汽轮机组智能故障诊断
汽轮机通流部分故障及诊断分析
汽轮机通流部分故障及诊断分析汽轮机是一种将燃气能、蒸汽能直接转化为机械能的动力装置，广泛应用于能源、航空等领域。
由于长期运行和使用中的各种因素，汽轮机的通流部分可能出现故障。
本文将介绍几种常见的汽轮机通流部分故障，并提供诊断分析方法。
1. 叶片损坏：汽轮机叶片作为通流部分的重要组成部分，其负责将流体动能转化为机械能。
叶片损坏的主要原因包括高温疲劳、氧化腐蚀、应力集中等。
当叶片损坏时，通流系统的性能将严重下降。
诊断分析方法：通过视觉检查和非破坏性检测技术，如超声波检测、磁粉检测等，对叶片进行检查。
可以采用振动监测、温度监测等手段来评估叶片的健康状况。
2. 轴承故障：汽轮机轴承负责支撑转子，并保证其正常旋转。
由于长时间的高速旋转和大载荷，轴承容易出现磨损、脱粘、断裂等故障。
诊断分析方法：通过振动监测、温度监测等手段来诊断轴承故障。
正常情况下，轴承运行时的振动和温度应处于正常水平。
当轴承故障时，振动和温度将会异常升高。
3. 导叶故障：导叶是汽轮机中调节蒸汽或燃气进入叶轮的装置，负责控制转子的转速和输出功率。
导叶故障可能导致机组运行不稳定。
诊断分析方法：通过视觉检查和振动监测，检查导叶的工作状态。
当导叶存在故障时，振动监测可以检测到转子的非正常运行。
4. 泄漏：汽轮机通流部分中的密封装置，如轴封、活塞环等，用于防止流体泄漏。
如果密封装置失效，将导致能量损失和通流系统性能下降。
诊断分析方法：通过通流系统压力监测和温度监测，检查是否存在泄漏。
也可以通过测量轴承压力来判断密封装置的性能。
汽轮机通流部分的故障主要包括叶片损坏、轴承故障、导叶故障和泄漏等。
诊断分析方法主要包括视觉检查、振动监测、温度监测等。
通过及时发现和解决这些故障，可以保证汽轮机的正常运行并提高其效率。
基于专家系统的汽轮机状态监测与故障智能诊断系统
参考内容三
引言
引言
汽轮机是现代能源产业中的重要设备之一，其运行状态直接影响到整个电站 的安全与稳定。然而，汽轮机故障时有发生，严重时可能导致整个电站瘫痪，给 国民经济带来巨大的损失。因此，开发一种能够实时监测汽轮机运行状态并诊断 故障的系统显得尤为重要。本次演示将介绍一种基于LabVIEW的汽轮机在线监测 与故障诊断系统，旨在提高汽轮机运行的可靠性和稳定性。
三、齿轮箱故障诊断专家系统
4、用户接口优化：为了方便用户使用，优化用户接口的设计，包括用户界面、 操作流程等，提高用户体验。
三、齿轮箱故障诊断专家系统
5、自学习功能：通过收集实际运行中的案例和诊断结果，不断优化和更新知 识库，提高专家系统的诊断准确性。
四、研究展望
四、研究展望
随着科技的不断发展，未来对齿轮箱状态监测和故障诊断专家系统的研究将 更加深入。未来的研究将更加注重监测技术的精准度和实时性，同时提高专家系 统的智能化程度，使其能够更好地适应复杂多变的运行环境。此外，结合大数据 和云计算等技术，实现远程诊断和智能化预警将成为未来的研究热点。
基本内容
总之，基于专家系统的汽轮机状态监测与故障智能诊断系统在提高汽轮机运 行可靠性和稳定性方面具有重要意义。通过将专家系统、机器学习算法和数据挖 掘等技术相结合，我们能够实现对汽轮机状态的实时监测与智能故障诊断，从而 提高工业生产的效率和可靠性。随着技术的不断发展，我们相信该系统将具有更 加广阔的应用前景和发展空间。
研究现状
研究现状
