汽輪發(fā)電機組自激振動預警方法研究.pdf

1、本文采用故障模式及其影響分析(FMEA)、故障樹分析(FTA)兩種方法分析了汽輪發(fā)電機組軸系自激振動的兩種主要故障模式（支持軸承的油膜失穩(wěn)和汽輪機蒸汽激振），為進行汽輪發(fā)電機組軸系自激振動故障預警研究提供支持。以電廠實際運行時的汽輪發(fā)電機組軸系振動數(shù)據為依托，針對汽輪發(fā)電機組軸系振動信號非平穩(wěn)、非線性的特征，本文提出了集合經驗模態(tài)分解與神經網絡組合預測方法(EEMD-BP)進行時間序列的趨勢外推預測。在對汽輪發(fā)電機組自激振動故障模式歸納

2、清晰、振動趨勢預測模型構建完成的基礎上，以某電廠實際生產中遇到的故障為分析案例，對汽輪發(fā)電機組自激振動故障模式進行了基于EEMD-BP模型的預警方法分析，為保障電站設備的安全運行提供參考。
　　在汽輪發(fā)電機組軸系振動趨勢預測及預警方法研究中，軸系振動信號作為重要的狀態(tài)參量，具有非線性、非平穩(wěn)的特點，傳統(tǒng)的單一方法很難挖掘到其變化規(guī)律，對其也就很難做出準確預測;而集合經驗模態(tài)分解方法對非平穩(wěn)、非線性信號具有良好的適用性，這決定了其可

3、用于汽輪發(fā)電機組軸系振動時間序列分析，可作為電站設備狀態(tài)監(jiān)測研究領域的一種有力工具。本文采用集合經驗模態(tài)分解(EEMD)方法將某電廠實測汽輪發(fā)電機組軸系振動位移峰-峰值（μm）分解為多個本征模函數(shù)及剩余分量。將各個分量分別作為BP神經網絡的輸入因子，進行一步預測，在對各分量的預測結果進行重構之后，得出采用EEMD-BP方法對原始時間序列的預測結果。為了衡量EEMD-BP方法的預測效果，本文采用經驗模態(tài)分解和BP神經網絡組合預測模型(EM