基于EEMD的有载分接开关触头松动故障诊断

针对基于经验模态分解（EMD）的希尔伯特黄变换（HHT）在变压器有载分接开关（OLTC）振动信号故障检测方面的模态混叠问题,提出了集合经验模态分解（EEMD）方法,有效解决了EMD模态混叠的缺点。在EEMD的基础上对振动信号进行HHT,提取信号的边际谱,实现对触头松动故障的检测。仿真与实际试验表明,将该方法应用于分接开关振动信号的分析,可有效地提取故障特征量,有利于对触头故障的诊断。     

基于数学形态谱的水泵振动识别研究

针对实测水泵振动信号夹杂噪声等现象,利用多尺度数学形态谱及形态谱熵理论,对不同转速下的水泵振动实测信号进行分析,提取相应的特征形状和特征量,进行振动故障识别,并验证了该方法的可行性与准确性。研究表明,随着转速的逐步增加,存在着不对中和不平衡故障的水泵机组,其振动特性可以划分为正常运行、周期性碰摩运行及混沌运行3类;当水泵振动类型相同时,随着转速的变化,相应的数学形态谱及形态谱熵分析结果几乎不变;采用数学形态谱及形态谱熵理论能够对夹杂大量噪声的故障测试信号进行分析处理,且故障信号识别成功率较高,其中形态谱识别成功率高于形态谱熵,能较好地达到故障识别的目的,也充分证明了该方法的抗干扰性。     

水轮发电机组非平稳振动信号的检测与故障诊断

针对传统方法难以精确检测水轮发电机组的非平稳振动信号以及现有振动故障诊断方法精度低等问题,本文首先引入排列熵算法对其进行检测与分析,进而引入多维度排列熵算法,以实现对非平稳振动信号的特征提取,构造故障样本数据,并将其作为基于遗传算法的支持向量机诊断模型的输入,从而完成故障的诊断与识别。仿真实例表明,排列熵能够有效检测非平稳振动信号的突变,多维度排列熵与支持向量机相结合的故障诊断方法可有效识别机组的异常情况,具有较高的诊断精度。     

基于随机共振和经验模态分解的水力发电机组振动故障诊断

针对实际水力发电机组故障诊断中微弱信号难以检测引起故障诊断准确率低的难题,提出了一种基于随机共振(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的微弱信号检测方法。首先,采用随机共振对振动信号进行降噪处理,提高信号的信噪比;继而对随机共振的双稳输出信号进行EMD分解,并采用能量法进行故障特征向量的提取,最后将其作为基于遗传算法优化支持向量机(GA-SVM)故障诊断模型的输入,实现故障模式的识别与诊断。仿真结果表明,该方法能够准确识别机组的异常情况,具有较高的故障诊断精度。     

基于EEMD-SD振动信号分析的水电机组故障预警方法

为确保水电机组安全运行及电网稳定,探讨利用水电机组振动信号实现机组故障早期预警,提出了基于集合经验模态分解和标准差水电机组振动信号特征量提取方法,并引入K均值和欧氏距离构建水电机组振动信号异常状态预警指标,量化水电机组振动信号状态异常变化程度,融合多测点状态信息形成水电机组振动故障综合预警指标,实现了水电机组振动故障预警,证明所提特征量和预警方法有效。     

广义数学形态滤波器在风电机齿轮箱故障诊断中的应用

在形态滤波算子和形态结构元素的基础上,提出采用不同结构的结构元素级联形成广义数学形态滤波器,实现风电机齿轮箱振动信号的降噪方法.用一个既有振幅调制,又有相位调制的非平稳信号仿真了故障齿轮箱的齿轮振动信号,对仿真信号采用提出的广义数学形态滤波器进行了处理.处理结果表明,提出的广义数学形态滤波器能有效消除噪声,用于对风电机齿轮箱的故障检测是可行的.     

