基于神經(jīng)網(wǎng)絡的汽輪機轉(zhuǎn)子預診方法研究及其WEB實現(xiàn).pdf

1、由于傳統(tǒng)的設備維護方式（事后維護和定期維護）造成的經(jīng)濟損失較大，因此，對設備長期運行狀態(tài)進行監(jiān)測和預報的需求日益迫切。CBM（基于狀態(tài)的維護）和IMS（智能維護系統(tǒng)）正是基于這樣的背景下被提出的。無論是CBM還是IMS，其核心都是對設備的智能預診，即對設備在線實時性能評價和實時剩余壽命預測，這也成為新維修方式實現(xiàn)的前提條件，只有具備了高可靠性的在線實時性能評價和實時剩余壽命預測，CBM和IMS才真正具有實際應用價值。因此，本文立足于CB

2、M和IMS的核心部分——智能預診，進行了基于神經(jīng)網(wǎng)絡的設備預診方法研究。
　　汽輪機轉(zhuǎn)子是汽輪機的核心部件，因其一旦出現(xiàn)故障，將導致巨大的經(jīng)濟損失，選擇該設備作為預診方法的應用對象，無論是對汽輪機行業(yè)本身還是對預診方法的研究都具有極其重要的意義。
　　本文在預診方法研究中以人工神經(jīng)網(wǎng)絡（ANN）作為預診方法研究的基礎算法，從智能預診的全局角度出發(fā)，給出了基于神經(jīng)網(wǎng)絡的智能預診框架。在此基礎上，以汽輪機葉片疲勞破壞實驗數(shù)據(jù)作為

3、研究智能預診最為關(guān)鍵的性能評價和壽命預測的數(shù)值仿真數(shù)據(jù)，深入研究了BP和Elman神經(jīng)網(wǎng)絡在葉片疲勞預診中的具體實現(xiàn)方法，并對BP和Elman網(wǎng)絡共同存在的缺點，如迭代優(yōu)化緩慢、易于陷入局部最小等基本問題進行了研究并給出了在具體應用中的解決方法。
　　本文針對BP神經(jīng)網(wǎng)絡剩余壽命預測本身存在的非動態(tài)性缺陷，提出了基于BP神經(jīng)網(wǎng)絡的動態(tài)壽命預測方法，利用預診對象在實時預診過程中信息量的不斷豐富，動態(tài)調(diào)整事先由訓練樣本確定的預測模型，

4、進而達到改善預測效果的目的。在提出的動態(tài)剩余壽命方法的基礎上，對如何進一步改進動態(tài)預測效果，深入研究了動態(tài)調(diào)整的迭代算法、迭代次數(shù)和學習率對動態(tài)預測效果的影響，通過大量的仿真實驗，最終給出了在迭代次數(shù)為一定值條件下，搜索到一個較優(yōu)學習率的三點搜索方法。
　　在汽輪機轉(zhuǎn)子預診應用研究中，以Bently轉(zhuǎn)子試驗臺獲得的轉(zhuǎn)子不平衡實驗數(shù)據(jù)為基礎，研究了基于STFT的特征提取方法和基于競爭學習網(wǎng)絡的特征選擇方法，在此基礎上，對預先確定的性