文献类型：期刊文章

作　　者：李文业[1] 杨帆[2] 周亚星[1] 沈吉超[1] 俞芸萝[1] 赵丽娟[2] 丁勇能[2] 李蔚[1]

LI Wenye;YANG Fan;ZHOU Yaxing;SHEN Jichao;YU Yunluo;ZHAO Lijuan;DING Yongneng;LI Wei(College of Energy Engineering,Zhejiang University Hangzhou,310027,China;Hangzhou Huadian Banshan Power Company Limited Hangzhou,310015,China)

机构地区：[1]浙江大学能源工程学院,杭州310027 [2]杭州华电半山发电有限公司,杭州310015

出　　处：《振动．测试与诊断》

年　　份：2018

卷　　号：38

期　　号：6

起止页码：1138-1142

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。

关 键 词：汽轮机通流  经验模态分解 概率神经网络 故障诊断

分 类 号：TM621] TH16]