2015.03.10,学习,论文学习笔记-“水轮机压力脉动的混频幅值置信度分析方法研究”

文献:胡江艺.水轮机压力脉动的混频幅值置信度分析方法研究.水利机械技术,2014(3).17-22

摘要:文章根据IEC试验规程要求,对常见的用于计算压力脉动混频幅值置信度方法进行了分析。结合模型试验结果对压力脉动随机变量的分布进行了讨论。分析了计算方法的实用性,提出了符合要求的计算方法。

关键词:压力脉动 混频幅值 置信度 正态分布

笔记

国内压力脉动测量采用混频压力脉动相对幅值,即时域内压力脉动的峰峰值与净水头H的幅值,其中峰峰值采用了置信度方法计算。IEC规程定义的混频压力脉动幅值称为宽带幅值,特征幅值建议以时域内压力脉动的标准偏差来表示。

净水头:水轮机作功用的有效水头,为水轮机进出口断面的总水位差。与其对应的是电站水头,又称毛水头,即水电站上下游水位的高程差。

在《GBT 28570 水轮发电机组状态在线监测系统技术导则》中:给出了压力脉动的定义:压力脉动 Pressure Pulsation 在选定时段内流道内液体压力相对于平均值的往复变化。

并在附录中给出了峰峰值的计算方法。

⑵ 压力脉动峰峰值计算方法

压力脉动峰峰值计算应采用置信度法,即对记录的压力脉动时域波形图采样点数据进行统计,剔除不可信区域内的数据,剩余数据的最大值和最小值之差即为该时域波形图的压力脉动峰峰值。状态在线监测系统的置信度应可设置,置信度推荐采用97%,尽量与模型试验的置信度一致。

压力脉动峰峰值单位可采用绝对值ΔH(单位kPa)或相对值ΔH/H(单位 %)表示。

一、这篇论文采用了统计学方法进行峰峰值的计算研究。其归纳了四种方法。

1)线性计算法。采样时间内样本的最大值与最小值的差值,再乘以置信度。这里跟我们自己使用的方法,即先将数据从大到小排序,然后删除两头1.5%的数据,再将(最大值-最小值)得到差值的做法,感觉我们的做法更为合理。

2)概率统计法。建立特征幅值ΔH和置信度a之间的函数关系,再采用差值拟合等方法,求得给定置信度下的特征幅值。具体做法取样本点落在最小值与当前值之间的数目,再除以总数目,得到分布函数。

3)概率分布法。假定数据服从正态分布,那么直接去对应置信度a的分位数u,然后特征幅值ΔH=2uδ。其中u为分位数,δ为方差。

4)区间估计。假定数据服务正态分布,结果与方法3)完全相同。

二、然后给出了几种不同运行工况下的压力脉动的概率密度函数。对压力脉动而言,根据尾水管内涡带形态,可以将工况运行区间分为:叶道涡区(含空载区)、偏心涡带区、无涡区、直涡带区。

得出的结论:都不服从正态分布的钟形曲线。

三、采用matlab的JBTest进行检验,得到结论,对水轮机的压力脉动试验,大多数工况下压力脉动随机变量不符合正态分布规律。

四、认为线性计算法与概率分布和概率统计法的结果相差较大,后两者较为接近。但后两者在第二个涡带区间,即偏心涡带区尾水椎管压力脉动峰峰值差别较大,认为可能的原因是,其他工况下数据近似正态分布,但偏心涡带区,尾水管压力主要受偏心涡带影响,主要成分为近似正弦曲线的压力波形,完全不属于正态分布。

五、结论:压力脉动在各种工况下,虽然呈现正态分布的密度函数图,形状,但通不过正态分布检验,至多只能认为是近似正态分布。概率统计法不考虑分布,而直接采用统计学基本概念,更加符合IEC规程的要求。

那么自己从这篇文章学习什么呢?

1)重现概率分布法的过程,用matlab实现。

2)用自己的数据检验是否服从正态分布。

3)为什么中间没有涉及到分段和计算周期数的问题。

时间: 2024-10-25 18:42:10

2015.03.10,学习,论文学习笔记-“水轮机压力脉动的混频幅值置信度分析方法研究”的相关文章

深度学习论文阅读笔记--Deep Learning Face Representation from Predicting 10,000 Classes

来自:CVPR 2014   作者:Yi Sun ,Xiaogang Wang,Xiaoao Tang 题目:Deep Learning Face Representation from Predicting 10,000 Classes 主要内容:通过深度学习来进行图像高级特征表示(DeepID),进而进行人脸的分类. 优点:在人脸验证上面做,可以很好的扩展到其他的应用,并且夸数据库有效性:在数据库中的类别越多时,其泛化能力越强,特征比较少,不像其他特征好几K甚至上M,好的泛化能力+不过拟合于

