基于模态叠加法的风电机组塔架实时状态研究

振动模态是机械结构在某一自振频率下的振动型态,是多自由度系统的固有属性。在模态分析的基础之上,提出一种基于模态叠加法的风电机组塔架振动状态与应力状态计算模型。该模型首先通过有限元法得到塔架的模态,然后通过模态叠加法根据塔架各监测点处的振动值计算得到整个塔架的振动状态及应力状态。以某风电场2.0 MW风电机组为例,通过有限元法数值模拟验证该模型计算结果的准确性。研究结果表明,该模型具有精度高和速度快的特点,能够满足实时在线计算要求。

大型旋转机械转速测量中径向振动对输出信号的影响研究

轴系的瞬时转速是反映大型旋转机械工作状态的重要基础参数。转速敏感模块的输出信号直接影响测试系统的准确性,其中,测速齿轮-电涡流传感器是重要的转速敏感元件。本文研究了大型旋转机械轴系径向振动对电涡流传感器的输出信号的时域、频域波形及整体趋势等方面的影响。结果表明:径向振动中平行分量产生的低频信号会叠加在测速齿轮输出的时域信号的包络波形上,影响输出信号的包络幅值、整体幅值,进而极大影响转速提取的准确性。径向振动的垂直分量对测速齿轮的输出信号产生了调频效应,影响程度随“垂直比位移”的增大而增大。

超超临界二次再热机组轴系稳定性研究

超超临界二次再热机组是提高火电厂发电效率的有效途径。相对于传统的一次再热机组,该型机组在结构上增加了超高压缸,其轴系结构与支撑方式都具有新的特点从而体现出不同的动力特性。以上海汽轮机厂生产的1000MW超超临界二次再热机组为研究对象,通过计算流体力学研究了不同负荷下的汽流激振力,并通过有限元数值模拟定量分析了机组负荷对轴系稳定性的影响及其变化规律。研究结果表明:随着负荷的增大,汽流力在一定程度上会降低轴系的稳定性;然而,轴系稳定性主要取决于转子-轴承系统本身,汽流力的影响并不显著。

基于LSTM的风机滚动轴承剩余寿命预测研究

滚动轴承作为风机的关键部件,其状态监测和剩余寿命预测对机械的稳定运行具有重要作用。剩余寿命预测(Remaining Useful Life,RUL)不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用关键零部件的工作能力。基于长短期记忆网络(Long Short-Term Memory LSTM)对滚动轴承的剩余寿命进行预测,首先对滚动轴承数据进行时域、频域、时频域的故障特征提取,将提取特征作为预测模型输入;将一部分样本作为训练集输入LSTM预测模型,分批次输入模型进行训练,并调整网络参数,建成模型后利用测试集进行测试。相比于支持向量机(Support Vector Machine,SVM),基于LSTM网络的寿命预测模型能够充分利用全生命周期时序数据的前后关联信息,对滚动轴承寿命预测具有更高的准确率。

基于模型融合的风电机组齿轮箱故障诊断

针对单视角特征及单一模型对齿轮箱复合故障的诊断准确率较低的问题,提出基于比例冲突分配规则的模型融合故障诊断方法。首先,对齿轮箱振动信号进行特征提取,针对复杂复合故障,从时域及时频域角度构造特征;然后,将多视角特征送入多个子模型中进行初步诊断,得到互补性强的诊断结果;最后,模型输出的分类概率由第6类比例冲突分配规则(PCR6)进行融合。实验证明该融合模型所得出的结果稳定性较高,并在一定条件下可提高故障诊断的准确率。

基于CAE和CNN的变工况下滚动轴承智能故障诊断研究

针对变工况下滚动轴承的状态评估问题,提出了一种基于卷积神经网络(CNN)和卷积自编码(CAE)的故障诊断方法:首先将单一工况下有标签的数据和变工况下无标签的数据输入到CAE的编码器中,得到特征参数矩阵F;然后将由单一工况下数据得到的F输入到CNN轴承故障诊断模型中,得到状态类型并计算损失,将由全部数据得到的F输入到CAE的解码器得到重构数据并计算损失,根据这两个损失之和进行反向传播训练;最后将变工况下的数据输入到CAE编码器和CNN模型中得到状态类别。结果表明:CAE使不同工况下的数据经过编码器后得到的F分布更为接近,CAECNN模型的故障诊断准确率高于97%,可有效应用于变工况下滚动轴承的智能故障诊断。

基于大数据挖掘的火电厂辅机状态评估系统

设备的智能化状态评估和预测维修是构建智慧能源的核心要素之一。以转子动力学、现代信号处理和人工智能技术为基础,开发了基于历史大数据挖掘和人工智能算法的火电厂辅机状态评估系统。该系统采用分布式数据采集器构建辅机状态监测网,通过多源信息深度融合分析技术,实现了火电厂主辅机运行状态的智能评估,现已成功应用于国内某大型火电厂。

