下载文档原格式
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。
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。
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。
发电厂汽轮机故障诊断研究与实例摘要:机械故障诊断理论和技术的研究已日趋深入,汽轮机组是电厂的重要设备由于汽轮机组结构和系统的复杂性、运行环境的特殊性,汽轮机组的故障率较高,而且故障的危害性也很大。
因此,汽轮机组的诊断一直是故障诊断技术应用的一个重要方面。
根据相关的数据和信息对汽轮机故障定性,进而对其产生的原因或机理做出判断,并确定解决措施和实施处理方案尤为重要。
在现场设备管理工作中,机组故障则经常是指机组振动过大,零部件过早过量磨损等情况。
因最后本文对现场处理的一起汽轮机故障实例进行了论述。
关键词:汽轮机故障诊断故障处理实例随着科学技术的迅猛发展,现代工业生产的机械设备正朝着大型化、复杂化、高速化、自动化及大功率方向发展。
设备的生产效率越来越高,机械结构也日趋复杂,设备中不同部分之间的相互联系、耦合也更加紧密,一个部件出现故障,将引起整个生产流程中断。
现代化的生产设备虽然大幅度地提高了劳动生产率,节省了人力和物力,但同时也大幅度地增加了设备的维修费用,设备故障单位时间造成的损失也成倍地增加。
汽轮机的状态监测与故障诊断技术对电厂的作用和意义,主要可以归结为如下几个方面:(1)及时掌握设备运行状态异常或故障的早期征兆,以便采取相应的措施,将故障消灭在萌芽状态,避免或减少重大事故的发生。
(2)一旦发生故障,能自动记录下故障过程的完整数据和信息,以便事后进行故障原因分析,缩短维修时间和费用,提高设备利用率,避免再次发生同类事故。
(3)通过对设备状态异常的原因和性质进行分析,采取适当措施,对设备状态实行在线调整,延长运行周期,为生产和维修决策提供科学依据。
(4)通过监测得到的大量机器状态数据,可以更充分地了解机器的性能,为改进设备设计、制造水平及产品质量提供有力的依据。
(5)随时掌握设备运行状态的变化情况、各部分性能的劣化程度和机械性能发展趋势,对设备状态变化情况做到心中有数,提高设备管理现代化水平。
1 汽轮机组故障诊断技术的研究现状(1)信号采集与信号分析。
浅谈汽轮机通流部分故障诊断方法摘要：本文提出运用一种基于监测参数变化函数方式，对故障进行智能化诊断的办法。
供业内人士参考。
关键词：汽轮机；通流部分；故障诊断；故障分析；主元分析；聚合分析；智能诊断目前我国从事汽轮机故障诊断技术研究与开发的机构、企业单位、高校越来越多。
国内各高校和科研机构纷纷开展课程和实验室，相关的企业也加大资金，人力物力等投入，开展研究。
在理论和实践中都获得很好的成果。
在政府层面，国家安排大量资金，提升企业技术改造和升级。
尤其是从“七五”、“八五”计划期间起，专项安排的汽轮机故障诊断攻关项目，鼓励国内高校，科研机构和企业积极参与汽轮机故障诊断系统的研究与开发，获得了很多重要的成果。
1 汽轮机通流部分故障诊断技术的发展1.1 概念汽轮机通流部分（Flow Passage of Steam Turbine）是指汽轮机本体中做功汽流的通道，主要由进汽组件、各级通流部分叶栅及排汽缸三大机构组成。
由于汽轮机通流部分长期处于高温、高压等恶劣环境，很容易发生故障，尤其是阀门类部位。
因此这些部位一旦发生故障，对汽轮机组的安全运行危害巨大，后果十分严重。
汽轮机通流部分故障诊断方法一直以来是专家和学者研究的重要课题。
当前汽轮机组趋向于大容量、高参数方向发展，其研究方面趋向于安全、动态、实时。
1.2 汽轮机通流部分故障诊断办法当前最为流行的做法是利用传感器技术，通过对汽轮机的震动强度、热力值、振动频率等信号进行采集和分析。
利用传感器可以在高温条件下运行。
因此要提高诊断故障识别精准度，以减少误诊率和漏诊率。
另外是如何对各种传感器数据进行信息整合分析，评判。
例如，利用汽轮机转子振动的频率，频谱等信息，进行分析处理等。
2 汽轮机通流部分故障产生的原因和故障诊断办法2.1 汽轮机通流部分故障产生的原因很多时候汽轮机通流部分故障 ( 损坏 ) 主要由断叶片和汽缸与转子之间的磨擦引起。
