摘要：在一台容量为600 MW的大型水轮发电机组上开展运行稳定性及转轮叶片动应力试验研究.通过固定在发电机大轴顶端的无线动应力测试仪,实时采集机组运行过程中叶片上30个不同位置的应变数据,离线分析在导叶不同开度工况下的水轮机转轮动应力变化规律和频率特征;在动应力试验进行的同时,采用另一套基于NI硬件平台的测试仪对机组的运行稳定性指标进行实时分析,将稳定性试验结果与动应力测量结果进行比较并做相关分析,发现机组在导叶小开度工况约30%设计流量时,叶片动应力达到比涡带区更高的峰值,此时蜗壳压力钢管部位以及尾水部位的压力脉动波形在频域上与动应力的频谱有一定的相似性,在动应力和压力脉动的频谱上都可以看到较为明显的导叶通过频率和谐波以及分布在20~50 Hz区间的丰富频率成分.

摘要：针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型。首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。使用Spectra Quest机械故障综合模拟试验台实测数据集对模型进行验证,试验结果表明,与多层感知器、LSTM网络以及经典的LeNet5、AlexNet、VGG相比,所提出的CNN-LSTM模型的分类平均准确率可达99%以上,且模型结构比其他模型更简单,训练时间更短;同时,通过K折叠交叉验证算法对模型进行评价,结果表明CNN-LSTM模型计算误差较小且网络训练充分,未出现过拟合或欠拟合情况。

摘要：为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。

摘要：尾矿库安全管理是一项非常复杂的系统工程,针对湖南黄金集团高流坑尾矿库安全管理工作人工依赖性强、智能化程度低,灾情实时判断与预警控制决策效率低等不足特点,提出物联网技术,结合先进的数据感知技术,将数据采集、处理、分析及决策等环节进行一体化综合集成,研究设计尾矿库安全物联网决策支持系统。使尾矿库建设运营参与各方加强认知和揭示尾矿库安全灾变规律,为实现尾矿库安全管理智能预警决策提供有力的辅助支持。