基于小波预处理的HHT方法在水轮机振动诊断中的应用

提出了基于小波去噪、降采样和HHT变换的方法。该方法先利用小波进行信号去噪,克服噪声对EMD分解的影响。其次,为获得正确的IMF分量和Hilbert谱,采用降采样方法对信号进行重采样,继而得到适当的采样率。最后,进行EMD分解提取具有明确物理意义的水轮机振动模式分量信号,再对各分量信号进行Hilbert谱分析,从而识别信号的异常频率和发生时间。并将该方法应用于某电站1号机组振动信号分析,结果表明,基于小波预处理的水轮机振动信号Hilbert-Huang变换方法能对机组性能做出良好评价,值得推广应用。     

基于组合优化方法的平面叶栅优化设计

采用奇点分布法与贝塞尔(Bezier)曲线参数化方法相结合的平面叶栅设计方法进行叶栅的初步设计与参数化表达。该方法在完成设计的同时为基于现代优化算法的叶栅粘性流动最优化设计提供设计变量,以实现叶栅翼型的变形控制。然后结合N-S方程流场数值模拟,采用多目标遗传算法(NCGA)和序列二次规划法(NLPQL)组合的优化算法,通过调节叶栅翼型的形状控制参数对叶栅的总压损失和空化性能进行了优化。结果表明,优化效果良好。     

混流式转轮上冠型线变化对水轮机水力性能的影响

为了获得水电站水轮机技术改造中混流式转轮上冠型线变化时水轮机水力性能的变化规律,本文以某混流式水轮机模型转轮为研究对象,在原转轮上冠型线的基础上,提出了四种改型的上冠型线方案,采用CFD方法对不同上冠型线的转轮内部流动特性、能量特性、空化性能及过流能力进行了数值模拟和对比分析。结果表明:上冠型线的适当上抬可以增大转轮的过流能力,并且改善转轮在大流量工况下的能量特性和空化性能;但过高的上冠型线对小流量工况下的叶道涡的位置和强度有负面影响;与原转轮相比,方案4的效率略有提高;小流量工况时,上冠型线越高,叶道涡的位置越靠近叶片头部,且涡的强度越大,从而使转轮效率降低;大流量工况时,上冠型线上抬可能导致叶片进口靠上冠部分出现回流,进而导致压力分布不均匀;上冠型线的改变对最优工况下转轮效率和内部流动特性影响较小;可以为水轮机技术改造中转轮的改型设计与性能预估提供必要的参考。     

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TMS320F2812的励磁控制器的设计与实现

文章介绍了一种以TM S320F2812为控制核心的励磁控制器,利用其数据处理能力强、片内外设丰富的特点,实现了交流采样、频率测量、移相触发等功能。试验表明,该励磁控制器已达到国标要求,TMS320F2812能够很好地满足励磁控制器的要求,具有良好的应用前景。     

泵技术进展与发展趋势

泵作为一种典型的水力机械,在国民经济中扮演着重要的角色,其技术进展一直受到多个行业的关注。在各种应用需求的驱动以及材料、力学、信息和计算机等相关学科的带动下,泵理论和技术研究已取得巨大进展。人们对泵内流机理和运行特性的认识更为深入,数字化设计和信息化运维已得到广泛应用,泵产品已逐步具有生态友好和智能化特征。本文以2000年以来泵领域所取得的进展为重点,围绕旋涡泵、离心泵、混流泵、轴流泵和贯流泵等叶片式泵,从产品应用需求出发,针对泵的水动力学、设计技术、振动噪声、节能与运维技术等四个部分对技术进展进行综述,并对泵的发展趋势进行总结和展望。     

转速对涡旋液泵空化性能的影响

基于空泡动力学和两相流理论,采用Schnerr-Sauer模型,运用动网格技术对涡旋式液泵不同转速下的空化特性进行了数值模拟,得到不同转角下流场内空化发生位置和强度随着转速的变化规律,以及气液相的分布情况。结果表明:涡旋液泵低转速时不易发生空化,随着转速的增加,空化加剧且多发生在啮合间隙处及吸液腔内,转角较大时在动盘外壁面处也有较为严重的空化发生;随着转速的增大,泵进口流量增大,由于空化的加剧效率降低。     

水电机组振动故障诊断的人工神经网络选择研究

引起水电机组振动的原因很复杂，而且水电机组的振动故障往往是多故障同时发生，使得故障诊断很困难，目前主要是应用基于模式识别的神经网络来进行故障分类，但如何选择故障诊断的神经网络一直是个难点。文章研究了3种人工神经网络，即反向传播网络（BPN）、概率神经网络（PNN）和学习矢量量化网络（LVQ）对水电机组振动故障诊断性能的影响。结果表明，人工神经网络的结构和算法，包括相关训练参数的选择对故障诊断性能有着重要影响。比较而言，学习矢量量化网络和概率神经网络在分类能力方面要比反向传播网络好一些，概率神经网络在计算负载方面比学习矢量量化网络要更胜一筹。     

偏工况下离心泵叶轮内失速特性研究

旋转失速是离心泵内部常见的一种不稳定流动现象,通常发生在小流量工况下,会引起水泵运行时的性能不稳定,严重时会引起整个泵系统的共振。采用CFD方法对某离心泵内的失速现象进行数值模拟,并从外特性曲线、内部流动状况及频域分析三个方面与已有的实验结果进行对比。采用阻塞系数来量化表达叶轮内部的失速状况。结果表明,在0.35倍最优流量（0.35Q0）下,在叶轮通道间存在着五个失速团,随着时间的推移,五个失速团在不同的通道之间以低于叶轮转频的转动频率在叶轮之间传播。对通道内部监测点的速度波动进行频域分析的结果表明,失速团的旋转频率约为叶轮转频的23.4%,即失速团的旋转角速度为叶轮转速的4.68%。而在0.41Q0工况下,由于此时造成失速的初始扰动还不足以使失速团相对于叶轮发生转动,离心泵内部出现了“固定失速”的现象。相比于旋转失速,在发生固定失速时,叶道中的阻塞系数波动较小,因此这是一种相对稳定的失速现象。同时,叶轮叶片数对失速的类型有着决定性的影响。