基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解（LCD）是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则（BIC）估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

基于深度卷积迁移学习的机车齿轮箱故障诊断

齿轮箱作为系统传动的核心部件,确保其健康状态对于旋转机械有效运行至关重要。然而,目前大多数传统故障诊断方法通常难以充分挖掘故障相关特征信息,且常见模型在变工况服役条件下通用性差。与此同时,实际工程应用中往往难以获取充足标签数据。针对上述问题,提出一种基于深度卷积迁移学习的变工况机车齿轮箱故障诊断方法。首先,考虑到单一通道所含信息往往存在严重局限性,将多通道特征信息进行有机融合作为输入,搭建深度卷积网络自适应挖掘多通道深度特征,得到源域诊断模型。进一步将不同工况下多通道信号作为输入训练源域模型以增强其感知能力以及泛化性,由源域向目标域做迁移映射,从而实现变工况下的齿轮箱故障诊断。采用齿轮箱故障实验声学数据进行验证分析,结果表明：该方法能在不同的工况下实现知识迁移,增强诊断模型的通用性,准确高效地实现齿轮箱故障诊断,诊断准确率超过99%;对比其他传统故障诊断方法,所提方法有更好的时效性和泛化性。     

基于小波包ICA的齿轮箱信号分离系统

由于齿轮箱振动信号混叠、信噪比低,给早期的故障诊断造成了一定的困难.结合小波包和独立分量分析(ICA)在信号处理中特征提取的方法,以LabVIEW和Matlab语言为开发工具,设计了齿轮箱故障源信号分离系统,并以真实信号进行了实验验证.实验结果表明,该系统可以很好地实现故障源信号的分离,有利于后续的故障诊断.     

基于状态切分与时间卷积网络的风电齿轮箱系统温度异常故障预警

由于风电齿轮箱结构复杂、运行工况多变，采用监控与数据采集系统（SCADA）数据对齿轮箱早期故障预警的精度不足。本文提出考虑风电齿轮箱润滑冷却状态及运行工况的状态切分方法，基于齿轮箱润滑冷却系统运行原理，从原始运行数据中选取相关参数，采用统计分析和聚类方法将齿轮箱系统时间序列数据进行运行策略分类切分，构建齿轮箱运行状态判断模型；提出采用时间卷积神经网络训练不同运行策略下的齿轮箱温度预测模型，并实时判断运行状态，选取对应运行策略温度预测模型，估计齿轮箱温度，通过与实际值之间的残差实现齿轮箱故障预警。实际案例表明，本文所提出的方法可以提高模型精度，能够有效预警风电齿轮箱系统的早期故障。     

免疫优化盲源分离算法在故障诊断中的应用

将人工免疫算法用于盲源分离算法,阐述了盲源分离过程,提出了免疫优化盲源分离算法(AIS-ICA算法),针对4组特定信号的混合与分离进行了仿真试验。仿真试验结果表明,该算法具有收敛速度快、分离精度高和稳定性好等优点。将该算法用于齿轮箱振动信号的盲源分离及其故障诊断,增强了振动信号所携带的故障信息,结果表明该算法用于齿轮箱振动信号分离可增强故障信息,降低齿轮箱故障诊断难度。     

基于改进的多元离群检测方法的风机齿轮箱早期故障诊断

针对风电机组运行工况波动性以及机组早期故障特征不易提取的特点,提出一种基于改进的多元离群监测方法来实现风机齿轮箱故障的早期诊断。运用阶比重采样方法对原始振动信号进行预处理,并对处理结果进行量纲一因子分析;通过马氏距离建立风电齿轮箱的早期故障识别模型;利用多元线性回归改进多元离群检测算法进行实际数据的分析计算。结果表明,该方法较原始方法能够更早地察觉出风电齿轮箱早期故障。     

一种新型机载锂电池组早期故障预警方法

因机载28 V串联锂电池组内部早期故障难以被发现,且会持续恶化,严重时还会导致飞行事故发生。研发一种新型机载锂电池组早期故障预警方法,融合了基于改进样本熵及改进相关系数的锂电池早期故障预警方法的优点,能及时找出串联锂电池组内发生早期故障的单体电池且能够准确识别早期故障类型。实验结果表明：在DST工况下,该方法与基于改进样本熵的电池组早期故障预警方法相比,预警误报率降低90.48%,并能够准确地识别被注入的早期故障电池单体序号及早期故障类别。     

基于单通道盲源分离的齿轮故障诊断研究

针对机械故障中应用单通道盲源分离的困难,提出一种新的解决方法,通过构造虚拟通道,将原来的单通道转化为多通道,以实现故障信号的盲源分离。对所提方法进行了理论和仿真分析,最后将该方法应用于齿轮箱的故障诊断中,结果表明了该方法的有效性。     

