随着机械设备的自动化、复杂化大大型化程度越来越高，机械的机构也越来越复杂，一个部件出现问题还会引起其他部件故障的发生。转子作为大型部件在运行的过程中故障率比较高，而且一旦发生故障，危害非常大，所以对转子运行故障进行分析和诊断非常重要。汽轮机转子故障诊断主要是利用相关数据对故障类型进行判断并明确故障原因，进而采取措施对故障进行处理。传统的转子诊断方法有经验积累法和信号处理法，但这2种诊断方法在故障表现相似的情况下不能准确的判断故障类别，并且诊断速度较慢。用BP神经网络建立模型对转子运行故障进行诊断，时间短，精度高，能快速有效的明确故障类型，为转子的检修提供了可靠的依据，也为转子的设计加工和安装提供了参考。

1　基于神经网络的汽轮机转子故障诊断模型

神经网络转子故障诊断模型，是通过专家经验及转子运行过程中的运行模拟，收集具有典型特征的信号，作为神经网络的输入，通过中间函数的运算，输出故障特征。中间函数的确定是通过将输入和输出量进行非线性逼进，将网络训练而获得。

神经网络是为模拟大脑的基本特性而提出的，神经网络对生物神经网络进行抽象、简化及模拟，通过处理神经元的相互作用来实现。神经网络的学习和识别由各神经元连接权系数的动态演化过程来决定。神经元是神经网络的基本处理单元，结构模型如图1所示，众多的神经元的不同的组合方式，形成了不同的神经网络。

  

图1　神经元结构模型

神经元输入、隐含层和输出之间的关系如式（1）所示：

 

式中：ui为神经元i的内部状态；θi为阀值；xj为输入信号；wij为与神经元xj连接的权值；si为某一外部输入的控制信号。

1.1　BP神经网络转子故障诊断模型

所有样本都输入网络后，产生的总误差为：

BP神经网络的结构如图2所示。

  

图2　BP网络结构

设神经网络共有m层，第l层的节点数为nl，第l层节点的输出为，可表示为：

2）继续提升藏族大学生对认知策略的使用。在听力练习的过程中，注重去把握文章或段落整体的意思，而不是把注意力放在一个一个的单词上，通过运用语言规则（例如文章中的连接词、引导词和顺序词等）来帮助理解，利用主题句、上下文以及常识和背景知识等对所听的内容做出合理的预测和推断，善于将现有的知识和新的信息联系起来，以助于对听力材料的彻底理解。

 

函数f（u）一般取Sigmoid函数，即

 

式中：Wk（l）为连接第l－1层节点和第l层节点的权向量，Y（0）=X。

给定输入、输出信号后，网络的权值会自动调整，使准则函数E（W）最小，其中E（W）为网络输出，且

高校所处外部政治经济环境不断变化，自身在不断发展中面临的风险和问题也在不断变化。而部分高校内控仅仅是流于形式的“一次性建设“，并没有根据高校内外部环境的变化进行改进和调整，内部控制措施和框架存在滞后性和不适应性。同时，高校内控缺乏长期规划性，缺乏相应的内控固化措施。

高职院校综合素质教育是一个系统性的工程，它要求我们要不断地进行理念的更新，适应时代的发展。在课程教学上，不仅要重视课程、课堂的活动或者言教，更要重视实践的身教和养成，在着力构建多样性、立体化素质教育体系上还需要下功夫去深入探索和实践。

由梯度下降法，通过求E（W）得梯度来修正权值，权值的修正量如下式

 

选用matlab中的‘tansig’，‘purelin’作为传递函数，‘trainlm’作为训练函数用采集的故障训练样本（表2）进行BP神经神经网络进行训练，得到的收敛曲线见图5。用训练好的神经网络对此电厂故障特征进行测试，输出向量为[1.053 3，0，0.078 0]由此可判断基于BP神经网络的故障诊断模型诊断结果为不平衡。

代入数值计算后可得，齿宽b=226.43 mm，模数mnt=9.15 mm，齿高h=20.59 mm。

 

对于其它层，

 

当第P个样本输入BP网络时候，产生的均方误差为：

（5）团队与沟通:有在多学科背景下的团队中承担多种不同角色的意识和能力；会撰写学科报告、能够清晰陈述自己观点，有效的和业界同行、社会公众沟通和交流。

 

BP神经网络由一个输入层，多个隐含层和一个输出层构成。输入层接受输入信息，并传递给隐含层，隐含层是内部信息处理层，负责信息的变换。隐含层将信息传递给输出层神经元，完成一次学习正向传播过程。当输出层的实际输出与期望输出不等时，就进入误差反向传播阶段，通过权值的不断调整（即神经网络训练的过程）减小误差，此过程一直进行直到输出误差减小到规定的范围停止。

