大机组振动状态预报技术的研究开发与应用

论文摘要

本文针对企业生产迫切需要的大机组运行状态预报技术开展研究工作,基于人工神经网络技术,提出了一种优化的预报方法并投入到现场应用,取得了很好的效果。论文首先从一般预测理论出发,对机组运行状态的可预测性进行了分析论证,并对常用的设备状态预测方法进行了分析和评述,结果表明人工神经网络技术特别适合于大机组的振动状态预报。进而针对建立人工神经网络模型的几个关键问题,如网络拓扑结构的确定、网络训练算法的选择等进行了讨论。然后针对神经网络预测方法在实际应用中存在的问题,首先提出了预测稳定性的概念,并从理论和试验分析两个方面对预测结果不稳定的原因进行了分析和论证,结果表明训练样本中的噪声干扰是影响预测稳定性的主要原因;其次,为便于事先对训练样本的可预测性进行评价,提出了一种基于分形理论的训练样本可预测性的定量评价指标;然后根据上述分析结论,提出了一种新的预测优化方法。最后,分析总结了大机组的六种典型的振动变化趋势,并采用本文开发的预测技术对它们进行了预报试验。结果显示,该方法对各种典型的设备运行状态变化趋势的预报具有普适性。大量的现场实际应用结果进一步表明,该技术可准确地预报机组的振动状态变化趋势,预报误差一般在 10%以内,达到了实用的要求。

论文目录

• 第1章 综述
• 1.1 国内外研究现状及发展趋势
• 1.1.1 设备诊断技术及其发展历程
• 1.1.2 设备诊断技术应用现状
• 1.1.3 设备诊断技术发展趋势
• 1.2 课题研究的意义
• 1.3 本文的主要工作
• 第2章 机组状态预测方法的确立
• 2.1 机组运行状态的可预测性分析
• 2.1.1 一般预测理论概述
• 2.1.2 机组运行状态的可预测性分析
• 2.2 设备状态预报常用方法简介
• 2.2.1 传统的预测方法
• 2.2.2 人工神经网络预测法
• 2.2.3 各种预测方法的比较和评述
• 2.3 小结
• 第3章 神经网络预测性能的优化
• 3.1 神经网络预测方法
• 3.2 神经网络预测的稳定性问题
• 3.3 训练样本特性对预测性能的影响分析
• 3.3.1 训练样本的空间分布对预测性能的影响分析
• 3.3.2 训练样本的噪声干扰对预测性能的影响分析
• 3.4 训练样本的可预测性评价
• 3.5 神经网络预测性能的优化
• 3.5.1 预测稳定性的改善
• 3.5.2 预测精度的改善
• 3.5.3 预测优化效果的现场验证
• 3.6 小结
• 第4章 神经网络预报技术的普适性检验及现场应用
• 4.1 典型的机组状态变化趋势
• 4.2 普适性试验分析
• 4.3 神经网络预报技术的现场应用
• 4.4 小结
• 第5章 结论与展望
• 附1 某厂气压机振动与工艺参数的关系
• #主风机振动原始数据'>附2 某厂3^#主风机振动原始数据
• 参考文献
• 攻读硕士学位期间已公开发表论文
• 致谢