轴流转桨式水轮机空化声信号特征研究

影响水轮机使用寿命与性能的一个主要问题是空化空蚀现象,通过声信号检测空化是空化空蚀研究的重要领域,其中主要的难题是确定不同空化程度时声信号的特征。在轴流转桨式水轮机模型空化试验中,用宽频传感器测试不同空化程度下的声信号,分析声信号的频谱特征随空化发展的变化规律,结果表明,随着空化的发展,声信号频谱变化明显,且各个不同频段的变化率不同,揭示了通过声信号各频段的相对幅度来确定空化发展的严重程度的可能性。     

轴流转桨式水轮机导叶及桨叶的力特性研究

为了正确确定轴流转桨式水轮机的接力器容量,必须掌握导叶和桨叶在各种工况下的力特性资料.通过CFD计算对某轴流转桨式水轮机进行数值分析,得到了导叶和桨叶水力学特性.通过与模型试验结果和经验公式的对比发现,CFD计算结果是可信的,可以为轴流转桨式水轮机的真机设计提供参考.     

轴流转桨式水轮机空化振动监测的试验研究

为满足电厂水轮机空化监测的需要,本文采用自行设计的空化监测系统对葛洲坝电厂某轴流转桨式水轮机组的现场空化特性进行了试验,通过数据采集和信号分析对多个工况下的水轮机空化信号特征进行了研究。试验中采用4个1-20kHz的高频振动加速度传感器,对水轮机四个不同位置的空化信号进行同时采集。试验表明在同一工作水头,多个工况下,水轮机的空化振动能量主要在2kHz以上,空化振动强度随着机组出力的增加而增大,在水轮机导叶轴和支持盖上所监测到的空化信号特征较尾水管处明显;同时也发现在该试验水头下115MW出力的空化振动能量较110MW和130MW小,是一个理想的工作点。这些结论对电厂的水轮机经济运行具有实际指导意义。     

纪村水电站机组效率试验与效率在线监测系统建立

纪村水电站水轮机组是运行超过30 a的轴流转桨式机组,为提高机组性能,对2台机组进行绝对效率试验。文中重点介绍了效率试验的方法和成果,求解了轴流转桨式水轮机导叶开度与桨叶转角的最优协联关系,以提高机组运行效益。采用多声路超声波流量计建立了机组效率在线监测系统,以加强机组实时状态监视,充分挖掘旧机组潜力,为指导水电厂经济优化运行提供了可靠的技术资料。     

迪什林水电站转轮动应力测试及裂纹原因分析

开展水轮机转轮动应力现场测试是叶片裂纹原因分析的重要手段之一。由于轴流转桨式水轮机转轮结构复杂,开展转轮叶片动应力现场测试的难度也相对较大。本文针对Tishrin水电站轴流转桨式水轮机转轮叶片裂纹问题,对其2号机进行了全面的转轮动应力和机组稳定性试验研究,介绍了Tishrin水电站轴流转桨式水轮机转轮动应力现场试验的试验方法及有关试验结果,对转轮叶片产生裂纹的原因进行了分析探讨。本文是国内外首次成功开展大型轴流转桨式水轮机转轮叶片动应力测试,具有一定的科研和应用价值。     

轴流转桨式水轮机桨叶卡阻原因分析和故障处理

2006年8月,长湖发电公司1号机转轮桨叶发生卡阻故障,经现场转轮动作试验,并结合机组检修,分析查找轴流转桨式水轮机转轮桨叶卡阻的原因,制定相关处理方法,最终解决卡阻故障。     

水电站桨叶λ型密封漏油原因分析及处理

水轮机桨叶λ型密封漏油是轴流转桨式机型较普遍的问题,通过对石塘水电站转轮桨叶λ型密封圈漏油原因的分析与处理,拓展了转轮λ型密封检修的新思路.     

轴流式水轮机桨叶边缘汽蚀破坏的现场修复方法

轴流转桨式水轮机的间隙汽蚀破坏严重威胁着机组安全经济运行。介绍了一种在不吊出转轮的情况下 ,对受损坏的桨叶边缘进行现场修复的方法     

提高轴流转桨式水轮机调速器水头可靠性运行策略

对于轴流转桨式水轮机,调速器运行水头品质的好坏直接关系到机组运行稳定性。轴流转桨式水轮机调速器运行水头多采用净水头参与控制,但轴流转桨式水轮机的调节特性使得净水头极易发生波动。为确保水电站安全稳定运行,对轴流转桨式水轮机调速器运行水头可靠性进行了分析,提出了一种毛水头参与调速器协联控制的可行性策略,以期为同行业提供参考。     

轴流式水轮机不同空化状态下声信号的频谱特征

分析了轴流式水轮机模型转轮空化试验的数据。首先确定了用可视观测来评判空化严重程度,在此基础上重点分析了超声传感器测量到的宽频信号,找出了不同工况下,空化发展变化时声信号频谱变化的规律。     

