水轮发电机组的振动评价

本文首先提出了有关国家向IEC提出的水轮发电机组振动规程提案,然后分别介绍了美、日、苏等国和它们的公司和制造厂家的振动规程,并做了一定的分析。最后结合我国的振动规程进行了讨论,提出了今后制定规程的想法。     

水轮发电机组振动的分析及处理

叙述了机组振动的主要原因，及如何辨别其中哪些是引起振动的主要因素和处理方法。     

水轮发电机组振动测试和分析

分析了水轮发电机组振动的原因,并对试验结果进行了分析以及提出了消减振动的建议。     

水轮发电机组振动测试和分析

本文以大量的事例分析了水轮发电机组振动的原因,并对试验结果进行了分析以及提出了消减振动的建议。     

大型水轮发电机组的振动稳定性问题

讨论刚度、水力稳定性随机组尺寸变化的规律，并据此论述了大型和巨型水轮发电机组振动稳定性问题及其产生的特点，掌握这些特点，将有助于预防或减少大型机组稳定性问题的产生。     

大型水轮发电机组状态监测与振动故障诊断技术研究

本文对水轮发电机组振动问题作了分析,阐述了旋转机械振动故障诊断方法的基本原理及应用,探讨了实现机组状态监测及振动故障诊断的有关问题。     

关于水轮发电机组振动标准的探讨

本文首先介绍国内外现有的部分振动标准的主要特点,并从水电机组的角度进行了评价,然后提出了拟定水轮发电机组振动标准时需考虑的因素及某些具体意见。     

BP网络在水轮发电机组振动故障诊断中的应用研究

将人工智能引入水轮发电机组的故障诊断,有利于大中型水电厂“无人值班（少人值守）”管理模式的加速发展。本文首先简单介绍了人工神经网络的基本性能和ＢＰ网络模型及算法,然后将神经网络中的ＢＰ模型应用于水轮发电机组振动故障诊断中,比较了选择不同的网络参数对诊断系统性能的影响。实验证明,基于ＢＰ网络的水轮发电机组振动故障诊断方法具有很高的实用价值。     

水轮发电机组振动原因分析

以天桥水电厂4台水轮发电机组典型振动事故为例，对引起振动的原因，进行了分析。     

综合治理消除水轮发电机组振动故障

水轮发电机组振动可以在很宽的频率范围内发生,其振源主要来自于机械、电磁和水力3个方面。实际出现的振动问题常常因几个方面的因素耦合在一起,变得更复杂。提出综合治理消除水轮发电机组振动故障来解决这类复杂问题。应用理论分析与现场试验相结合的方法,分析了天生桥Ⅰ级3号水轮发电机组不稳定振动问题,研究发现引起机组振动的主要原因是上机架连接刚度弱、存在转子质量不平衡和发电机电磁不平衡3个因素,提出相应的解决办法,进行综合治理,消除了机组的振动。     

基于分形和概率神经网络的水电机组故障诊断

水电机组振动信号属于非线性、非平稳信号，在不同尺度下呈现一定的相似性，是典型的分形信号。本文运用多重分形方法分析机组振动信号，提取信号的广义维数谱特征，并应用人工鱼群算法优化的概率神经网络进行故障诊断。诊断实例表明，多重分形和概率神经网络结合，能够准确辨别故障类型。与BP和RBF网络相比，该方法诊断识别率更高，速度更快，为机组运行维护人员提供更为可靠的参考依据。     

基于贝叶斯网络的水电机组振动故障诊断研究

水电站的状态监测系统积累了大量的监测数据,但由于现场专家缺乏,目前这些数据没有得到很好的利用,如何挖掘这些数据并结合专家经验对水电机组进行故障诊断是本文研究的重点。本文提出了一种基于贝叶斯网络的水电机组振动故障诊断模型。根据专家经验获得贝叶斯网络结构和部分节点参数,通过SOM神经网络对数据信号进行离散化处理,利用EM算法参数学习获得其他节点的概率分布,搭建基于贝叶斯网络的子系统模型,并将子系统模型整合成完整的系统模型。文章最后通过设计试验,验证了所建模型诊断结果的正确性和合理性。     

