风电机组齿轮箱非平稳振动信号谱分析方法

齿轮箱是风电机组的重要部件,其运行状态直接决定了风电场的收益,通过研究齿轮箱的振动信号来评判齿轮箱的运行状态具有重要意义。论述了风电齿轮箱的结构形式和故障特征,依据某类型风电机组齿轮箱特点,制定振动数据采集方案,采集2台风电机组齿轮箱高速轴振动信号;应用Hilbert能量谱和短时傅里叶重排谱对比分析,分别提取2台机组齿轮箱高速轴测点振动信号中蕴含的故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该齿轮箱高速轴故障为齿面点蚀。证实了Hilbert能量谱和短时傅里叶重排谱相结合的分析方法在提取风电齿轮箱故障特征频率的有效性和实用性。     

基于振动分析的风力机齿轮箱故障诊断

为实时、准确、简易地诊断出风力机齿轮箱故障类型,提高风力机的稳定性,提出一种面向多故障的基于多尺度小波分析和希尔伯特变换的实时齿轮箱故障诊断方法。利用故障发生前期微弱的故障征兆,首先用小波降噪技术滤除齿轮箱振动信号中的噪声,然后对信号进行多尺度小波分解,通过分析高频重构信号,来判断是否将要产生故障;如果确定故障将要发生,再对高频重构信号进行希尔伯特变换,通过分析能量包络谱相应的波形参数值来判定预测故障的类型。利用试验数据对该方法进行分析验证,证明了该算法的简单和有效性。     

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。     

基于人工蜂群算法的海上风电机组齿轮故障诊断方法∗

针对传统方法在海上风电机组齿轮故障诊断中应用效果不佳,不仅误诊率较高,而且召回率较低,无法达 到预期的故障诊断效果,提出了基于人工蜂群算法的海上风电机组齿轮故障诊断方法.首先利用振动加速度传感器拾 取齿轮箱振动信号,对振动信号进行小波阈值降噪处理,然后基于处理后的振动信号,利用人工蜂群算法优化后的 BP神经网络对齿轮故障进行识别诊断.经实验证明,该方法误诊率在１％以内,召回率在９５％以上,具有良好的可 行性与可靠性.     

LabVIEW在电机振动故障诊断中的应用

基于LabVIEW的小波包理论和能量谱应用于电机振动故障诊断是一种新的尝试,具有良好的应用前景.在时域范围内,故障振动信号幅值虽有变化,但难以确定电机故障程度的大小.用小波包对振动信号分解,可得到能量特征值,由此能有效地判断电机振动故障类型和程度,提高了故障诊断效率.     

LabVIEW在电机振动故障诊断中的应用

基于LabVIEW的小波包理论和能量谱应用于电机振动故障诊断是一种新的尝试，具有良好的应用前景。在时域范围内，故障振动信号幅值虽有变化，但难以确定电机故障程度的大小。用小波包对振动信号分解，可得到能量特征值，由此能有效地判断电机振动故障类型和程度，提高了故障诊断效率。     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点,提出了基于小波包变换的汽轮机转子振动故障诊断方法,它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明,基于小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状况;根据不同故障发生时的频谱特征,识别出不同的故障,从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效,适合于机械故障诊断。     

基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究

风电机组行星齿轮箱振动信号是一种典型的非平稳、非线性信号,传统故障检测方法对于此类信号处理能力有限。为了克服传统方法的不足,提高故障诊断能力,提出了一种基于多重分形谱和支持向量机相结合的故障检测方法。首先通过多重分形定义求取信号的多重分形谱。然后在多重分形谱中提取八个特征量。最后将特征量作为支持向量机的输入向量,实现了在不同转速情况下对正常信号和四种太阳轮故障信号的分类与识别。实验结果证实了所提方法对行星齿轮箱信号特征进行提取是有效的,在不同转速情况下均提高了故障识别率。     

小波包分析在滚动轴承故障诊断中的应用

结合小波包分析和能量谱分析方法 ,提出一种新的滚动轴承故障诊断方法。利用小波包对滚动轴承振动加速度信号进行分解 ,求出各频率段的能量 ,并以此作为滚动轴承发生故障的特征量对振动信号进行重构 ,比较正常信号和故障信号的差异 ,从而识别滚动轴承的故障。通过对于实测信号的分析证明该方法具有特征参量少、故障特征突出等优点 ,可有效地用于滚动轴承的故障诊断。     

基于小波和神经网络的齿轮箱故障诊断

本文对齿轮箱故障诊断特点和方法进行分析,并举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于阶比与散度分析的风机齿轮箱故障诊断

