基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、关联维数和支持向量机(Support Vector Machine,SVM)的故障诊断方法。将美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative(GRC)"项目进行测试获得振动信号数据,通过EEMD进行分解得到本征模态函数(Intrinsic Mode Function,IMF)分量,采用G-P算法求取各组本征模态函数分量的关联维数,将各组关联维数输入SVM中进行故障识别及分类。结果表明:振动信号的关联维数与嵌入维数呈正相关,且正常信号和故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类。该方法能有效提取系统故障非线性特征,比传统的基于统计参数的故障诊断方法具有更高的诊断精度,准确率高达100%。     

风力机齿轮箱振动信号分解方法研究

基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EE-MD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类.结果表明:EWT能较好地提取振动信号中的冲击成分;ITD在3种分解方法中诊断准确率最高且最稳定,最利于风力机齿轮箱故障诊断.     

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

基于EEMD和优化SVM的水电机组振动故障诊断

针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。     

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法（ICASN）以体现信号细节复杂度特征,并将ICASN引入经验小波变换（EWT）,替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。     

基于连续平均谱负熵改进经验小波变换的风力机齿轮箱故障诊断

针对经验小波变换（Empirical Wavelet Transform,EWT）对强噪声环境下风力机齿轮箱轴承轻微故障特征提取不足的问题,利用滑移窗口提取子带的连续平均谱负熵（Continuous Average Spectral Negentropy,CASN）对EWT算法进行改进。通过CASN-EWT方法分解风力机齿轮箱轴承故障信号,采用峭度准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征。结果表明：CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应优点的同时,能够极大提高EWT分解算法对噪声影响的鲁棒性,有利于准确提取故障特征频率,实现故障精确识别。     

基于EEMD及分形方法的轴承振动信号分析

为对具有强烈非线性特征的轴承振动信号做出准确的故障识别,基于分形理论,采用辅助经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对信号进行降噪预处理,采用G-P算法分析轴承不同状态下振动信号关联维数。研究表明:基于EEMD的降噪方法可有效对振动信号进行降噪;轴承工作状态不同,其振动信号关联维数具有明显的可区分性,当轴承处于外环故障时,其关联维数最大为4.7,当轴承处于滚珠故障时,其关联维数最小仅为3.0,当轴承处于正常/内环故障时,其关联维数分别为4.0/3.2。因此,利用关联维数能定量识别轴承的不同故障状态及位置。     

基于EWT与排列熵的SVM汽轮机转子故障诊断

针对汽轮机转子振动信号在强噪声下难以提取瞬态冲击的故障特征的问题,提出一种基于经验小波变换(EWT)与排列熵相结合的特征提取方法。将转子故障振动信号进行经验小波变换,得到一系列本征模态函数(AM-FM),根据相关度原则选取故障信号敏感的本征模态函数计算其排列熵值构建故障特征向量。通过ZT-3转子模拟实验台获得振动故障信号,分别用EWT与排列熵和EWT与样本熵获得故障特征值,使用支持向量机(SVM)识别验证,结果表明:EWT与排列熵构建的特征向量识别率比EWT与样本熵高6.11个百分点,达到了较理想的识别准确率。     

基于AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。