基于OCSVM的火电厂一次风机异常检测

提出了一种基于单分类支持向量机的火电厂一次风机异常检测方法。首先,采用分帧加窗的预处理方法,对一次风机各测点的时域信号提取日平均时域特征,并结合测点原始数据构建特征向量;其次,将训练集特征向量送入单分类支持向量机分类器,构建异常检测模型;最后,利用测试集对模型进行性能评估。理论分析和实验结果表明:所提取的时域特征和构建的单分类异常检测模型对一次风机异常具有明显的辨识度,能有效对一次风机异常状态进行检测。

基于自适应变分模态分解的滚动轴承故障诊断研究

滚动轴承是旋转机械中应用最广泛的零部件之一,其健康状态直接影响着整个设备的安全运行。针对强噪声环境下滚动轴承早期故障特征微弱、故障识别困难这一问题,提出了基于自适应变分模态分解的滚动轴承故障诊断方法。首先,采用变分模态分解将原始振动信号分解为一系列模态分量,并基于中心频率的分布距离自适应优化模态分量的个数;然后,根据分解结果的峭度值得到冲击性最强的有效分量;最后,对该分量求包络谱以提取不同故障类型对应的特征频率。实验结果表明,该方法能较准确地提取出故障特征,实现滚动轴承健康状态的准确识别。

基于特征融合的风机滚动轴承故障诊断研究

针对电厂风机滚动轴承的故障诊断问题,提出一种基于运行参数与振动信号特征融合的故障诊断方法。首先,提取滚动轴承振动信号的时域及频域特征;其次,采用线性局部切空间排列对振动信号特征参数和转速、负荷等机组运行参数进行融合与降维;最后将融合后的特征向量作为极限学习机的输入,得到故障的识别模型。理论分析和实验结果表明:特征融合的故障诊断方法对不同滚动轴承故障具有明显的辨识度,能有效地实现风机滚动轴承故障的自动判别。

基于深度卷积神经网络和支持向量机的NO_(x)浓度预测

NO_(x)浓度的准确预测对于燃烧优化控制至关重要,有利于提高能源利用效率和减少环境污染。提出了一种基于深度卷积神经网络(deep convolution neural network,DCNN)和支持向量机(support vector machine,SVM)的NO_(x)浓度预测方法。该方法首先利用DCNN对火焰图像的深层特征进行提取,然后采用支持向量机对所提取到的深层特征进行分析,从而实现NO_(x)浓度预测。通过采集4.2MW重油燃烧锅炉不同燃烧工况下的火焰图像与NO_(x)浓度,对所提出的预测方法的有效性进行测试。试验结果表明,在不同燃烧工况下,DCNN-SVM的均方根误差为1.58mg/m^(3),低于基于静态物理特征的预测模型(7.96mg/m^(3))。表明DCNN-SVM具有较高的预测精度,不仅克服了静态物理特征表达能力的不足,而且摆脱了繁琐的特征设计过程。

基于注意力模块及1D-CNN的滚动轴承故障诊断

针对传统的卷积神经网络对特征的辨识性差的问题,提出一种将注意力模块与一维卷积神经网络相结合的滚动轴承故障诊断模型。首先以加入噪声的振动信号作为输入,利用“卷积+池化”单元提取信号的多维特征,然后通过注意力模块对特征赋予不同的权重,利用双池化层取代传统卷积神经网络中的全连接层进行特征的再次提取及特征信息整合,最后通过Softmax层完成轴承状态分类。实验表明,该模型诊断准确率可达99%,与传统模型相比,其准确率更高、收敛速度更快、训练过程更稳定、变负载情况下泛化性能更好。

基于数据驱动的卷积神经网络电容层析成像图像重建

针对电容层析成像技术的图像重建问题,提出了基于数据驱动的卷积神经网络图像重建方法。根据气固两相流的流型特点,通过数值模拟的方法随机生成了60000组介质分布图像,并利用有限元法计算了与之对应的电容向量,从而建立了一个"电容向量-介质分布"数据集;然后根据电容层析成像图像重建特点建立了卷积神经网络模型,对数据集中的训练集进行学习和训练,并利用测试集对训练结果进行了验证与评价。在此基础上,对获得的ECT图像重建卷积神经网络模型进行了静态实验和流化床测试实验研究。模拟和实验结果表明:所建立的卷积神经网络能较好地实现ECT图像重建,可直接用于流化床内的颗粒浓度分布测量。

