李 蔚， 俞蕓蘿， 盛德仁， 陳堅(jiān)紅

(浙江大學(xué)熱工與動(dòng)力系統(tǒng)研究所 杭州，310027)

?

基于動(dòng)態(tài)數(shù)據(jù)挖掘的熱力參數(shù)傳感器故障診斷

李 蔚， 俞蕓蘿， 盛德仁， 陳堅(jiān)紅

(浙江大學(xué)熱工與動(dòng)力系統(tǒng)研究所 杭州，310027)

針對(duì)火電機(jī)組熱力參數(shù)動(dòng)態(tài)數(shù)據(jù)的海量、高維特點(diǎn)，提出了一種基于動(dòng)態(tài)數(shù)據(jù)挖掘的熱力參數(shù)傳感器故障診斷新方法。該方法通過(guò)對(duì)熱力參數(shù)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲得一系列平穩(wěn)的本征模態(tài)函數(shù)(intrinsic mode function,簡(jiǎn)稱(chēng)IMF)分量和一個(gè)趨勢(shì)余量，實(shí)現(xiàn)傳感器故障特征信息的動(dòng)態(tài)挖掘。以各IMF分量和趨勢(shì)余量的方差作為特征向量構(gòu)建歐氏距離判別函數(shù)，結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)確認(rèn)傳感器是否發(fā)生故障。根據(jù)專(zhuān)家經(jīng)驗(yàn)得到的規(guī)則分析傳感器測(cè)量值與理論值之間的差值，判別傳感器的故障類(lèi)型。以某電廠600MW火電機(jī)組實(shí)時(shí)運(yùn)行數(shù)據(jù)為基礎(chǔ)進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明：該方法能夠僅使用熱力參數(shù)傳感器正常狀態(tài)下的樣本，有效區(qū)分傳感器故障造成的信號(hào)變化與機(jī)組本身正常負(fù)荷波動(dòng)造成的信號(hào)變化，實(shí)現(xiàn)快速準(zhǔn)確地對(duì)熱力參數(shù)傳感器的工作狀態(tài)和故障類(lèi)型進(jìn)行判別。

熱力參數(shù)傳感器； 動(dòng)態(tài)數(shù)據(jù)挖掘； 經(jīng)驗(yàn)?zāi)B(tài)分解； 徑向基神經(jīng)網(wǎng)絡(luò)； 故障診斷

引 言

火電機(jī)組熱力系統(tǒng)中傳感器的工作環(huán)境惡劣，熱力參數(shù)傳感器易出現(xiàn)各種故障，影響火電廠機(jī)組的安全經(jīng)濟(jì)運(yùn)行。如何通過(guò)分析熱力參數(shù)傳感器數(shù)據(jù)，對(duì)熱力參數(shù)傳感器進(jìn)行故障檢測(cè)和判別，甚至計(jì)算故障替代值，對(duì)火電廠進(jìn)行運(yùn)行控制、降低運(yùn)行成本和減少安全事故具有重要意義。

火電機(jī)組熱力參數(shù)傳感器數(shù)據(jù)是一種典型的隨時(shí)間變化的動(dòng)態(tài)非線性數(shù)據(jù)，具有海量、高維、非平穩(wěn)和非線性的特點(diǎn)。傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)很難有效地對(duì)這類(lèi)數(shù)據(jù)進(jìn)行分析，因此動(dòng)態(tài)數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。動(dòng)態(tài)數(shù)據(jù)挖掘通常以動(dòng)態(tài)數(shù)據(jù)庫(kù)和實(shí)時(shí)數(shù)據(jù)庫(kù)為數(shù)據(jù)的主要來(lái)源，數(shù)據(jù)處理是動(dòng)態(tài)數(shù)據(jù)挖掘的核心部分[1-3]。傳統(tǒng)的數(shù)據(jù)處理方法包括傅里葉變換和小波變換等。傅里葉變換能有效分析平穩(wěn)數(shù)據(jù)，但熱力參數(shù)傳感器數(shù)據(jù)往往表現(xiàn)為非平穩(wěn)特征，傅里葉變換不能同時(shí)兼顧熱力參數(shù)傳感器數(shù)據(jù)在時(shí)域和頻域中的全貌和局部化特征，而這些局部化特征正是熱力參數(shù)傳感器故障的表現(xiàn)[4]。小波變換[5]能同時(shí)獲得數(shù)據(jù)的時(shí)域和頻域的局部化信息，但小波基函數(shù)的長(zhǎng)度有限，作小波變換時(shí)會(huì)產(chǎn)生能量泄漏，很難對(duì)數(shù)據(jù)在時(shí)域和頻域作精確分析。另一方面，小波變換需預(yù)先選擇小波基和分解尺度，且所得結(jié)果為與數(shù)據(jù)本身無(wú)關(guān)的某一固定頻段的數(shù)據(jù)，因此小波變換不具有自適應(yīng)性[6]。

