基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法

针对风电机组轴承故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。     

基于EEMD的变压器振动与声音信号IMF峭度特征量提取方法

针对变压器振动问题,提出了一种基于集合经验模态分解(EEMD)的本征模函数(IMF)峭度特征量提取方法,并运用相关系数法、快速谱峭度图法提取敏感IMF分量。提取试验变压器正常、铁心松动故障状态下的振动、声音信号的特征量,研究变压器在正常、故障状态下这两种信号特征量分布情况;分析实际运行中出现铁心磁路故障、铁心多点接地故障状态的变压器的IMF峭度特征。结果表明,提出的特征量提取方法可同时反映频域、时域特性;在不同故障条件下,振动与声音信号的特征量变化不同,二者可相互补充,研究两种信号更有利于变压器状态的判定。     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到分类器中进行故障识别分类。试验结果表明,该方法可准确地对风电机组行星齿轮箱不同的工作状态和故障种类进行识别与分类。     

一种基于盲源分离和流形学习的风电机组轴承故障特征提取方法

提出一种基于盲源分离(blind source separation,BSS)和流形学习算法的风电机组轴承故障特征提取方法,首先对采集的振动信号利用独立成分分析(independent component analysis,ICA)进行盲源分离,计算各源信号的峭度和负熵,然后对源信号进行包络分析并提取上、下包络线矩阵的奇异值,将峭度、负熵和奇异值组成高维特征向量,最后利用拉普拉斯特征映射流形学习算法(Laplacian eigenmaps,LE)挖掘出高维数据中包含有效信息且具有内在规律性的低维特征。该方法充分利用并有效结合ICA在信号处理和LE在挖掘特征信息方面的优势,实现风电机组轴承故障特征的提取。算例结果表明该方法可有效提取轴承故障特征。     

基于VMD与粒子滤波的滚动轴承故障诊断

针对旋转设备工作环境复杂,难以提取轴承故障特征信息的问题,提出基于变分模态分解(VMD)和粒子滤波的故障诊断方法。首先,对原始振动信号进行VMD分解,得到有限个具有稀疏特性的固有模态函数(IMF);其次,利用基于峭度、相关系数、能量比的综合评价指标P,筛选最能反映原始信号故障特征的模态分量进行重构;最后,对重构故障特征分量进行粒子滤波,消除VMD残留的非线性、非高斯噪声后,利用包络谱分析故障类型。通过对实验轴承振动信号的分析,验证了该方法的准确性和有效性。     

基于改进变分模态分解与支持向量机的风力机轴承故障诊断

为研究风力机齿轮箱轴承振动信号非线性及故障诊断问题,采用改进变分模态分解方法对四种状态轴承振动信号进行处理,提出无量纲参数多重分形谱值因子,联合峭度值对分解所得模态分量进行选取,剔除无效信息分量并进行信号重组,采用分形维数研究重组信号的分形特征,并通过支持向量机进行模式识别。结果表明：基于样本熵优化的改进变分模态分解方法可获得高质量的模态信息;通过多重分形谱值因子及峭度选取并重组的信号具有良好的振动特性,其分形维数可通过信号非线性程度定量区分轴承工作状态;采用支持向量机对不同轴承工作状态的重组信号进行分类,结果具有较高的准确度。     

风电机组叶片故障仿真与状态判别研究

该文利用Bladed软件模拟叶片覆冰和破损故障,通过对比和分析风电机组叶片故障与正常时的运行数据,发现叶片故障状态时的机组运行参数变化特征;然后利用叶片振动信号,基于叶片工作模态分析理论识别出叶片模态参数,根据模态参数的变化揭示了两种故障对叶片振动影响的区别;最后将所识别的叶片模态参数与风电机组的运行参数组成多源数据,采用LightGBM框架下的分类决策树算法实现了对叶片故障状态的有效判断和识别。     

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%。     

基于优化的VMD融合信息熵和FA_PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FAPNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FAPNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。