电气设备保护气SF6中氟化硫酰等杂质的分析方法研究

SF6气体是一种广泛应用于各种高压电气设备的绝缘介质,当SF6电气设备中存在故障(放电或过热性故障)的情况下,少量SF6气体会发生分解,形成各种分解产物,通过对分解产物性质和含量进行分析和判断可以了解设备内部的故障性质和程度,本文主要探讨六氟化硫分解产物中可能导致设备内部故障的气体标准物质的制备,以及这些物质在色谱上的分离和分析方法。     

SF6气体分解产物检测仪校准和检测的讨论

检测电气设备保护气SF6中的SO2和H2S等气体的含量,是判断电气设备是否存在故障的一个重要指标.介绍了国产SF6气体分解产物检测仪的检测方法,以及检测过程中所使用气体稀释装置的可靠性验证,并对检测过程中遇到的一些问题进行了讨论.     

基于局部均值分解的行波故障测距方法

针对当前输电线路行波故障测距存在波速不确定性与行波波头到达时间难以准确测量问题,提出一种基于局部均值分解(local mean decomposition,LMD)的行波故障测距方法,该方法在传统双端测距线路中间增加一个测量点,利用无故障线段的长度和测量点检测波头时间求出输电线路的行波波速,有效消除波速对测距精度的影响;利用LMD算法对行波故障电流线模分量进行分解,根据分解得到第一个分量PF瞬时频率曲线的首个频率突变点准确测量行波波头到达时间。采用Simulink搭建输电线路仿真模型,将该文行波故障测距方法与小波变换测距、HHT变换测距方法(Hilbert-Huang transform,HHT)进行仿真对比,结果表明:该文方法测距精度高于小波变换测距、HHT变换测距方法,对实际输电线路故障测距具有重要应用价值。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。     

基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。     

基于低秩和稀疏分解的滚动轴承故障特征提取方法对比研究

滚动轴承是机械设备中广泛使用的关键部件，其故障特征的准确提取对设备稳定运行至关重要。轴承的初始故障很微弱，容易被背景噪声掩盖，这使故障特征的提取较为困难，需要对轴承故障特征与噪声的特性进行准确刻画。针对上述问题，为了深入探究轴承故障特征及噪声在时频域中的低秩与稀疏特性及其内在关联，对轴承故障特征提取低秩稀疏分解框架下的两种代表性方法开展对比研究，以便充分利用故障特征与噪声成分的性质，为噪声干扰下的轴承故障提取方法选择提供一定的依据。利用周期性瞬态冲击信号在时频域中的稀疏与低秩特性建立矩阵分解模型，对比了Go分解(go-decomposition, Go-Dec)和非负矩阵分解(non-negative matrix factorization, NMF)两种具有代表性的分解方法，并将其应用于时频域中滚动轴承的故障特征提取。首先，基于短时傅里叶变换(short time Fourier transform, STFT)生成振动信号的时频矩阵，并揭示了轴承故障脉冲在时频域中具有的稀疏性和低秩性。利用Go-Dec和NMF两种矩阵分解方法，分解出表征故障特征的矩阵。最后，对分解的故障矩阵采用逆...     

神经毒气及其检测方法(2)

本文阐述了神经毒气的检测方法,以塔崩及沙林为例描述了检测过程。对生物(血、尿)及环境(水,土壤)样品中神经毒气的代谢及分解产物的鉴测作为重点介绍。检测技术中主要介绍了高灵敏度,准确可靠的质谱法。     

基于声音信号的托辊故障诊断方法

为实现对远程带式输送机托辊故障的检测,研发基于声音信号的托辊故障诊断方法。结合远程带式输送机托辊轴承的特性,针对性提出多种分析方法相结合的方案。诊断系统中包括时域检测、快速傅里叶变换(FFT)峰值检测、功率谱检测、小波包分解与重构和希尔伯特(Hilbert)包络分析结合、经验模态值分解(EMD)检测方法,可实现采集数据显示、波形分析和故障诊断。其中,时域检测、快速傅里叶变换峰值检测、功率谱检测可初步判断托辊是否发生故障,经验模态值分解可以预估出带式输送机托辊发生故障的区段,小波包分解与重构和希尔伯特包络分析联合法可进一步提取托辊轴承故障频率,确定轴承发生故障的部位。最后,通过实验验证了基于声音信号的托辊故障诊断方法的有效性。     

基于VMD和SVDD的滚动轴承早期微弱故障检测和性能退化评估研究

针对滚动轴承早期微弱故障检测及故障状态监测问题,提出了一种基于变模态分解(VMD)分解和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。对振动信号进行VMD分解,选取对性能退化较为敏感的本征模态分量,提取其奇异值,并结合信号的时域特征指标,复杂度指标组成特征向量矩阵作为滚动轴承综合特征指标;并以正常状态下的综合特征指标作为训练样本完成SVDD评估模型的构建,利用滚动轴承全寿命试验数据进行评估模型的验证。实验结果表明,该评估模型可以准确检测到滚动轴承早期微弱故障阶段的发生,同时可以很好的揭示滚动轴承性能退化规律,其评估效果优于模糊C均值聚类(FCM)方法。     

指数型随机共振微弱振动信号检测方法

在实际工程故障诊断中特征频率信号经常淹没在噪声中,信息提取非常困难。为了提取强噪声背景中的微弱信号,将简谐势阱与Gaussian Potential模型相结合,提出一种作用在Duffing方程下的新型指数型双稳随机共振系统。首先,推导逃逸率并研究系统参数对输出信噪比影响;其次,基于指数型双稳随机共振系统对冲击衰减信号以及谐波振动信号进行检测;最后为检测大噪声下多频信号提出指数型双稳随机共振和经验模态分解的微弱信号联合检测方法并应用于轴承故障信号检测中。实验分析及仿真结果表明,指数型双稳随机共振模型在信号检测中是可行的,并且对于多频谐波信号通过随机共振后进行经验模态分解可使检测更加准确,联合检测不仅能识别故障信号,还能识别故障倍频信号。