1、隨著汽輪發(fā)電機組容量的不斷增大和設(shè)備自動化程度的不斷提高，為保障汽輪發(fā)電機組在高速、滿載、連續(xù)狀態(tài)下可靠運轉(zhuǎn)，對在線故障監(jiān)測與診斷技術(shù)提出了更高的要求。Hilbert-Huang變換和神經(jīng)網(wǎng)絡(luò)集成技術(shù)為解決日益復雜條件下的汽輪機故障診斷問題提供了有效的方法和途徑。
　　 本文圍繞Hilbert-Huang變換和神經(jīng)網(wǎng)絡(luò)集成學習的幾個關(guān)鍵技術(shù)問題，展開了以下研究：
　　 (1)對基于Hilbert-Huang變換的故障診斷

2、進行了研究和應用。針對傳統(tǒng)汽輪機故障診斷方法的局限性，提出以EMD自適應分頻方法結(jié)合頻譜分析研究汽輪機振動信號的特性，并且恨據(jù)IMF分量的物理意義明確振動信號的組成成分，最后通過繪制時間-頻率圖得到故障的特征頻率，根據(jù)故障特征頻率即可診斷出汽輪機出現(xiàn)的故障類型。
　　 (2)將基于核方法的特征提取技術(shù)應用于汽輪機故障診斷中。詳細介紹了核方法的基本原理，說明為了進一步提高汽輪機故障診斷的正確率，核特征提取技術(shù)是十分有效和必要的。根

3、據(jù)汽輪機故障數(shù)據(jù)的特點，重點介紹了核主元分析和核獨立分量分析兩種有效的非線性特征提取方法，并將其和實際問題結(jié)合起來。
　　 (3)提出了一種基于核主元分析和模糊核聚類集成的汽輪機故障診斷方法。該方法首先采用核主元分析對汽輪機故障數(shù)據(jù)進行特征提取，可降低數(shù)據(jù)維數(shù)，提高神經(jīng)網(wǎng)絡(luò)學習的效率和精確度，然后采用模糊核聚類算法對相互獨立訓練出的神經(jīng)網(wǎng)絡(luò)個體進行分類，最后取平均泛化誤差最小的神經(jīng)網(wǎng)絡(luò)個體作為這一類的代表進行集成。與其他方法相比

4、，該方法具有更高的精確度和穩(wěn)定性。
　　 (4)提出了一種基于核獨立分量分析和動態(tài)選擇性神經(jīng)網(wǎng)絡(luò)集成的汽輪機故障診斷方法。該方法首先利用核獨立分量分析方法，消除了數(shù)據(jù)的高階相關(guān)性，去除了冗余特征，因此得到的分類器具有很強的泛化能力。然后采用動態(tài)選擇性集成方法，根據(jù)不同的測試樣本，隨時利用所有訓練好的神經(jīng)網(wǎng)絡(luò)，從中動態(tài)性地選擇適合于該樣本的神經(jīng)網(wǎng)絡(luò)集成，體現(xiàn)了“具體問題具體分析”的思想。
　　 (5)提出了一種基于優(yōu)化神經(jīng)