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。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。     

风力发电机齿轮箱故障诊断方法及信号仿真

针对风力发电机齿轮箱的故障,介绍常用的故障诊断方法,理论上分析齿轮箱故障振动信号的特征,并用MATLAB软件仿真其振动信号。对比正常运行与发生故障时的频域信号波形,并进行了一定的分析,为风力发电机齿轮箱的故障诊断提供了参考。     

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。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

风力发电机状态监测和故障诊断技术的研究与进展

针对目前迅猛发展的风电装备缺乏有效监测诊断方法开展综述,指出其研究现状和值得研究的问题.综述风力发电机的发展现状、故障特点和诊断难点,风力发电机的装机容量和规模都在逐年扩大,目前基于振动监测的风力发电机在线诊断系统尚属空白,其运行维护费用增加以及频繁事故发生所造成的巨大损失严重影响了风电的经济效益.针对风力发电机中的主要故障部件,如齿轮箱、发电机、叶片等,介绍现有状态监测和故障诊断方法的研究现状.结合风力发电机工作在变转速、不稳定载荷等工况下的特点,指出研究重点是需要针对这一新型装备研究其故障机理和特定的诊断方法,研发适合于风力发电机特点的在线状态监测和故障诊断系统.     

基于堆栈稀疏自编码器的齿轮箱故障诊断

针对当前齿轮箱故障诊断需要进行复杂的特征提取以及识别准确率不高等问题,提出了一种基于堆栈稀疏自编码器(SSAE)的齿轮箱故障诊断方法,采用时域分析对故障信号进行特征预处理,然后将其输入稀疏自编码器网络中进行特征优化以及降维,提取出表征信号本质信息的特征,最后将其输入到Softmax分类器中实现齿轮箱故障的分类。实验结果表明,该方法在相同工况和混合工况下的均能达到较高的识别精度,在混合工况下,其识别精度达到99.5%,高于文中提出的其他模型,因此该方法能有效地用于齿轮箱故障诊断。     

基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明：采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。     

变工况齿轮箱故障诊断方法综述

齿轮箱是机械传动链中的关键且故障多发部件,传统齿轮箱诊断方法难以对运行在变工况下的齿轮箱故障进行准确的检测和有效识别。综述了国内外对于变工况齿轮箱故障诊断技术、研究现状及进展,并简要讨论了变工况齿轮箱故障诊断方法的应用现状及可能的发展趋势。     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

基于孤立森林算法的风电齿轮箱轴承故障检测方法

为精准检测齿轮箱轴承故障,实时进行有效监测以保证风电齿轮箱健康运行,提出一种基于孤立森林算法的风电齿轮箱轴承故障检测方法.首先,以齿轮箱轴承温度为故障检测模型的输出变量,采用多尺度图相关算法选择输入变量;然后,提取输入变量的均方根和包络线进行自组织映射神经网络特征融合;最后,以融合值为模型输入量,使用孤立森林算法进行异...     

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。     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

基于协整分析的风力机多工况监测与故障诊断

为降低装备故障率、减小停机损失,提出一种基于协整分析的装备多工况监测与故障诊断方法。基于监控与数据采集系统采集的数据,利用随机森林特征选择算法提取与装备故障相关的关键特征变量;通过对关键特征序列的协整分析,计算协整系数,建立协整残差模型,获得反映装备状态变化的最优残差序列;采用概率图分析最优残差序列,完成了多工况状态的区间划分,确定了每种工况对应的残差预警阈值,实现了状态监测与故障预警。某型号直驱式风力机的研究结果表明：所提出的方法能有效分析非平稳时间序列,利用残差阈值可以监测电机故障、识别风力机工况,提高故障诊断的准确性。     

基于选择性加权适配网络的多域新故障识别方法

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题, 提出了一种基于选择性加权适配网络的多域新故障识别方法。 所提方法利用一维卷积神经网络提取源域与目标域深度判别特 征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗 学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知 故障和新故障的有效诊断。 在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较, 所提方法在所有任务上的调和平均值(E-score)达到 0. 8 以上,验证了所提方法的有效性与优越性。     

基于协整分析的风电机组状态监测方法

针对风力发电机组SCADA系统受到环境及运行等因素影响[1],常常发生故障漏报和误报等问题,提出一种基于协整计算的风力发电机SCADA非平稳数据分析方法。风力发电机SCADA数据经协整计算可以获得附带风力发电机状态信息的残差,通过分析该协整残差可实现风力发电机的状态监测。取内蒙古包头市固阳县某风场1.5 MW双馈风电机组所采集的SCADA数据为研究对象,利用部分非平稳数据建立协整模型,并用一组正常运行数据以及一组已知齿轮箱故障数据对模型进行验证,结果表明,所提方法可有效抑制SCADA数据中由环境和运行引起的响应,准确识别风力发电机的运行状态,简单有效的实现风力发电机的状态监测.     

风电机组齿轮箱早期故障预警方法研究

为实现风力发电机组等变工况机电设备的早期故障预警,研发了变工况齿轮箱状态监测系统。在基于该系统的多种变工况行星齿轮磨损实验研究基础上,提出了一种基于流形学习的早期故障预警方法。该方法首先研究采用完全总体经验模态分解与改进快速独立成分分析盲源分离技术,有利于对复杂振动信号的滤波与盲源分离;然后研究改进了局部线性嵌入流形学习方法,基于时域、频域信息融合提取了早期故障敏感特征;最后应用k-近邻分类器实现变工况齿轮箱早期故障预警。实验研究表明,该方法提高了早期故障预警准确率,能够应用于风电机组等变工况机电设备的安全保障及科学维护,具有广泛工程实用前景。     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.