基于ITD和LS - SVM的风力发电机组轴承故障诊断

为了更好地识别出复杂条件下风力风电机组主轴承的运行状态,提出了基于固有时间尺度分解(ITD)和最小二乘支持向量机(LS-SVM)的风电机组轴承故障诊断方法。该方法首先将调心滚子轴承振动信号分解成若干个固有旋转分量和一个趋势分量之和。然后,对前几个固有旋转分量的瞬时幅值进行频谱分析,找出频谱中外圈、内圈、滚动体故障特征频率处以及转动频率处的幅值,将其作为故障特征向量。最后,将故障特征向量输入LS-SVM来识别机组轴承的运行状态。实验结果表明,该方法可以快速、较准确地诊断出风力发电机组轴承故障。     

变工况特性下的风电轴承早期故障诊断方法

针对风电机组运行环境极端恶劣和运行工况复杂多变造成的故障特征无法准确、及时捕捉的特点,提出基于IMF(Intrinsic Mode Function)分量优化选取和Hilbert谱分析的风电轴承早期故障诊断方法。首先利用阶比重采样技术将时域非平稳信号转换为角域平稳或准平稳信号;然后对角域信号进行EMD(Empirical Mode Decomposition)分解,利用互相关准则和峭度准则选取IMF分量,重构角域信号;最后,采用希尔伯特变换对重构信号进行处理,得到边际谱。通过试验仿真验证了该方法的有效性。     

基于EEMD和CICA的风电机组轴承故障特征提取

针对风电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和约束独立分量分析(constrained independent component analysis,CICA)的故障特征提取方法(EEMD-CICA)。首先对采集的轴承振动信号进行预处理,消除噪声信号的影响,并利用EEMD进行分解,得到一系列本征模态函数(intrinsic mode function,IMF);然后利用邻近奇异值插值法估计源信号个数,并根据互信息准则选取IMF分量作为参考信号;最后根据选取的参考信号,利用CICA方法提取轴承故障中包含的信号特征,并进行包络解调得到包络谱。算例分析表明,此方法能有效提取轴承故障特征。     

基于改进DEMD和ICA的海上风机传动系统早期故障诊断

针对传动系统早期故障振动信号较弱的情况,提出基于改进微分经验模式分解(DEMD)和独立分量分析(ICA)的海上风机传动系统早期故障诊断方法。为克服传统的DEMD算法在分解低阶本征模态函数(IMF)时存在失真现象,提出改进的微分经验模式算法将原始振动信号分解成若干个独立的IMF信号,结合ICA进一步进行原始振动信号故障特征分量的提取,并基于标准数据和风机动力传动故障诊断实验平台进行了仿真研究,最后选取海上风电机组传动系统常出现的发电机轴承故障进行诊断分析。结果表明,相对于传统的故障诊断方法,该方法能更好地放大故障分量,减少噪声和其他振动干扰信号的影响,提高了海上风电机组传动系统早期故障诊断的准确性。     

基于FFT和ITD的绝缘子泄漏电流去噪

采用快速傅里叶变换（FFT）实现泄漏电流中周期分量和非周期分量的分离,给出了分离2种分量时的阈值。采用改进的固有时间尺度分解（ITD）方法实现非周期分量的去噪,给出了采用ITD去噪时的阈值。引入两端延拓解决了ITD的端点效应问题,提高了采用ITD分析的准确性。以高压试验中采集到的绝缘子泄漏电流为处理对象,采用所提方法对其进行了去噪。结果表明：所提的方法既能平滑信号,又能有效保留特征数据。     

基于希尔伯特-黄变换（HHT）的机组同调研究

概述了利用功角曲线进行同调识别所面临的困难,阐述了希尔伯特-黄变换(HHT)在非线性、非平稳功角信号处理中的优势,提出了一种基于HHT的同调识别新方法。该方法利用经验模式分解方法将功角信号进行分解,得到剩余分量和各固有模态信号,逐次对这些分量进行比较得到机组的同调特性。该方法不受系统模型、故障场景限制,能随着不同的故障自适应调整数据时间窗的长度,并能克服小波分析、prony分析等算法难以处理非平稳信号的不足。测试结果表明了该算法的有效性。     

