大型汽轮发电机定子绕组端部模态试验与分析

介绍大型汽轮发电机定子绕组端部锤击法模态试验的过程和基本原理,利用频响函数对模态参数的辨识方法,分析定子绕组端部模态试验应注意激振点和力锤的选择等问题,结合实例提出振形模态参数的异常判断及应采取的处理措施。     

基于HHT变换和独立分量技术的模态参数识别

HHT方法在识别环境激励下的模态参数时已经有比较高的精确度,并且在工程实际运用中得到了很好的体现。但是,HHT法长期以来都有着许多不足之处:在经验模态分解过程中会出现模态混叠,尖端效应以及虚假模态问题。所以,如何在模态参数识别时减小甚至避免这类问题是至关重要的。主要研究如何减小模态混叠对参数识别的影响。首先加入白噪声对原始信号进行预处理,得到1组新的信号;接着进行EMD分解过程,得到若干个模式函数(IMF),根据IMFs判据来判定其是否是真正的IMFs;然后运用希尔伯特变换及独立分量技术识别出结构的模态参数;最后应用所提方法识别了一个实测飞机模型的模态参数并和实验数据进行对比。结果表明该方法成功解决了HHT方法中的模态混叠现象,并能更加准确地提取信号的各阶模态参数。     

基于模态坐标变换梁分布动载荷识别技术

针对工程结构中的Bernoulli Euler梁结构,基于模态坐标变换理论,将待识别的分布动载荷利用固有振型函数在模态空间内进行分解,建立分布动载荷的各阶时间函数系数与各阶模态激励的线性关系。频域内,根据模态理论由梁上测点响应利用Tikhonov正则化方法识别出梁的各阶模态坐标响应（正则化参数由L曲线法确定）,从而识别出各阶模态激励,得到分布动载荷的各阶时间函数系数,还原Bernoulli Euler梁结构上承受的分布动载荷。本文动载荷识别理论适用于不同的分布动载荷类型,通过计算机仿真,验证了该方法的通用性和较高的识别精度。仿真过程中加入随机噪声,识别结果证明了该方法具有良好的抗噪能力,有效提高了载荷识别的信噪比。     

基于振动信号EMD分解与支持向量机的有载分接开关机械故障诊断

本文中作者将经验模态分解与支持向量机算法引入到有载分接开关机械故障识别领域。通过对有载分接开关振动信号进行经验模态分解,并选取前5个本征模态函数的能量作为输入特征参量,利用支持向量机算法对有载分接开关弹簧储能不足、触头松动、触头磨损3种机械故障进行了识别,同时比较了不同核函数对支持向量机分类结果的影响。     

白噪声激励下的低频振荡模态参数辨识方法

提出一种白噪声激励下的低频振荡模态参数辨识方法,该方法可以代替人工短路和投切电网元件等措施的扰动方式,使辨识过程更加安全经济.首先以白噪声为输入信号,根据输出与输入之间的互相关函数估计脉冲响应函数;然后利用估计的脉冲响应函数,并采用特征系统实现算法辨识电力系统的多输入多输出状态空间模型,进而识别出系统特征值和模态振型向量.在模态参数识别时,虚假模式的产生不可避免,通过对观测量的功率谱分析,可以校验哪些是真实模式,哪些是虚假模式.并以一个4机电力系统的实例仿真检验所提出的方法在每一个步骤的有效性.最后,通过模型交叉确认,进一步证明了辨识得到的状态空间模型是精确的.     

经验模态分解在单相自适应重合闸中的应用

为了识别输电线路单相接地瞬时性和永久性故障,利用经验模态分解将电压暂态信号分解为若干个固有模态函数,选取代表信号较高频部分的前四层固有模态函数进行归一化,作为最小二乘支持向量机的输入特征量。大量EMTP仿真和Matlab计算表明该方法能很好地区分瞬时性故障和永久性故障,表明该方法具有更好的识别准确率。与BP神经网络进行了比较,证明了经验模态分解和最小二乘支持向量机应用于单相自适应重合闸中具有更快的识别速度。     

经验模态分解在单相自适应重合闸中的应用

为了识别输电线路单相接地瞬时性和永久性故障,利用经验模态分解将电压暂态信号分解为若干个固有模态函数,选取代表信号较高频部分的前四层固有模态函数进行归一化,作为最小二乘支持向量机的输入特征量.大量EMTP仿真和Matlab计算表明该方法能很好地区分瞬时性故障和永久性故障,表明该方法具有更好的识别准确率.与BP神经网络进行了比较,证明了经验模态分解和最小二乘支持向量机应用于单相自适应重合闸中具有更快的识别速度.     

