随着我国经济建设和核能利用技术的快速发展，十分需要研制性能更可靠、单机容量更大的核电汽轮发电机是迎合这种发展的主要研究方向。
另一方面，近年来，国内外大型汽轮发电机在运行时，常有事故发生，发生这些事故的主要原因之一是对这些发电设备的动力特性分析和状态监测缺乏合理和有效的方法，譬如，常规的分析和监测方法大多建立在平稳随机振动信号分析的基础上，这显然是不够的，因为大型汽轮发电机组在运行时，其转速是波动的，尤其是所发生的事故中，不少是在机组的升速与降速阶段，因此，必须要采用非平稳随机振动信号分析的方法来研究核电百万千瓦级汽轮发电机的动力特性，为我国研制这类汽轮发电机奠定基础。
对于非平稳随机振动信号，到目前为止，尚未有统一、完善的分析方法，比较常用的有时变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等。本文作者利用KL分解将非平稳随机振动信号进行正交分解，这样，使非平稳随机信号在原低维空间中非线性不可分的时变信号在高维正交空间中得到有效的分解，再以此分解后的高维正交空间的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采用递归联想进行一次递交联想学习，因而克服了常规的单层前向网络仅是线性可分及学习过程中需重复提交一系列要记忆的输入模式来调整权值之不足。亦加快了分类速度。
在独特的、自行设计的核电百万千瓦级汽轮发电机组轴系模拟试验台上，本文采集了多种状态下的非平稳随机振动信号并应用上述方法将这些信号输入由C语言编写的“改进的单层前向神经网络”计算机程序中进行分类，结果表明，本文提出的方法是十分有效的。
1改进的单层前向神经网络基于上述，这里，先对非平稳随机振动信号进行K―L分解。
L分解的基本思想是对一个非平稳随机振动信号x（（），经采样得离散的样本向量，其分量为x（k），k=1一K且记它的相关函数为Rx（h，k2），其中k，k2在1-K中取值。将x（k）进行正交分解得：m一1并使后，由输出层输出。为一阈值，在以下计算中取为零。
针对一个平稳随机振动系统，我们采集其非平稳随机振动信号，并由K一L分解特征值，将特征值作变换到m空间，即可建立起改进的单层前向神经网络的输入、输出模式对可用一个联想矩阵Y将输入广联想到输出弘亦即：则式（6）等价于分解。分解的方法有多种，本文采用QR满秩分解法：上R为上三角矩阵Q为正交矩阵。采用GranrSchmidt正交化方法可推出R、Q的计算式，它们分别为：是0的第is列向量（=1（1）m）它们就是A列空间的最大规格正交组，A+1表示A的第/+1列向量。
2实例是为研究核电百万千瓦级汽轮发电机动力特性而研制的多功能轴系模拟试验台（己申请了国家专利并获受理），该试验台有如下特点：可进行碰摩、不对中，扬度曲线变化和支承松动等多种故障试验；支承形式可简支、半简支和固定等多种形式；水平支承刚度和垂直支承刚度可在一定范围内无级调整与组合；YA向神经网络通过输入模式来获得网络的输出。而要建在试验系统中，拾振米用丹麦产bk4366型加速立联想矩阵只需作如下运算度传感器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的逆要田广义逆来表示因为甘一般件和作者用C语言编写的“改进的单层前向神经网表1改进的单层前向神经网络之分类结果工况输入样本期望输出实际输出正常XC1）表2分类时迭代次数的比较运行工况迭代次数常规的单层前向神经网络改进的单层前向神经网络正常51202959碰摩61763778不对中68503921扬度曲线变化63223802松动70404095络”故障诊断软件。
试验系统中，转子系统为三轴六转盘六支承系统，其模拟核电百万千瓦级汽轮发电机组中的励磁机、发电机和汽轮机（低压级）三根转子之系统。在系统升速时，模拟正常、碰摩、不对中、扬度曲线变化和支承（螺栓）松动等5种工况在同样的时间历程（试验中取10s）及相同的初、末转速下（试验中由500rpm至3000rpm）重复测得转子系统在各种工况下时的非平稳随机振动信号，经离散后对各种工况都取6个样本每个样本向量中都取80个分量，然后由所示的改进的单层前向神经网络进行学习、分类。所有的结果如表1所示，这里，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。由表1可见，在正常工况下神经网络实际输出接近1，而各种故障工况的输出接近于零，所以本文提出的“改进的单层前向神经网络”对非平稳运行状态有十分有效的分类功能。
表2中，将常规的单层前向神经网络和本文的改进单层前向神经网络分类时的次数进行比较，后者比前者在分类时的迭代次数显著减少。
3结论本文根据核电百万千瓦级汽轮发电机转子系统而设计了多功能轴系模拟试验台，在该试验台上模拟碰摩、不对中、扬度曲线变化和松动等多种故障工况，并由在故障工况下采集了非平稳随机振动信号作为输入参数输入本文的“改进的单层前向神经网络”进行识别，这样既保留了单层前向网络不会陷入局部最小点的优点，又有效地提高了常规的单层前向网络的学习效率，大大减少了分类时的迭代次数。转子系统的试验和分析、计算结果表明本文“改进的单层前向神经网络”之实用性是令人满意的。