基于RBF神经网络的汽封动力特性系数计算模型.pdf

《基于RBF神经网络的汽封动力特性系数计算模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第６０卷第１期汽轮机技术Ｖｏｌ．６０Ｎｏ．１２０１８年２月ＴＵＲＢＩＮＥＴＥＣＨＮＯＬＯＧＹＦｅｂ．２０１８基于ＲＢＦ神经网络的汽封动力特性系数计算模型邓敏强，傅行军（东南大学火电机组振动国家工程研究中心，南京２１００９６）摘要：汽封是汽轮机里控制漏汽量的重要部件，汽封中的汽流力也是引起汽流激振的主要因素之一。传统的汽封动力特性系数计算主要为有限元法和有限差分法等。然而这些方法始终存在计算精度和网格划分、计算复杂程度的矛盾。提出基于径向基函数神经网络（ＲＢＦＮＮ）的汽封动力特性系数计算模型，并以某厂６６０ＭＷ超超临界机组高压轴封为研究对象，建

2、立该轴封动力特性系数的ＲＢＦＮＮ计算模型。计算结果表明，该模型可大大提高计算效率，计算精度较高，满足工程计算的要求，为电厂快速、实时分析汽封中的汽流力对轴系的稳定性影响提供了方便。关键词：汽封；径向基函数；动力特性系数；电厂实时分析；汽流激振分类号：ＴＫ２６３．２文献标识码：Ａ文章编号：１００１-５８８４（２０１８）０１-００５９-０４ＴｈｅＭｏｄｅｌｏｆｔｈｅＤｙｎａｍｉｃＣｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＳｔｅａｍＳｅａｌＢａｓｅｄｏｎＲＢＦＮｅｕｒａｌＮｅｔｗｏｒｋＤＥＮＧＭｉｎ-ｑｉａｎｇ，ＦＵＸｉｎｇ-ｊｕｎ（ＮａｔｉｏｎａｌＥｎｇ

3、ｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＴｕｒｂｏ-ｇｅｎｅｒａｔｏｒＶｉｂｒａｔｉｏｎ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ）Abstract：Ｓｔｅａｍｓｅａｌｉｓａｎｉｍｐｏｒｔａｎｔｐａｒｔｏｆｓｔｅａｍｔｕｒｂｉｎｅｔｏｃｏｎｔｒｏｌｔｈｅｌｅａｋａｇｅｏｆｓｔｅａｍ．Ｔｈｅｆｌｏｗｆｏｒｃｅｉｎｓｔｅａｍｓｅａｌｉｓｏｎｅｏｆｔｈｅｍａｉｎｆａｃｔｏｒｓｔｈａｔｃａｕｓｅｓｔｅａｍｆｌｏｗｅｘｃｉｔａｔｉｏｎ．Ｔｈｅｃａｃｕｌａｔｉｏｎｏｆｄｙｎａｍｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃ

4、ｓｏｆｔｈｅｓｔｅａｍｓｅａｌｍａｉｎｌｙｒｅｌｉｅｓｏｎｆｉｎｉｔｅｅｌｅｍｅｎｔｍｅｔｈｏｄａｎｄｆｉｎｉｔｅｄｉｆｆｅｒｅｎｃｅｍｅｔｈｏｄｗｈｉｃｈａｌｗａｙｓｈａｖｅｔｈｅｃｏｎｔｒａｄｉｃｔｉｏｎｂｅｔｗｅｅｎｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌａｃｃｕｒａｃｙａｎｄｔｈｅｃｏｍｐｌｅｘｉｔｙ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｍｏｄｅｌｂａｓｅｄｏｎｔｈｅｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＲＢＦＮＮ）ｏｆｔｈｅｄｙｎａｍｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｓｔｅａｍｓｅａｌｉｓｐｒｅｓｅｎｔｅｄ．

5、Ｔｈｅｈｉｇｈｐｒｅｓｓｕｒｅｓｅａｌｏｆａ６６０ＭＷｕｎｉｔｏｆａｆａｃｔｏｒｙｉｓｔａｋｅｎａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔａｎｄｔｈｅｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｏｄｅｌｈａｓｈｉｇｈａｃｃｕｒａｃｙａｎｄｃａｎｇｒｅａｔｌｙｉｍｐｒｏｖｅｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｅｆｆｉｃｉｅｎｃｙ．Ｉｔｐｒｏｖｉｄｅｓｃｏｎｖｅｎｉｅｎｃｅｆｏｒｒｅａｌ-ｔｉｍｅａｎａｌｙｓｉｓａｎｄｃａｌｃｕｌａｔｉｏｎｏｆｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｓｔｅａｍｓｅａｌａｎｄｒｏｔｏｒｓｔａｂｉｌｉｔｙｉｎｐｏｗ

6、ｅｒｐｌａｎｔｓ．Keywords：sealing；radialbasisfunction；dynamiccharacteristics；realtimeanalysisofpowerplant；excitedvibration电厂快速、实时分析复杂汽封中汽流力对轴系稳定性的影响０前言提供定量依据，具有较大的工程应用价值。汽流激振是影响汽轮发电机组安全运行的重要因素，随１径向基函数神经网络着机组参数的提高，汽流力的增大，该问题也越来越突出。［５，６］汽封中的汽流力是引起汽流激振的主要原因之一，该汽流力ＲＢＦＮＮ为３层前馈网络，由输入层、隐层、

7、输出层构［１］的计算主要为有限元法、有限差分法等。这些方法都建立成。输入层接收该输入信号并把该信号传递给各个隐层神在对模型网格化的基础上，为了精确地研究汽封的特性，需经元。ＲＢＦＮＮ的隐层神经元采用径向基函数为激励函数，要对模型进行精细的网格划分，而这会大大增加计算的工作在本文中采用的激励函数为：量和对计算机性能的要求。２２０．５Φi（X）＝（X-Xi＋cl）随着计算智能的发展，例如神经网络等的智能计算大大（i＝１，２，⋯，n）（１）提高了计算的效率。ＲＢＦＮＮ是基于正则化理论导出的神经T式中，n为隐层节点数；cl为形状系数；Xi＝（xi１，

8、xi２，⋯，xim）网络，具有结构简单、收敛速度快、计算精度高等优点，在非为第i个神经元的中心点，；X-Xi为X与Xi之间的欧几线性函数的拟合、复杂模型的建立及故障