基于INTERNET的压力管道容器腐蚀失效案例库

总结大量压力管道容器腐蚀失效案例，采用当前最流行的数据库技术（SQL Server）存储各种压力管道容器腐蚀失效案例数据，用ASP（Active Server Page）技术开发应用程序，实现了一个基于INTERNET的压力管道容器腐蚀失效案例库，库中有比较丰富的图文并茂的案例，可以进行多种查询。     

大型汽轮发电机组碰摩故障案例研究及分析

列举了近年来国内一些大型汽轮发电机组碰摩故障案例,对发生故障转子、部位及故障原因进行案例统计分析,得出碰摩故障的主要原因包括动静间隙调整过小、汽缸膨胀不畅以及汽封问题等,从振动频率、振幅变化、相位变化及其它相关特征归纳分析了碰摩故障的振动特征,进一步得出了常用的处理碰摩故障的措施,为大型汽轮发电机组安全运行提供了技术参考与借鉴依据.     

汽轮发电机组启机过程动静摩擦故障分析

汽轮发电机组启动过程中由于机组运行参数及状态不稳定,经常会发生轴承或轴瓦振动过大情况,动静摩擦及支撑刚度降低是两种常见的故障原因。根据某电厂2号汽轮发电机组在大修后启动过程中出现轴承及轴瓦振动过大问题,通过对机组启动过程振动数据分析,结合已有相似的案例,确定机组发生了动静摩擦故障,并且对轴承座存在支撑刚度降低导致共振的问题,进行了分析。     

裂纹转子弯扭耦合振动非线性特性分析

以非线性涡动影响下的水平Jeffcott裂纹转子为研究对象,分别建立了刚性支承的纯弯曲振动、弯扭耦合振动和轴承支承的弯扭耦合振动三种运动微分方程,针对三种模型,分析了裂纹转子系统响应的分叉与混沌特性。数值计算结果表明： 较大时,三种模型下的弯振分叉图均呈现出复杂的非线性特性,尤其在 附近,各种周期、拟周期和混沌响应交替出现,阵发性特点非常明显,系统由拟周期路径通向混沌。模型1、2的弯振分叉图特性基本相似,模型3则具有更为复杂的非线性特性。模型2、3的扭振分叉图与各自的弯振分叉图极为相似,且非线性特性也基本相同。分析结果有助于更充分了解裂纹转子的动力学特性。     

基于失效规则的机械装备腐蚀失效模式诊断

根据对现有的机械装备腐蚀失效案例和现有失效知识的分析和总结,提取应力腐蚀和腐蚀疲劳两种模式的腐蚀失效特征并依据这些失效特征建立相应的腐蚀失效判断规则,根据这些失效规则运用COM Wizard、数据库技术、可靠性技术建立有效的腐蚀失效模式诊断专家系统。该专家系统依据输入的腐蚀失效特征识别具体案例的腐蚀失效模式,以综合可信度作为诊断结果的评价参数。     

基于粗糙集的转子裂纹故障诊断研究

针对诊断转子裂纹故障时出现的许多不确定性的信息,信息的重要度不同以及冗余等问题,提出了一种基于粗糙集的裂纹故障诊断方法.利用粗糙集相对约简的不唯一性和不确定知识的表达能力,将诊断转子裂纹的相关特征参数进行模糊化及离散化处理,构建故障决策表.对故障征兆参数进行约简,去除冗余信息,求出集合的正域.根据依赖度和重要度关系,求出集合的核,作为诊断转子裂纹故障的规则,简化了诊断过程.实例表明,该方法能较大的提高转子裂纹故障诊断的效率和可靠性.     

汽轮机振动故障诊断知识信息服务系统

汽轮机组故障诊断推理过程大多在信息不完备的情况下进行,需要解决规则不确定性、推理不确定性及规则参数获取等问题。针对上述问题,依据故障诊断规则的充分性、必要性属性提出了基于双参数的加权推理方法。汽轮机组故障诊断的专家经验知识是故障诊断工作的重要保障,知识信息服务系统的研究是开发故障诊断专家系统的基础。文中设计并实现了结合数据库技术、网络技术的知识信息服务系统,实际工程应用表明,该系统具有广阔的应用前景。     

汽轮机振动故障诊断知识信息服务系统

汽轮机组故障诊断推理过程大多在信息不完备的情况下进行，需要解决规则不确定性、推理不确定性及规则参数获取等问题。针对上述问题，依据故障诊断规则的充分性、必要性属性提出了基于双参数的加权推理方法。汽轮机组故障诊断的专家经验知识是故障诊断工作的重要保障，知识信息服务系统的研究是开发故障诊断专家系统的基础。文中设计并实现了结合数据库技术、网络技术的知识信息服务系统，实际工程应用表明,该系统具有广阔的应用前景。     

基于网络的腐蚀失效模式和原因识别诊断系统及其应用

建立了基于网络的腐蚀失效模式和原因识别诊断系统,该系统综合了产生式和框架式两种知识表示方法表 示案例知识,推理机采用基于案例的推理方法。系统案例知识库中存储有压力容器压力管道相关的腐蚀失效案例, 失效模式包括应力腐蚀、腐蚀疲劳及晶间腐蚀等。该系统根据输入的腐蚀失效特征信息识别出腐蚀失效模式,以 相似度作为诊断结果的评价参数,解释发生腐蚀失效的原因。     

基于EMD-SE-LSTM模型的火电机组振动预测

在电厂中,汽轮机发生故障时通常会出现轴承振动异常的情况。为了在故障发生之前采取预防措施,准确预测汽轮机轴承振动成为预防故障的基础。然而,振动数据的强烈波动性导致了难以进行准确的预测。为解决这一问题,首先利用经验模态分解(EMD)将振动信号分解成多个分量,然后利用样本熵(SE)对这些分量进行分析,并将所得到的分量重构为趋势信号和波动信号。接着,利用具有注意力机制的长短时记忆网络(LSTM-Attention),将轴承振动相关的测点数据作为辅助变量输入,分别对趋势信号和波动信号进行预测。最后,将所得到的趋势信号和波动信号结果相叠加,得出预测的振动数据。为验证该模型的可行性和准确性,我们以西北某电厂的真实运行数据为例进行了实验。实验结果显示,所提出的模型相较于传统模型具有更小的误差。