基于小波变换的风力发电机组故障检测方法

针对传统风力发电机组故障检测方法受到非平稳振动信号影响，导致检测结果不精准的问题，提出了基于小波变换的风力发电机组故障检测方法。根据风力发电机组轴承非平稳信号特征，使用小波变换降噪技术，分解非平稳信号，获取有限长度离散含噪信号。消除噪声项后，利用峭度对非平稳信号的敏感性，提取故障自旋频率特征，实现轴承的故障检测。利用卷积神经网络提取齿轮箱阶次信号时序特征，通过齿轮箱故障时序特征的小波变换平移，利用阶次跟踪分析方法推导不同转速级的故障特征，以此对非平稳工况下齿轮箱故障状态诊断。由实验结果可知，该方法内、外滚道加速度时域信号变化范围分别为-0.3～0.3、-0.06～0.05 m/s²，小、大齿轮断齿故障幅值为0.2、 0.4，轴承故障和齿轮箱故障变化范围均与实际范围一致。     

不对中故障下的水电机组转子动力特性分析

研究水力发电需要考虑各种综合因素,包括其运行的稳定性。而机组的故障特别是转子故障会引起机组的振动,从而严重影响了水力发电。转子故障包括转子不对中、转子不平衡,在实际运行中,诱发转子发生这些故障的因素量太小且受到机组安装设计的一些限制,我们并不能够很精确地进行实际测量。通过对水电机组的模型进行仿真分析,判断随着转子的不对中量和不平衡量和转速的变化对机组的影响。分析表明,随着转速的增加,会发生碰摩现象,但当转速达到一定值后,机组又平稳运行;随着不对中量增加,机组由稳定运行到发生碰摩;随着不平衡量的增加,机组由稳定运行到发生碰摩。     

振动监测在燃气轮机叶片故障诊断中的应用

振动监测是公认的检测和诊断燃气轮机初期故障的有效工具。总结了基于振动的燃气轮机叶片故障检测方法,详细介绍了频谱分析法、小波分析法、神经网络和模糊理论预判分析法以及基于模型的分析法。采取合适的方法提取动态信号,可以诊断出大多数类型的叶片故障。     

一起特殊的发电机起励失败原因分析与启示

水轮发电机组转速信号是其自动化控制的重要信号。针对一例因转速信号装置故障所引起的发电机起励失败原因展开分析，经检测查明，起励失败是受较大轴向振动所引起的，由于LCU检测机端未满足预设条件，因此报警并退出自动开机流程。对此，更换柔韧性更好的齿盘测速度硬件，并增加一路机端频率信号作为备用信号，可防止类似故障的发生。     

三峡船闸人字门连门轴故障诊断的小波包分析

根据船闸人字门及启闭机故障引起的闸门振动信号具有随机性和非平稳性的特点,经检修已知人字门连门轴磨损故障,采集船闸检修前后的闸门振动信号,提出利用小波包分析技术进行故障诊断的方法。即,利用小波包对信号进行分解和重构,计算各频带信号能量分布,经分析能量集中频带信号的时频特性后,发现信号故障主要分布在低频部份,证明了利用小波包分析技术进行船闸人字门及启闭机故障诊断是有效可行的。其方法可为同类事故诊断参考。     

基于分布式光纤监测的压力钢管模拟泄漏室内试验

实际运行的压力钢管可能存在腐蚀进而破裂、泄漏的隐患,因此需要开展在役的压力钢管实时安全监测方法研究,实现对泄漏的及时定位、报警。本文基于F-OTDR光纤干涉原理的振动监测方法,开展了模拟压力钢管泄漏的室内试验,系统研究不同泄流条件下的分布式光纤的检测结果。试验结果表明,随着泄流孔孔径的增加和泄流量的增加,泄漏引起的振动信号强度增加,但是由于系统初始扰动能量的存在,仅依据数据分析,难以判断极小泄流量引起的振动信号。本实验中,当泄流量大于1.00L/s时,分布式光纤检测效果较好。     

风电机组振动检测系统设计及实施方案

本文设计了一套风力发电机组振动检测系统,实现了机组振动信号的采集、存储和分析,并将该系统安装至某风电场的机组中进行了测试验证,检测系统能够满足机组振动信号采集的需要,应用效果良好。     

基于小波包-神经网络的尾水管故障诊断

尾水管水压脉动信号中包含与涡带紧密相关的低频信息。偏心涡带是引起尾水管振动故障的主要根源。傅立叶变换很难提取涡带的低频特征，为此采用小波包与神经网络相结合的方法，对尾水管信号进行小波包多层分解，以提取信号的特征信息，然后输入神经网络进行故障诊断。试验表明：该法能利用小波包时频局部聚焦分析能力和神经网络的自适应能力，对尾水管振动故障进行有效诊断。     

