摘要：提出了一种结合奇异谱分析(SSA)和基于注意力机制的双向长短期记忆(BiLSTM)深度网络的传感器故障诊断方法。首先,利用SSA对传感器信号进行预处理,得到信号的趋势项和周期项;其次,将预处理得到的时间序列输入带有注意力机制的BiLSTM深度网络进行训练,得到分类器模型;最后,采用某9F级燃气轮机运行数据对该方法进行训练、验证和测试。结果表明:测试集的诊断准确率可达96.5%,该方法能有效解决故障信号稀疏性和幅度微弱性造成的传感器故障诊断精度低的问题。

摘要：将一维时间序列数据通过格拉姆角场转换为二维图像,利用方向梯度的直方图完成图像特征提取,利用多分类的支持向量机完成故障分类。基于某电厂9F燃机实际运行数据,在正常数据上叠加带有噪声的5类常见典型故障信号,以验证所提方法的有效性,并采用混淆矩阵进一步对故障分类结果进行可视化。结果表明:所提方法能有效识别微小渐变故障信号,故障的分类准确率为96.6%;格拉姆角场和马尔可夫转换场均具有较高的故障分类准确率。

摘要：建立了输电塔线耦联体系模型,对所建单塔及塔线耦联体系模型进行模态分析,验证了所建模型的准确性.对脉动风进行时程模拟,分段作用于塔线体系不同位置.根据阻尼器的工作原理和输电塔结构特点,设计了3种不同的阻尼器布置方案,对不同方案进行结构风致振动瞬态响应仿真,提取各方案控制点位移和加速度时间历程进行比较分析.结果表明:安装形状记忆合金(SMA)阻尼器对于输电塔风振有较好的控制效果,在3种布置方案中,将阻尼器交叉布置在塔身的中上部时具有最好的减振效果.合理设计阻尼器布置方案能使阻尼器发挥最大耗能功能,获得最好控制效果.