随着计算机技术和传感器技术的发展，汽轮机在线监测与故障诊断技术得到 了广泛的应用。国内外研究者针对该领域进行了大量的研究，开发出各种类型的 系统。然而，现有系统仍存在一定的问题，如监测数据不准确、故障诊断及时性 不足、系统集成度低等。因此，本次演示提出了一种基于LabVIEW的汽轮机在线 监测与故障诊断系统，旨在解决现有技术的不足。
论文浅谈汽轮机故障诊断技术及其发展方向
论文浅谈汽轮机故障诊断技术及其发展方向
汽轮机故障诊断技术是保障汽轮机运行安全和可靠性的重要手段。
以下是对汽轮机故障诊断技术及其发展方向的简要讨论：
1. 传统故障诊断技术：传统汽轮机故障诊断技术主要依赖于人工经验和常规检测手段，如振动、温度、压力等传感器的数据分析。
这些方法在一定程度上能够发现常见故障，但对于复杂故障的诊断和提前预警能力有限。
2. 智能化技术的应用：近年来，随着人工智能、数据挖掘和机器学习等技术的发展，智能化故障诊断技术逐渐引入汽轮机领域。
通过建立模型、分析大数据，它能够自动化地对汽轮机的运行状态进行监测和预测，提高故障诊断的准确性和速度。
3. 基于机器学习的故障诊断：机器学习技术在汽轮机故障诊断中有着广泛的应用。
通过训练算法和模型，机器学习可以从大量的数据中学习并识别潜在的故障模式，实现对故障的智能诊断和预警。
4. 基于物联网的远程监测：物联网技术的应用为汽轮机故障诊断带来了新的可能性。
通过传感器网络和网络连接，可以对汽轮机的运行状态进行实时监测和远程诊断，及时发现潜在的故障并采取相应的措施。
5. 故障预测与维护优化：未来的发展方向是将故障诊断技术与预测分析相结合，实现对汽轮机故障的提前预测和维护优化。
通过对历史数据、运行参数和环境因素进行综合分析，可以建立预测模型，以提前发现故障迹象并进行相应的维护预案。
总的来说，汽轮机故障诊断技术的发展方向是智能化、自动化和远程化，以提高故障诊断的准确性和效率，降低运营成本，确保汽轮机的安全和可靠运行。
同时，随着新兴技术的不断涌现，如物联网、大数据分析等，未来还将有更多创新性的故障诊断技术不断出现。
汽轮机故障诊断技术
汽轮机故障诊断技术摘要：当前我国的发展已经愈来愈迅速，在经济的持续稳定的增长下，工业的发展以及科学技术的进步也在不断的发生变化。
其中汽轮机的发展与以往相比就有着比很大的跨越，我国的工业生产在当下正以迅猛的速度向前攀升，而工业生产中的相关设备也愈来愈先进，在设备的安全性以及可用性方面也受到了当下很多人的关注。
本文主要就当前的汽轮机故障的诊断技术进行详细的分析探究，希望能够对此领域的发展起到一定的促进作用。
关键词：汽轮机；故障；诊断技术1 前言伴随我国对工业发展的越来越高度重视，人们对工业设备的运行安全性、稳定性与可靠性等多方面提出了更高的要求。
如何加强机械设备故障诊断，降低故障发生几率成为现代工业领域工作的首要任务。
汽轮机作为电力生产中的重要设备之一，一旦其发生故障将会给整个电力系统带来巨大的不良影响，甚至引发人员伤亡事故。
因此，非常有必要对汽轮机故障进行分析与诊断，这样才能有效提高汽轮机的安全性与可靠性。
2 汽轮机故障分析方法对于汽轮机而言，其故障普遍表现为机组振动过大。
在现场故障诊断中，常用到的故障分析方法便是振动分析法。
2.1波形分析法时间波形是最初的振动信息源。
由传感器进行输出的振动信息在普遍情况下均为时间波形。
对一些有着明显特征的波形，可以直接用于设备故障的判断。
波形分析简易直观，这也是波形分析法的优势之所在。
2.2轨迹分析法对于轴承座的运动轨迹而言，转子轴心直接性地对转子瞬时的运动状态反应出来，并且涵盖了很多关于机械运作情况的信息[2]。
