随着我国经济建设和核能利用技术的快速发展，开发性能更可靠、广州发电机租赁单机容量更大的核电汽轮发电机是迎合这一发展的主要研究方向。

另一方面，近年来，国内外大型汽轮广州发电机租赁在运行中经常发生事故。这些事故的主要原因之一是缺乏合理有效的方法来分析这些发电设备的动力特性和状态监测。例如，常规的分析和监测方法大多是基于稳定随机振动信号分析，这显然是不够的，因为大型汽轮发电机组在运行过程中，其转速是波动的，尤其是在事故中。因此，必须采用非稳定随机振动信号分析的方法来研究核电百万千瓦汽轮发电机的动力特性，为我国这类汽轮广州发电机租赁的发展奠定基础。

广州发电机租赁单层前向神经网络用于核电百万千瓦级汽轮发电机的故障诊断。

到目前为止，还没有统一完善的分析方法，如有时变AR模型、Wigner-Ville分布、基于分段准则的分段平衡处理和人工神经网络等。本文作者利用KL分解正交分解非稳定随机振动信号，使非稳定随机信号在原有低维空间中不可分割的时变信号在高维正交空间中得到有效分解，然后将分解后的高维正交空间信号作为单层前向神经网络的输入模式。最后，通过在单层前向网络中使用递归联想进行一次递归联想学习，克服了常规单层前向网络只是线性可分割，在学习过程中需要重复提交一系列要记忆的输入模式来调整权值的不足。分类速度也加快了。

本文采集了各种状态下的千瓦核电汽轮发电机组轴系模拟试验台上，本文号输入C语言编写的改进单层前向神经网络计算机程序进行分类，结果表明，本文提出的方法非常有效。

1改进的单层前向神经网络基于上述，在此，对非稳定随机振动信号进行K-L分解。

L分解的基本思想是对于一个不稳定的随机振动信号x(()，采样后的样品向量为x(k)，k=1k，并记住它的相关函数为Rx(h，k2)，其中k，k2在1-k中取值。将x(k)正交分解为m11，然后由输出层输出。在以下计算中，为一个阈值取为零。

对于一个稳定的随机振动系统，我们可以采集其非稳定的随机振动信号，并将特征值从K一L分解到m空间，从而建立一个改进的单层前向神经网络的输入输出模式。对于可以使用联想矩阵Y，我们可以将输入广联想到输出，也就是说，公式(6)等于分解。分解方法有很多。本文采用QR满秩分解法:上R为上三角矩阵，Q为正交矩阵。通过GranrSchmidt的正交化方法，可以推出R,Q的计算式，它们分别是：0的第is列向量(=1(1)m)，它们是A列空间的最大正交组，A+1表示A的第/+1列向量。

2例是为研究核电百万千瓦汽轮广州发电机租赁动力特性而开发的多功能轴系模拟试验台(已申请国家专利并受理)。试验台具有以下特点:可进行摩擦、不对中、扬度曲线变化、支撑松动等多种故障试验；支撑形式可以是简支、半简支、固定；水平支撑刚度和垂直支撑刚度可以在一定范围内无级调整和组合；YA通过输入模式从神经网络获得网络输出。为了建立在试验系统中，拾振米采用丹麦生产的bk4366型加速立联想矩阵，只需将其作为以下运算度传感器C固定在发电机励端支座上，X信号放大采用=XA+'(8)BK2635型电荷放大器，数据采集与分析采用CRAS软式(、中A逆要田广义逆来表示由于甘一般件和作者用C语言编写的改进单层前向神经网表1改进单层前向神经网络分类结果工况输入样本期望输出实际输出正常XC1)表2分类时迭代次数比较运行工况迭代次数常规单层前向神经网络改进单层前向神经网络正常51202959碰摩617378不对中68503921扬度曲线变化6323802松动70404095网络故障诊断软件。

在试验系统中，转子系统是三轴六转盘六支撑系统，模拟核电百万千瓦汽轮二手发电机组中励磁机、发电机和汽轮机(低压)三个转子系统。当系统升速时，模拟正常、碰摩、不对中、扬度曲线变化和支撑(螺栓)松动等5种工况，在相同的时间历程(试验中取10s)和相同的初、末转速(试验中取500rpm至3000rpm)下，重复测量转子系统在各种工况下的不稳定随机振动信号，离散后取6个样本，每个样本向量取80个分量，然后由所示改进的单层前向神经网络学习分类。如表1所示，正常工况样本的期望输出为1，故障工况样本的期望输出为零。从表1可以看出，正常工况下神经网络的实际输出接近1，而各种故障工况的输出接近零。因此，本文提出的改进单层前向神经网络对非稳定运行状态具有非常有效的分类功能。