａｎｄｔｈｅｎｕｍｂｅｒｏｆｄｅｃｏｍｐｏｓｉｔｉｏｎｉｎＶＭＤ，ａｎｉｍｐｒｏｖｅｄＶＭＤｂａｓｅｄｏｎｔｈｅａｒｔｉｉｆｃｉａｌｃｈｅｍｉｃａｌｒｅａｃｔｉｏｎｌｇａｏｉｔｒｈｍｗａｓｐｒｏｐｏｓｅｄ

基于PCA和HMM的心音自动识别系统

基于PCA和HMM的心音自动识别系统王晓燕;曾庆宁;栗秀尹【期刊名称】《计算机工程》【年(卷),期】2012(038)020【摘要】According to the signal recognition rate decided by recognition model and the characteristic parameters, this paper puts forward the fusion K-means clustering of the observed sequence Baum-Welch parameters estimation algorithm to train Hidden Markov Model(HMM), the Principal Component Analysis(PCA) is adopted to transform Mel Frequency Cepstrum Coefficient(MFCC) features. A heart sounds signal automatic diagnosis system is designed based on PCA and HMM. Experimental results show that the average recognition rate of 6 common classe's heart sounds reaches 83.3%, the performance is better than other heart sound recognition systems.%针对信号识别率高低由识别模型及特征参数决定的特点,提出融合K均值聚类的多观察序列的Baum-Welch参数重估算法,用于训练隐马尔科夫模型(HMM),通过主分量分析(PCA)对梅尔频率倒谱系数进行变换,并设计与实现一套基于PCA和HMM的心音自动识别系统.实验结果表明,该系统对6类常见心音的平均识别率达到83.3％,性能优于其他心音识别系统.【总页数】4页(P148-151)【作者】王晓燕;曾庆宁;栗秀尹【作者单位】桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004【正文语种】中文【中图分类】TP391【相关文献】1.基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统 [J], 叶大鹏2.基于PCA和CHMM的音频自动分类 [J], 张新彩;张德同;耿国华;王小凤;吴江3.基于皮肤模板和改进HMM的自动人脸识别系统 [J], 沈琳琳;明仲4.心音信号采集及自动识别系统 [J], 艾炜华;汤建明;巫昌霖;肖森源;黄彬;曾庆宁5.基于DHMM的低心率变异性心音的分割方法 [J], 许春冬;周静;应冬文;侯雷静;龙清华因版权原因，仅展示原文概要，查看原文内容请购买。

基于边际谱的优越性在风电机组轴承故障诊断的应用

基于边际谱的优越性在风电机组轴承故障诊断的应用摘要：为了保障风力发电机组的安全运行，对其进行状态监测和故障诊断是非常重要的。

对于非平稳信号，传统方法傅里叶变换（fft）不能很好地进行分析。

文中提出了在希尔伯特黄变换的基础上，对希尔伯特谱进行积分，求取边际谱的方法。

以某台风力发电机组轴承内圈故障为例，将该方法与传统fft，希尔伯特时频谱进行比较。

结果表明，边际谱可以很好地检测轴承故障特征频率，也验证了该方法对非平稳信号分析的有效性。

关键词：故障诊断；滚动轴承；非平稳信号；边际谱；希尔伯特黄变换；时频谱中图分类号：th133.3 文献标识码：a 文章编号：1006-4311（2013）17-0041-020 引言滚动轴承是旋转机械的重要部件，同样在风力发电机组中也是核心部件。

当轴承出现局部损伤时，所产生的冲击力会激励轴承座及其支撑结构，产生非平稳信号。

但其特征是时频谱范围广，成分复杂，又往往淹没在噪声和无用信号之中。

所以如何更好地提取故障信号的特征，就成为轴承故障诊断的核心。

时频法是一种分析时变非平稳信号的有力工具，如短时傅里叶变换（stft）、维格纳-威尔分布（wvd）、小波变换（wt）和希尔伯特黄变换（hht）。

然而，stft的缺点是，一旦选定窗口函数，时频窗的窗口形状是固定的，使stft成为单一分辨率工具。

维格纳-威尔分布可以解决短时傅里叶变换的问题，但存在严重的交叉干扰现象。

而小波变换又限制于小波基的选择和非自适应性的问题。

希尔伯特黄变换是一种有效的变换，但emd分解后得到的希尔伯特（hilbert）谱不能很好地刻画某一频率的特征。

因此本文提出了在希尔伯特谱的基础上，得到边际谱，利用边际谱的优越性来更好地找到轴承故障特征频率。

[1]1 希尔伯特黄变换1.1 经验模态分解对任一信号x（t）进行emd分解的具体步骤如下：从公式（3）可以看出，边际谱是希尔伯特谱对时间的积分，因此边际谱中频率？棕i处谱线高度表示的含义是：信号中各个时刻瞬时频率？棕i（t）的幅值之和。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