由此可见，对于设备故障的诊断，轨迹分析法的作用是非常明显的。
基于正常状态，轴心轨迹具有稳定性，每一次转动循环一般情况下均保持在相同的位置上，且轨迹普遍上是相互重合的。
在轴心轨迹的形状与大小呈现不断变化的势态时，便表现转子运行状态不具稳定性。
面对此种情况，需进行及时有效的调整工序，不然极易致使机组失去稳定性，进而造成停车事故的发生。
2.3频谱分析法对于设备故障的分析，频谱分析法在应用方面极具广泛性。
大型舰船主汽轮机组智能诊断系统设计方案探讨
修 回 日期 ：０ ９０ ３ ２ ０—７２ 作 者 简 介 ： 晓 东 （ ９９）男 ， 张 １ ６一 ， 硕士 ， 教授 。 副
利用在线采集的异常数据产生故 障诊 断触发信 号 和初 始 征 兆 集 ， 后 通 过 人 机 交 互 利 用 离 线 然
数据 来 逐 步 缩 小 诊 断 解 空 间 ， 终 得 到 较 为 精 最 确理 想 的诊 断解 排 序集 合 。
设 备 故障诊 断技术 的发展 和在舰 船环境 下 的实 现
容易程 度 ， 当引 入某 些 对 反 映 主汽 轮 机组 技 术 适 状 态 而言非 常 重要 和 有效 的诊 断信 息 。例 如 ， 汽
轮机 的振动信 号包含 了大量 的 汽轮机技 术状态信
息 ， 于实施 汽轮机 的故 障诊 断非 常有效 ［ ， 考 对 ３可 ］ 虑配 置 固定 （ 或便 携式 ） 振动 信 号 采集 装 置 ， 的 实
第３ ９卷 第 １ 期 ２１ ０ ０年 ２ 月
船 海 工 程
Ｓ Ｐ ＆ ＯＣＥＡＮ ＨＩ ＥＮＧＩ ＮＥＥＲＩ ＮＧ
Ｖｏ ９ ＮＯ １ Ｌ３ ． Ｆｅ ． ０ ０ ｂ ２ １
大 型舰 船 主汽 轮机 组 智 能诊 断 系统 设 计方 案探 讨
张晓 东 子 庆福 薛红 军 ，Ｌ ，
（． １ 海军工程 大学，武汉 ４ ０ ３ ；． ３０ ３２ 海军驻上海 ７４研 究所 军事代表室 ， ０ 上海 ２０ ３ ） ０ ０ １ 摘 要： 针对大 型舰船主汽轮机组故 障诊断工作的需 要 ， 主汽轮机组智能诊 断系统的开发方案进行设 对
计 。依据诊断对象的特点 ， 确定系统开发需遵循的原则 ， 设计系统的总体框架结构 ， 论述各功能模块的功用 和 实现方法。通过对多种诊 断资源的有效整合 ， 确保系统的高效实用性 。
基于支持向量机的汽轮机组故障诊断
Internal Combustion Engine &Parts0引言汽轮机是现代火力发电厂的重要设备，它是一种在高温高压下，通过蒸汽提供动力使转子带动机械旋转的装置[1]。
汽轮机一旦发生故障会产生不可估量的连锁反应，导致人员伤亡和巨大经济损失，故对其运行状态安全监测和故障诊断变得尤为重要[2]。
如何及早的检测和发现设备异常，成为世界各国的研究重点，李亮[3]等研究了支持向量机的汽轮发电机组故障分类时诊断；司娟宁等将支持向量机理论和时频分析相结合应用于柴油机气阀故障诊断。
针对不同故障对象的诊断在理论和仿真方面都取得了有效的结果。
汽轮机组故障虽然共计有数十种，但95.4%以上的故障是常见故障，对于常见典型故障做出快速而准确的判断具有实际需求意义。
基于向量机的汽轮机组故障检测是未来的诊断发展方向，本文在分析研究常见典型故障的前提下，利用支持向量机理论的多元回归算法，在MATLAB 开发环境中建立了新的汽轮机故障诊断模型，输入不同故障的特征频谱数据进行故障诊断模型的自主学习和分类，最后输入检测数据验证结果的准确度，该故障诊断方法模型具有较高的准确度，在故障诊断中可以提供一定的借鉴作用，有着重要的现实意义。
