基于模糊聚类的水电机组轴心轨迹多重分形特征识别

本文应用多重分形特征谱来描述水电机组轴心轨迹图形特征,结合常见水电机组轴心轨迹形状探讨了轴心轨迹多重分形谱特征提取实现方法;利用模糊C-均值聚类方法对多种故障的轴心轨迹多重分形特征值进行了聚类识别,其结果表明该方法可在多轴心轨迹样本情况下达到很好的分类识别,符合水电机组智能诊断的需要。     

基于神经网络技术的水轮发电机组轴心轨迹识别与故障判定研究

轴心轨迹图形包含了丰富的机组运行状态信息,轴心轨迹识别是判断水轮发电机组轴系故障的重要技术手段;神经网络技术是一种通过计算机程序模拟人类大脑结构功能的智能化技术思想,具有自学习的优点。本文首次提出采用神经网络技术通过仿射不变矩算法计算出特征向量,以特征向量作为数据分类依据识别轴心轨迹图形,从而达到故障判定的目标。数值模拟测试结果表明,该技术的故障识别率能达到95%以上,证明基于神经网络技术的水轮发电机组轴心轨迹识别算法对于机组故障诊断具有重要价值。     

基于三维不变线矩的发电机组导轴承三维轴心轨迹故障识别

现有的基于仿射不变矩的轴心轨迹分类方法仅支持对二维轴心轨迹的形状进行分类,不能对三维轴心轨迹进行分类。本文首先引入了一种基于特征点之间距离的均值和方差来进行分类性能评价的矩阵,验证了给出的三维不变线矩对同一形状的轴心轨迹保持仿射变换的不变性,并使用Quadratic SVM实现了对三维轴心轨迹和二维轴心轨迹的分类。数值实验表明,所提出的三维不变矩和SVM结合的方法能够有效对不同形状的轴心轨迹故障进行分类。     

汽轮发电机组轴心轨迹进动方向自动识别新方法

轴心轨迹是汽轮发电机组振动状态监测与诊断系统中的一个重要特征，轴心轨迹的自动识别包括形状，进动方向和稳定性3个方面，文中给出了一种自动识别轴心轨迹进动方向的新方法，首先整周期采集转子两个相互垂直方向振动位移信号，经拟合得到轴心轴迹图，然后截取某一旋转周期内的采样点，形成一平面复杂多边形，利用平面图形的平移旋转变换判断此复杂多边形各顶点的凹凸性和多边形在各项点处的旋转方向，从而得到轴心轨迹地进行方向，仿真和实验分析表明：该方法能有效识别常见轴心轨迹的进动方向。     

基于SVD的水电机组轴心轨迹自动识别

在水电机组状态检修系统中，轴心轨迹是诊断机组状态的一个重要特征。文中采用矩阵的奇异值分解（SVD）方法，利用奇异特征值作为特征向量，采取最邻近法对水轮发电机组轴心轨迹的自动识别进行了研究。介绍了方法的原理，并对几类典型的轴心轨迹的自动识别进行了仿真实验，结果表明该方法是有效、简单和可行的。     

基于灰色理论与不变性矩的水电机组轴心轨迹自动识别

在水电机组状态监测与诊断系统中,轴心轨迹是诊断机组状态的一个重要特征。文中 运用灰色系统理论的关联度分析方法,利用不变性矩作为特征向量,对水轮发电机组轴心轨 迹的自动识别进行了探讨。详细介绍了方法的原理和实际应用步骤,对3类典型的轴心轨迹 的自动识别进行了仿真试验,结果表明,该法是有效、可行的。     

基于频谱及轴心轨迹图的汽轮机故障诊断

采用频谱及轴心轨迹图的方法提取仿真台得到的故障振动信号特征,分别建立子BP神经网络,并采用D-S证据理论对子BP神经网络的输出进行融合(多层信息融合)方法,从不同侧面对故障进行诊断。结果表明:采用多层信息融合方法的故障诊断置信度比频谱方法提高约0.03,比轴心轨迹图方法提高0.4,效果显著;对故障类型的识别准确率具有显著提高。     

示波器在旋转机械故障诊断中的应用

本文介绍一种转轴振动的直接测量的方法，并利用在示波器上显示轴心轨迹图，时基图对振动的幅值，相位，频率等振动特性进行了分析。还将根据轴心轨迹图的变化对机组的典型故障进行简易诊断。     

基于粒子群算法与改进BP神经网络的水电机组轴心轨迹识别

在水电机组状态检修系统中,轴心轨迹是判断机组状态的一个重要特征.该文提出边缘检测和矩特征提取相结合的方法,利用粒子群寻优算法来获取与待识别样本最接近的已知样本,应用改进的BP神经网络进行识别,将轴心轴迹的不变性矩作为神经网络的特征参数,对几种典型的轴心轨迹进行了辨识.某水电站机组试验表明该方法识别速度快、精度高,具有较高的实用价值.     

基于新的广义粒子群方法的发电机组轴心轨迹提纯

针对发电机组等旋转机械轴心轨迹图的特点,结合案例提出一种新的广义粒子群思想,并将这一新的广义粒子群优化方法用于轴心轨迹提纯。将轴心轨迹图作为粒子群,建立粒子运动模型,阐述了广义粒子群方法的提纯和去噪机制,并给出了广义粒子群–模拟退火算法。通过转子振动试验平台上的模拟测试实例验证了该方法提纯轨迹的效果;对提纯后的轨迹图反演振动信号的分析表明,该方法去噪效果优于数学形态学滤波方法。该方法实现简单,是一种有效实现轴心轨迹提纯的新方法。