针对烟气轮机振动信号的非线性、非平稳特性,提出了一种核函数主元分析(KPCA,Kernel Principal Component Analysis)和多层递阶(MLR,Multi-Level Recursive)预测模型相结合的烟气轮机非线性故障预测方法。首先,采用非线性数据模型KPCA...针对烟气轮机振动信号的非线性、非平稳特性,提出了一种核函数主元分析(KPCA,Kernel Principal Component Analysis)和多层递阶(MLR,Multi-Level Recursive)预测模型相结合的烟气轮机非线性故障预测方法。首先,采用非线性数据模型KPCA对烟气轮机运行状态进行故障检测;然后,采用非线性预测模型MLR分别对故障检测指标T2和SPE统计值进行趋势预测。仿真结果表明,KPCA完全适合于烟气轮机的故障检测,具有处理非线性、非平稳数据的能力,并且MLR模型预测精度较高。展开更多
文摘针对烟气轮机振动信号的非线性、非平稳特性,提出了一种核函数主元分析(KPCA,Kernel Principal Component Analysis)和多层递阶(MLR,Multi-Level Recursive)预测模型相结合的烟气轮机非线性故障预测方法。首先,采用非线性数据模型KPCA对烟气轮机运行状态进行故障检测;然后,采用非线性预测模型MLR分别对故障检测指标T2和SPE统计值进行趋势预测。仿真结果表明,KPCA完全适合于烟气轮机的故障检测,具有处理非线性、非平稳数据的能力,并且MLR模型预测精度较高。