基于RSBLMD算法的风机滚动轴承早期故障诊断

针对滚动轴承的早期故障诊断问题,提出一种基于有理样条插值的局部均值分解(RSBLMD)算法,并将其应用于滚动轴承早期微弱故障的诊断。采用优化的有理样条插值算法构造信号的包络线,并通过RSBLMD算法将原始信号分解为一系列乘积函数(PF)分量;根据峭度筛选出分解结果中包含故障信息较多的有效分量;最后通过对有效分量的包络谱分析实现滚动轴承的早期故障诊断。结果表明:所提出的RSBLMD算法具有更高的分解精度,能准确识别出滚动轴承的早期故障。

模型参数对卷积神经网络电容层析成像图像重建的影响

卷积神经网络凭借其较强的非线性拟合能力,在电容层析成像图像重建中逐渐得到应用。本文针对卷积神经网络模型超参数调节问题,研究了模型参数对卷积神经网络电容层析成像图像重建的影响。首先,通过数值方法构建了包含80000组随机流型与40000组典型流型的“电容矩阵-介质分布”数据集;然后,通过该数据集中的训练集对不同超参数的卷积神经网络模型进行训练和验证,并系统研究了网络初始化、网格密度、卷积核数、全连接层神经元数以及隐藏层结构等超参数对图像重建精度的影响;接着,利用额外生成的12000组数据作为测试集对各网络模型性能进行评价;最后通过静态实验,对不同网络模型的图像重建效果进行了比较和分析。结果表明:网络隐藏层结构对图像重建精度影响较大,而网络初始化、网格密度、卷积核数以及全连接层神经元数等超参数对重建精度影响较小。

基于改进深度森林的旋转机械故障诊断方法

为了解决深度神经网络受限于超参数和数据量问题,提出一种改进的深度森林模型,实现旋转机械故障的高效诊断。首先利用多粒度扫描环节对初始输入数据进行特征提取得到概率特征,然后在与多粒度扫描层级联的地方添加stacking层对输入数据进行相应的特征提取工作,最后将经过多粒度扫描和stacking层处理后的数据输入到级联森林中得到分类结果。试验结果表明,改进的深度森林模型故障诊断准确率为99.59%和98.05%,且优于常用的故障诊断模型。

测速齿轮相对面积对电涡流传感器输出电压的影响

轴系的转速是旋转机械系统的基础参数,齿轮-ETC是其广泛应用的测量方法。齿轮表面的齿槽相间结构导致连续面积较少,而连续面积与ETC探头面积之比(相对面积)直接影响ETC的输出特性乃至转速提取,齿轮齿数是影响测速齿轮相对面积的重要因素之一。通过ETC在不同齿数齿轮情况下的动静态试验及输出特性模型研究,结果表明:ETC总输出电压信号包括静态偏置电压、动态电压及干扰电压;相对面积减小导致静态偏置电压及动态电压的幅值降低;相对面积过小会使干扰电压在总输出电压中所占份额增大,相对误差随之增大,对其直接调制所获取的转速结果相对误差也会增大。

基于应变的多平面动平衡检测方法

针对动平衡试验过程中配重面与不平衡面不一致而导致的转轴弯曲变形问题,提出了一种基于应变的多平面动平衡检测方法。采用转轴受力分析模型,在旋转坐标系下通过转轴各截面应变平均值计算出不平衡力。在转子试验台上对单轮盘和多轮盘上的不平衡量进行检测,并与不平衡量的实际结果进行比较。结果表明:不平衡量的检测结果与实际结果之间的误差较小,表明本方法可以准确检测出多轮盘上的不平衡量。

基于超分辨率重建技术的遥感图像小目标检测

针对传统舰船遥感图像存在背景复杂和信息模糊等问题,提出一种基于超分辨率重建的舰船遥感图像小目标检测算法.该方法首先通过超分辨率重建技术对信息模糊的原始遥感图像进行清晰重建,防止重建图像过程中出现过大的固有特征损失和过于平滑的梯度变化.在此基础上建立Faster R-CNN网络,自动提取图像数据集目标特征,准确地实现舰船遥感图像中的小目标识别.实验结果表明,基于超分辨率重建的检测算法的综合效率达到65.5%,相比传统算法提高12.9%.由此证明,改进后的算法能够有效克服目标尺寸小和识别背景复杂所带来的检出率低和准确率差等问题.

基于圆环状电容传感器的颗粒流动参数测量

针对气固两相流参数测量中电容传感器的温度漂移问题,提出一种新型圆环状电容传感器结构,配接相应的电容检测电路,可同时获得两个电容信号,标定后可实现颗粒浓度的测量。结合互相关数据处理技术,还可以实现颗粒速度的测量,进而可以计算颗粒流量。进而开发了基于圆环状电容传感器的颗粒流动参数测量系统,并对其性能进行了实验评价。结果表明:提出的新型传感器结构能够有效降低传感器的温漂;开发的圆环状电容传感器测量系统可对颗粒流动参数进行可靠的在线测量。