基于最小互信息准则的盲源分离在齿轮箱故障诊断中的应用

提出一种利用盲源分离技术对齿轮箱混合故障进行诊断的方法。该方法以最小互信息量为准则,采用自然梯度的自适应算法求解统计独立源信号的估计值,并根据分离信号的频谱成功地提取了混合故障的特征信息,有效地诊断出齿轮箱所处的故障状态。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤。针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计。本文以双馈异步风机齿轮箱高速轴轴承作为研究对象,研究了其在变转速变负载工况下的外圈故障特性。通过对比振动信号的频域特征参数与小波包分解能量特征结果,证明变工况运行条件下变分模态分解与瑞利熵相结合的故障诊断方法能够有效地辨识故障轴承。     

基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要对其运行状态进行实时监测。非线性状态估计(NSET)算法有着对记忆矩阵依赖大、无法有效利用数据资源改善精度、实时性差等不足。为此,提出一种基于模糊软聚类和集成NSET的状态监测方法:使用模糊软聚类将历史数据分为边界有重叠的不同类别,实现工况的软划分并构造多个不同工况的NSET模型作为个体学习器;以参数回归方法作为结合器,可在不影响实时性的同时,使用大量数据训练参数以改善精度。用某2 MW风电机组的齿轮箱故障数据进行验证,结果表明,相比常规方法,提出方法的精度和实时性均更优;通过预测残差均值和基于残差构造的健康指数,能够灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。     

风力机叶片蒙皮初始裂纹的盲信号提取

针对风力机叶片初始裂纹特征难以提取的问题,提出了一种逐步提取并消减噪声源信号从而获得微弱裂纹故障特征的盲提取方法.首先基于卷积混合模型极小化改进代价函数推导自适应学习迭代算式,在仿真实验中确定非线性激励函数和滤波器的传输函数,根据输出信号的性能参数证明了改进算法对尖峰噪声的异常点更加敏感稳健.在风力机叶片疲劳实验台上模拟叶片蒙皮的初始横向裂纹,通过声发射信号采集系统获得观测信号,分析噪声源的特性并提取了初始裂纹的声发射信号特征,为风力机叶片状态监测和预警提供了依据.     

基于数据分类重建的风电机组故障预警方法

为预警风电机组潜在故障、增强机组出力安全性,基于监控和数据采集(SCADA)系统,提出一种异常数据重建的风电机组故障预警方法。首先,充分利用同风场风机SCADA数据,分别重建输入类与输出类目标机组数据,克服了部分数据信息丢失、数据异常问题;其次,使用提取的代表性数据建立故障预警模型,所得预警模型更贴近机组运行动态特性;最后,采用改进的衰退指标预警潜在故障,直观展示机组阶段性衰退程度。案例研究中使用某风电场SCADA故障数据,并使用3种标准确定所提策略参数设定值,结果表明可至少提前3周预警风电机组齿轮箱潜在故障,验证了所提故障预警方法的时效性。     

变工况条件下的风电机组齿轮箱故障预警方法

针对风电机组运行工况复杂多变,难以实现故障特征提取和预警指标量化的特点,提出基于k邻近度异常检测技术的风电机组故障预警方法:首先利用阶比重采样技术将时域非平稳信号转换为角域的平稳或准平稳信号;其次构建出新量纲一幅域特征值,提取阶比重采样角域信号早期故障特征;最后将振动角域序列映射成多维特征向量,通过基于k邻近度的异常点检测技术挖掘机组潜在异常信息,实现机组的早期故障预警。试验仿真验证了该方法的有效性。     

基于全矢谱的风力发电系统齿轮箱的故障诊断

介绍了风力发电齿轮箱系统变载荷、低转速、工况复杂的运行特点,阐述了风力发电系统齿轮箱的主要故障特征,针对旋转机械单源振动信号信息具有不完善性的缺陷,提出了基于同源信息数据融合的思想,将全矢谱技术应用于风电齿轮箱的故障检测方法。结合北方某风电场19#风机齿轮箱故障检测的实例,将全矢谱技术应用于诊断实例且得到了正确的诊断结果,证实了将全矢谱技术应用于风电齿轮箱检测中是准确、有效、实用的旋转机械故障诊断方法。     

A fault identification method of rotating machinerybased on t-SNEEI北大核心CSCD

A fault identification method ofrotating machinery is proposed,which combines wavelet packet of time-frequency analysis and manifold learning.Firstly,the sampled vibration signal is decomposed to multilayer information with wavelet packet decomposition(WPD) method.Andevery level data of wavelet packet decomposition is processed bydemodulatingof Hilbert transform,eliminating the high frequency noiseof FIR filterand reducing the data length of the low frequency of resampling.Further,every level data vector is deal with normalization and calculated for the auto power spectrum.Finally,the manifold learning methods of t distributed stochastic neighbor embedding(t-SNE) is applied to do dimension reduction to generate 2D manifold figure data.Different fault forms of gearbox have different manifold features,which is used to identify failure status of equipment.With the experiment test,the feasibility and effectiveness of this identification method is verified.