F#.+*-D1. +, -,6’*) ./*01
!!:%@ 9=%9 9%A ;;=%<
香蕉距离
图! 表!
序号 9 ! : ; < Байду номын сангаас > A @ 9? 99 9! 9: 9; 9< 9=
! !9 ?%9@ ?%!? ?%?A !<%>? ?%!? ?%9= ?%9? !<%>? ?%:? ?%!? ?%?A !<%>? ?%9@ ?%!? ?%?< !<%>?
（!&） %B %$ %B 为了使这些矩函数能够与尺度缩放无关，可以考虑将其比例因子的影响消去，我们以 +! 作为基准，求其余矩函数通过此矩函数得到的最终表达式
! / # % （ /） +$ %$ .%! # +’
（!$）（!!）（!’）（!#）（!@）（!A）
%
/ ! / ’ （ %’）. （ %!） / ! / ’ （ %#）. （ %!）
・ %’ ・文章编号：%’(!$"(&! （!""#） "!$""%’$")
电力科学与工程
!""#
基于改进不变矩的发电机组轴心轨迹识别
倪传坤，周建中，付波
（华中科技大学水电学院，湖北武汉 #)""(#）
*+,-./,01 2345,0601/,0-5 -6 78/6, 9:;0,< -6 =454:/,-: 74,< >/<43 -5 2.?:-@43 A-.45, 25@/:0/5,
/ $!
$!
离散状态下规格化中心矩的定义同式（ ’），显然可以直观地看出离散状态下的矩函数也具有平移无关性；但是按照上述公式对图 $ 所示 ! 个仅尺度比例发生变化的轨迹图形分别计算其不变矩（其中图 $ 中图形（ (）是图形（ )）缩到 $ . $& 的结果），结果如表 $ 所示。
由表 ; 可以看出，; 幅轨迹图形均得到了正确的分类，并且类内距离较小，类间距离较大，有利于图形识别分类。需说明的是，所选取的图形是在没有噪声污染的情况下取得的，在实际情况中，由于传感器所测的噪声是不可避免的，所以识别结果将会变得模糊。通过大量仿真实验可以证实，使用上述方法的识别正确率达到了 @? G 以上。
%
［!］矩及不变性
对于定义在 ! Y "# 平面上的二维函数，（ $ "， #） " （& ），其 ’ Z ( 阶混合原点矩定义为 %
!
)’( *
##
+[ +[ ,[ ,[
"’#(（ $ "， #） 3"3# （%）
’， ( * "， %， !… 而其 ’ Z ( 阶混合中心矩定义为
#’( *
#
仿真实验
在 <)4:)( 上利用式（!B）模拟发电机组故障时
"$ #-’ A-’
［’］候的轴心轨迹图形
为了避免不变矩计算结果过大，表中不变矩获取经过公式"* % :=, E"* E 变换得到。从表 $ 结果可以看出尺度的缩放对不变矩的影响，例如图 $ 中 ! 幅图形的同一不变矩整数部位差别为 !， A， C， $! 不等，同变换前的差值为 #* % $& , % $&! ， $&A ， $&C ， $&$! 。可以得出结论， FG 氏 B 个不变矩在离散条件下对尺度缩放是变换的。究其原因为，连续函数情况下的不变矩函数式尺度缩放不变性证明在离散状态下已经不适用。文献［@］具体证明了离散函数情况下 FG 氏矩对比例缩放不具有不变性。
（ 0 ）( 1$ 2+8 （&0 ’ ’$）’ 1! 2+8 （!&0 ’ ’!）（!B） " （ 0 ）( 2$ 9=2 （&0 ’ ($）’ 2! 9=2 （!&0 ’ (!） # 式中：分别为 " （ 0）的一倍 1$ ， 1! ， & 为角频率； ’$ ， ’! ，频、二倍频分量的幅值与初始相位； 2$ ， 2! ，($ ，
万方数据
・ 9A ・
电力科学与工程表; 2*3%;
序号 9 ! : ; 椭圆距离 !%? !99%@ !!=%! :9:%!
!??; 图形分类距离表
内 A 字距离外 A 字距离判决类别椭圆 :9:%9 !?>%= 外A字 ;:!%: 9%; 香蕉 ;;=%> 9:%? 内A字 9%= ;:;%@
’， ( * "， %， !… $ $ 式中：（为图像（的灰度重心，且 "， #） $ "， #） $ " * )%" - )""
（ # ,$ （ "） #） $ "， #） 3"3# ## （ " ,$
’ (
+[ +[ ,[ ,[
（!）
{
$ # * )"% - )""
.
