电厂阀门严密性的声发射检验

主要提出了利用声发射技术检验电厂阀门严密性的方法，该方法具有准确快速的特点，而且可以确定阀门的内漏程度，为检修工作提供了依据。利用该方法可以减少浪费，缩短检修工期，提高电厂的经济性与安全性。     

电厂阀门严密性的声发射检验

主要提出了利用声发射技术检验电厂阀门严密性的方法,该方法具有准确快速的特点,而且可以确定阀门的内漏程度,为检修工作提供了依据。利用该方法可以减少浪费,缩短检修工期,提高电厂的经济性与安全性。     

火力发电厂承压部件泄漏的声发射监测技术

火力发电厂高压加热器等承压部件泄漏时有发生,但在泄漏初期很通信班及时准确地查出泄漏部位。介绍了汽轮发电机组高压加热器泄漏声发射监测技术原理及声发射监测装置,应用声发射技术可以对火力发电厂高压加热器等承压部件实施在线监测。     

电磁声发射的实验与信号识别研究(英文)

电磁声发射技术是一种新型的无损检测技术,通过对金属部件进行电磁加载会在裂纹处激发出声发射信号,并利用这一现象实现对金属材料的无损检测。本文分析了电磁声发射技术的基本原理与实现过程,采用一种基于波形分析的神经网络模式识别方法,利用小波包变换提取出电磁声发射信号波形的识别特征参数,建立了由10个输入单元、18个隐含单元和单输出组成的人工神经网络识别系统。为了克服BP神经网络收敛速度慢的缺点,提出了一种输入单元数目可变的神经网络改进方法,实验表明该系统能够对有无裂纹板进行快速、准确的识别。     

声发射技术在高压加热器泄漏监测中的应用

火力发电厂高压加热器泄漏时有发生,但很难在泄漏初期及时准确地查出泄漏部位。军粮城电厂与东北电力学院合作,应用声发射技术在军粮城电厂成功地地高压加热器进行了在线监测。文章介绍了声发射技术在线监测汽轮发电机组高压加热器泄漏的原理及应用情况。     

声发射技术在高压加热器泄漏监测中的应用

本文介绍了声发射技术在线监测汽轮发电机组的高压加热器泄漏的原理及其应用。通过军粮城发电厂５号机的实时监测结果可以证实该方法是有效可行的。     

基于CNN的供热管道泄漏识别方法研究

为了快速识别出供热管道泄漏故障,以管道泄漏时产生的负压波特征,研究提出了利用卷积神经网络(CNN)识别压力数据的管道漏损诊断方法。通过搭建供热管道实验平台,采集了正常、泄漏、调阀三种工况下的压力数据作为卷积神经网络的训练集和测试集。对原始数据进行小波降噪处理,应用硬阈值的处理方法有效消除了噪声信号,同时在调阀工况中出现了强化特征,增强了卷积神经网络的分类能力。针对一维数据特征采用改进的AlexNet卷积网络模型对采集的数据进行学习及识别。结果发现,在对实验室数据测试中,CNN模型的平均识别正确率达98.39%。在对实际管网的验证中,三个热力站的泄漏数据均被正确识别,表明CNN模型具备良好的故障诊断能力。     

基于声发射信号的煤岩界面识别研究

为实现采煤机煤岩截割过程中滚筒高度的自动调节控制,提出一种基于声发射信号的煤岩界面动态识别方法,测试和提取不同煤岩截割比例条件下的声发射特征信号。采用时域分析方法得到不同工况下的时域指标,采用小波分析方法提取煤岩截割的声发射信号特征值,建立不同煤岩截割比例条件下声发射信号的最小隶属度函数,实现煤岩截割比例的实时在线监测。实验室截割实验测试结果表明,滚筒实际煤岩轨迹与截割煤岩轨迹之间差值的平均值、方差、标准差很小。实验结果验证了该识别系统的精确性与可靠性。     

声发射技术在GIS气体泄漏检测中的应用

气体绝缘金属封闭开关设备(GIS)中SF_6气体泄漏会在泄漏点形成气体湍流,产生超声波,根据这一特性,提出一种新的带电检测方法——声发射技术,该方法通过检测超声波信号,能够在带电的情况下,快速、准确对泄漏点进行定位。对其可行性进行了理论分析,并通过现场实验验证了其有效性。该方法为GIS气体泄漏检测提供了更加快捷实效的途径。     

