利用FDM和随机共振检测风机主轴承微弱旋转信号

轴承作为风力发电机设备中重要部件,其健康状态直接影响风力发电机运行的稳定性和现场的安全可靠性.由于风力发电机特殊的工作环境,导致采集到的振动信号中包含大量的噪声干扰,难以准确提取轴承振动信号包含的信息成分,给评估主轴承健康状态带来困难.因此本文采用将傅立叶分解(Fourier decomposition method,FDM)和随机共振(Stochastic resonance,SR)相结合的方式提取信号中微弱的轴承振动信息.首先用FDM将原始信号自适应地分解为一系列包含轴承振动特征的傅立叶频带函数,然后找出相关性大的频带函数进行重构,最后采用SR对重构信号进行分析获得特征频率,判断轴承的健康状态.结果 显示,将两种方法相结合能有效提高输出信噪比,提升特征频率检测的精度,为实现风机轴承早期微弱故障诊断提供帮助.     

多机电力系统非线性自适应励磁控制器的设计

为了增强多机电力系统的动态稳定性,提升电力系统平抑负荷扰动的能力,本文提出了一种基于自适应反步技术的非线性自适应励磁控制方案.由于发电机的机械功率和阻尼系数受系统运行状态的影响,因此可以直接视为未知数,利用自适应定律估算出来这些未知量.根据李雅普诺夫(Lyapunov)函数的形式推导出自适应规律,保证发电机的转子角速度、机端电压、输出功率等不同物理量均收敛.然后在4机11母线的电力系统输电线路上仿真三相短路故障,测量转子转速偏差,对所提出的控制方案进行评估,并与现有的反步控制器和常规电力系统稳定器(CPSS)进行了比较.根据仿真结果,本文所提出的方法比现有的两种控制器的控制效果更有效.     

一种基于SVD的改进LTS气动数据异常检测方法

用稳健的最小截平方和(LTS)估计检测气动数据中的异常,但气动数据是海量和高维的,使得LTS要求解的矩阵维数很大,造成巨大的时空开销.为此,引入迭代的奇异值分解(ISVD)求解LTS的最小二乘问题,实现更快的异常检测.实证分析采用某飞行器外形数据,分别运用OLS,FastLTS以及ISVD-FastLTS对数据集进行异常检测和对比分析.实验证明,相比于传统方法,ISVD-FastLTS能更加快速且准确地识别异常值.     

安徽马钢炼铁总厂在抢修作业时发生事故 致4人死亡

2022年2月6日上午10时20分左右,安徽省马鞍山市马钢炼铁总厂带式焙烧机脱硫脱硝作业区一料仓本体漏灰,1名设备管理人员带领5名作业人进行抢修作业时,灰斗本体突然开裂,大量脱硫灰冒出,4名作业人员从四楼平台被冲击到二楼平台,4人送医院抢救,其中3人抢救无效死亡,1人目前生命体征平稳;另1人手部轻微灼伤;另1人被掩埋,17点被搜救出,已无生命体征。事故原因还在进一步调查分析中。     

瞬变电磁井间勘探的全空间几何因子

井间是剩余油的主要分布区域,为探测井间剩余油,提高采收率,提出了基于全空间几何因子的瞬变电磁井间勘探方法。在本井使用线圈发射、邻井使用线圈接收,根据瞬变电磁场理论,在阶跃信号的激励下发射线圈在地层中激发出沿圆周方向的闭合瞬变电场,该电场在导电地层中产生与地层电导率呈正比的涡流。由Doll地层环模型可知,地层中的涡流在空间任意点激发得到与地层电导率成正比的二次场响应信号(有用信号),并可表示为空间各点电导率的加权平均值,其权重即为井间瞬变电磁勘探的全空间几何因子;全空间几何因子集中分布在发射线圈和接收线圈附近,其它区域分布较少,在发射线圈和接收线圈两侧呈现不同的极性;对瞬变电磁响应与地层电导率、井间距和源距的变化规律研究可知,瞬变电磁井间勘探有用信号随着地层电导率的增大而增大,随着井间距的增加单调减小,在发射线圈和接收线圈处于同一深度时该响应信号幅度最大。     

基于多分类支持向量机的隧道挤压大变形预测

介绍了隧道挤压大变形的危害,提出了一种基于四个参数即直径(D),埋深(H),支护刚度(K)和岩石隧道开挖质量指数(Q)的多分类支持向量机(SVM)方法,对隧道挤压大变形的预测进行了研究,解决了隧道变形多分类预测问题,提高了预测精度。     

具有函数尺度因子的有理分形曲线

带有常数尺度因子的分形插值,是描述具有明显自相似事物的一个有效工具,然而,它却难以精确地刻画自相似较弱的不规则数据.为此,提出一种具有函数尺度因子的有理样条分形插值方法.首先,在迭代函数系统中引入函数尺度因子,构造了一种仅仅基于函数值的带有形状参数的有理分形插值曲线;然后讨论了分形曲线的分析性质,包括分形曲线在尺度因子满足适当条件下的光滑性、分形曲线对插值数据扰动的稳定性以及分形插值函数的收敛性;最后,研究了分形曲线的计盒维数,给出了计盒维数的上下界.数值算例验证了该分形曲线造型的可控性和对噪声的鲁棒性;对海岸线数据插值时,该方法相比B样条、Bézier曲线和三次样条能更好地还原海岸线的粗糙程度;处理股票时序数据时,相比ARIMA和SVM方法,在RMSE等多项指标下更优.