 

用不同的教师信号，按照上述原理，对权值进行反复修正，使最后的输出接近目标输出。

第一，细化发展规划。各科室对标国内本专科前沿技术，拟订发展项目，医院组织专家结合该专科的实际情况进行论证，最终确定个性化的发展规划和实施步骤。

1.2　RBF神经网络转子故障诊断模型

1.根据动物饲养量、地域分布情况由村级组织合理聘用防疫员，原则上一村一名，必要时，乡镇兽医站根据工作需要可调剂使用。

RBF神经网络是一种前馈神经网络，由一个输入层，一个隐含层，一个输出层构成。从输入层到隐含层的变换是非线性的，从隐含层到输出层的变化是线性的。从一个神经元开始RBF每迭代一步就增加一个神经元，从而找出最恰当的输入增加RBNN的权值，每一步迭代都会计算出RBF神经学习输出与期望输出之间的误差平方和，当误差达到规定的范围训练即结束。

RBF的神经网络如图3所示。

康师傅控股有限公司执行长韦俊贤在采访中诚挚地说：“康师傅本身就是改革开放的成果，也是改革开放的见证者、亲历者和受益者。没有改革开放，就没有康师傅。”

以采集并提取的故障特征作为神经网络的输入，以不平衡、碰磨、不对中3种模式为网络的输出，来确定网络结构，并对神经网络进行训练。再用训练后的神经网络对测试样本进行检验。神经网络结构图如图4所示。

其形式为

图9 为在摩擦磨损过程中,水和油润滑条件下C/C试样表面的示意图.由于C/C复合材料是疏水亲油材料,其内部孔隙中水的体积分数较小,摩擦面间形成的水膜稀薄,在摩擦过程中只能起到一定的润滑作用,随着摩擦的进行,摩擦表面的水减少,剥落的磨屑开始积聚,因此水润滑条件下摩擦表面的磨屑呈堆积状.在油润滑条件下,C/C试样内部孔隙中渗入油的体积分数较大,形成的油膜铺展在试样表面,有效隔离了试样与对磨销的直接接触,降低了摩擦系数及磨损率;同时,油膜对磨屑起分散作用,因此C/C试样表面未形成完整的磨屑膜,只能看到碳纤维清晰的轮廓.

 

输入层实现从x→Ri（x）的非线性映射，输出层实现从Ri（x）→yk 的线性映射，即：

  

图3　RBF神经网络结构

 

2　汽轮机转子故障诊断

2.1　故障情况

某电厂汽轮机转子在运行过程中，出现异常振动，并且有愈演愈烈之势。用常规方法对汽轮机转子故障进行诊断，初步判断此故障类型为不平衡，现用基于神经网络的转子故障诊断模型对此汽轮机转子故障进行诊断，对常规的故障进行校验。采集此电厂转子在运行过程中的故障信号，并用小波包分析法对其能量分析并提取故障特征。此电厂故障特征如表1所示。

 

表1　故障特征

  

故障特征(0～0.93)f(0.93～1.87)f(1.87～2.33)f(2.33～3.76)f(3.76～7.5)f(7.5～15)f ＞15f 0.03090.05090.70100.19530.0216 0.0002 0

2.2　数据采集及特征值提取

汽轮机转子常见的故障有不平衡、不对中、松动、油膜振荡、碰磨等。以下只采集同类型机组同轴系且同工况下不平衡、不对中、碰摩3种典型汽轮机转子振动故障的样本，并运用小波包分析法对其进行能量分析并提取故障特征。

企业签约服务模式适用于后方陆域狭小和未建设船舶污染物接收设施的码头。因为多数码头在建设阶段，通常仅考虑港口生产、人员生活产生的污染物的接收和处置，没有考虑营运期船舶污染物的接收情况；老旧码头新建船舶污染物接收处置设施多数受场地制约。船舶污染物接收单位主要接收船舶残油、含油污水和船舶垃圾。企业签约服务模式是目前主流的模式，具有企业负担小的优点。如莆田的东吴和秀屿港区由莆田市海神船务有限公司负责含油污水的接收工作。

采集的汽轮机转子信号用小波包分析法进行分析后，选取频谱中（0～0.93）f、（0.93～1.87）f、（1.87～2.33）f、（2.33～3.76）f、（3.76～7.5）f、（7.5～15）f、＞15f 7个不同频段的频值作为故障样本数据。各故障在7个频段中的动态特性如表2所示。

2.3　故障诊断流程

隐函层的传递函数一般为高斯函数，

 

表2　故障特征训练样本

  