Huang等[7]提出了經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，簡(jiǎn)稱(chēng)EMD)算法，在時(shí)間序列上具有較好的分解效果，并在很多領(lǐng)域得到了應(yīng)用。鐘佑明等[8]應(yīng)用EMD對(duì)在線信號(hào)進(jìn)行動(dòng)態(tài)、連續(xù)和高精度處理。樊奕辰等[9]分別應(yīng)用Savitzky-Golay平滑、移動(dòng)窗口平滑以及EMD方法對(duì)原始光譜進(jìn)行去噪處理，結(jié)果表明，經(jīng)EMD處理后的模型預(yù)測(cè)效果最優(yōu)。孫潔娣等[10]應(yīng)用泄漏信號(hào)欠定盲分離方法對(duì)傳感器采集的混合信號(hào)進(jìn)行EMD分解，實(shí)現(xiàn)泄漏信號(hào)的有效提取。文獻(xiàn)[11]基于EMD提出估計(jì)沸水反應(yīng)堆不穩(wěn)定相關(guān)系數(shù)的方法，并用福斯馬克穩(wěn)定性基準(zhǔn)報(bào)告的兩個(gè)案例進(jìn)行了驗(yàn)證。文獻(xiàn)[12]提出一種基于混合搭配探測(cè)器和EMD的軸承故障診斷方法，該方法與軸承的負(fù)荷情況無(wú)關(guān)。文獻(xiàn)[13]將EMD應(yīng)用于存在諸多非線性和非平穩(wěn)領(lǐng)域的海洋環(huán)境，研究了溫度、溶解氧與時(shí)間序列的內(nèi)在相關(guān)性。文獻(xiàn)[14]基于EMD和核心向量回歸信號(hào)分析技術(shù)，提出了大型配電系統(tǒng)的智能故障定位方法，其訓(xùn)練時(shí)間和內(nèi)存比現(xiàn)有的其他算法更少。

筆者提出一種基于動(dòng)態(tài)數(shù)據(jù)挖掘的熱力參數(shù)傳感器故障診斷方法。首先，通過(guò)對(duì)傳感器數(shù)據(jù)進(jìn)行EMD分解，獲得一系列平穩(wěn)的本征模函數(shù)分量和一個(gè)趨勢(shì)余量，實(shí)現(xiàn)傳感器故障特征信息的動(dòng)態(tài)挖掘；然后，以各IMF分量和趨勢(shì)余量的方差作為特征向量構(gòu)建歐氏距離判別函數(shù)，檢測(cè)出非正常的傳感器數(shù)據(jù)，并通過(guò)徑向基函數(shù) (radical basis function,簡(jiǎn)稱(chēng)RBF)神經(jīng)網(wǎng)絡(luò)確認(rèn)傳感器是否發(fā)生故障；最后，以專(zhuān)家經(jīng)驗(yàn)得到的規(guī)則分析傳感器測(cè)量值與理論值間的差值，判別傳感器的故障類(lèi)型。該方法能夠有效區(qū)分熱力參數(shù)傳感器故障造成的信號(hào)變化與熱力系統(tǒng)本身正常波動(dòng)造成的信號(hào)變化。另外，該方法在訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)時(shí)只需要熱力參數(shù)傳感器正常狀態(tài)下的樣本，克服了熱力參數(shù)傳感器故障樣本稀少的困難。在熱力參數(shù)傳感器發(fā)生故障情況下，該方法可以計(jì)算出理論值代替故障值，實(shí)現(xiàn)熱力系統(tǒng)的容錯(cuò)控制。

