华龙一号海外首堆发电机注入式定子接地保护的应用

以华龙一号海外首堆发电机注入式定子接地保护调试试验为例,结合定子接地保护原理,介绍了20 Hz带通滤波器CSN-19的谐波调节、定子接地保护的短路阻抗补偿测试、并联电阻补偿等重要步骤,提出了试验中的注意事项,为后续华龙一号的调试工作提供借鉴.     

海外“华龙一号”（HPR1000）核电厂电源切换装置的原理及应用

通过对海外某华龙一号(HPR1000)厂用电接线方式和电源切换设计理念的介绍,分析了厂用电装置的切换和合闸的原理,并以核电站某次试验失败后事故工况下电源切换为例,对电源切换过程进行分析和验证,说明了核电厂事故工况下电源切换装置能可靠动作的原理,可对后续的核电机组调试提供借鉴.     

海外华龙一号发电机整组启动试验浅析

华龙一号核电机组并网时的丝毫偏差都会对电网的频率、电压的安全性和稳定性造成冲击,故并网之前必须严格按照要求进行发电机整组启动试验,借此查找和解决问题.通过介绍和分析海外华龙一号某机组发电机整组启动试验中的短路试验、空载试验等重要试验,发现并解决发电机各环节潜在的问题,为后续华龙一号的调试工作提供借鉴.     

海外华龙一号发电机匝间短路在线检测技术应用研究

以海外华龙一号某核电发电机转子匝间短路装置在实际工程案例中的应用情况为例,分析了基于探测线圈法设计的检测装置的原理、数据采集和处理过程、参数配置等,并对原理和参数配置进行了深入的分析和总结,为后 续四极核电发电机转子绕组匝间短路调试工作提供借鉴.     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

电厂主变出口开关误跳原因分析与处理

针对一起电厂主变出口开关误跳事故,根据电厂的保护配置、现场保护动作、报警信息,结合现场实际排查分析,得出由于非全相延时继电器的动作值与动作功率均偏小,导致抗干扰能力不足,引起本次主变出口开关误跳。通过更换非全相延时继电器,解决误跳故障问题。对类似的继电器进行整改,避免此类问题再次发生。     

华龙一号核电机组励磁系统动态试验

基于华龙一号核电机组励磁系统动态试验,介绍励磁和电压调节系统,阐述该试验的目的及方法,并总结试验注意事项,为此类试验的后续开展提供参考.     

齿轮性能退化评估的时序重构模型

齿轮性能退化评估是预诊断的提前和基础,针对概率相似度量评估方法存在模型复杂,容易过早饱和等现象,提出一种基于AR (Autoregressive model)模型和字典学习的齿轮性能退化评估的重构模型方法,其中AR模型用于提取齿轮振动信号的状态特征,字典学习通过正常状态下构建的字典模型(Dictionary learning, DL)对测试样本进行AR模型系数重构。首先提取正常运行状态下振动信号的AR模型系数构建过完备字典模型,然后将待测信号的AR系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根误差作为性能劣化程度指标。全寿命疲劳实验数据分析结果表明,与传统时域指标相比该方法对早期故障更敏感且具有与齿轮故障发展趋势一致性更好等优点。     

基于形态学处理的仪表指针提取算法

指针式仪表被广泛应用在工业检测等诸多领域,目前指针式仪表检测朝着自动化和智能化的方向发展。指针特征提取是指针式仪表检测系统中极为关键的技术,针对仪表表盘环境复杂、指针的粗细不一等因素导致的指针特征提取困难问题,提出了基于形态学处理的仪表指针提取算法。首先将获取的图像经过图像增强处理、中值滤波、otsu算法获得干净的二值化图,其次将反转后的二值化图经过形态学处理,最后输出提取结果。实验结果表明:该算法在损失极少量指针长度的情况下能够更为精确有效的提取指针信息,解决“双边缘效应”现象和复杂表盘环境下无关信息对指针特征信息的干扰,从而可以提高仪表检测的精确程度和仪表检测系统的适用性,对指针式仪表检测系统的读数识别研究具有重要意义。     

基于多尺度熵与SOM神经网络的滚动轴承故障识别

滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy, MSE)和自组织特征映射(Self-organizing Feature Maps, SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。