水电站厂房结构及水力机械动力反分析

论文摘要

随着水电建设的快速发展，机组容量和尺寸急剧增大，转速相应提高，机组振动及其诱发的水电站厂房结构振动问题日益突出，成为目前研究的热点和难点。我国已建的一些高水头、大容量水电站，出现了明显的振动问题，影响了机组的正常运行。针对这些实际问题，对机组振源和振动的研究更加紧迫。我国有许多在建的大型电站及抽水蓄能电站，通过研究建立振动荷载识别的数值模型，探讨振动荷载特性和分析方法，从而为机组和厂房结构的动力优化设计和振动控制提供理论指导和技术依据，具有重要的科学意义和工程价值。 在机组振动问题的研究中，振动激励载荷和系统动态参数的确定成为振动预测与控制的关键问题。本文研究的主要内容是，综合利用传统理论方法和现代智能算法，结合电站厂房振动的现场试验研究和有限元法数值计算分析，应用系统动态识别技术对水电站厂房结构和振动荷载进行动态反分析。 (1)为研究结构动力学参数识别问题，在传统遗传算法的基础上，引入一种新的度量种群多样性的指标，构造新的自适应遗传算子，利用自适应伪并行遗传算法，借助ANSYS软件的参数编程，将其成功应用于某地下厂房结构动力学参数识别。算例研究表明，该识别方法具有很好的全局收敛性能和较强的抗噪能力，可用于工程实际。 (2)对两种传统的时域识别方法进行了较为深入的研究和探讨，其一是基于模态分解的载荷识别方法，其二是基于积分法求解振动方程的荷载反分析方法。比较了二者的优缺点，并通过算例，对其在机组动载荷识别中的应用可行性进行了探讨。 (3)在Elman神经网络的基础上，提出递归小波神经网络，给出了其动态梯度下降算法。该网络具有收敛快，精度高等优点，对动态非线性系统具有很好的识别效果。结合有限元分析，该网络可以用于机组动载荷时域识别，为机组振动载荷识别提供了一种新的思路。 (4)为研究机组动载荷识别问题，基于图解的蚁群系统，提出可用于求解连续优化问题的改进蚁群算法，利用ANSYS动力学分析平台，将其成功应用于机组动载荷的频域参数识别，结合某电厂真机试验数据，进行了真机动载荷识别，为解决工程实际问题提供了一种实用方法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的工程背景及研究意义
• 1.1.1 中国水电能源发展状况
• 1.1.2 水轮机组振动问题
• 1.1.3 机组振动反分析问题的提出及其研究意义
• 1.2 课题的研究发展现状
• 1.2.1 机组振动特性研究
• 1.2.2 静态反分析问题
• 1.2.3 结构动态反分析
• 1.2.4 水力机械载荷识别的试验研究
• 1.3 动态识别理论和方法概述
• 1.3.1 经典方法
• 1.3.2 现代智能方法
• 1.3.3 小波方法
• 1.4 结构动载荷识别的主要方法
• 1.4.1 传统方法
• 1.4.2 智能方法
• 1.5 本文的主要研究内容
• 2 机组及厂房动力学分析
• 2.1 水轮机组的主要振源
• 2.1.1 机械缺陷引起的振动
• 2.1.2 机组的电磁振动
• 2.1.3 水力振动的振源及频率
• 2.1.4 其它振源
• 2.2 水轮机流道内水压力脉动及其对厂房结构的影响
• 2.2.1 水压力脉动特性与传播路径
• 2.2.2 厂房结构在高频水压力脉动下的数值计算分析
• 2.3 厂房结构动力分析方法
• 2.3.1 模态分析
• 2.3.2 谐响应分析
• 2.3.3 谱分析
• 2.3.4 瞬态分析
• 2.4 厂房动力计算中应注意的问题
• 2.4.1 选择合理的机组动荷载加载方式
• 2.4.2 厂房数值模型中的合理边界条件
• 2.4.3 发电厂房的动态特性参数
• 2.4.4 各种附加质量对厂房结构动力特性的影响
• 2.5 小结
• 3 基于自适应伪并行遗传算法的动力学参数识别
• 3.1 引言
• 3.2 自适应伪并行遗传算法
• 3.2.1 种群多样性的度量
• 3.2.2 自适应交叉算子和变异算子的构造
• 3.2.3 伪并行遗传算法的引入
• 3.2.4 自适应伪并行遗传算法
• 3.2.5 算法性能分析
• 3.3 动力学参数识别过程
• 3.3.1 试验模型
• 3.3.2 参数取值
• 3.3.3 自适应伪并行遗传算法动力学参数识别步骤
• 3.3.4 识别结果
• 3.3.5 识别结果分析
• 3.4 地下发电厂房动态识别
• 3.4.1 问题描述
• 3.4.2 最优化遗传动力反分析模型
• 3.4.3 结构动态参数的反分析
• 3.5 结论
• 4 动载荷的时域识别方法及其应用
• 4.1 引言
• 4.2 基于模态分解的时域识别方法
• 4.2.1 识别原理
• 4.2.2 识别方法的补充和完善
• 4.2.3 离散时间间隔的控制
• 4.2.4 数值算例
• 4.3 基于Wilson-θ法的载荷识别
• 4.3.1 求解动力反应的Wilson-θ法
• 4.3.2 基于Wilson-θ法的反分析方法
• 4.3.3 仿真算例
• 4.4 两种方法的比较
• 4.5 结论
• 5 基于递归小波神经网络的水轮发电机组动载荷识别
• 5.1 引言
• 5.2 动态神经网络及其特点
• 5.2.1 时延神经网络
• 5.2.2 递归神经网络（RNN）
• 5.3 递归小波神经网络（RWNN）
• 5.3.1 递归小波神经网络结构
• 5.3.2 递归小波神经网络的训练算法
• 5.3.3 网络性能测试
• 5.4 基于RWNN的机组载荷识别
• 5.4.1 机组动响应特性分析
• 5.4.2 机组轴系统建模
• 5.4.3 机组动载荷识别
• 5.5 结论
• 6 基于改进蚁群算法的水轮机组载荷识别
• 6.1 引言
• 6.2 蚁群算法
• 6.2.1 蚁群算法的基本思想
• 6.2.2 基于图解的蚁群系统
• 6.2.3 蚁群算法的改进
• 6.2.4 性能分析
• 6.3 真机试验
• 6.3.1 试验设备与试验布置
• 6.3.2 测试信号分析
• 6.4 厂房整体模型及自振特性分析
• 6.4.1 厂房整体模型
• 6.4.2 厂房自振特性分析
• 6.5 基于改进蚁群算法的机组载荷反演
• 6.5.1 仿真试验
• 6.5.2 真机载荷识别
• 6.6 本章小结
• 7 结论与展望
• 7.1 本文主要工作总结
• 7.2 对进一步研究工作的建议与展望
• 参考文献
• 攻读博士学位期间发表学术论文情况
• 攻读博士学位期间参与的研究课题
• 创新点摘要
• 致谢
• 大连理工大学学位论文版权使用授权书