1 基本原理

1.1 動(dòng)態(tài)數(shù)據(jù)挖掘

EMD方法認(rèn)為任何復(fù)雜的時(shí)間信號(hào)都是由一些相互不同、簡(jiǎn)單的、非正弦函數(shù)的IMF分量組成。EMD方法的基本思想是：假如一個(gè)原始數(shù)據(jù)序列X(t)的極大值或極小值數(shù)目比上跨零點(diǎn)(或下跨零點(diǎn))的數(shù)目多2個(gè)(或2個(gè)以上)，或者上、下包絡(luò)線的均值不是處處為零，則該數(shù)據(jù)序列就需要進(jìn)行平穩(wěn)化處理[7]。具體處理方法見(jiàn)文獻(xiàn)[15-16]。經(jīng)過(guò)EMD分解后，原始信號(hào)x(t)可表示為n個(gè)IMF和殘余rn(t)之和

(1)

IMF分量反映了原始信號(hào)的特征尺度，代表著非線性非平穩(wěn)數(shù)據(jù)序列的本征模態(tài)特征，通過(guò)分析IMF分量的特征，便可推知原數(shù)據(jù)序列特征信息。

1.2 RBF神經(jīng)網(wǎng)絡(luò)

筆者使用RBF神經(jīng)網(wǎng)絡(luò)確認(rèn)傳感器是否發(fā)生故障。RBF神經(jīng)網(wǎng)絡(luò)為一種三層的前向網(wǎng)絡(luò)。第1層為輸入層，由信號(hào)源節(jié)點(diǎn)組成；第2層為隱藏層，其節(jié)點(diǎn)數(shù)由描述問(wèn)題的需要而定，隱藏層中神經(jīng)元的變換函數(shù)即為徑向基函數(shù)，是對(duì)中心點(diǎn)徑向?qū)ΨQ(chēng)且衰減的非負(fù)非線性函數(shù)；第3層為對(duì)輸入模式做出響應(yīng)的輸出層。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練簡(jiǎn)潔，且學(xué)習(xí)收斂速度快，能夠逼近任意非線性函數(shù)，被廣泛應(yīng)用于時(shí)間序列分析和模式識(shí)別等領(lǐng)域[17-19]。

2 故障診斷方法

2.1 動(dòng)態(tài)數(shù)據(jù)特征挖掘

基于EMD的動(dòng)態(tài)數(shù)據(jù)特征挖掘計(jì)算步驟如下。

1) 對(duì)待檢測(cè)傳感器的數(shù)據(jù)樣本進(jìn)行EMD分解，每組數(shù)據(jù)樣本各得到若干個(gè)IMF分量和一個(gè)趨勢(shì)余量，不同數(shù)據(jù)樣本所得的IMF分量的個(gè)數(shù)不等。設(shè)其中的最大值為m，若某個(gè)樣本的IMF個(gè)數(shù)少于m，則補(bǔ)充零向量使其具有m個(gè)分量C1(t),C2(t),…,Cm(t)。

2) 求每組數(shù)據(jù)樣本所得IMF分量Ci(t) 的方差Di及趨勢(shì)余量rn(t)的方差Dn

其中：L為樣本長(zhǎng)度，即每組數(shù)據(jù)樣本所包含的數(shù)據(jù)總數(shù)。

3) 以方差為元素，根據(jù)式(2)和式(3)構(gòu)建該組數(shù)據(jù)樣本的特征向量

(4)

2.2 故障檢測(cè)與判別

基于動(dòng)態(tài)數(shù)據(jù)挖掘的熱力參數(shù)傳感器故障檢測(cè)與判別方法包括以下步驟。

1) 在傳感器正常運(yùn)行狀態(tài)下，按時(shí)間間隔Δt和樣本長(zhǎng)度L對(duì)待診斷傳感器及N-1個(gè)與其相關(guān)聯(lián)的傳感器進(jìn)行P次采樣，共得到N×P組傳感器正常運(yùn)行數(shù)據(jù)樣本。