基于分形的水轮发电机组振动研究

在水轮发电机组状态检修系统中，振动信号为故障诊断提供了丰富的信息。实际的振动波形表明，机组的振动信号具有非平稳性，其波形具有分形特征．通过对不同振动故障类型的分形特性研究和分形维数的计算，结果表明分形维数与故障类型之间存在某种对应关系。用分形的方法处理机组的振动信号的方法是有效、简单和可行的。     

旋转机械振动信号处理的发展及现状

振动信号处理是实现旋转机械振动检测与故障诊断的基础,也是振动监测软件的核心技术,对大型旋转机械运行状态监测具有重要的意义。信号的滤波和特征提取是振动信号处理的两个最重要的方面。文章总结了振动信号分析的发展及现状,并且分析了各种滤波和特征提取方法的优缺点。     

水力机组振动监测与故障诊断

针对水力机组运行过程中因振 动而引起故障并造成经济损失这一问题，开发了一套新型的振动监测及故障诊断系统，它以 工业PC 机为主体，与摆度、振动传感器及有关功能模块和信号预处理器共同组成机组振动 在线监测分析系统。利用该系统对机组振动的周期性监测，能够在线监测机组缺陷的缓慢变 化过程，为视情检修提供良好的依据，同时也为机组运行调度提供可靠的信息。介绍了该系 统的硬件及软件组成、原理及功能，并结合实例运用小波分析与傅里叶分析相结合的信号分 析方法，对机组故障进行了分析诊断，找出了故障原因。     

基于振动信号的水电机组状态劣化在线评估方法研究

实现水电机组状态劣化评估和故障预警是行业研究的热点。论文提出了一种结合时域与频域特征的机组劣化在线评估方法。(1)先利用检测指数确定振动信号中对机组运行状态最为敏感的时域特征;再以机组健康状态下工况参数X(水头、开度等)和检测指数筛选的振动信号时域特征Y为健康样本,利用最小二乘支持向量机构建机组状态健康模型Y=f(X)。基于该模型,以实时工况参数为输入,在线预测对应工况下机组振动信号时域特征健康值,计算健康值与实际值之间的相对误差,作为评估机组劣化程度的时域劣化指标。(2)利用小波变换与奇异值理论对振动信号进行分解,提取健康状态下机组振动信号奇异值特征向量并得到健康聚类中心,实时计算实测信号奇异值特征向量与健康聚类中心之间的相对欧式距离,作为频域劣化指标。结合时域和频域劣化指标,在线计算综合劣化指标评估当前时刻机组劣化程度。结合实际机组运行案例,验证了该模型的有效性和实用性。     

汽轮机测速探头碰磨分析及处理

介绍了广东粤电云浮发电厂有限公司”1机组测速探头与测速齿轮碰磨的异常现象以及解体检查情况。对碰磨原因进行了分析，提出了具体的结构改进和防范措施，对同类型机组有借鉴作用。     

融合改进符号动态熵和随机配置网络的水电机组轴系故障诊断方法

现有水电机组轴系故障诊断研究主要建立在单一传感器振动信号数据的基础上,存在故障信息缺失和传感器测点选择困难等问题。为此,提出了一种基于精细复合多元多尺度符号动态熵(RCMMSDE)和随机配置网络(SCN)相结合的水电机组轴系故障诊断方法。首先,将精细复合技术引入RCMMSDE模型中,改进了传统多元多尺度熵粗粒化不足的问题。然后,通过提取水电机组不同传感器振动信号的RCMMSDE值作为故障特征。最终,将故障特征输入SCN网络实现水电机组轴系故障的准确识别。仿真结果表明,RCMMSDE-SCN模型在两个不同数据集上分别取得了97.58%和99.17%的诊断率,验证了所提模型具有良好的诊断性能。同时,对比不同诊断模型在多元传感器信号和单一传感器信号两种不同情景下的诊断情况,表明融合多元振动信号可以有效改善水电机组轴系故障诊断模型的识别性能。本研究为融合水电机组多元传感器振动信号故障诊断提供了一种新的方法,具有良好的借鉴价值。