鼓气减压膜蒸馏过程研究

设计了新型鼓气减压膜蒸馏(AVMD)过程,在原水进入疏水膜组件前鼓入低压压缩空气,形成气液混合流进入疏水膜组件,在疏水膜组件的产汽出口外接负压系统,构成AVMD系统.采用疏水性聚偏氟乙烯中空纤维微孔膜,以自来水为测试液,研究了鼓气强度、进料温度、流速、冷侧真空度对AVMD过程性能的影响,考察了AVMD对不同NaCl含量溶液的分离性能.结果表明,随着鼓气量、进料液温度、流速,真空度的提高,AVMD过程通量有明显的增加,而产水电导率始终低于0.3 mS·m~(-1).当进料液温度70℃,冷侧真空度85 kPa,进料流速1.33 m·s~(-1)时,AVMD过程膜通量可高达45 kg·m~(-2)·h~(-1),而相同实验条件下减压膜蒸馏(VMD)过程的通量约为30 kg·m~(-2)·h~(-1).     

基于AVMD和BSA-KELM的水电站厂房结构振动预测研究

针对水电站厂房结构振动安全监测问题,结合智能学习算法,提出了一种基于AVMD和BSA-KELM的水电站厂房结构振动响应预测方法,为实现厂房结构振动智能化监测提供了一种新的思路。首先采用AVMD方法将振动信号分解为多阶IMF分量;然后对各阶IMF分量分别建立KELM预测模型,模型参数采用BSA优化算法选取;最后通过信号重构得到结构预测振动时程曲线。将该方法应用于某实际水电站工程,以机组和水压脉动原型观测信号作为输入,以水电站厂房结构振动信号作为输出,建立了预测模型,预测信号与测试信号对比结果表明：测点预测结果决定系数均大于0.8,振动幅值均方根误差均小于0.3 μm、平均绝对误差均小于0.2 μm,证明该方法预测精度较高,预测效果良好。     

基于AVMD-自适应小波包法的电缆局部放电去噪研究

为准确提取检测到的局部放电信号,针对高压电力电缆的噪声抑制问题,提出了自适应变分模态分解(AVMD)结合自适应小波包分解的方法提取纯净的局放信号。首先运用AVMD将周期性窄带干扰、白噪声和局放信号分解在不同的基本模态分量中,将周期性窄带干扰滤出,得到仅含有白噪声的局放信号。再运用自适应小波包分解,将信号分解在高中低频的分量中,根据阈值法将不含局放信号的分量滤出,得到较为纯净的局放信号,并将所提方法分别与其中单独一种算法进行去噪比较分析。仿真结果表明,所提方法抑制噪声效果更明显,与仿真信号的相似度最高。     

基于 AVMD 与改进能量算子的非稳态谐波分析

针对非稳态谐波分析中时频参数检测精度较低的问题,提出一种基于自适应变分模态分解(AVMD)与改进能量算子的 非稳态电力谐波分析方法。 首先,采用 AVMD 对非稳态谐波信号进行分解,其中采用波形特征匹配法对非稳态谐波信号进行 延拓以减轻边界效应影响,并提出能量差和相关系数作为 AVMD 中模态分解个数的判据;结合模态分量,提出改进间隔采样能 量算子快速提取谐波的瞬时幅值和频率,根据差分和信号完成其起止时刻的定位,实现非稳态谐波时频参数的快速准确测量。 仿真与实测结果表明,本文方法能够在电网工频波动、间谐波以及噪声干扰等情况下有效完成非稳态谐波的准确检测,实现暂 态谐波的精确定位,且对非稳态谐波频率、幅值的最大检测误差分别为 0. 094 9% 和 0. 931 4% 。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难。文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法。该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各模式分量时域、包络谱和时-频加权峭度,根据时-频加权峭度最大化准则选择最佳IMF;最后采用共振解调技术求出最佳IMF包络谱。对轴承故障信号研究表明,所提方法可解决传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题。另外与传统方法相比,该方法可以在强背景噪声和非周期性瞬态冲击下有效识别轴承故障。