2) 分別求P個(gè)待檢測(cè)傳感器樣本的Di(i=1,2,…,m)和Dn的平均值Dk0,i(i=1,2,…,m)，Dk0,n。將Dk0,i和Dk0,n作為待檢測(cè)傳感器的模板特征向量Tk0

(5)

3) 按時(shí)間間隔Δt和樣本長(zhǎng)度L 采集待診斷傳感器數(shù)據(jù)，計(jì)算待診斷傳感器數(shù)據(jù)的特征向量Tk與模板特征向量Tk0間的歐氏距離dk,k0

(6)

其中：Dk,i為傳感器待診斷數(shù)據(jù)第i個(gè)IMF分量的方差；當(dāng)i=n時(shí)，Dk,n為趨勢(shì)余量的方差。

4) 當(dāng)dk,k0大于或等于閾值λ1時(shí)，認(rèn)為待檢測(cè)傳感器可能出現(xiàn)故障。將P組待檢測(cè)傳感器數(shù)據(jù)樣本作為輸入數(shù)據(jù)，其余N-1個(gè)關(guān)聯(lián)傳感器的P組數(shù)據(jù)樣本作為輸出數(shù)據(jù)，建立RBF神經(jīng)網(wǎng)絡(luò)模型，求出待檢測(cè)傳感器在正常狀態(tài)下的數(shù)據(jù)理論值。

5) 計(jì)算與傳感器測(cè)量數(shù)據(jù)的差值Δyc,r，若大于或等于閾值λ2，則確定待檢測(cè)傳感器發(fā)生故障。

6) 利用專(zhuān)家經(jīng)驗(yàn)規(guī)則對(duì)傳感器測(cè)量值及差值Δyc,r的特征分析確定傳感器的故障類(lèi)型。

3 故障診斷實(shí)例

基于動(dòng)態(tài)數(shù)據(jù)挖掘的熱力參數(shù)傳感器故障診斷方法的流程如圖1所示。為了驗(yàn)證該故障診斷方法的有效性，針對(duì)某火電廠一臺(tái)600MW火電機(jī)組SIS系統(tǒng)實(shí)時(shí)數(shù)據(jù)庫(kù)存儲(chǔ)數(shù)據(jù)的8個(gè)測(cè)點(diǎn)進(jìn)行了算例分析，包括主蒸汽溫度、鍋爐出口主蒸汽溫度、高壓主汽閥左側(cè)進(jìn)汽溫度、高壓主汽閥右側(cè)進(jìn)汽溫度、低壓排汽溫度、調(diào)節(jié)級(jí)溫度、高溫再熱器出口溫度和再熱蒸汽溫度。其中：主蒸汽溫度傳感器作為待診斷傳感器，其余7個(gè)傳感器作為關(guān)聯(lián)傳感器。

圖1 熱力參數(shù)傳感器故障診斷方法流程圖Fig.1 Flow chart of thermal parameter sensor fault diagnosis method

在實(shí)際運(yùn)行數(shù)據(jù)的基礎(chǔ)上，依據(jù)文獻(xiàn)[20]提出的傳感器故障仿真模型，對(duì)主蒸汽溫度傳感器的4種典型故障(完全失效故障、精度下降故障、恒定偏差故障和漂移故障)進(jìn)行仿真。加上正常運(yùn)行狀態(tài)，共獲得5種狀態(tài)信號(hào)。將樣本長(zhǎng)度設(shè)置為120點(diǎn)。取50組正常運(yùn)行數(shù)據(jù)用于計(jì)算模板特征向量，取正常運(yùn)行、完全失效故障、精度下降故障、恒定偏差故障和漂移故障5種狀態(tài)下各12組數(shù)據(jù)作為待檢測(cè)主蒸汽溫度數(shù)據(jù)。

