基于时间序列分析的水轮机叶片动态参数识别技术研究

论文摘要

在大朝山水电站 6 号水轮机叶片试验的基础上,对于实际测量的水轮机叶片应变和振动信号进行时间序列分析,识别水轮机叶片动态参数;同时,利用最大熵谱技术对水轮机叶片振动信号进行分析处理,为叶片动态参数识别和裂纹故障原因分析提供更好的参考依据。本文主要工作: 1、在现场试验基础上,对于叶片试验数据文件进行提取和转换,并对数据进行预处理,检验测量信号的随机性,为动态参数识别和熵谱分析做好准备。 2、开发时间序列建模和分析专用程序,利用实测应变和振动数据计算识别水轮机叶片各阶模态固有频率和阻尼比,对分析结果进行分析。 3、对水轮机叶片振动数据进行熵谱分析,并与经典功率谱分析结果进行比较,分析水轮机叶片振动特性及裂纹故障成因。

论文目录

• 中文摘要
• 英文摘要
• 第一章 前言
• 1.1 研究意义
• 1.2 研究现状
• 1.3 研究内容
• 1.3.1 利用时间序列分析方法识别叶片的动态参数
• 1.3.2 最大熵谱分析
• 第二章 时间序列分析基本理论
• 2.1 ARMA模型
• 2.1.1 ARMA模型定义
• 2.1.2 ARMA模型等价形式
• 2.1.2.1 传递形式与格林函数
• 2.1.2.2 逆转函数与逆函数
• 2.1.3 ARMA自相关函数与偏相关函数
• 2.1.3.1 ARMA 自相关函数
• 2.1.3.2 ARMA 偏相关函数
• 2.1.4 ARMA模型参数估计
• 2.1.4.1 ARMA 模型相关分析
• 2.1.4.2 ARMA 模型的初估计
• 2.1.4.3 ARMA 模型的精估计
• 2.1.5 ARMA模型检验、趋势与定阶
• 2.1.5.1 ARMA 模型检验
• 2.1.5.2 ARMA 模型趋势
• 2.1.5.3 ARMA 模型定阶
• 2.2 ARMA 模型与结构动态参数识别
• 2.3 最大熵谱基本理论
• 2.3.1 最大熵谱的概念
• 2.3.2 最大熵谱Burg算法
• 2.3.2.1 预测误差格型滤波器
• 2.3.2.2 Burg算法
• 2.3.3 最大熵谱Marple算法
• 第三章 水轮机运行原理及水轮机叶片试验
• 3.1 水轮机概述
• 3.1.1 水轮机的基本原理
• 3.1.2 水轮机基本参数
• 3.1.2 水轮机分类
• 3.1.3 混流式水轮机结构
• 3.2 水轮机叶片试验
• 3.2.1 试验水轮机组介绍
• 3.2.2 试验叶片测点布置
• 3.2.3 测量方法
• 3.2.4 数据采集
• 3.2.5 试验安排
• 第四章 时间序列分析程序实现
• 4.1 系统开发环境和技术
• 4.1.1 面向对象编程Delphi7.0
• 4.1.2 虚拟仪器编程语言Labview6i
• 4.1.2.1 虚拟仪器技术
• 4.1.2.2 虚拟仪器编程语言Labview6i
• 4.2 时间序列分析程序实现过程
• 4.2.1 数据提取程序
• 4.2.2 数据随机性检验性程序
• 4.2.3 时间序列分析程序
• 4.2.3.1 ARMA（211,211-1）建模方案的合理
• 4.2.3.2 水轮机叶片动态参数识别程序实现过程
• 4.3 最大熵谱的实现程序
• 4.3.1 Burg算法程序实现过程
• 4.3.2 Marple 算法程序实现过程
• 第五章 水轮机叶片动态参数识别与熵谱分析
• 5.1 水轮机叶片响应信号分析
• 5.2 水轮机叶片动态参数识别
• 5.2.1 水轮机叶片振动和应变信号特征分析
• 5.2.2 水轮机叶片固有频率识别
• 5.2.2.1 叶片固有频率识别结果
• 5.2.2.2 参数识别结果分析
• 5.3 水轮机叶片振动信号熵谱分析
• 5.3.1 经典功率谱与最大熵谱
• 5.3.2 最大熵谱两种算法比较
• 第六章 结论与展望
• 6.1 结论
• 6.2 研究展望
• 参考文献
• 致谢