基于小波分析与人工神经网络水轮机振动信号分析

摘要

随着能源结构调整,可持续发展战略的实施,目前我国正在加紧进行水电开发,水电装备水平不断迈向新高度,水电机组向高水头、大容量、高参数发展。同时增加了水电机组运行的稳定性,安全性的难度.
　　随着水轮机单机容量的提高，机组尺寸的增加，相对刚度的减弱，固有频率降低，增加了发生局部共振的可能性。稳定性问题日益突出。水轮机组运行的稳定性是十分重要的问题。根据实际调差表明：约10％的水轮机曾产生振动。丛振源来说，大部分是转轮和主轴系统的振动。加剧振动的原因越有60%是“水压力脉动”和“旋转体的不平衡”。本文通过水轮机尾水管中的压力脉动信号对其信号状态进行分析，研究水轮机稳定。由于水轮机振动信号属于非平稳随机信号，传统的傅里叶变换不能完全满足故障信号特征提取的要求，而且建立水轮机尾水管压力脉动状态的数学模型非常复杂。本文提出了基于小波分析与人工神经网络水轮机组振动信号分析的方法，利用小波变换提取振动信号特征，利用神经网络识别特征。
　　针对水轮机尾水管压力脉动信号的非平稳和时变特性，提出了一种基于小波分析和自组织人工神经网络相结合的尾水管压力脉动信号的分析方法。这种方法以水轮机尾水管压力脉动信号作为分析对象，首先应用小波阈值法对信号进行降噪减少干扰，然后将小波分解系数重构得到不同频带的信号分量，并提取显著的不同频带能量，并利用MATLAB平台进行算法实现。最后将各频带能量作为特征向量，用自组织人工神经网络进行模式识别，得到了尾水管压力脉动的不同模式。并利用MATLAB平台进行算法实现。运行结果与常规方法得出的结果进行对比分析表明，这种分析方法是有效的，能够用于对水轮机尾水管中的压力脉动状态进行有效地识别。为避免水轮机在强振动域运行，提供很好的参考标准，从而提高水轮机运行稳定性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1课题研究的背景、目的和意义

1.2影响水轮机稳定性的因素

1.3研究现状

1.4论文的研究内容及结构

第二章 小波分析理论及应用

2.1傅立叶分析

2.2短时傅立叶分析

2.3小波分析的引入

2.4小波分析理论的发展史

2.5连续小波变换

2.6离散小波变换

2.7多分辨率分析

2.8 mallat算法

2.9 小波阈值信号消噪

第三章 人工神经网络基本理论

3.1神经网络的特性

3.2人工神经网络的类型

3.3人工神经网络的基本结构

3.4神经网络的学习方式

3.5神经网络的学习规则

3.6 BP 神经网络简介

3.7自组织竞争人工神经网络的基本理论[36]

第四章 模型水轮机振动试验

4.1 试验来源

第五章 基于小波分析与人工神经网络水轮机组振动信号分析

5.1引言

5.2压力脉动信号小波消噪

5.3 信号特征提取方法

5.4 小波特征提取

5.5水轮机振动状态的识别

第六章 总结与展望

6.1 本文工作总结

6.2 展望

致谢

参考文献

作者简介

发表论文和科研情况说明