故障特征故障类型(0～0.93)f(0.93～1.87)f(1.87～2.33)f(2.33～3.76)f(3.76～7.5)f(7.5～15)f ＞15f不平衡 0.029 80.045 60.729 30.203 70.015 70.000 3 0不平衡 0.026 30.046 80.694 20.212 10.017 50.000 4 0不平衡 0.027 80.045 90.746 50.174 20.009 70.000 3 0碰磨 0.017 30.042 10.771 90.157 10.002 80.000 1 0碰磨 0.005 20.003 80.823 30.169 40.002 70.000 3 0碰磨 0.084 30.024 30.745 80.143 20.002 30.000 2 0不对中 0.009 60.307 70.017 90.633 80.033 20.001 50.000 5不对中 0.015 80.278 60.017 30.638 90.047 80.001 30.000 4不对中 0.011 30.313 20.016 40.622 30.041 40.001 40.000 4

  

图4　故障诊断结构模型

由图可知，神经网络输入层节点为7，输出层节点为3。假设故障类型和期望输出的对应关系如表3所示。

 

表3　故障类型和输出编码对应关系

  

故障类型 输出编码不平衡 1 0 0碰磨 0 1 0不对中 0 0 1

2.4　故障诊断结果

对于输出层，

利用函数newrbe创建RBF神经网络，并在创建的过程中会自动选择隐含层的数目，网络建立过程就是训练的过程，RBF的训练函数收敛曲线见图6。用训练好的网络对此电厂故障特征进行测试，输出向量为：[2.764 0，-0.193 1，-1.691 7]。由此可判断基于RBF神经网络的故障诊断模型诊断结果为不平衡。

  

图5　BP神经网络训练函数收敛曲线

  

图6　RBF神经网络训练函数收敛曲线

从BP神经网络和RBF神经网络训练函数收敛曲线来看，BP神经网络的训练函数能更容易的收敛，更适用于汽轮机转子故障的检测。从输出向量来看， BP神经网络和RBF神经网络均可判断此电厂转子的故障类型为不平衡。此电厂神经网络的期望输出是[1 0 0]，和期望输出相比，BP神经网络比RBF神经网络更好的判断故障类型分别为不平衡。RBF神经网络对此故障可勉强识别，输出代码存在较大误差。

2.5　结果分析

由以上诊断可知，诊断故障类别为不平衡，同常规诊断结果一致。对转子揭缸检查，发现低压缸转子末级别叶片发生损坏，通过检修发现是由于第6级汽封跌落引起的。通过分析，发现引起汽封跌落的原因是汽封结构不合理，以及运行时蒸汽的冲击。通过检修将汽封重新更换，同时更换叶片，检修后汽轮机恢复正常运转。

基于神经网络的故障诊断可准确的判断故障类型，其中BP神经网络比RBF神经网络更具优势。通过转子揭缸检查验证了基于神经网络故障诊断的正确性，为今后汽轮机转子故障诊断提供新方法.当转子故障初步显现但还未有明显异常的情况下，可用此方法初步诊断，快速判断故障类型，并制定相应措施，防止事故恶化。

在初中语文课堂中，正确运用多媒体辅助教学，有助于改变沿袭多年的“粉笔加黑板，教师一言堂”的传统模式，使课堂内容由静态的灌输变为图文声像并茂的动态传播，有利于丰富课堂信息含量，拓展学生知识面，从而大大激发学生学习的热情，提高课堂教学效率，促进学生素质的全面发展。然而，使用多媒体辅助语文教学还存在许多认识上的误区，如“唯多媒体”的思想、忽视教师的引导作用和师生的互动与交流、课件展示代替课堂教学的板书等，这些问题影响了多媒体综合效能的发挥和教学质量的提高。

3　结论

利用神经网络建立模型对转子故障进行诊断，可以快速准确的诊断出故障类别，解决了传统方法费时费力的问题。在基于神经网络的汽轮机转子故障诊断方面，BP神经网络比RBF神经网络更具有优势，诊断更为精准。用BP神经网络建立模型，对火力发电厂汽轮机转子运行故障进行预先诊断，可以明确故障原因，进而制定合理的解决方案，为防止故障扩大保障机组安全运转提供保障，为转子检修和设计安装提供参考。

参考文献：

[1] 肖增弘，华兴鲁，李子超.汽轮机转子运行故障分析及诊断研究[J].机械设计与制造，2014（5）：233-236.

[2] 魏 伟.大型旋转机械典型振动故障的诊断[J].沈阳化工，2000，29（4）∶215-218.

[3] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.

[4] 郭丽娜.基于BP神经网络和RBF神经网络的发动机故障诊断分析[D].内蒙古：内蒙古工业大学，2014.

[5] 喻宗泉，喻 晗.神经网络控制[M].西安：西安电子科技大学出版社，2009.

[6] 周志华，曹存根.神经网络及其应用[M].北京：清华大学出版社，2004.