基于神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)轉(zhuǎn)子預(yù)診方法研究及其WEB實(shí)現(xiàn).pdf

1、由于傳統(tǒng)的設(shè)備維護(hù)方式（事后維護(hù)和定期維護(hù)）造成的經(jīng)濟(jì)損失較大，因此，對(duì)設(shè)備長(zhǎng)期運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和預(yù)報(bào)的需求日益迫切。CBM（基于狀態(tài)的維護(hù)）和IMS（智能維護(hù)系統(tǒng)）正是基于這樣的背景下被提出的。無(wú)論是CBM還是IMS，其核心都是對(duì)設(shè)備的智能預(yù)診，即對(duì)設(shè)備在線實(shí)時(shí)性能評(píng)價(jià)和實(shí)時(shí)剩余壽命預(yù)測(cè)，這也成為新維修方式實(shí)現(xiàn)的前提條件，只有具備了高可靠性的在線實(shí)時(shí)性能評(píng)價(jià)和實(shí)時(shí)剩余壽命預(yù)測(cè)，CBM和IMS才真正具有實(shí)際應(yīng)用價(jià)值。因此，本文立足于CB

2、M和IMS的核心部分——智能預(yù)診，進(jìn)行了基于神經(jīng)網(wǎng)絡(luò)的設(shè)備預(yù)診方法研究。
　　汽輪機(jī)轉(zhuǎn)子是汽輪機(jī)的核心部件，因其一旦出現(xiàn)故障，將導(dǎo)致巨大的經(jīng)濟(jì)損失，選擇該設(shè)備作為預(yù)診方法的應(yīng)用對(duì)象，無(wú)論是對(duì)汽輪機(jī)行業(yè)本身還是對(duì)預(yù)診方法的研究都具有極其重要的意義。
　　本文在預(yù)診方法研究中以人工神經(jīng)網(wǎng)絡(luò)（ANN）作為預(yù)診方法研究的基礎(chǔ)算法，從智能預(yù)診的全局角度出發(fā)，給出了基于神經(jīng)網(wǎng)絡(luò)的智能預(yù)診框架。在此基礎(chǔ)上，以汽輪機(jī)葉片疲勞破壞實(shí)驗(yàn)數(shù)據(jù)作為

3、研究智能預(yù)診最為關(guān)鍵的性能評(píng)價(jià)和壽命預(yù)測(cè)的數(shù)值仿真數(shù)據(jù)，深入研究了BP和Elman神經(jīng)網(wǎng)絡(luò)在葉片疲勞預(yù)診中的具體實(shí)現(xiàn)方法，并對(duì)BP和Elman網(wǎng)絡(luò)共同存在的缺點(diǎn)，如迭代優(yōu)化緩慢、易于陷入局部最小等基本問(wèn)題進(jìn)行了研究并給出了在具體應(yīng)用中的解決方法。
　　本文針對(duì)BP神經(jīng)網(wǎng)絡(luò)剩余壽命預(yù)測(cè)本身存在的非動(dòng)態(tài)性缺陷，提出了基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)壽命預(yù)測(cè)方法，利用預(yù)診對(duì)象在實(shí)時(shí)預(yù)診過(guò)程中信息量的不斷豐富，動(dòng)態(tài)調(diào)整事先由訓(xùn)練樣本確定的預(yù)測(cè)模型，

4、進(jìn)而達(dá)到改善預(yù)測(cè)效果的目的。在提出的動(dòng)態(tài)剩余壽命方法的基礎(chǔ)上，對(duì)如何進(jìn)一步改進(jìn)動(dòng)態(tài)預(yù)測(cè)效果，深入研究了動(dòng)態(tài)調(diào)整的迭代算法、迭代次數(shù)和學(xué)習(xí)率對(duì)動(dòng)態(tài)預(yù)測(cè)效果的影響，通過(guò)大量的仿真實(shí)驗(yàn)，最終給出了在迭代次數(shù)為一定值條件下，搜索到一個(gè)較優(yōu)學(xué)習(xí)率的三點(diǎn)搜索方法。
　　在汽輪機(jī)轉(zhuǎn)子預(yù)診應(yīng)用研究中，以Bently轉(zhuǎn)子試驗(yàn)臺(tái)獲得的轉(zhuǎn)子不平衡實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，研究了基于STFT的特征提取方法和基于競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)的特征選擇方法，在此基礎(chǔ)上，對(duì)預(yù)先確定的性