规格化的中心矩定义为（)） $’( \ #’( -#"" 式中：（ ’ Z ( Z !） .\ - !； ’ Z ( \ !， )… A05J$D+40 FG 于 %&’! 年提出了不变矩的构造方法，利用以上关系式 F+ 氏构造出 ( 个不变矩函数式
［)］了广泛应用。韩西京等人将其用在旋转机械轴心［!］
%% \$!" Z$"! ! ! （ %! \ $!" Y$"!） Z # $%% ! ! （（ %) \ $)" Y ) $%!） Z $") Y ) $!%） ! ! （（ %# \ $)" Z$%!） Z $") Z$!%）
!
（#）（W）（’）（(）
（ "* ! ! *($ ,($
+ )
$ % （（ "） #* -" #） ! "* ， #, ） -"
%$ %$%$ / # %! %$%! %’ %$%’ / A %# %$%#
/ %@ / A
/
!
（$#）（$@）（$A）（$B）（$C）（$H）
… 式中： $， % % &， $， !，
# % +#
’ # % / .（ /） +@ %@ %! # +A # +B
%%/A %%/B
/ ! .（ %!） / ’ .（ %!）
可以证明以上 A 个特征值式尺度缩放不变。而且改进后的矩函数仍然满足对图形平移和旋转的不
图$ *+,-$ 表$ ;)(-$
（ )）（(）
尺度变化的椭圆形 ./)012 3+4/ 5+6617184 29):12
变特性。
轨迹图形缩放时不变矩计算结果 <=>184 +8?)7+)84 =6 43= 5+6617184 2/)012
"! "’ C-# D $A-# $!-# D $&-# "# D $A-C D $&-C "@ D ’’-’ D !$-’ "A D $’-$ D @-! "B D ’#-# D $!-#
发电机组转轴的轴心轨迹形状是重要的故障征兆，在机组故障诊断中起着重要作用。不同形状的
［%］轴心轨迹征兆对应着不同的机组故障。轴心轨迹
的自动识别问题实质上是二维图像的模式识别问题， A05J$D+40 FG 于 %&’! 年给出了 ( 个具有旋转、平移、缩放不变性的矩的构造方法，在图像识别领域，用不变矩理论建立了一种统计特征提取方法，得到
! （（V） $") Z$!%）］ ! ! （［（（ Z# %’ \ $!" Y$"!） $)" Z$%!） Y $") Z$!%）］ $%% （（（&） $)" Z$%!） $") Z$!%） ! （$)" Z $%! ）［（$)" Z $%! ）（$") Z Y) %( \（ ) $!% Y $") ） ! ! （) （$") Z $!% ）［) （$)" Z $%! ） Z Y $!%）］ $%! Y$)" ） ! （（%"） $") Z$!%）］［!］可以证明%/ 具有平移、缩放、旋转不变性。
{
(! ，分别为 # （ 0 ）的一倍频、二倍频的幅值与初始相位。通过一倍频和二倍频分量的合成，当 1$ ， 1! ， ’$ ， ’! ， 2$ ， 2$ ，($ ，(! 这 C 个参数变化时，
基本上可以得到常见的发电机组轴心轨迹的形状如图 ! 所示。利用式（!B）计算图 ! 中各轨迹形状的不变矩，结果如表 ! 所示。
仿真轨迹图形
"#$%! &’()*+#,- ./*01. 轨迹图形的改进后不变矩计算结果 2*3%! 41.()+ ,5 #’06,718 ’,’1-+
! !; <A%@ 9!%? @%> =A%9 <@%? 99%A @%< =A%9 <A%< 9!%? @%A =A%: <@%? 99%; 9?%9 =A%! ! !< <A%@ 99%= A%A <;%> =?%? 99%: @%? <;%A <A%! 99%= @%! <<%? <A%= 99%9 @%9 <=%? ! != :?%? =%? ;%@ ::%@ :?%9 <%@ ;%A ::%@ :?%= =%? ;%@ :;%? :?%? <%> <%? :;%? ! !> <@%! 9:%; A%> <;%? <@%@ 9=%! 99%: <;%! <@%? 9:%; 99%< <;%; <@%: 99%A @%? <;%< ! !: <A%? 9?%9 >%> 9@%< <A%? @%@ >%; 9@%< <>%= 9?%9 >%> 9@%< <A%? @%< A%9 9@%<