《面向微博的社会情绪词典构建及情绪分析方法研究》学习笔记

1. 目的: 探索一种面向微博的社会情绪词典构建方法: 2. 步骤: 1)通过手工方法建立小规模的基准情绪词典: 2)利用深度学习工具 Word2vec对社会热点事件的微博语料通过增量式学习方法来扩展基准词典,并结合 HowNet词典匹配和人工筛选生成最终的情绪词典: 3. 试验阶段: 分别利用基于情绪词典和基于SVM的情绪方法对实验标注语料进行情绪分析: 4. 结果分析: 结果对比分析表明基于词典的情绪分析方法优于基于SVM的情绪分析方法,前者的平均准确率和召回率比后者分别高13.9%和1.5

深入浅出WPF之MultiBinding--笔记(2015.03.10)

当UI需要显示的信息由不止一个数据来源决定,此时需要使用MultiBinding,即多路Binding.MultiBinding与Binding都以BindingBase为基类,也就是说,凡是能使用Binding对象的场合都能使用MultiBinding.MultiBinding具有一个名为Bindings的属性,其类型是Collection<BindingBase>,通过这个属性MultiBinding把一组Binding对象聚合起来,处在该集合中的Binding对象都可以拥有自己的数据校验

iOS 学习笔记 六 (2015.03.28)常见错误

2015.03.28 1. property's synthesized getter follows Cocoa naming convention for returning 'owned' objects You own any object you create You create an object using a method whose name begins with “alloc”, “new”, “copy”, or “mutableCopy” (for example, 

深度学习论文笔记--Recover Canonical-View Faces in the Wild with Deep Neural Network

文章来源:CVPR2014 作者:Zhenyao Zhu,Ping Luo,Xiaogang Wang,Xiaoou Tang (香港中文大学果然牛啊,CVPR一刷一大堆) 主要内容: 提出了利用深度学习(还是CNN)来进行人脸图像重构正面人脸,然后利用重构的正面人脸图像来进行人脸的verification,当然能够取得更高的准确率(比没有用正脸去verification),文章提出利用DL来学习从任意脸到canonical 脸的转换,可以认为是一个回归问题(也不一定非得用DL方法来做). 现有

Surveillance Monitering入门学习论文笔记(一)

本科毕业设计需要,最近开始进行Surveillance Monitering的入门学习.对看过的论文进行一些摘录和整理,一方面方便自己勘察,另一方面可以与大家进行交流学习.由于水平.基础有限,希望大家不吝赐教,谢谢~ 论文来自: [1]胡琼,秦磊,黄庆明. 基于视觉的人体动作识别综述[J]. 计算机学报,2013,12:2512-2524. ******************************************************* 部分内容为网上摘录,由于时间有限未能列出所有

文献 | 2010-2016年被引用次数最多的深度学习论文(修订版)

本来来自 :http://blog.csdn.net/u010402786/article/details/51682917 一.书籍 Deep learning (2015) 作者:Bengio 下载地址:http://www.deeplearningbook.org/ 二.理论 1.在神经网络中提取知识 Distilling the knowledge in a neural network 作者:G. Hinton et al. 2.深度神经网络很易受骗:高信度预测无法识别的图片 Deep

传智播客 刘意_2015年Java基础视频-深入浅出精华版 笔记(2015年10月25日23:28:50)

本笔记是个人笔记+摘录笔记相结合,非完全原创 day01 win 7系统打开DOS有趣方法:按住shift+右键,单击“在此处打开命令窗口”(注意:在此处可以是任何的文件夹,不一定是桌面) 用DOS删除的文件不可以在回收站恢复?!! 常用DOS命令d: 回车 盘符切换dir(directory):列出当前目录下的文件以及文件夹md (make directory) : 创建目录(创建文件夹)rd (remove directory): 删除目录(删除文件夹,注意:前提是文件夹必须是空的!!)如果

Deep Learning(深度学习)学习笔记整理系列之(一)

Deep Learning(深度学习)学习笔记整理系列 [email protected] http://blog.csdn.net/zouxy09 作者:Zouxy version 1.0  2013-04-08   声明: 1)该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的.具体引用的资料请看参考文献.具体的版本声明也参考原文献. 2)本文仅供学术交流,非商用.所以每一部分具体的参考资料并没有详细对应.如果某部分不小心侵犯了大家的利益,还望海涵,并联