[发明专利]大型汽轮发电机组低频振动预测优化方法

权利要求书

1.一种大型汽轮发电机组低频振动预测优化方法，其特征在于，所述方法具体包括以下步骤：

步骤1：采用高速振动数据采集卡实时采集汽轮发电机组转子一侧支持轴承的轴相对振动数据、转子的转速信号和键相信号；

步骤2：利用FFT频谱分析方法对当前时刻支持轴承的轴相对振动数据进行频谱分析，得到从低频到高频的不同振动频率所对应的振动幅值数据序列；

步骤3：从步骤2得到的振动幅值数据序列中，截取当前时刻所有小于机组工作转速对应频率的低频频率，并计算所有低频频率对应的振动幅值之和A；存储低频振动幅值A，每隔Δ_s秒存储一次；

步骤4：判断低频振动幅值存储时间是否大于预设时间段长度P_MN，如果大于预设时间段长度，那么记录当前时刻T_N前的低频振动幅值数据A，进入步骤5；否则，继续存储数据；

步骤5：按照数据存储时间先后顺序排序，不同时刻下低频振动幅值数据以下标i表示数据存储时间先后顺序，i=1,2,3,…,m；从T_N时刻向前截取至T_M时刻的低频振动幅值数据A，将T_M时刻至T_N时刻的低频振动幅值数据表示为A_i(i=1,2,3,…,m)；|T_N-T_M|=p_MN，p_MN为预设时间段长度，

步骤6：根据低频振动幅值数据A_i(i=1,2,3,…,m)，建立ANFIS预测学习训练数列进行训练，得到模糊推理系统FIS的最优规则组R_s；

步骤7：根据任意当前时刻低频振幅数据及其前的低频振动幅值数据，其下标序列为[s₁ s₂ … s_j-1 s_j]，具体包括…、利用规则组R_s，进行基于ANFIS方法的模糊推理计算，可以预测计算得到(p+k-s_j)×Δ_s秒后的低频振动幅值数据

Ak+pN.]]>

2.根据权利要求1所述的方法，其特征在于，所述根据低频振动幅值数据A_i(i=1,2,3,…,m)，建立ANFIS预测学习训练数列进行训练，得到模糊推理系统FIS的最优规则组R_s的过程为：

步骤a：设定初始ANFIS预测学习训练数列的输入项项数为k，预测步长为p；根据低频振动幅值数据A_i(i=1,2,3,…,m)，建立r×(k+1)阶的初始ANFIS预测学习训练数列如下；

A1A2···Ak-1AkAk+pA2A3···AkAk+1Ak+p+1··················Ar-1Ar···Ak+r-2Ak+r-2Am-1ArAr+1···Ak+r-1Ak+r-1Am]]>

其中，r=m-k-p+1；首行的下标序列为[1 2 … k-1 k k+p]；

步骤b：从初始ANFIS预测学习训练数列的前k列中任取j列为训练学习输入项,并取最后一列为训练学习输出项，构成一个子ANFIS预测学习训练数列；因此从前k列中任取j列的所有组合的个数为组合数C(k,j)，共有C(k,j)个子ANFIS预测学习训练数列；其中，k>j；

步骤c：设定ANFIS的训练学习计算参数包括：设定训练次数和每个输入项隶属函数和隶属函数的个数；利用上述C(k,j)个子ANFIS预测学习训练数列，进行自适应神经模糊推理系统ANFIS学习训练计算得到：

1)C(k,j)个模糊推理系统FIS规则组R_l(l=1,2,3,…,C(k,j))；

2）C(k,j)个学习训练误差ε_l(l=1,2,3,…,C(k,j)),规则组R_l与学习训练误差ε_l形成一一对应的关系；

步骤d：比较上述计算中学习训练误差ε_l(l=1,2,3,…,C(k,j))大小，其中最小的训练误差所对应的FIS规则组R_s作为最优规则组。