水电站机组与厂房耦联振动测试及有限元数值反馈计算

对云南澜沧江下游某水电站进行机组与厂房耦联振动现场测试,在对振动响应信号分析处理的基础上,研究机组与厂房之间的振动响应规律,根据相关振动标准对机组及厂房振动进行评价,探讨机组振源特性及振动传递途径,并对厂房结构的动力响应进行有限元数值反馈计算,与实测值进行对比分析,为机组安全运行及厂房结构振动控制预测提供参考和依据。     

非线性信息融合技术在火力发电机组故障诊断中的应用

火力发电机组的振动信号往往是多种振源信号的非线性混叠,由此给火力发电机组故障诊断中特征信号的提取与分析带来了强烈的干扰。针对此问题,提出了基于小波-非线性独立分量分析(independent componentanalysis,ICA)的火力发电机振动信号非线性盲分离与特征提取新方法。首先,利用小波去噪技术消除加性噪声的影响;然后,通过径向基函数(radial basis function,RBF)神经网络,并结合线性ICA算法估计去噪信号的非线性混合解混函数,实现信号的非线性盲分离,得到火力发电机振动故障的关键信号源;最后,利用小波包分解提取分离信号的统计特征并作为识别损伤状态的有效参数,应用RBF神经网络分类器对火力发电机故障类型进行智能识别。对某发电站的火力发电机实际故障振动信号进行实验分析,结果表明,所提出的非线性盲分离模型能够从含有加性噪声的非线性振动源混合观测信号中提取故障振动源,得到故障信号的可靠特征,取得较好的故障诊断效果,且故障检测精度比线性盲分离技术提高了4.4%以上。     

基于EEMD和负熵准则的变压器振动信号盲分离

变压器油箱表面测得的振动信号是各个振源的混合信号,直接加以分析,不能确定不同部件的运行状况。而传统盲源分离方法难以解决信号分析中相关源信号盲分离、欠定盲分离等问题。鉴于此,提出基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与负熵准则的欠定盲源分离算法。首先,利用EEMD方法对变压器振动信号进行分解,得到若干本征模态函数(Intrinsic Mode Function,IMF),并采用邻近奇异值差值法估计混合信号中源信号个数;然后,根据负熵准则选取独立性较好的IMF分量,组成新的测量信号;最后,对新的测量信号进行盲分离。利用实测变压器振动信号对该算法进行了验证。     

基于JADE算法的变压器振动信号分离的研究

为了实现变压器绕组和铁心振动信号的分离,从而达到对绕组与铁心运行状态监测的目的,文章利用独立分量分析理论(ICA)与联合近似对角化算法(JADE),将变压器铁心、绕组的振动信号从传感器监测到的混合信号中分离出来,并根据各个部件振动信号与数据库原始信号中的频率特性对比分析,判断变压器的故障隐患。采用LabVIEW与MATLAB混合编程技术对JADE算法进行编程,由仿真结果可知:在信号源和混合参数未知的情况下,JADE算法能根据观测信号以及源信号统计独立的假设对源信号进行可靠分离。     

水电站厂房结构密集模态识别研究

针对水电站厂房结构模态识别问题,建立了一种密集模态识别的组合方法。该方法通过将逆衰减指数窗和小波包分频结合,实现了降低振动信号的模态密集度,提高了模态分离的精度。振动信号模态分离后采用Random Decrement Technique(RDT)和Spare Time Domain(STD)方法识别水电站厂房结构的模态参数。以一大型地下水电站厂房结构为分析对象,对其原型振动测试数据开展了密集模态识别。结果表明,采用该组合方法识别结果与三维有限元计算结果一致,且识别出的阻尼比也处在合理范围之内。     

基于随机共振和多维度排列熵的水电机组振动故障诊断

针对强噪声背景下难以提取水电机组振动故障特征的问题,提出了一种基于随机共振(SR)去噪和多维度排列熵(MPE)提取振动信号特征向量的故障诊断方法。首先,采用随机共振对振动信号进行去噪,增强信号的信噪比;继而利用多维度排列熵提取去噪信号的特征向量,最后将其输入所建立的改进粒子群算法优化支持向量机(PSO-SVM)模型,实现故障的识别与诊断。仿真结果表明,该方法具有较高的诊断精度。     

一种欠定混合情形下的信源数目盲估计方法

准确估计信源数目是盲源分离实现有效分离的重要前提之一。针对源信号数目未知且少于观测信号数目的欠定问题,提出了一种有效的信源数目盲估计方法。该方法基于经验模态分解,并结合协方差矩阵的奇异值分解,采用拉氏逼近的贝叶斯选择原理来估计源信号数目。在对观测信号进行经验模态分解前,为了消除本征模态函数的模态混合现象,引入卡尔曼滤波算法对观测信号进行了消噪处理。分别采用仿真信号和实测信号对该方法进行验证,研究表明,方法能够准确估计出源信号数目,为盲源分离提供准确的先验信息。     

水电站振源识别及其对厂房结构的影响研究

本文首先利用CFD技术对某大型电站水轮机组进行不稳定流动计算,重点分析了水轮机流道内的压力脉动频率特征,进而对真机试验所测得的机组水压脉动及厂房结构振动频率进行识别,确定各种频率振动的动荷载来源.在此基础上,结合对原型观测信号的数据分析分别统计出厂房结构主要部位振动达到峰值时的各种频率动荷载所占比重、全体所实测负荷工况下的各种频带能量对总振动响应的贡献、各种分频振动随负荷的变化等规律,证明涡带是影响厂房结构振动的最为主要振源.该结果有助于从量级上评估水电站厂房振动问题中的各种动荷载的作用效果.     

