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，*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*大规格正交组，A+1表示A的第/+1列向量。
