將發(fā)電機(jī)運(yùn)行工況作為分類變量引入狀態(tài)監(jiān)測(cè)模型，采用基于混合輸入模糊神經(jīng)網(wǎng)絡(luò)建立發(fā)電機(jī)正常狀態(tài)下的行為模型，通過(guò)發(fā)電機(jī)實(shí)際運(yùn)行數(shù)據(jù)與正常行為模型的殘差確定多元高斯函數(shù)的概率密度分布，根據(jù)概率密度等高線設(shè)定i}}值，實(shí)現(xiàn)對(duì)發(fā)電機(jī)發(fā)電機(jī)輸出功率與轉(zhuǎn)子轉(zhuǎn)速的異常監(jiān)測(cè)。該方法克服異常監(jiān)測(cè)模型繁多而且計(jì)算量大的缺陷，可同時(shí)進(jìn)行多參數(shù)的異常監(jiān)測(cè)，并且方法的計(jì)算復(fù)雜度和異常狀態(tài)診斷正確率優(yōu)于其他對(duì)比方法。

    發(fā)電機(jī)系統(tǒng)的狀態(tài)監(jiān)測(cè)對(duì)于評(píng)估發(fā)電機(jī)狀態(tài)具有深遠(yuǎn)意義，有利于發(fā)現(xiàn)發(fā)電機(jī)早期的劣化趨勢(shì)，并針對(duì)該問(wèn)題對(duì)發(fā)電機(jī)制定運(yùn)維計(jì)劃，節(jié)省經(jīng)濟(jì)投入。在考慮了發(fā)電機(jī)不同工況下，建立了發(fā)電機(jī)的正常狀態(tài)下的行為模型，并通過(guò)多元高斯函數(shù)的方法進(jìn)行發(fā)電機(jī)的狀態(tài)監(jiān)測(cè)和異常識(shí)別，并驗(yàn)證了方法的有效。主要研究成果如下