汽輪機也被稱為蒸汽透平發(fā)動機,是一類應用廣泛的旋轉式蒸汽動力裝置,是現(xiàn)代火力發(fā)電廠發(fā)電機組的主要設備,同時在冶金、化工、艦船動力裝置領域也有大量的應用。汽輪機組作為常見的旋轉機械,經(jīng)常會遇到運行狀態(tài)異常甚至發(fā)生重大故障導致整個工廠被迫停工的狀況。在造成大量經(jīng)濟損失的同時,還會對工作人員的安全造成威脅。因此,設備往往需要進行狀態(tài)監(jiān)測以保證機組的正常運行,而且還需要周期性的維修與保養(yǎng)以避免發(fā)生損害性事故,而狀態(tài)監(jiān)測與異常分析技術的發(fā)展為旋轉機械的實時監(jiān)測和預測性維護提供了更有效、更多樣化的方法。狀態(tài)監(jiān)測技術已成為預防設備潛在故障、減少非計劃性被迫停運、進一步降低維護成本以及提高旋轉機械系統(tǒng)的可靠性、可用性和可維護性的重要工具。本文詳細介紹了國內外機械系統(tǒng)狀態(tài)監(jiān)測技術的發(fā)展現(xiàn)狀,可以看出,對于汽輪機組特殊的運行環(huán)境及其復雜的結構,并且在考慮設備的各類用途與應用條件時,信號處理技術和預測算法在旋轉機械狀態(tài)監(jiān)測及分析中起著關鍵作用。本研究涉及到機械系統(tǒng)實測數(shù)據(jù)的不確定性和多變量相關性,以旋轉機械不同位置采集而來的多變量時間序列數(shù)據(jù)為研究對象,介紹了一種概率信號處理方法及基于人工神經(jīng)網(wǎng)絡的數(shù)據(jù)預測... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 旋轉機械狀態(tài)監(jiān)測技術研究現(xiàn)狀
    1.3 研究內容與技術路線
    1.4 算法編譯工具介紹
2 基于數(shù)據(jù)挖掘算法的多變量時間序列數(shù)據(jù)處理方法
    2.1 關于時間序列數(shù)據(jù)去噪方法
    2.2 基于離散小波包變換的信號處理技術
        2.2.1 小波分析概述
        2.2.2 小波基函數(shù)
        2.2.3 連續(xù)小波變換
        2.2.4 離散小波變換
        2.2.5 小波基的選取
        2.2.6 離散小波包變換
        2.2.7 貝葉斯閾值法
    2.3 基于貝葉斯理論的閾值去噪方法
        2.3.1 貝葉斯閾值法
        2.3.2 先驗分布
        2.3.3 后驗分布
        2.3.4 貝葉斯假設檢驗
    2.4 基于概率主成分分析的數(shù)據(jù)特征提取方法研究
        2.4.1 關于多變量數(shù)據(jù)的特征提取方法
        2.4.2 主成分分析基本原理
        2.4.3 主成分分析步驟
        2.4.4 概率主成分分析
    2.5 算法流程及實現(xiàn)
    2.6 本章小結
3 基于信號處理算法的汽輪機組狀態(tài)監(jiān)測實例
    3.1 數(shù)據(jù)整理與預處理
        3.1.1 數(shù)據(jù)來源
        3.1.2 離群值分析
        3.1.3 數(shù)據(jù)規(guī)約
    3.2 貝葉斯小波去噪
        3.2.1 離散小波包變換
        3.2.2 貝葉斯閾值去噪
    3.3 概率主成分分析
        3.3.1 標準主成分分析確定降低維數(shù)
        3.3.2 概率主成分分析提取信號特征
    3.4 本章小結
4 基于神經(jīng)網(wǎng)絡模型的汽輪機組狀態(tài)數(shù)據(jù)預測
    4.1 模糊神經(jīng)網(wǎng)絡模型簡介
        4.1.1 徑向基函數(shù)神經(jīng)網(wǎng)絡
        4.1.2 模糊c均值聚類
    4.2 模糊神經(jīng)網(wǎng)絡模型的構建
        4.2.1 神經(jīng)網(wǎng)絡結構設計
        4.2.2 訓練神經(jīng)網(wǎng)絡模型
    4.3 算法流程及實現(xiàn)
    4.4 模型實例應用
        4.4.1 構建輸入輸出向量并訓練模型
        4.4.2 驗證模型并進行模擬預測
    4.5 本章小結
5 結論與展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]大數(shù)據(jù)奏響智能時代序曲政策向細化領域延伸[J].   自動化應用. 2017(08)
[2]發(fā)展大數(shù)據(jù),擴大影響力——寫在2017年世界電信和信息社會日之際[J]. 宗文.  中國電信業(yè). 2017(05)
[3]促進大數(shù)據(jù)發(fā)展行動綱要[J].   成組技術與生產(chǎn)現(xiàn)代化. 2015(03)
[4]大數(shù)據(jù)成多國國家戰(zhàn)略[J]. 小荷.  中國電信業(yè). 2015(09)
[5]基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機械工程學報. 2015(21)
[6]韓國大數(shù)據(jù)發(fā)展及應用分析[J]. 羅梓超,呂志堅.  全球科技經(jīng)濟瞭望. 2014(03)
[7]混合聚類新算法及其在故障診斷中的應用[J]. 雷亞國,何正嘉,訾艷陽,胡橋,丁鋒.  機械工程學報. 2006(12)
[8]機泵群實時監(jiān)測網(wǎng)絡和故障診斷專家系統(tǒng)[J]. 高金吉.  中國工程科學. 2001(09)

博士論文
[1]狀態(tài)監(jiān)控與智能診斷關鍵技術研究及其在汽車起重機主泵中的應用[D]. 杜文遼.上海交通大學 2013
[2]基于智能技術的民航發(fā)動機故障診斷和壽命預測研究[D]. 郝英.南京航空航天大學 2006



本文編號：3393590