1支持向量机理论和研究方法支持向量机理论（SVM ）是一种二元分类模型，基于结构风险最小化原则，将样本空间通过一个非线性映射映射到另一个多维特征空间中，通过升维、线性化从而实现多元线性回归。
这样做的优点在于通过向量机核函数的扩展定理后，可在未知非线性映射表达式的前提下，在高维特征空间可自主的建立线性学习机模型。
通过调节特定参数，引入样本线性模型时，较好的简化算法和提高计算机计算效率。
支持向量机是一种基于结构风险最小化原则和统计学中的VC 维理论的多分类机器学习方法。
汽轮机故障诊断的核心问题就是分类问题，通过将多个分类器组合，导入历史故障振动特征频谱数据进行分类训练生产诊断模型，最终达到故障检测的目的支持向量机的汽轮机组故障分析还处于初步研究阶段，故本文提出一种改进的支持向量机的故障诊断多分类方法。
浅谈汽轮机的故障诊断
由于大部分 轴系故障 ， 都在振动信号上反 映出来 。因此 ，
对轴系故障 的研究 ， 总是以振动信号 的分 析为主。 节系统 的 调
可靠与否 ， 汽轮机组 的安全运行具有非 常重要 的意义。 对 故障
诊 断 中用到的诊断策 略 ， 主要有对 比诊 断 、 辑诊 断 、 计诊 逻 统
断、 模式识别 、 模糊诊断 、 人工神经 网络和专 家系统等 。 目前 而
我 国在 故障诊 断技术方面 的研究起步较 晚 ，但是 发展很 快。到 目前 ， 经历了两个阶段 ： 第一阶段是从上 世纪 ７ ０年代末 到 ８ ０年代初 。在 这个阶 段， 主要是吸收 国外先进技术 ， 并对一些故 障机理 和诊 断方法
展开研究 ；
频率 的谐波 函数 的线性叠加 ， 它认为信号是平稳 的 ， 以分析 所 出来 的频率具有 统计不变性 。Ｆ １对很 多平稳信 号的情况具 ｆ＇ 有适用性 ， 因而得到 了广 泛的应 用。但是 ， 实际 中的很多信号
的可靠性 、 可用性 、 可维 修性与安 全性 的问题 日益 突出 ， 从而
分组等 。这期 间 ， 国际国内学 术交流频繁 ， 对于基础理论和故
障机理 的研究 十分 活跃 ，并研制 出了我 国 自己的在线监测与 故障诊断装置 ，八 五”期间又进行 了大容量 火电机组监测诊 “ 断系统 的研究 ， 各种先进 技术得 到应 用 ， 研究 步伐加 快 ， 小 缩
析冗 余和混合 冗余 。由于硬件冗余有 明显 的缺点 ， 因而在实际 中应 用较 少。最有代表性 的是振动信号 的分析处 理。目前 ， 汽
轮机故 障诊断系统 中的振动信号处理 ，大多采用快 速傅 立叶 变换 （ Ｆ ，Ｆ Ｆ Ｔ）Ｆ ｒ的思想在于将～般时域信 号表示为具有不 同
汽轮机组故障诊断系统
将数据传输到上位机后 由上位软件对数据进行分 析处理 ， 这在需要处理大量实时信号的系统 中大 大地 增 加 了 系 统 负 荷 。 本 文 介 绍 的 基 ቤተ መጻሕፍቲ ባይዱ ＡＴ —
ＭＥ ６ ＧＬ ４高速 ＡＶＲ单 片机 的多功 能 同步 数据 采 集 器 ， 用 片上 的高 速 Ａ／ 转换 芯 片 和 ＡＶＲ单 利 Ｄ 片机 的高速特 点 ， 不仅可 以实现 多种 数据 的采集 ， 还可 以对所 采集 的数 据 进行 实 时 的信 号 处理 ， 在
维普资讯
《 大型铸 锻件》
Ｈ ＥＡ ＶＹ ＣＡ Ｉ ＮＧ ＡＮＤ Ｆ０ＲＧＩ ＮＧ
Ｎｏ ２ ． Ｍａ ０ ６ ｙ２ ０