對(duì)50組正常運(yùn)行時(shí)的主蒸汽溫度數(shù)據(jù)及60組待檢測(cè)數(shù)據(jù)進(jìn)行EMD分解，提取出每組主蒸汽溫度數(shù)據(jù)的特征向量。以漂移故障為例，主蒸汽溫度信號(hào)的EMD分解結(jié)果如圖2所示。由圖2可見(jiàn)，EMD方法能夠自適應(yīng)地將非穩(wěn)態(tài)、非線性的主蒸汽溫度信號(hào)按特征時(shí)間尺度從小到大的順序，依次將各IMF分量分解出來(lái)。計(jì)算出主蒸汽溫度傳感器正常運(yùn)行狀態(tài)下的模板特征向量后，求出每組待檢測(cè)主蒸汽溫度數(shù)據(jù)的特征向量與模板特征向量的歐氏距離，其中閾值λ1=0.2(需要說(shuō)明的是，閾值會(huì)影響方法的檢測(cè)結(jié)果，需要根據(jù)不同熱力參數(shù)的特點(diǎn)，反復(fù)實(shí)驗(yàn)進(jìn)行確定)。至此，共有50組待檢測(cè)主蒸汽溫度數(shù)據(jù)初步判斷為故障數(shù)據(jù)。

圖2 主蒸汽溫度傳感器漂移故障信號(hào)及其EMD分解結(jié)果Fig.2 A drift failure signal of main steam temperature sensor and the EMD decomposed results

由于熱力系統(tǒng)本身存在著波動(dòng)，并且信號(hào)可能存在噪聲，此時(shí)無(wú)法區(qū)分出是熱力系統(tǒng)本身發(fā)生了波動(dòng)還是確實(shí)存在熱力參數(shù)傳感器故障，且無(wú)法判別何時(shí)發(fā)生了故障及故障類(lèi)型，因此需要結(jié)合RBF神經(jīng)網(wǎng)絡(luò)做進(jìn)一步診斷。

以50組主蒸汽溫度傳感器正常運(yùn)行數(shù)據(jù)為輸出，其他7個(gè)傳感器的數(shù)據(jù)為輸入，建立RBF神經(jīng)網(wǎng)絡(luò)。訓(xùn)練完成后，將與50組故障數(shù)據(jù)相對(duì)應(yīng)的其他7個(gè)傳感器數(shù)據(jù)輸入訓(xùn)練完成的RBF神經(jīng)網(wǎng)絡(luò)，計(jì)算出在正常時(shí)主蒸汽溫度傳感器的理論值ykc。計(jì)算ykc與傳感器測(cè)量值ykr的差值Δyc,r，此時(shí)閾值λ2=2。至此，共有48組數(shù)據(jù)確定為傳感器故障，2組數(shù)據(jù)確定為正常數(shù)據(jù)，與實(shí)際情況完全相符。

主蒸汽溫度傳感器的4種故障數(shù)據(jù)、差值及計(jì)算出的理論值如圖3～6所示。可以看出，該方法對(duì)于這4類(lèi)故障都能給出合理的模擬信號(hào)來(lái)代替出現(xiàn)故障的傳感器信號(hào)。此外，不同故障類(lèi)型對(duì)應(yīng)的差值Δyc,r呈現(xiàn)出不同的特征?？赏ㄟ^(guò)對(duì)傳感器測(cè)量值和差值Δyc,r的特征分析，利用專(zhuān)家經(jīng)驗(yàn)規(guī)則來(lái)確定傳感器的故障類(lèi)型。

1) 如果傳感器測(cè)量值ykr保持不變 (如圖3(a)所示)，則判定傳感器發(fā)生完全失效故障。

2) 如果傳感器測(cè)量值并未保持不變，而差值Δyc,r時(shí)正時(shí)負(fù)，且平均值趨于零(如圖4(a)，(b)所示)，則判定傳感器發(fā)生精度下降故障。