结合经验模态分解能量总量法的断路器振动信号特征向量提取

为了检测出断路器的机械结构故障类型,本文分析了断路器机械振动信号的特性,提出基于经验模态分解(EMD)能量总量法与支持向量机(SVM)理论相结合的中压断路器振动信号的特征向量提取和故障分类的分析方法。首先将断路器的振动信号进行经验模态分解,得到所需要的内禀模态函数(IMF),通过离散采样点求能量总量的方法求出包含主要故障特征信息的各个内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,将测试样本信号的故障特征向量输入训练好的SVM,并对SVM及核函数参数进行遗传算法优化,采用"二叉树分类"支持向量机分类机制进行故障分类。经实验分析该方法能很好地识别出振动信号的差别及故障类型。     

电力变压器绕组轴向模态特性试验研究

为准确获取变压器绕组的轴向固有模态特性,以一台10kV变压器为研究对象,通过设计和搭建模态测试平台,得到了变压器绕组正常工况和典型故障下的轴向振动频率响应函数,综合抗差最小二乘法和多参考点最小二乘复频域法识别得到了变压器绕组的轴向固有模态参数。结果表明:加入抗差最小二乘法的识别方法可较为准确地得到不同状态下的变压器绕组模态参数;变压器绕组前4阶固有频率对应的模态振型具有较好的对称性;绕组松动和变形时,其前4阶固有频率均有所降低。研究结果可作为变压器绕组结构优化设计及机械状态在线监测的评价参数。     

架空输电线舞动方程建模及主共振分析

架空输电线舞动是造成线路损坏的主要原因之一,如何准确地描述输电线的舞动是一个值得关注的问题.首先通过哈密顿变分准则推导了输电线的偏微分舞动方程,然后将该方程无量纲化,计算了输电线面内对称模态以及反对称模态下的模态函数和线性频率,利用伽辽金法转化该偏微分方程为常微分方程,最后通过多尺度法分析Irvine参数对幅―频响应曲...     

配网变绕组绝缘击穿快速识别技术讨论

基于频响法检测的配网变绕组变形测试方法主要有传输增益法和阻抗电流法,传输增益法由于对硬件要求相对较低,获取的特征图谱简单直观,得到了大量应用。但对于匝间绝缘击穿现象,通过频响法尽管能发现异常但不能识别是否为匝间击穿故障。而早期的匝间绝缘击穿通过直流电阻等难以反映出来,因此本篇提出了基于阻抗电流向量分析方法用于配网变的匝间绝缘击穿快速识别,介绍了实现框架、测试注意事项,浅要分析了基于阻抗电流向量的匝间绝缘判别方法。     

基于APDL的矩形复合压电振子的优化设计

通过ANSYS模态分析,得到模态频率随尺寸参数的大致变化规律,进行尺寸参量的灵敏度分析,为设计变量的最终确定提供判断依据;通过建立矩形复合压电振子的ANSYS参数化模型,设定能够实现振幅与频率匹配、频率兼并的目标函数,期间依据模态知置信准则进行工作模态的识别,实现对振子的参数优化设计。最后经ANSYS优化程序得到压电复合振子最优尺寸参数,通过理论计算验证了该方法的可行性。     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

一种基于经验模式分解与支持向量机的转子故障诊断方法

转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。     

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解（EMD）对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。     

EMD密集模态识别研究及在电站厂房中的应用

针对传统经验模态分解(EMD)密集模态分解能力不足的问题,提出信号调频预处理和优化模态筛选准则相结合的改进方法。研究了模态筛选准则、迭代次数、信号调频与EMD模态分解能力的关系,并给出了信号调频的具体过程;提出基于窗函数、信号调频和改进EMD模态筛选准则的密集模态识别方法,并分别通过仿真信号和电站厂房实测振动信号的模态参数识别进行验证。试验成果表明,改进方法能够有效识别密集模态参数,为EMD应用于电站厂房等密集模态结构参数识别奠定了基础。     

基于小波支持向量机的围岩力学参数辨识

核函数形式对支持向量机(SVM)推广能力有重要影响,目前基于SVM的位移反分析中常用的径向基核函数(RBF)由于不能通过平移形成平方可积空间上的完备正交基,使得相应的支持向量机难以逼近该空间上的复杂多维函数,进而影响参数辨识的精度.小波函数恰具备这种特点,为此引入一种多维允许支持向量核函数--Littlewood-Paley小波函数,该核函数能够以其平移正交性逼近平方可积空间上的任意函数,从而提升支持向量机的推广性能;将Littlewood-Paley小波核函数与最小二乘支持向量机(LS-SVM)相结合形成一种新的岩体力学参数辨识方法,并应用于某抽水蓄能电站洞室围岩参数识别.分析结果表明,与RBF核函数相比,采用小波核函数的LS-SVM具有更高的识别精度,而且利用实测变形数据得到的辨识结果与试验值也较为接近,证明了反演结果的可靠性和所建议方法的有效性.     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

自然激励下某电动汽车白车身模态参数识别

为了研究电动汽车白车身的动态特性,提出了一种基于自然激励的结构模态参数识别方法。利用此方法对某电动汽车白车身进行了结构模态参数识别,得到了其前三阶结构模态参数。并将利用该方法识别的结果和传统方法识别结果进行了对比,发现固有频率最大误差为1.8%,阻尼比最大误差为13%,振型基本一致,进而验证了方法的正确性。之后利用识别的模态参数结合电动汽车工作特性,对该白车身的动态特性进行了评价。提出的方法不需要专用的激励设备,可应用于不易激励的大型、重型结构模态参数识别。模态参数识别的结果对电动汽车白车身动态特性设计具有一定的指导意义。