汽轮机组故障诊断 系统
任 云鹏 张 维鹏 卢 崇劭
（ 阳重型机械集团有限责任公 司， 沈 辽宁 １ ０ ２ ） １０ ５ 摘要 ： 汽轮 机组 状态 监 测与 故 障诊 断技 术是 保证 汽 轮机 安 全运 行 和正常 生 产的 重要 措施 。基 于 ＡＴ—
采集端就能实现一定 的故障诊断 ， 大大地提升 了
整个 系统 的性能 。
１ 故 障诊 断 系统 的整体 结构
温度 、 压力 、 流量等信号 。在这些状态量 中， 转子 的振 动监测 对于 诊 断旋转机 械 的运行 状 况尤 为重
要。
故障诊断系统的总体结构如图 １ 所示。 汽轮机故障诊断系统的完整结构包括嵌入式 采集 系统 、 数据 驱动 方法 、 解析 法 和基 于知识 的方 法的故障诊断系统 、 数据库服务器 、 应用服务器 、 Ｗ ｅ 服 务器 和客 户浏 览器 ， 中 多功 能 数据 采 集 ｂ 其 器中有一些基本的故 障诊断功能 ， 并能做出一定 预警 ， 基于数据驱动的故障诊断部分作 为本地故 障诊 断 ， 而数 据库 服务 器 、 ｅ 务器 、 Ｗ ｂ服 应用 服 务
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
汽轮机组智能故障诊断汽轮机组是一个大而复杂的系统，在电力生产中具有重要的地位。
汽轮机组工况状态不仅影响该设备安全稳定的运行，而且会对后续的安全生产造成影响。
如果故障状态没有被及时的获知，则对后续生产可能会出现故障也无法预知及加以预防，且故障严重时会造成重大的经济损失，甚至导致机毁人亡的事故。
汽轮机组的故障类型多，引发的原因较为复杂，这都为汽轮机组故障诊断的准确性增加了难度，因此寻找一种快速准确的诊断方法对于汽轮机组的安全运行具有非常重要的现实意义。
目前应用在汽轮机故障诊断中的方法主要有神经网络、小波分析、模糊数学、灰色理论、专家系统和统计理论等。
在各种诊断方法中，神经网络因为其高效的并行信息处理、较强的容错性与学习能力越来越受到广泛的关注。
因此，神经网络方法已经被应用于汽轮机的故障诊断中，其中使用的方法大都采用BP算法。
BP算法采用的误差反向传播，它以输出期望值与实际值之差的平方和最小为训练目标，存有容易陷入局部极小点及收敛速度慢等问题，所以易造成基于神经网络的诊断方法误差大，收敛用时长。
为了克服BP网络的这些缺陷，出现了多种改进的算法和新型神经网络，其中比较受关注的有WNN、PNN等。
WNN是把小波变换的平移伸缩和时频聚焦特性引入神经网络而形成的一种新型神经网络，它在非线性逼近能力、分类能力和学习速度等方面均优于最常用的BP网络，且在应用于故障机理较为复杂的设备诊断时体现出较大的优势。
PNN是以概率统计思想和Bayes分类规则而构成的分类神经网络，与BP网络相比，PNN的优势在于能用线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性。
PNN具有学习速度快、稳定性高、样本追加能力强等优点。
所以本文把WNN和PNN应用于对汽轮机组的故障诊断。
同时，因为汽轮机组设备的复杂性及运行环境的不确定性，且通过传感器所获得的设备状态信息也有不确定性。
因为存有这些不确定性，则会导致故障诊断的准确率下降。
若只用单一方法进行故障诊断，可能会出现漏检或误诊的情况。
并且，同一种故障现象的故障原因可能有很多种，甚至涉及到多个子系统;而且因为专家间的经验与知识差异，做出的判断结果也可能不尽相同，甚至出现相互矛盾的情况，从而难以定位故障。