基于HHT的水轮机空化信号研究

水轮机是水力发电机组中的关键设备,空化又是水轮机组运行过程中影响其稳定性和效率的因素之一。由于水轮机结构和运行的特殊性,空化不易被直接观测,采用水轮机空化声信号监测是研究空化的有效途径。传统的傅里叶变换和目前常用的小波变换对于窄带低频信号的分析效果明显,但两种方法很难涵盖水轮机空化宽带高频信号。本文正是在此情况下,提出了一种新的空化信号分析方法,Hilbert-Huang变换(HHT)。该方法对信号具有自适应功能,经验模态分解分解能提取具有明确物理意义的水轮机空化模式分量信号。通过对同一空化信号分别进行小波和HHT分析比较,发现HHT方法更具计算准确、精度高等优点。将基于Hilbert-Huang变换方法引入到水轮发电机组空化信号特征提取中,对水轮发电机组故障诊断系统的准确度将是一个有效的提升。     

基于小波包频带分析技术的水轮机空化特性研究

在详细分析水轮机空化信号特点的基础上,总结了适合于空化信号分析的小波基函数应具有的特点;为避免信号小波包分解的盲目性,文中采用了区间小波包分解方式,即有针对性地对空化信号进行深层次分解.结合水轮机模型空化状态观测结果,对相应状态下监测的空化超声波信号进行小波包时频分布特性和频带能量分布特性分析,得出了水轮机空化超声波时域信号幅值调制特性和频域能量分布随空化系数变化的关系,验证了小波包频带分析技术对水轮机空化信号分析的有效性.     

水轮机空化声发射信号的联合降噪与特征提取北大核心CSCD

探究水轮机空化诱导的声发射信号随空化状态的变化规律对监测空化具有重要意义。为解决声发射信号携带噪声和特征提取困难的问题,本文建立一种基于自适应迭代滤波分解-奇异谱分析联合降噪和固有时间尺度分解结合特征参数的特征提取方法。首先,采用自适应迭代滤波分解结合相关系数对声发射信号初步降噪,滤除明显噪声分量,重构剩余分量并通过奇异谱分析进一步降噪,将所得信号与趋势分量相加,完成整个降噪过程。然后,对降噪后信号进行固有时间尺度分解,筛选出有效分量,计算其绝对能量和相对能量熵。最后,分析它们随空化系数变化的规律。研究结果表明,绝对能量和相对能量熵随空化系数的变化具有明显的规律性,均能反映水轮机空化的发展状况。     

基于改进EEMD及能量特征的战场目标识别方法

针对战场声目标探测系统对目标识别及分类问题,提出了一种基于频率截止EEMD(cut-off frequency-EEMD,CFEEMD)的能量特征分析(energy feature analysis,EFA)方法。选取信号自身的最小有效频率作为EEMD筛分的终止条件,对EEMD方法进行改进,实现目标声信号的快速分解,获得准确的IMF分量;通过计算各阶IMF能量,得到目标信号的总体能量向量,进而分析典型目标声信号各阶IMF分量的能量分布情况;定义目标声信号高低频段能量差特征参数,用于战场声目标的特征识别与分类。半实物仿真试验结果证明了CF-EEMD与EFA相结合的目标声信号识别方法的可行性和实用性,适用于战场声目标识别及分类。     

水轮机空化状态声发射信号的小波包能量特征

为了充分提取水轮机空化状态下声发射信号蕴含的时频特征及其变化规律,基于混流式水轮机模型空化试验,采集了间隙空化不同阶段时典型测点的声发射信号,采用小波包分析方法提取了声发射信号的小波包能量等特征参数,分析了这些参数随水轮机空化系数变化的关系。结果表明,随着水轮机空化系数的逐渐减小,从无空化、空化初生到完全空化状态,在导叶拐臂和转轮下环底部采集到的声发射信号的小波包能量随之发生了明显的规律性变化。开始时小幅缓慢增加,在空化初生附近达到某一峰值,接着略有回落,然后在临界空化状态时急剧增加达到较之以前更大的峰值,最后急剧回落。     

复合材料声发射信号传播特性试验研究

为了获取直升机动部件疲劳损伤声发射信号的传播特性,搭建了声发射数据采集系统,对直升机动部件常用碳纤维材料试件和蜂窝材料试件进行了传播特性断铅试验,利用谐波小波包分析了声发射信号在各个频带上的衰减特性,克服了传统小波包分析能量泄露、频带选取不灵活、不同层频率分辨率不同的缺点.研究结果表明对于所研究两种试件,100 ～ 200 kHz频带的衰减特性与原始信号基本一致,可以代替原始信号进行定位和损伤识别研究,频率越高,衰减越快,衰减较大的无损检测场合,适合选择较低频率范围提取信号特征,对于所研究碳纤维材料试件,200 mm之后声发射信号衰减特性偏离理想衰减特性很大,限制了传统声发射源定位方法的应用.     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。