针对风电机组运行工况复杂造成的齿轮箱振动数据特征提取困难的问题,提出了阶比分析与散度指标分析的方法对双馈机组齿轮箱故障进行诊断。首先通过阶比重采样以及角域同步平均的方法,对原始信号进行预处理,提高信号的稳定性与精度;通过对处理后的角域信号进行阶比谱与包络谱分析,提取信号特征;最后应用散度指标分析方法,对信号特征进行量化处理,实现齿轮箱故障诊断工作。应用此方法对齿轮箱典型故障仿真数据与实际现场数据进行分析计算,得到了较为准确的诊断结果,有一定的实用价值。     

小波包能量谱和功率谱分析在水电机组故障诊断中的应用

小波包克服了小波分析在高频空间分辨率差的缺点,能够给信号提供更加精确的分解。因此在小波包分析的基础上,从能量和功率分析的角度出发,阐述了在水电机组故障诊断中采用小波包能量谱和功率谱分析相结合的信号特征提取的方法。通过对实验及电厂振动故障信号的提取与分析,表明小波包能量谱和功率谱分析相结合的信号特征提取方法准确而高效,是一种应用价值较高的信号特征提取方法,并能为机组故障的准确诊断提供依据。     

基于机械振动信号的高压真空断路器故障诊断研究

提出一种基于小波-包络谱能量提取振动信号特征并进行故障诊断的新方法。首先应用小波分析对振动信号进行降噪处理,然后与希尔伯特变换相结合,提取振动信号的低频和高频包络,最后对包络信号进行谱分析及能量特征提取。实验结果表明,该方法对提取高压真空断路器机械振动信号的特征是有效的,可为故障诊断提供依据。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于振动信号的双馈异步发电机滑环装置故障诊断方法研究

电枢滑环系统是双馈异步发电机励磁系统的重要组成部分,但运行中时常出现因滑环面损伤而导致的电刷滑环接触不良现象,严重影响电机励磁稳定性。针对这一问题,提出了基于振动信号的滑环面损伤故障诊断新方法。简要分析了电刷滑环系统振动法原理、振动传播途径及故障机理。搭建电刷滑环仿真运行实验平台,实时采集系统故障运行前后的振动信号。应用小波能量谱法进行滑环接触面故障诊断。通过对比分析故障前后振动信号的小波能量谱分布及占比情况,找出发生振动异常的频带,为电枢滑环接触面的故障诊断提供依据。     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

基于电流信号稀疏滤波特征融合的齿轮箱故障诊断方法EI北大核心CSCD

风电齿轮箱的故障诊断方法主要以振动信号分析为主,相比于振动信号,电流信号具有非侵入式、监测成本低等优点。因此,提出基于发电机电流信号的风电齿轮箱故障诊断方法。针对电流信号基频分量干扰大、信噪比低而造成的特征提取难的问题,提出基于稀疏滤波网络的电流信号无监督特征学习与融合方法。首先,设计基于稀疏滤波的局部特征学习网络,用于从原始电流信号和包络信号中分别学习不同的故障特征;然后,将通过稀疏滤波网络学习到的原始信号稀疏特征与包络信号稀疏特征进行融合以丰富故障特征空间;最后,将融合的特征输入到支持向量机进行训练,实现不同故障类型的智能识别与诊断。通过风电齿轮箱实验台开展齿轮箱故障模拟实验来验证所提出的方法。实验结果表明,该方法能够从电流信号中自动提取反映齿轮故障的有用特征,相比于传统特征提取方法,取得了较高的诊断精度和效率。     

基于小波能量谱和灰色综合关联度的HVDC换相失败故障诊断

提出一种基于小波能量谱和灰色综合关联度的高压直流（HVDC）输电系统换相失败故障诊断新方法,采用小波能量谱量化故障特征,再根据灰色综合关联度分析来确定故障原因。根据熄弧角判断是否发生换相失败,对直流电流故障信号进行小波分析,获取各尺度下的小波变换系数,计算其小波能量谱;将得到的小波能量谱与故障参考序列进行灰色综合关联度分析,从而根据最大关联度原则确定故障原因。仿真表明,该方法能准确地诊断引发换相失败的故障原因。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去.因此,不能完全满足故障信号特征提取的要求.为解决这一问题,提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于小波包能量谱的铁塔螺栓完全松动检测方法

螺栓连接松动故障严重影响铁塔的正常运行，对铁塔螺栓连接松动故障进行检测十分必要。本文提出了基于小波包能量谱的铁塔螺栓完全松动检测方法，首先利用脉冲激振法实测了铁塔螺栓完全松动前后振动信号，分别得到了激振点所在塔材的振动信号，以及通过螺栓相连接的塔材振动信号。然后采用小波包对原始信号进行小波包分解，利用能量特征提取的方法找出分解后各个频段的能量谱图，通过比较相连接的2段塔材在螺栓松动后小波包能量谱的变化规律，确立了基于小波包能量谱的铁塔螺栓完全松动检测依据。