要解决上述问题，需对同一故障对应的不同信息进行合理的融合，进而进行综合评判以得到合理的诊断结果。
D－S证据理论是一种关于不确定性推理的理论，不仅可以用来处理偶然性不确定性问题，而且还可以用来处理认识性不确定性问题。
它为解决复杂系统故障诊断的不确定性问题提供了一种新的途径。
D－S合成公式比较注重证据之间的协调性，当证据信息冲突时，D－S合成公式直接抛弃所有冲突证据信息进行融合，这种简单粗暴的处理冲突证据方式易造成融合结果不合常理，且造成了故障信息的浪费。
为了充分利用所有证据以便于获取合理可靠的融合结果，本文采用改进的D－S公式进行融合集成诊断。
据此，本文提出了一个基于WNN－PNN和改进的D－S的集成故障诊断方法。
该方法首先通过WNN和PNN网络对故障信息进行初步诊断，再根据初步诊断结果构造证据体，然后根据改进的D－S证据理论对多证据进行融合，得到证据融合决策诊断结果。
1改进的D－S理论1．1D－S融合技术D－S证据理论主要是依据可信度函数运算的，在不确定因素处理、基于知识的证据进化以及应用范围等方面具有很大的灵活性。
1．2改进的D－S合成公式为了解决当k→1或k=1时，D－S合成公式融合结果不合理或无法运算的情况，Yager［16］对D－S合成公式做了改进，即D－S合成公式组合规则中冲突系数k不参与正则化过程，而仅仅把冲突系数k赋给了“未知项”。
这样导致冲突信息被完全被否定。
为了利用冲突信息，文献［17－18］引入了可信度的概念，根据可信度把证据冲突概率按各个命题的加权进行分配，文献［18］验证改进算法明显优于其他合成公式，所以本文选择式(2)对汽轮机故障融合诊断。
2改进的D－S集成诊断模型2．1WNN网络故障诊断原理WNN是以小波基函数为神经元激励函数的前馈网络模型［6］，其基本策略是通过持续改变小波基的形状和尺度，调整网络的权值和阈值，使得误差平方和最小。
基于WNN网络的故障诊断方法是充分利用小波变换良好的局部化性质和神经网络的强大自学习能力，将故障样本空间映射到故障模式中，形成具有较强的逼近能力和模式识别能力的诊断网络。
2．2PNN网络故障诊断原理PNN是基于Parzen窗口法实现贝叶斯分类规则的一种神经网络模型［7－10］。
基于PNN的故障诊断方法实质上就是利用PNN网络模型的强大非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成应该具有较强容错能力和结构自适应能力的诊断网络系统。
2．3集成诊断策略据此，提出的基于WNN－PNN和改进型D－S的集成诊断策略，其结构图如图1所示。
由图1可知，从传感器获取振动信号，对振动信号进行特征提取以获取样本;将获取的样本归一化后分别输入到WNN和PNN网络，经WNN和PNN网络进行初步诊断分别得到WNN 的输出、PNN网络类别层输出概率的大小，两者经归一化后组成基本概率分配，进而形成证据;然后利用改进的D－S融合规则，计算出融合后的基本概率分配，经决策规则输出得到诊断结果。
2．4决策规则因为Bel(A)表示对A为真的信任水准，Pls(A)对A为非假的信任水准，所以信任区间［Bel(A)，Pls(A)］反映对A不确定性区间。
Bel(A)和Pls(A)确定后，信任区间［Bel(A)，Pls(A)］就确定。
即根据决策规则进行诊断。
采用最大信任规则为决策规则，即选择Bel(A)最大的假设作为决策结果。