圖4 精度下降故障診斷Fig.4 The fault diagnosis of precision degradation failure

圖5 恒定偏差故障診斷Fig.5 The fault diagnosis of bias failure

圖6 漂移故障診斷Fig.6 The fault diagnosis of drift failure

3) 如果傳感器測(cè)量值并未保持不變，而差值Δyc,r為某一恒定常數(shù)(如圖5(b)所示)，則判定傳感器發(fā)生恒定偏差故障。

4) 如果傳感器測(cè)量值并未保持不變，而差值Δyc,r隨時(shí)間發(fā)生線性變化(如圖6(b)所示)，則判定傳感器發(fā)生漂移故障。

按照以上方法，48組傳感器故障數(shù)據(jù)均被正確識(shí)別。結(jié)果表明，該方法可以準(zhǔn)確診斷出傳感器的工作狀態(tài)，并區(qū)分出4種傳感器典型故障，從而驗(yàn)證了該方法的有效性。

4 結(jié) 論

1) 該方法能夠快速準(zhǔn)確地檢測(cè)熱力參數(shù)傳感器故障，并對(duì)故障類(lèi)型和發(fā)生故障時(shí)間進(jìn)行識(shí)別。

2) EMD分解所得的各個(gè)IMF分量包含并突出了熱力參數(shù)傳感器輸出信號(hào)的局部特征。

3) 在訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)時(shí)，該方法只需要熱力參數(shù)傳感器正常狀態(tài)下的樣本，克服了熱力參數(shù)傳感器故障樣本稀少的困難。

4) 在熱力參數(shù)傳感器故障情況下，該方法能夠計(jì)算出熱力參數(shù)傳感器正常狀態(tài)下的理論值，代替故障信號(hào)，維持熱力系統(tǒng)的正常運(yùn)行，實(shí)現(xiàn)容錯(cuò)控制。

[1] Zhang Junbo, Li Tianrui, Chen Hongmei. Composite rough sets for dynamic data mining[J]. Information Sciences, 2014, 257: 81-100.

[2] Zhang Junbo, Li Tianrui, Ruan Da, et al. Neighborhood rough sets for dynamic data mining[J]. International Journal of Intelligent Systems, 2012, 27(4): 317-342.

[3] Crespo F, Weber R. A methodology for dynamic data mining based on fuzzy clustering[J]. Fuzzy Sets and Systems, 2005, 150(2): 267-284.

[4] Flores R A. State of the art in the classification of power quality events an overview[C]∥Proceedings of the 10thInternational Conference on Harmonics Quality of Power. Rio de Janeiro, Brazil: IEEE, 2002: 17-20.

[5] 徐濤, 王祁. 基于小波包的多尺度主元分析在傳感器故障診斷中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2007, 27(9):28-32.

Xu Tao, Wang Qi. Application of multiscale principal component analysis based on wavelet packet in sensor fault diagnosis[J]. Proceedings of the CSEE, 2007, 27(9):28-32. (in Chinese)

[6] Huimin C, Ruimei Z, Yanli H. Improved threshold denoising method based on wavelet transform[J]. Physics Procedia, 2012, 33: 1354-1359.

[7] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proceedings of the Royal Society of London Series, 1998: 903-995.

[8] 鐘佑明，趙強(qiáng)，周建庭. 實(shí)時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解的實(shí)現(xiàn)方法[J]. 振動(dòng)、測(cè)試與診斷，2012，32(1)：68-72.

Zhong Youming, Zhao Qiang, Zhou Jianting. The implementation method of real-time empirical mode decomposition[J]. Journal of Vibration，Measurement & Diagnosis, 2012，32(1)：68-72. (in Chinese)

[9] 樊奕辰, 盧啟鵬, 丁海泉, 等. 經(jīng)驗(yàn)?zāi)B(tài)分解法在近紅外無(wú)創(chuàng)血紅蛋白檢測(cè)中的應(yīng)用研究[J]. 光譜學(xué)與光譜分析, 2013, 33(2):349-353.

Feng Yichen, Lu Qipeng, Ding Haiquan, et al. Study on the application of empirical mode decomposition to noninvasive hemoglobin measurement by NIRS[J]. Spectroscopy and Spectral Analysis, 2013, 33(2):349-353. (in Chinese)

[10]孫潔娣, 郝雅立, 溫江濤, 等. 基于 EMD 的高壓燃?xì)夤艿佬孤┬盘?hào)欠定盲分離方法[J]. 振動(dòng)與沖擊, 2013, 32(18): 81-86.