基于贝叶斯网络Noisy Or模型的水电机组故障诊断研究

针对水电机组故障诊断中系统结构复杂,不确定因素众多的特点,将贝叶斯网络引入水电机组故障诊断中,建立基于贝叶斯网络的水电机组故障诊断系统;为了克服贝叶斯网络结构中需要的概率数量庞大和确定概率困难特点,在贝叶斯网络系统结构中引入Noisy Or模型。论文首先利用专家知识,将各个特征结点按二值结点构造网络,确定各单个结点的概率,然后计算多个结点的任意组合对结果的影响程度,从而确定某种故障发生的可能程度。仿真研究表明:用此模型构造的贝叶斯网络结构,需要的条件概率个数可以从2n减小为2n。大大降低了数据需求量,提高了水电机组故障诊断速度和效率。     

某汽轮发电机组调试阶段出现的不稳定振动分析

某汽轮发电机组调试初期,高压转子和低压转子分别发生不稳定振动。通过对振动数据的深入分析,指出摩擦是导致高压转子和低压转子出现不稳定振动的根本原因,据此消除了机组的不稳定振动,并对高压转子和低压转子上发生的摩擦特征进行了总结。     

基于时间序列相似性挖掘的水电机组振动故障诊断研究

时间序列的相似性挖掘是水电机组故障诊断的重要方法,本文提出一种基于频率模糊贴近度的时间序列相似性的数据挖掘方法,用来解决水电机组故障诊断中振摆特征曲线的相似性比较问题。该方法将复杂的时域问题转化为频域问题,通过模糊贴近来度量时间序列之间的距离,刻画出数据时间序列的相似程度。该算法应用到大峡水电站二号机组的故障诊断中,结果表明,该方法能够对故障做出准确判别,分离各种故障类型。由于需要存储的数据比较少,速度快,非常适于水电机组故障诊断中大规模图形序列挖掘。     

EMD动态过程神经网络尾水管故障信息融合诊断

为准确识别水轮机尾水管涡带状态,本文提出一种基于EMD指标能量的神经网络故障诊断方法。采用经验模态分解方法分离尾水管压力脉动信号,建立基于指标能量的故障特征向量,并以此作为故障样本训练三层离散前馈过程神经网络,形成由动态特征向量到故障类型的映射关系,实现故障信息融合诊断。以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,该方法的收敛速度和分类精度优于传统的RBF、BP神经网络法,分类识别的平均百分比误差小,准确度高,适合用于水轮机尾水管涡带的故障融合诊断。     

汽轮发电机组振动故障诊断方法的探讨

分析了目前故障诊断方法存在的问题,改进了智能诊断方法。根据机组的状态和振动频率,提出了分阶段、分层次的诊断策略,提高了故障诊断的准确率。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解(EEMD)和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量(IMF)近似熵特征值输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)和近似熵特征提取方法进行对比实验。识别结果表明:采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于改进型小波神经网络的灭火系统故障诊断

在装甲车辆灭火系统故障诊断中,小波神经网络算法能将故障诊断定位到元件级,但各元件存在容差,导致参数变化的连续性和随机性使得诊断率不高。为了提高小波神经网络算法在灭火系统中的诊断率,针对网络在运行过程中存在着收敛效果差、训练误差大及容易陷入局部极小值的缺点,网络无法继续训练和测试,提出一种以增加动量的小波自适应神经网络的改进型算法,可以使网络运行更稳定,学习速率更快。经MATLAB仿真实验表明改进后的算法诊断率远高于普通算法。     

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。 根据低压串 联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。 针对串联电弧故 障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映 射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。 之后,为了不增加时间开销,同时改善模型的识别效能,使 用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。 最后,利用容器封装 已训练好的故障识别模型,实现故障信息的快速分析。 验证表明,所提方法对串联电弧故障的识别率达到 99. 95%,具有良好的 识别效果。