基于固有时间尺度分解的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和非平稳特性的情况,提出了一种基于固有时间尺度分解和样本熵的新型故障特征提取方法,并与Tikhonov支持向量机相结合实现滚动轴承的故障诊断。该研究充分利用了固有时间尺度分解具有提取故障特征明显、计算简单等优点。首先采用固有时间尺度分解方法将振动信号分解为一序列固有旋转分量和一个基线分量之和,并计算每个固有旋转分量的瞬时幅值和瞬时频率。然后,提取上述瞬时数据的样本熵作为特征向量。最后将其作为Tikhonov支持向量机的输入,实现滚动轴承故障精确分类。经过实验验证,本文方法获取的不同类型故障样本特征差别较大,与小波能谱熵、时间小波能谱熵相比能够更精确和快速的识别轴承故障。     

基于多尺度线调频基稀疏信号分解的广义解调方法及其在滚动轴承故障诊断中的应用

提出了一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速下的滚动轴承故障诊断。该方法先采用基于多尺度线调频基的稀疏信号分解方法分解频率呈曲线变化的多分量信号,得到瞬时频率和瞬时幅值都具有物理意义的单分量信号及其相位函数,再基于获取的各分量信号的相位函数对原信号进行广义解调处理,从而将非平稳信号转化为平稳信号。当转速变化时,滚动轴承故障特征频率为曲线变化的非平稳信号,对其包络信号进行基于多尺度线调频基的稀疏信号分解,提取包络信号分量,再对包络信号分量进行广义解调,根据广义解调后分量信号频率成分与转频的关系即可判断滚动轴承的故障部位和类型。仿真信号与轴承内外圈故障振动信号分析结果表明,该方法比传统的包络信号分析方法能更有效地提取滚动轴承故障振动信号特征。     

基于ITD和改进小波阈值的超声检测信号去噪

超声检测信号是一种非线性、不平稳信号,且由于材料结构的复杂性,超声回波信号往往存在很多干扰噪声。针对钢制结构中平底孔的超声检测信号传统小波去噪方法的不足,提出固有时间尺度分解(ITD)和小波阈值去噪相结合的方法对信号进行去噪处理。通过将带噪声的原始检测信号进行ITD分解,获得一系列固有旋转分量(PRC)和一个单调趋势项,去除高频分量后重构部分主要的PRC分量,然后采用改进阈值的小波软阈值方法对其进行去噪,该方法融合了小波去噪和ITD方法的优势,信噪比、均方根误差和相关性等参数都比较满意,去噪效果明显。     

一种WACEEMDAN和MSB的轴承故障诊断方法

针对滚动轴承发生故障时的冲击信号易被噪声淹没和其非平稳的特性,以及传统使用自适应白噪声平均总体经验模态分解（CEEMDAN）时固有模态函数（IMFs）中的有效信息不能被充分利用等问题,提出了一种基于加权自适应白噪声平均总体经验模态分解（WACEEMDAN）和调制信号双谱（MSB）的滚动轴承故障特征提取方法。首先,使用CEEMDAN将采集的非平稳振动信号分解成若干具有平稳特性的IMFs;然后,构建了一种强调敏感分量的新型指标：相关—峭度值,利用该指标对各个IMFs加权并重构为WACEEMDAN信号;最后,应用调制信号双谱（MSB）分解WACEEMDAN信号中的调制分量并提取故障特征频率。研究结果表明,通过使用西安交通大学通用轴承数据集和我们试验台进行了验证,所提出的WACEEMDAN—MSB方法能够准确的提取出轴承故障特征频率,从而验证了WACEEMDAN—MSB方法的有效性。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。     

基于集合经验模态分解与Wigner-Ville分布的水轮机振动特征信号的分析研究

针对经验模态分解（Empirical Mode Decomposition,EMD）存在模式混合问题和魏格纳-维利分布（Wigner-Ville Distribution,WVD）对于多分量非平稳信号存在固有交叉项干扰的缺陷,本文提出一种将集合经验模态分解（EEMD）方法与魏格纳-维利分布（WVD）分析方法相结合的方法,即抑制了WVD对于多分量非平稳信号却存在固有交叉项干扰的缺陷,又发挥了WVD描述信号的时变特征性能。通过仿真试验表明该方法能有效的抑制了交叉项干扰,并将其应用于水轮机振动信号特征信号的提取中,为后续进行机组故障诊断提供有效的分析工具。     