由于叶片损坏的因素太多，涉及范围广，涉及内容十分广泛，其他常见的通流故障，大概有如下几类 :1）主汽门，调门故障，出现气门，调门松动，变形等；2）喷嘴故障，涉及喷嘴的设计，制造，安装工艺以及后续的运行维护等；3）汽封故障；4）发生物理和化学故障 : 结垢，变形，汽蚀等。
汽轮机智能故障诊断与维护决策系统研究摘要：电力已经在人们生活工作中得到广泛的应用，电力是人们生活中不可缺少的重要能源。
当前，电厂生产过程中，离不开汽轮机的运行，只有全面保证设备的稳定运行，才能确保供电效果与质量，更好地服务经济社会发展。
电厂在运行过程中，需要对汽轮机运行状况做好管控，及时发现日常运行存在的问题，做好修复与维护，使汽轮机设备更加符合运行的基本需求。
电厂运行需要各种设备的协调配合，汽轮机是火电厂的核心设备，如果出现问题，就会影响到质量。
本文主要分析汽轮机智能故障诊断与维护决策系统。
关键词：汽轮机；热工控制；系统故障引言汽轮机是一种将热能转化为机械能的设备。
汽轮机也称蒸汽透平发动机，是一种旋转式蒸汽动力装置，高温高压蒸汽穿过固定喷嘴成为加速的气流后喷射到叶片上，使装有叶片排的转子旋转，同时对外做功。
汽轮机是现代火力发电厂的主要设备，也用于冶金工业、化学工业、舰船动力装置中。
1、热工控制相关内容工业控制技术是机械正常运行的重要参考标准，如燃油蒸汽控制系统、蒸汽控制系统等。
其次，旋转控制、遥控直线控制和相关控制等制动装置旋转，启动和停止控制系统。
三是保证锅炉安全系统、正常制动系统、保护系统正常使用和应急保护系统安全。
四是汽轮机deh和meh等特殊控制系统。
这种缺陷是一个系统问题。
在实际操作中，根据测试的不同问题，我们会总结出容易发生的各种系统故障，并对经常发生故障的部件进行详细检查。
从每个控制系统的传感器故障检测和诊断传感器中获取的数据有助于识别此问题。
2、机组检修及停备时的故障分析处理2.1传感器故障情况热控系统是一个具有许多传感器的系统，具有许多传感器，可以使用传感器将这些传感器发送到监测终端。
如果这一过程存在缺陷，监测系统的稳定运行就无法保证，并对设备的安全运行构成威胁。
热控系统传感器包括输入电压、输出电压、输出电流、温度控制等。
传感器故障的原因与许多因素密切相关，如传感器老化、传感器损坏、系统性能差等。
燃气轮机智能故障诊断系统摘要：随着工业自动化技术的快速发展，燃气轮机作为能源系统的关键设备，其高效可靠运行成为行业追求的目标。
本研究围绕燃气轮机智能故障诊断系统进行，旨在提升燃气轮机故障诊断的效率和准确性。
研究采用了先进的数据处理技术和智能算法，包括数据融合、机器学习以及预测模型，以实现对燃气轮机的实时监控和故障预测。
系统在提高运维效率、降低维护成本以及增强设备可用性方面表现卓越。
研究结果显示，该系统能有效提前预测故障，减少非计划性维护，为能源行业提供了一种高效的运维解决方案。
关键词：燃气轮机，智能故障诊断，数据处理技术1.引言随着工业自动化和智能化的迅猛发展，燃气轮机作为重要的能源转换设备，在能源产业中扮演着至关重要的角色。
燃气轮机的高效与可靠性直接关系到整个能源系统的稳定运行与经济效益[1]。
因此，确保燃气轮机的连续运行和减少故障停机时间成为了行业追求的重要目标。
在这一背景下，智能故障诊断系统的出现为提高燃气轮机的运行可靠性提供了新的解决方案。
通过集成先进的数据处理技术和算法，这一系统能够实时监控燃气轮机的运行状态，及时发现并预测潜在的故障，从而极大地提高了故障处理的效率和准确性。
2．燃气轮机智能故障诊断系统概述2.1. 系统的基本架构燃气轮机智能故障诊断系统的基本架构是一个集成化的框架，旨在提高燃气轮机运行的可靠性和效率。
如图1所示，该系统采用分层设计思想，底层以燃气轮机为核心，通过传感器阵列实现对机组运行状态的全面监测。
这些传感器收集的数据通过控制区域网络（CAN总线）传输至数字信号处理器（DSP），实现数据的初步分析与处理[2]。
DSP作为系统的数据处理中心，对来自机组的原始信号进行快速傅立叶变换等算法处理，以提取故障特征信息。
在架构的中层，各类智能诊断模块通过CAN总线与DSP相连，这些模块包括数据融合、故障模式识别、健康状态评估以及维护决策支持等功能，它们共同构成了系统智能的核心[3]。
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。