3仿真分析3．1故障问题描述针对常见4种汽轮机组轴系振动故障：转子质量不平衡、转子不对中、油膜涡动和轴承松动，在转子振动试验台上进行模拟，对从试验台上获取的振动信号进行频域分析［19］，并提取振动信号的频域特征频谱中0．01f－0．39f、0．40f－0．49f、0．5f、0．51f－0．99f、1f、2f、3f－5f、odd*f、＞5f(f为转速工频)的9个不同频段上的幅值分量能量经归一化后作为特征量，进而建立各类故障的故障样本。
4类故障共提取88个故障样本，其中前80个样本作为训练样本，其余8个作为测试样本。
不平衡，转子不对中，油膜涡动、轴承松动4种类型的故障分别记为type1、type2、type3和type4，在集成诊断网络中分别用(1000)、(0100)、(0010)、(0001)表示。
3．2基本概率分配把不平衡、不对中、油膜涡动、轴承松动4种故障模式分别记为A1、A2、A3和A4。
必须对每个测试样本经WNN初步诊断结果进行归一化，将归一化后的值作为证据体的基本概率分配;对PNN网络而言，因为PNN类别层的输出是测试样本属于各故障模式的概率大小，故以类别层输出构建证据体的基本概率分配。
3．3诊断网络训练根据WNN网络的算法结构和故障样本特点，设定WNN输入层节点数设为9;输出层节点数设为4;根据隐含层节点数的经验公式并经过试验验证得知，当隐含层神经元个数取12时误差最小，收敛速度快，故取隐含层的网络节点数为12。
WNN网络中的学习率参数分别为0．4、0．1、0．001和0．001。
把训练样本输入到WNN网络进行训练，得到的误差曲线如图2所示。
由图2可知，WNN网络学习速度和收敛速度较快。
根据PNN网络的算法结构和故障样本特性，可确定PNN网络的输入层有9个神经元，模式层有80个神经元，类别层和决策层均为4个神经元。
把训练样本输入到PNN网络进行网络训练。
经试验反复验证，径向基扩展系数取0．4。
3．4诊断结果及分析把测试样本输入到训练好的网络进行诊断，WNN和PNN的诊断经归一化的结果分别如图3、图4所示。
把WNN和PNN归一化后的诊断结果作为证据，采用改进的D－S合成公式(式(2))进行融合诊断，诊断的结果如图5所示。
为了比较，文中做了以D－S合成规则为融合算法的融合结果，如图6所示。
由图3－图6可知，四种诊断方法均成功诊断出了所有的故障。
以测试样本3为例，WNN网络、PNN网络、改进的D－S集成诊断网络和D－S集成诊断网络诊断出的样本3的故障类型均是油膜涡动，与实际故障相符;且WNN诊断出属于不平衡的概率为0．1027、转子不对中的概率为0．1102、油涡动的概率为0．7847、轴承松动的概率0．0024;PNN诊断结果分别为0．0264、0．0789、0．8482、0．0465;经D－S集成诊断网络得到的结果分别为0．0109、0．0156、0．9250、0．0013;经改进的D－S集成诊断网络得到的结果分别为0．0134、0．0188、0．9663、0．0016，由此融合结果可知样本3是油膜涡动故障的支持率由原来的0．7847、0．8482提升到了0．9663，属于不平衡、不对中、轴承松动的支持率降低了;比较图5和图6可知，与D－S合成公式相比，改进的D－S对样本3属于油膜涡动故障的支持率更高、更为合理。
由图3－图6可知，集成诊断方法比单一的故障诊断方法诊断精度高，诊断结果更为合理;基于改进的D－S的集成诊断方法比基于D－S的集成方法的更接近期望输出，诊断精度更高。
4结论汽轮机组智能故障诊断。