水电机组振动信号去除高频噪声技术综述

本文针对水电机组振动信号消噪方法进行了系统地总结.将现行的振动信号去噪方法中的基于Fourier变换的传统振动信号去噪方法和以提升法为代表的新型振动信号预处理技术两类技术进行了全面地分析,并比较了各自的优缺点.利用提升法的第二化小波变换对水电机组振动信号进行消噪具有计算速度快、无需选择小波基函数、处理结果更为合理的优势.最后,进一步给出了水电机组振动信号消噪技术的主要发展方向.     

基于Bayes估计的双小波维纳滤波电能质量信号去噪算法

提出一种基于贝叶斯（Bayes）估计的双小波维纳滤波的电能质量信号去噪算法。该算法在第一个小波域采用基于Bayes估计的小波阈值去噪技术估计期望信号,在第二个小波域将含噪信号和估计信号分别进行小波变换,用估计信号的小波系数设计经验维纳滤波器,对含噪信号的小波系数进行维纳滤波再反变换,从而实现去噪功能。实验结果表明该算法比常用的小波阈值去噪方法及基于它们的双小波维纳滤波算法去噪效果要好;当噪声强度逐渐增加时,该算法能够在诸算法中产生最大的信噪比。     

基于IWOA-VMD的永磁同步电机匝间短路故障振动信号去噪方法

针对永磁同步电机(permanent magnet synchronous motor, PMSM)匝间短路故障振动信号易受噪声干扰导致故障特征难以准确提取的问题,提出一种改进鲸鱼优化算法(improved whale optimization algorithm, IWOA)优化变分模态分解(variational mode decomposition, VMD),并将其应用于PMSM匝间短路故障振动信号去噪。首先在传统鲸鱼优化算法中引入非线性收敛因子、自适应权重和柯西算子,利用IWOA算法对VMD参数进行寻优来实现信号的自适应分解。然后根据多尺度排列熵-方差贡献率最优模态分量选取原则将信号分量分为噪声主导分量和有效信号分量,对噪声主导分量进行非局部均值滤波(non-local mean filtering, NLM)去噪。最后将去噪分量与有效信号分量重构为去噪信号。使用ANSYS有限元软件建立了电机短路故障模型,并搭建了短路故障实验平台,利用该方法对仿真与实测信号进行去噪处理,并与小波阈值去噪等去噪方法进行对比分析,得出仿真信号的信噪比从8 dB提升至20.273 8 dB,实测信号的信噪比相较于小波阈值去噪提高了77.01%,验证了所提方法的有效性和实用性。     

双排机水电站厂房结构动力特性研究

以李家峡工程为背景 ,分析了双排机厂房结构的特点 ,并建立双排机厂房结构整体三维有限元模型及相应的单排机结构三维有限元模型 ,计算对比了它们在动力特性上的差异 ,并对差异产生的原因进行了分析。在此基础上 ,通过对李家峡水电站内振源的分析 ,进行了结构共振校核。研究结果表明 ,李家峡水电站的双排机布置方案是一种较合理的、值得推广的结构形式     

基于改进粒子群算法的直升机振动信号盲分离

振动信号分析是直升机状态监控的重要研究内容之一。针对某型直升机加装的振动信号采集系统,提出一种基于改进粒子群优化算法(PSO)的盲源分离方法。介绍了盲源分离(BSS)基本理论及改进的基于动态因子的粒子群优化算法,将二者结合应用于某型直升机振动信号盲分离研究。仿真实验及噪声中实测直升机振动信号的盲分离都取得了良好的分离效果,结果表明相比于直接使用FastICA方法,所提出的方法具有分离精度高、迭代次数少等优点。     

基于联合对角化法与数据筛选的谐波责任划分

针对背景谐波波动的随机性,为了更加准确地划分谐波责任,考虑到谐波阻抗的符号特性和电力系统中系统侧谐波阻抗远远小于用户侧谐波阻抗的实际情况,在联合对角化法的基础上,提出了一套数据筛选准则。利用联合对角化法对谐波电压和谐波电流进行分解,得到混合矩阵;分别通过符号判别法和比例系数法纠正次序不确定性和幅值不确定性;应用数据筛选准则得到谐波阻抗;根据谐波责任定义式估算谐波责任。对IEEE 13节点系统进行仿真测试和实测数据分析,结果表明：与传统方法相比,所提方法的估算精度和适应性更好。     

盲信号分离在电压闪变分析中的应用

基于盲信号分离(BSS)能快速准确地实现源信号分离和恢复,提出将盲信号分离运用于电压闪变分析.首先对检出的包络信号进行延时处理,构建一个嵌入矩阵作为信号处理的多通道输入信号;再进行鲁棒预白化处理,可以将数据分解到信号子空间以减小噪声对分离结果精度的影响;再运用二阶盲辨识(SOBI)算法进行盲源分离,得到闪变信号的频率估计.在此基础上求解一超定方程组估算出闪变幅值.仿真结果表明,该算法对闪变信号的频率和幅值检测的有效性.