管道微小泄漏内检测近场声信号特性研究

声学内检测法有较高的管道泄漏检测灵敏度,而目前对泄漏声源附近近场声信号研究较少。基于Lighthill声类比的流场-声场混合的仿真方法,计算了不同泄漏孔径、不同管道内压下整个近场计算域的声场分布。仿真结果表明,泄漏声源是一种宽频噪声,在大于特征频率的频段,信号衰减,之前则保持稳定;管内声信号是泄漏声源在管壁束缚下的频散传播,在小于一阶模态频率内,传播平面波,大于一阶模态频率有多个模态的反射波。根据仿真分析结果,选取1~3.1 k Hz频段作为泄漏信号特征识别优选频段,得到泄漏量与该频段内能量呈正相关关系。搭建模拟泄漏测试平台,测试球形内检测样机,结果表明,该检测器可检测0.15 L/min泄漏量,实验结果与仿真结果可较好的吻合。研究结论对近距离听声内检测方法在声传感单元选型设计、声信号处理等方面有理论指导意义。     

基于多源信号的单向阀内泄漏预测研究

单向阀作为液压系统重要元件,发生内泄漏故障时影响液压系统的工作效率和设备的安全稳定运行。针对单向阀内泄漏预测,提出了一种基于多源信号和布谷鸟搜索支持向量回归(CS-SVR)的单向阀内泄漏无损预测方法。首先建立单向阀内泄漏检测实验平台,获得不同工况不同故障特征下单向阀内泄漏的振动信号和声发射信号。然后利用小波包能量分析方法,提取两种信号最优频带重构信号的均方根值作为预测变量,并结合阀前压力建立基于布谷鸟算法优化的支持向量机回归(CS-SVR)的多源信号预测模型。最后,将模型进行对比分析。结果表明,布谷鸟搜索算法相对于网格搜索法(GS)和粒子群算法(PSO)对SVR模型参数寻优优势更大;基于多源信号输入的预测方法相对于单源输入的预测方法精确程度更高,同时该方法能实现不同压力、不同故障类别、不同故障程度的单向阀内泄率预测,平均相对误差为8.97%鲁棒性较高,为阀内泄漏无损检测应用技术的开发奠定了基础。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型，通过实验采集了局部放电超声,在一超声信号的时域，频域特征和时域压缩波形数据等特征提取方法，采用人工神经网络进行了局部放电的模式识别，获得了较好的模式识别效果，最后分析了影响识别效果的主要因素。     

基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

音频场景识别中非对称卷积和知识迁移方法研究

针对当前音频场景识别中训练数据量不足的问题,设计了基于知识迁移的非对称卷积声音场景识别系统.相较于现有方法利用音频场景识别数据集从头训练网络模型,该系统在其他任务训练好的网络模型上进行调整和训练,从而保留了源领域的有效信息.与此同时,该系统针对声学特征的特点,采用了非对称卷积模块来增强网络的特征提取能力.实验结果为该系...     

基于声发射技术的绝缘子放电识别用特征量研究

在进行绝缘子内部放电、污秽放电和电晕放电声发射试验的基础上,研究和寻找能够识别不同类型放电声发射波的特征量。根据不同类型的放电声发射波的差别,初选了15个特征量,分别反映了波形之间的差别和声发射波的变化及发展趋势。为减少初选特征量的信息重叠和冗余,在保证信息量的基础上,利用主成分分析法,把初选的15个特征量降维到3个互不相关的主成分指标,以减少识别计算量,加快识别速度。利用主成分分析后得到的新的主成分指标,可快速地进行放电类型识别和放电状态评价。     

基于声发射技术的绝缘子污秽放电监测

在绝缘子污秽放电存在声发射现象的基础上,提出了一种基于声发射技术监测绝缘子污秽放电的方法,并研制出绝缘子污秽放电监测装置。进行了大量污秽试验,试验结果表明．随着绝缘子污秽放电强度的加强,放电产生的声波信号也随之加强,信号脉冲的幅值增大,脉冲出现的频率也增大。绝缘子污秽放电产生的声波信号可以真实反映绝缘子污秽放电过程．通过监测声波信号可以判断放电的发展趋势及对电力系统的危害性。     

HHT在复合材料损伤声发射信号处理中的应用

为了研究Hilbert-huang在复合材料损伤声发射信号处理领域的可行性和有效性,介绍了小波变换和Hilbert-huang变换的基本思想和特点,然后对碳/环氧复合材料进行了拉伸损伤实验,提取其声发射信号,并分别利用HHT和小波变换进行了处理.通过对比发现,HHT在处理复合材料声发射信号方面具有更强的自适应性和更高的...     

炉内管道泄漏声检测与定位系统的研究现状

电站锅炉管道泄漏的声检测与定位系统,主要利用声学技术检测炉内管道的泄漏状态,并利用多传声器定位机理对泄漏点进行定位,有效地减少了由管道泄漏引起的非计划停炉.分析了该系统的关键技术,介绍了其发展概况及应用现状,提出了改进方向.     

基于多通道卷积双向长短时记忆网络的输电线故障分类

针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法.该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度.基于735 kV...