通过基于主成分分析的计算方法对水力发电机进行故障诊断。绍了主成分分析法的原理，并以MATLAB为平台，给出了水电站冷库机组故障诊断分析的具体实例，证明了该方法的有效性。方法是可行和有效的。电制冷存储单元的故障诊断方法。
　　PCA降维效果还减少了BP网络的计算过程，并减少了大量的计算过程，这可以加快神经网络的形成和识别，同时减小数据量。这不仅避免了训练过程中的BP网络。
　　于处理后的数据具有较大的维数，也有神经网络的分辨率，因此存在崩溃的风险。

　　
　　障案例记录故障时水电冷库机组监控参数的监控值，并对收集到的大量故障案例进行统计分析[1]-[1] 2]。取症状后，冷库安装有十二种故障迹象的两种。于水箱冷库的故障诊断不仅限于振动特性，还反映在速度，负载，励磁电流等相关因素上等等，因此振动可以随速度，负载，励磁电流和流量而变化。断变化的工作特性参考[3]。
　　别由〜表示。
　　中：、、、、。代表振动的幅度，分别代表速度，负载，流量和励磁电流。

　　2-1显示了对40组收集和分类的误差样本进行归一化后的数据。
　　子的质量不平衡，冷藏单元的轴线未对准，静，动摩擦和轴承的间隙太重要，有10组属于机械振动的缺陷样本。默认样本上调用MATLAB函数以找到协方差矩阵，该运算的结果将获得12阶方阵的相关系数矩阵。到该矩阵的特征值和特征向量的协方差获得：，，，，，，，，，，文件的CL值占累计贡献率的90％。表2-2所示，提取了对应的40组特征向量。中仅列出了机械振动故障中每个故障状态的两个样本的特征向量。2清楚地表明，数据已从原始的12维数据简化为4维数据。

　　始数据被标准化为网络输入以建立神经网络，其中两个神经网络输入被用作测试样本，相应的神经网络被输入到模拟实验[4- 5]。过将仿真结果与样本值进行比较，可以获得三个神经网络的验证误差图，如图2-1和2-2所示。过比较图2-1和2-2，可以得出结论，在水力发电机故障的情况下，基于PCA的神经网络的准确性具有明显的优势。PCA技术在处理大型数据集和提取功能方面的优势极大地简化了复杂的原始数据。PCA降维效果还减少了BP网络的计算过程，并减少了大量的计算过程，这可以加快神经网络的形成和识别，同时减少数据量，这不仅避免了训练过程中的BP网络。
　　于处理后的数据具有较大的维数，也有神经网络的分辨率，冷库安装因此存在崩溃的风险。
　　本文转载自
　　冷库安装 https://www.iceage-china.com