风电机组发电机轴承电腐蚀故障的分析诊断

电腐蚀故障是风电机组发电机轴承的常见故障模式,电腐蚀故障通常分布在整个轴承滚道上,产生的振动响应信号中故障冲击特征往往不如局部故障明显,因此容易被忽视。针对电腐蚀故障振动信号的这种特点,采用一种最小熵解卷积方法对振动信号进行预处理,增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息,以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程,将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中,通过对实测振动信号的分析处理,实现了电腐蚀故障的识别诊断,验证了最小熵解卷积方法对故障信息增强的使用效果。     

基于EEMD-RVM风力发电机故障诊断方法研究

针对风力发电机早期故障表征不明显、能采集有效数据量较少、诊断结果精度较低等问题,文中提出一种运用综合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合相关向量机的方法对风力发电机多类故障进行早期诊断。首先,利用EEMD结合灰色关联度的方法对风机各类故障的振动信号进行预处理,提取最优故障特征;再通过相关向量机(Relevance Vector Machine,RVM)对提取的故障特征训练,并建立相应的故障诊断模型进行诊断。在实例中将文中所提方法 EEMD-RVM与小波包分解(Wavelet Packet Decomposition,WPD)结合RVM以及EEMD结合最小二乘支持向量机LS-SVM(Least Square Support Vector Machine,LS-SVM)方法的诊断结果作对比,结果表明,EEMD-RVM方法具有可行性,且具有耗时短、精度高等优点。     

基于 QH-ITD 和 AMCKD 的滚动轴承故障诊断研究

由于滚动轴承早期微弱故障易受噪声影响导致难以对故障进行诊断。针对原固有时间尺度(ITD)和三次样条插值改进ITD算法的不足以及最大相关峭度解卷积(MCKD)算法的滤波器长度参数选取困难的问题,提出基于四次Hermite插值改进的ITD(QH-ITD)算法和利用变步长网络搜索参数寻优改进MCKD(AMCKD)算法。该方法首先利用QH-ITD算法对原滚动轴承故障信号进行分解运算,然后利用峭度指标和互相关系数筛选相应的分量信号进行重构,再利用AMCKD算法中对重构信号进行降噪处理,最后利用Teager-Kaiser能量算子进行解调处理,提取出故障特征信息并判断故障类型。通过人工模拟的滚动轴承损伤故障诊断实验和全寿命周期的轴承早期微弱故障诊断实验,验证了所提方法可以有效地对滚动轴承的早期微弱故障进行诊断识别。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

考虑不平衡磁拉力的双馈异步风力发电机轴承外圈故障动力学建模

轴承故障会引起双馈异步风力发电机转子气隙变化,产生不平衡磁拉力(UMP)。为准确揭示双馈异步风力发电机轴承故障振动特性,开展了考虑UMP的双馈异步风力发电机轴承外圈故障动力学建模研究。首先,基于赫兹接触理论构建了轴承外圈故障模型;然后,推导了正常和轴承故障下发电机转子的气隙磁密,得到了发电机转子受到的UMP解析式;最后,采用Runge-Kutta法对模型进行求解,得到了轴承故障振动响应。试验分析表明：所提动力学模型能够有效揭示双馈异步风力发电机轴承故障振动信号的双冲击现象,UMP激励会影响风力发电机轴承外圈故障振动信号的调制特性。为风力发电机轴承故障诊断提供了新的理论参考。     

基于VEITD和OSMHD的风电机组轴承损伤识别

针对风力发电机轴承损伤信号易被强噪声干扰导致损伤特征提取困难的问题，提出了一种基于可变熵加权融合的固有时间尺度分解和优化稀疏最大谐波噪声比解卷积法相结合的风力发电机轴承损伤识别方法。采用固有时间尺度分解方法对原始信号进行分解，得到若干个固有旋转分量。利用可变熵对固有旋转分量进行加权融合。使用优化稀疏最大谐波噪声比解卷积法对加权融合信号进行处理，提取轴承损伤特征频率。试验台数据和风力发电机现场数据分析结果表明，所提方法对轴承损伤信号中的噪声抑制效果明显，能够准确提取风力发电机轴承损伤特征频率，实现风力发电机轴承的损伤识别。