Sun jieti, Hao Yali, Wen Jiangtao, et al. Underdetermined blind source separation method of pipeline leakage signals based on empirical mode decomposition[J]. Journal of Vibration and Shock, 2013, 32(18): 81-86. (in Chinese)

[11]Prieto-Guerrero A, Espinosa-Paredes G. Decay ratio estimation in boiling water reactors based on the empirical mode decomposition and the Hilbert-Huang transform[J]. Progress in Nuclear Energy, 2014, 71: 122-133.

[12]Georgoulas G, Loutas T, Stylios C D, et al. Bearing fault detection based on hybrid ensemble detector and empirical mode decomposition[J]. Mechanical Systems and Signal Processing, 2013, 41(1): 510-525.

[13]Huang Y, Schmitt F G. Time dependent intrinsic correlation analysis of temperature and dissolved oxygen time series using empirical mode decomposition[J]. Journal of Marine Systems, 2014, 130: 90-100.

[14]Khorramdel B, Marzooghi H, Samet H, et al. Fault locating in large distribution systems by empirical mode decomposition and core vector regression[J]. International Journal of Electrical Power & Energy Systems, 2014, 58: 215-225.

[15]Peng Zhike, Peter W T. A comparison study of improved Hilbert-Huang transform and wavelet transform: application to fault diagnosis for rolling bearing[J]. Mechanical Systems and Signal Processing, 2005，19(5): 974-988.

[16]張毅坤,麻曉暢,華燈鑫,等. 基于EMD-DISPO的Mie散射激光雷達(dá)回波信號(hào)去噪方法研究[J].光譜學(xué)與光譜分析,2011, 31(11):2996-3000.

Zhang Yikun, Ma Xiaochang, Hua Dengxin, et al. The Mie scattering lidar return signal denoising research based on EMD-DISPO[J]. Spectroscopy and Spectral Analysis, 2011, 31(11):2996-3000. (in Chinese)

[17]劉倩倩,王春艷,史曉鳳,等. 基于RBF神經(jīng)網(wǎng)絡(luò)的較低濃度下同步熒光光譜的溢油鑒別[J]. 光譜學(xué)與光譜分析, 2012, 32(4):1012-1015.

Liu Qianqian, Wang Chunyan, Shi Xiaofeng, et al. Identification of spill oil species based on low concentration synchronous fluorescence spectra and RBF neural network[J]. Spectroscopy and Spectral Analysis, 2012, 32(4):1012-1015. (in Chinese)

[18]Huang M, Liu X, Li J, et al. Melt index prediction by RBF neural network with an ICO-VSA hybrid optimization algorithm[J]. Journal of Applied Polymer Science, 2012, 126(2):519-526.

[19]Poultangari I, Shahnazi R, Sheikhan M. RBF neural network based PI pitch controller for a class of 5-MW wind turbines using particle swarm optimization algorithm[J]. ISA Transactions, 2012, 51(5): 641-648.

[20]Dunia R, Qin S J, Edgar T F, et al. Identification of faulty sensors using principal component analysis[J]. Aiche Journal, 1996, 42(10): 2797-2812.

10.16450/j.cnki.issn.1004-6801.2016.04.013

中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助項(xiàng)目

2014-09-05；

2014-11-13

TH81; TK38

李蔚，女，1974年10月生，博士、副研究員。主要研究方向?yàn)闊崮芄こ獭Ｔl(fā)表《Modeling a two-span rotor system based on the Hamilton principle and rotor dynamic behavior analysis》(《Journal of Zhejiang University-Science A (Applied Physics & Engineering)》2014,Vol.15,No.11)等論文。

E-mail:energy@zju.edu.cn

簡(jiǎn)介：盛德仁，男，1960年2月生，教授。主要研究方向?yàn)榇笮推啓C(jī)的優(yōu)化運(yùn)行。

E-mail:shengdr@zju.edu.cn