基于HVD的振动故障诊断方法研究

由于旋转机械振动信号具有非线性、非平稳性,为了准确诊断故障,介绍了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)的振动信号时频分析方法,并在此基础提出了HVD边际谱和时频三维谱用于振动信号的进一步分析。通过与经验模态分解(Empirical Mode Decomposition,EMD)方法对比发现,HVD方法克服了模态混叠和幅值失真缺陷,具有更高的分解精度,而且其边际谱和时频三维谱更加清晰地展示出信号各频率的变化情况。对仿真信号及转子实际振动信号进行实验研究,清晰地展现了故障特征,取得了良好的分析效果,证明了HVD方法及其边际谱、三维谱在处理非线性、非平稳问题上的有效性。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于近似熵和集成经验模态分解的转子多故障诊断方法研究

为了提高汽轮机转子多故障分类的准确率,提出一种集成经验模态分解(EEMD)、近似熵和支持向量机相结合的多状态分类方法。首先进行EEMD得到各频段的单分量信号;再求出熵值作为故障信号的特征向量输入到基于二叉树的支持向量机中实现多状态分类。对比近似熵、模糊熵和能量法这三种方法,实验结果验证了利用EEMD和熵理论相结合的方法量化故障信号非线性特征的正确性。同时也表明在欧氏空间中,近似熵值组成的特征向量彼此间的距离最远,分类效果也最好。     

遗传算法对SVR风速预测模型的多参数优化

实验分析发现:通过相空间重构法求出的嵌入维数E和时间延迟τ往往不是支持向量回归机(SVR)预测模型的最优参数。针对此问题,建立了一种基于遗传算法(GA)的多参数同步优化的SVR预测方法。利用GA方法对E、τ和SVR模型中的惩罚因子C、核函数宽度γ进行同步优化获得全局最优解,建立SVR风速预测模型。对比单纯优化C、γ的模型,以2组风速数据为例进行实验研究,建立的模型预测误差约为6.56%和7.74%。而对比模型的误差为12.00%和9.30%。这一结果表明,同时对E、τ、C、γ进行优化的模型相对于单纯优化C、γ的模型,预测精确度大大提高。     

核电主泵密封泄漏水阀误关闭探究

核电主泵静压轴封在实际运行中，可能出现一号密封阀门误操作关闭的状态，造成二号密封压力升高使一号密封压差降低，严重时会损坏一号密封；以法马通(FRAMATOME)的100型轴封为样品，通过流固热耦合分析模型以及特制的试验台架，从仿真模型计算、台架静态和动态方面研究一号密封泄漏阀误关闭时对主泵运行参数的影响。