小波包特征熵神经网络在尾水管故障诊断中的应用

为精确诊断水轮机尾水管涡带，该文提出一种基于小波包特征熵的神经网络故障诊断新方法。对采集到的尾水管压力脉动信号进行三层小波包分解，提取小波包特征熵，然后构造信号的小波包特征熵向量，并以此向量作为故障样本对三层BP神经网络进行训练，实现智能化故障诊断。试验结果表明训练成功的BP网络能够很好地诊断机组尾水管是否发生涡带以及涡带的严重程度，为水轮机故障诊断开辟新的途径。     

基于二元树复小波特征熵的水轮机尾水管动态特征信息提取

针对水轮机尾水管动态特征信息提取问题,本文利用具有近似平移不变性、完全重构性、以及能量集中优点的二元树复小波变换作为信息提取的工具,并利用信息熵能够反映系统信号中短暂的异常信号的特点,将二元树复小波分解系数和信息熵相结合,取复合信息的特征熵作为故障模式识别的特征矢量。以水轮机尾水管压力脉动信号为例,运用此方法进行了尾水管动态特征信息的提取。试验表明基于二元树复小波特征熵的特征提取法是故障特征提取的有效方法,为流体机械故障诊断开创了新思路。     

EMD指标能量提取水轮机尾水管动态特征信息

从信号的特征提取出发,采用经验模态分解和指标能量结合的方法,进行水轮机尾水管动态特征信息提取。首先,对信号进行经验模态分解,然后,根据得到的本征模式分量函数计算指标能量,最后,建立基于指标能量的两个模型参数,并以此参数作为故障模式识别的特征向量。以原型水轮机尾水管压力脉动信号为例,进行了应用检验。结果表明,该方法准确性高,并具有良好的水轮机特征向量提取能力,适合分析复杂而特殊的水轮机动态特征信息。     

基于EMD和AR模型的水轮机尾水管动态特征信息提取

提出一种基于经验模态分解(EMD)和自回归(AR)模型的水轮机尾水管动态特征信息提取方法.对经过预处理的信号进行EMD分解,得到包含特征频率的本征模态函数(IMF),对每个IMF建立AR模型,取模型参数作为故障模式识别的特征矢量.以水轮机尾水管压力脉动信号为例,运用此方法进行了尾水管动态特征信息的提取.试验表明,基于EMD和AR模型的特征提取法是故障特征提取的有效方法.     

向家坝右岸坝后电站水轮机尾水管优化设计

为设计研究适合向家坝右岸坝后电站的尾水管,让整机表现出良好的水力性能,根据向家坝右岸坝后电站的几何控制尺寸,通过不同的锥角、锥管段与肘管段比值的对比分析,兼考虑到施工因素,扩散管断面须倒方角,通过几个方案的对比分析确定了最终的尾水管形状。将最终方案与三峡右岸尾水管进行了CFD分析对比,结果表明该设计方案性能优良。与试验结果的比较表明,该设计方案对尾水管压力脉动有所改善,可有效提高机组稳定性。模型验收试验结果满足合同要求。     

大型混流式水轮机尾水管振动数值模拟及应用

大型混流式水轮机的水压力脉动值不能直接从模型试验值进行换算,给解决真机振动问题增加了不少困难.为此利用CFD数值模拟技术研究了真机尾水管压力脉动的频率和幅值,文中采用3-DCFD对一个大型混流式水轮机的尾水管流态进行了计算,并分析了计算结果;模拟结果与真机实测值相接近,证明了此研究方法的可行性.利用该方法可以在设计阶段预测真机振动性能.     

小波包-特征熵在高压断路器故障诊断中的应用

在详细介绍小波包和特征熵的基础上,提出了一种基于振动信号的断路器机械故障诊断新方法.该方法首先在振动信号小波包分解的第3层各节点重构信号,并提取包络;而后利用包络信号的分段能量,计算小波包-特征熵向量;最后将正常状态和待测状态下所得向量之间的欧氏距离作为诊断参量.对某少油断路器无负载开断振动信号的分析证实,该方法检测断路器故障简单、准确,能同时在时域和频域检测断路器状态的变化.     

水轮机组与电网耦合对电网动态稳定的影响

电网多次发生水轮机组参与的功率低频振荡现象,产生机理不明,严重影响电网的安全稳定运行.本文以江西柘林水电厂为例,首先分析其水轮机组尾水管水压脉动情况以及对输出机械功率的影响,其次根据尾水管水力系统物理特性,建立考虑尾水管压力动态的水轮机组模型.采用时域仿真方法,探讨了水轮机组水力系统与电网之间的耦合作用,研究了水轮机组尾水管水压脉动对电网动态安全稳定的影响.仿真结果表明:当水轮机组尾水管水压脉动频率与其发电机所在电网中的自然振荡频率相同或接近时,有可能发生共振而引发电网的功率振荡,造成电网动态稳定的破坏.研究结果对分析电网低频振荡产生原因具有一定的参考价值.     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

基于小波包Shannon熵的PHM系统故障特征提取

针对同步发电机故障预测与健康管理(Prognostics and Health Management,PHM)系统故障特征提取困难,信号容易受到噪声干扰,诊断结果可靠性低的缺点,本文以故障率较高的轴承故障为例,提出以小波包熵值作为故障特征,提取轴承典型故障的振动信号。通过小波包分析,计算出不同故障、不同故障程度的小波包Shannon熵值。与正常轴承对比进行故障程度预测及故障定位。仿真结果表明小波包Shannon熵值能够清楚地反映出轴承故障程度及故障位置,该方法简单可靠,进行故障预测及诊断效果显著,克服了传统故障特征提取方法的不足。     

局部放电离散谱干扰的小波包变换熵阈值抑制法

将信号的小波包变换看做通过等带宽的滤波器组，输出是对应频带上的分量，如某一频带上存在离散谱干扰，其小波包变换树节点的信息熵将会明显增大。同时，提出基于小波包分解和重构算法的熵阈值法。结果表明，这种方法具有良好的自适应性，无须事先确定离散谱干扰的数目及其中心频率，干扰抑制能力强，能准确提取局部放电脉冲的相位，对于单一放电类型，可以标定放电量的大小。