热能动力工程
熱能動力工程
열능동력공정
JOURNAL OF ENGINEERING FOR THERMAL ENERGY AND POWER
2007年
1期
6-10
,共5页
汽轮机转子振动%故障诊断%时间序列%自谱函数%神经网络
汽輪機轉子振動%故障診斷%時間序列%自譜函數%神經網絡
기륜궤전자진동%고장진단%시간서렬%자보함수%신경망락
根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型的汽轮机转子振动故障水平方向与垂直方向的数据所建立的汽轮机转子振动故障序列自回归滑移平均(ARMA)模型,由ARMA模型参数计算自谱函数值,建立汽轮机转子振动故障时间序列的自谱函数图谱.对不同类故障所建立ARMA模型的自谱函数图谱分析表明:故障征兆信息较明显,有较好的故障区分度.另外由于ARMA模型的特征向量浓缩了原时间序列信号的全部信息,对ARMA模型的特征向量参数利用多节点输入双隐层BP神经网络完成p维欧氏空间到二维欧氏空间的非线性映射,对汽轮机转子振动故障状态进行诊断.诊断结果表明:对应故障类型的ARMA模型样本通过训练后的神经网络在二维欧氏空间中能较好地对故障进行分类,同类故障的检验样本与目标函数值在欧氏空间具有最小距离,表明基于ARMA模型的二维欧氏空间双隐层神经网络故障诊断方法有较高的故障辨识能力.
根據Bently實驗檯所採集的踫摩、鬆動、不對中、不平衡4種典型的汽輪機轉子振動故障水平方嚮與垂直方嚮的數據所建立的汽輪機轉子振動故障序列自迴歸滑移平均(ARMA)模型,由ARMA模型參數計算自譜函數值,建立汽輪機轉子振動故障時間序列的自譜函數圖譜.對不同類故障所建立ARMA模型的自譜函數圖譜分析錶明:故障徵兆信息較明顯,有較好的故障區分度.另外由于ARMA模型的特徵嚮量濃縮瞭原時間序列信號的全部信息,對ARMA模型的特徵嚮量參數利用多節點輸入雙隱層BP神經網絡完成p維歐氏空間到二維歐氏空間的非線性映射,對汽輪機轉子振動故障狀態進行診斷.診斷結果錶明:對應故障類型的ARMA模型樣本通過訓練後的神經網絡在二維歐氏空間中能較好地對故障進行分類,同類故障的檢驗樣本與目標函數值在歐氏空間具有最小距離,錶明基于ARMA模型的二維歐氏空間雙隱層神經網絡故障診斷方法有較高的故障辨識能力.
근거Bently실험태소채집적팽마、송동、불대중、불평형4충전형적기륜궤전자진동고장수평방향여수직방향적수거소건립적기륜궤전자진동고장서렬자회귀활이평균(ARMA)모형,유ARMA모형삼수계산자보함수치,건립기륜궤전자진동고장시간서렬적자보함수도보.대불동류고장소건립ARMA모형적자보함수도보분석표명:고장정조신식교명현,유교호적고장구분도.령외유우ARMA모형적특정향량농축료원시간서렬신호적전부신식,대ARMA모형적특정향량삼수이용다절점수입쌍은층BP신경망락완성p유구씨공간도이유구씨공간적비선성영사,대기륜궤전자진동고장상태진행진단.진단결과표명:대응고장류형적ARMA모형양본통과훈련후적신경망락재이유구씨공간중능교호지대고장진행분류,동류고장적검험양본여목표함수치재구씨공간구유최소거리,표명기우ARMA모형적이유구씨공간쌍은층신경망락고장진단방법유교고적고장변식능력.
