基于改进LMD的泵站摆度信号分析

局部均值分解(local mean decomposition, LMD)在分析非线性、非平稳信号时具有特有的分析能力,特别适合泵站机组摆度信号的分析.但是在信号分解为固有旋转分量的过程中,由于局域均值和包络估计函数在数据端点存在误差,会产生端点效应,严重时导致信号分解结果失真.针对这一问题,从全面考虑曲线幅值和几何形状相似性出发,提出基于灰色B型关联度和欧氏距离的端点效应抑制方法.为评价该端点效应抑制方法的抑制效果,提出分解前后的信号能量变化的评价标准.通过与原始局域均值分解算法、镜像映射法和波形匹配法等传统方法相比,验证该方法的有效性和优越性.仿真信号和泵站主轴摆度实测信号的应用表明,该方法能够有效地抑制端点效应,提高LMD分解过程中重构信号精度,更好地提取泵站机组摆度信号故障特征.     

热力学效应对水翼云空化非定常特性的影响

为了探究热力学效应对绕翼型云状空化非定常特性的影响,应用数值模拟的方法,分别从翼型周围温度场、空泡半径、当地空化数的角度分析了不同水温下热力学效应对空化发展的影响.依据模型试验使用的物理模型建模,采用考虑热力学效应的空化模型和基于密度修正的湍流模型(DCM)对攻角α₀=8°的水翼进行非定常云状空泡的数值求解,计算得到的空泡形态与试验结果吻合度较高.空化发生时,蒸发吸热使空泡内部温度降低,水体饱和蒸汽压力下降,空化的发展被抑制,最终附着空泡区域变小、变薄.同时,随着水温的升高,空泡半径减小,空泡扩散加剧,空化区域更加模糊.由于流场温度变化会导致流体物理性质的改变,因此采用考虑温度变化的当地空化数σ(T)可以更直观地反映流场温度变化对空化发展阶段的影响.     

基于卷积神经网络的水电机组轴心轨迹类型识别

针对常规水力机组故障类型识别需要人工参与、识别效率低下的问题,借助轴心轨迹图片蕴含的丰富信息,在引入细粒度模型对故障严重程度进行区分的基础上,提出了一种基于卷积神经网络的水力机组轴心轨迹类型的智能识别方法.该方法先建立了4种故障严重程度的评判标准和对应的2种水电机组轴心轨迹细粒度数据库;利用改进过卷积层与池化层参数的卷积神经网络模型对数据库进行了模拟计算,并和全连接网络进行了对比分析.结果证明该模型对轴心轨迹故障类型的识别率达到了98.75%,对严重程度的识别率达到了98.33%,该方法提出的关于细粒度分类的有量纲指标相比量纲一指标拥有更优的状态描述能力,也符合水力机组故障诊断的发展趋势,因此基于卷积神经网络技术的轴心轨迹识别算法对于机组故障诊断具有重要价值.     

“五一”期间汶上水产品质量安全“零事故”

“五一”期间，汶上县水利局多措并举强化水产品质量安全监管，全县未发生一起水产品质量安全事故，水产品质量安全形势总体保持较好态势。     

基于PCA-GA-BP神经网络的水电机组状态异常辨别方法

为提高机组异常运行识别效率与精度,提出基于主成分分析法和遗传算法优化反向传播神经网络(BP neural network)的机组异常状态检测模型.以机组实时记录传感器数据为样本,利用主成分分析法对多维数据进行降维操作,处理后得到综合变量.随后在此基础上搭建BP神经网络并利用遗传算法优化神经网络随机初始权值与阈值,完成对机组不同运行状态检测模型仿真训练.最后以某电站连续时间段内机组正常与异常运行状态下各部件传感器实时监测数据为样本分析,并将所提PCA-GA-BP算法与其他优化算法、传统算法进行对比,通过不同样本比例下的仿真训练试验验证该方法可行性.仿真试验结果表明:模型相较于传统BP神经网络,平均状态检测时间相对缩短84%,平均检测正确率相对提高2.5%,能在均正确率接近99%的基础上实现0.7~1.0 s内对机组异常运行的有效辨别,做到机组异常运行的精确辨别与早期预警.