欢迎来到天天文库
浏览记录
ID:37072433
大小:2.57 MB
页数:82页
时间:2019-05-17
《涡轮机热端部件健康监测技术研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、分类号:_____________密级:_____________UDC:_____________编号:_____________工学硕士学位论文涡轮机热端部件健康监测技术研究硕士研究生:王丽指导教师:冯驰教授学科、专业:信息与通信工程论文主审人:陈立伟副教授哈尔滨工程大学2018年3月分类号:密级:UDC:编号:工学硕士学位论文涡轮机热端部件健康监测技术研究硕士研究生:王丽指导教师:冯驰教授学位级别:工学硕士学科、专业:信息与通信工程所在单位:信息与通信工程学院论文提交日期:2017年12月论文答辩日
2、期:2018年03月学位授予单位:哈尔滨工程大学ClassifiedIndex:U.D.C:ADissertationfortheDegreeofM.EngTechniqueresearchonhealthmonitoringforturbinehotendsCandidate:WangLiSupervisor:FengChiAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:InformationandCommunicationEngineerin
3、gDateofSubmission:Dec.2017DateofOralExamination:Mar.2018University:HarbinEngineeringUniversity哈尔滨工程大学学位论文原创性声明本人郑重声明:本论文的所有工作,是在导师的指导下,由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出,并与参考文献相对应。除文中已注明引用的内容外,本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全
4、意识到本声明的法律结果由本人承担。作者(签字):日期:年月日哈尔滨工程大学学位论文授权使用声明本人完全了解学校保护知识产权的有关规定,即研究生在校攻读学位期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨工程大学有权保留并向国家有关部门或机构送交论文的复印件。本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进行检索,可采用影印、缩印或扫描等复制手段保存和汇编本学位论文,可以公布论文的全部内容。同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈尔滨工程大学。涉密学位论文待
5、解密后适用本声明。本论文(□在授予学位后即可□在授予学位12个月后□解密后)由哈尔滨工程大学送交有关部门进行保存、汇编等。作者(签字):导师(签字):日期:年月日年月日摘要涡轮机热端部件健康监测技术一直是信号处理领域中的重要研究内容。其相应技术主要是沿着两个方向不断发展进步的,一是特征提取方法的研究;二是模式识别算法的研究即监测模型的设计。特征提取方法研究的主要任务是研究和选取能表现信号特征的,有效而且稳定可靠的特征矢量;而监测模型设计的主要任务是研究各种监测模型的结构和算法,从而对训练和监测中提取的特征
6、向量做预测匹配,以完成准确的监测目的。由于涡轮机的叶片长期工作在高温高压的恶劣环境下,且其寿命直接影响燃气轮机的寿命使用期限,已受到广泛的关注,而叶片温度作为评估叶片质量的重要指标也越来越受到重视,所以将健康监测理论的研究用于对燃气轮机叶片温度的监测。针对涡轮叶片信号波形的特点,将重点放在涡轮叶片特征提取方法及监测模型的设计。针对涡轮叶片波形的特点,本课题研究了三种不同的特征提取的方法来提取涡轮叶片温度信号的特征信息。在时域方面,通过合成余弦函数来匹配涡轮叶片温度信号,可以得到温度信号的幅值域,从而计算其
7、无量纲指标。在时频域方面,一方面基于小波分析理论在非平稳信号分析和处理中的优势,利用小波分析理论中多分辨分析的概念和小波包分解研究了信号不同频段内能量特征的提取算法,给出了特征向量的构造方法。另一方面由于希尔伯特-黄变换(HHT)方法自身独特的特点及其在信号处理各个领域的广泛应用,提出了基于小波分析和HHT变换的特征提取方法。通过采取以上的措施,提高了HHT方法处理涡轮叶片信号的精度,验证了HHT方法在健康监测特征提取方面具有更高的分辨率和准确性。为了提高监测模型的性能,本课题设计并实现了基于平均影响值(
8、MIV)算法、遗传算法和自适应变异的粒子群算法的混合算法Elman网络涡轮叶片温度信号监测模型。实现对输入自变量的筛选、降维和对Elman网络的初始权值进行优化,有效提高了神经网络的泛化能力,提高预测的精度,达到了专家级评分的水平。本文研究成果可望应用于涡轮机健康监测领域,包括涡轮叶片信号的分析,特征提取、监测预测及其它相关的应用领域。关键词:涡轮机;特征提取;Elman神经网络;MIV;遗传算法(GA);自适应变异的粒子群算
此文档下载收益归作者所有