基于随机共振和VMD分解的风电机组滚动轴承故障特征提取

以风电机组滚动轴承为研究对象,针对其故障诊断中强噪声背景下信号信噪比低、故障特征难以提取的问题,提出一种基于随机共振(SR)和变分模态分解(VMD)的故障特征提取方法。该方法首先利用随机共振对滚动轴承的振动信号进行降噪处理,提高信号的信噪比;然后对降噪后的振动信号进行VMD分解,通过求取固有模态函数(IMF)的幅值谱,从而发现滚动轴承的故障特征频率。将该方法应用于风电机组滚动轴承的实际数据中,分析结果表明,该方法能够提高信号的信噪比,实现风电机组滚动轴承的精确诊断。     

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。     

我国风电轴承市场大有可为

传统能源的相对匮乏、环境压力以及地缘政治的强烈不安全感,使得各国在发展包括风电在内的可再生能源方面不遗余力.     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

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。     

基于状态监测的风电机组主轴承早期故障预测方法

利用风电机组实时监测数据来研究主轴承温度与其潜在故障之间的关系,提出一种基于温度预测模型的风电机组主轴承在线故障预测方法。首先建立正常运行状况下主轴承温度的线性回归分析预测模型,提出可表示系统实际运行状态和预测状态之间偏差的判别函数,通过比较判别函数值与设定门槛值来监控主轴承的运行状态。理论分析和仿真结果表明,该方法所用模型鲁棒性好,提取的故障特征明显,可有效地预测在线风电机组主轴承潜在的故障。     

基于多尺度特征提取与KPCA的轴承故障诊断

针对滚动轴承故障信号特征难以提取导致故障识别率低的问题,提出了基于多尺度特征提取与核主成分分析(KPCA)的轴承故障诊断模型。该模型首先利用固有时间尺度分解(ITD)将振动信号分解成若干个固有旋转(PR)分量,其次根据相关系数准则筛选固有旋转分量,然后求取固有旋转分量在多个尺度上的时域特征,最后利用核主成分分析将得到的多尺度特征进行融合,并用融合后的特征向量建立极限学习机(ELM)故障诊断模型,实现对滚动轴承状态的识别。与传统的单一尺度特征提取方法相比,多尺度特征提取在时域特征的基础上添加了尺度因子,具有度量时间序列在不同尺度因子下复杂性的优点。     

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。     

基于Hilbert和CA-VMD的风电机组叶轮不平衡故障电信号特征提取方法

针对风电机组叶轮系统故障的非线性、非稳定性和耦合性使早期微弱故障特征频率处于强背景噪声下难以提取的问题,并考虑到传统故障信号采集方法存在的局限性,从电信号入手,提出了一种基于希尔伯特变换和变分模态分解相关性分析(CA-VMD)的风电机组叶轮系统不平衡故障的电信号特征提取方法。首先,针对传统频域分析方法直接对故障电信号进行分析而无法提取故障特征频率的问题,引入Hilbert变换解调出故障调制信号;然后,针对强背景噪声下早期微弱故障特征难提取的问题,引入变分模态分解将故障调制信号分解,并通过相关性分析剔除噪声分量;最后,重构故障调制信号并提取故障特征频率,提高了原始故障信号的信噪比。通过仿真分析,证明了所提方法的有效性。     

风电机组叶片裂纹故障特征提取方法

为实现风电机组叶片及时有效地监测和维护,使用声发射技术采集疲劳裂纹信号,从而提取不同裂纹特征。鉴于尺度谱受到Heisenberg测不准原理的极限制约,时频聚集性不佳、干扰强的现象,提出风电机组叶片裂纹声发射信号的优化小波重分配尺度谱分析。基于Shannon熵理论计算裂纹萌生和预制裂纹再扩展的声发射信号的重分配尺度谱小波基函数带宽参数,得到最适合此两阶段裂纹声发射信号的Morlet小波基函数,计算优化基函数的小波重分配尺度谱,获得不同类型裂纹特征成分在时间尺度平面的高幅值能量分布。实验研究表明,优化小波重分配尺度谱的方法具有很好的时频聚集性和抗噪能力,实现了风电机组叶片裂纹声发射信号的时频特征清晰准确的提取,识别风电机组叶片不同阶段裂纹故障。进而可以采用该方法监测风电机组叶片在复杂环境中的退化状态。     

基于ITD的电网故障行波信息提取新方法

为精确提取行波信号包含的故障信息,提高电网故障行波特征检测的准确度,提出了一种提取暂态行波信息的新方法。该方法采用固有时间尺度分解原理（ITD）分析故障行波信号,将其分解成若干固有旋转分量和趋势余量,提取故障分析所需高频分量,计算各个分量的瞬时相位和频率,精确确定初始行波到达的时间。算例对比和仿真分析结果表明,该方法在局部特征信息保留和分解速度上比经验模态和局部均值分解有优势,用于电网故障定位具有较高的精度和效率。     

基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

HHT改进及其在风力发电机故障诊断中的应用

为解决风力发电机轴承故障特征难以提取的问题,提出一种基于相关分析的改进的HHT方法。该方法利用EMD是近似正交分解的特征,将EMD产生的残差分量与原信号间的相关系数作为阈值,对IMF进行自适应筛选,解决了由三次样条拟合误差引发的伪IMF问题。通过仿真分析对该方法进行了验证。使用该方法分析D70型1.5 MW风力机承振动信号,诊断出了轴承故障,进而可以将该方法应用于工程实践中。     

基于改进冗余提升方案的汽轮机组振动故障特征提取

故障特征提取是大型机械设备状态监测和故障诊断领域的核心问题。传统的振动故障特征提取方法主要是基于频谱分析的方法,小波变换的出现则为该领域提供了新的工具。文中提出并构造了一种改进的冗余提升小波变换算法来提取振动信号的时域特征。算法以第2代小波为基础,设计了冗余提升小波变换的算法,不进行分裂,直接利用构造的算子进行预测和更新,各层分量和原始信号的数据长度相同,从而保留了更多的时域信息。研究了提升小波和冗余提升小波算法中存在的频率混叠问题,阐述了产生频率混叠的原因。通过对冗余提升小波分解得到的近似信号和细节信号采用傅里叶变换的方法消除了与其对应频带无关的频率成分,以突出相应频带信号的时域特征。对仿真信号和实际汽轮发电机组振动故障信号进行了分析,结果表明,改进的冗余提升小波变换算法能够较理想地提取出故障特征,有效地解决了提升小波算法中存在的频率混叠问题。     

基于大数据分析的风机轴承故障预警

将大数据分析应用到风机轴承故障预警中,使用栈式自动编码器（SAE）为基本结构,通过逐层提取风机轴承监视控制与数据采集系统（SCADA）数据深层特征,将散乱的SCADA大数据转化成能够深度刻画风机轴承运行状态的内在特征。利用预训练、微调的方法并结合误差反向传播算法（BP）构建SAE故障预警模型,通过SAE模型对大数据处理得到反映风机轴承运行状态的重构误差平均值,以均值漂移聚类算法动态地计算出风机轴承稳定运行状态重构误差基准值为预警的标准。最后利用某风电场机组的SCADA数据进行工程实例仿真分析,验证了基于大数据分析用于风机轴承故障预警的可行性。     

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。     

一种强噪声背景下地铁车轮轴承故障信号的特征提取方法

针对地铁车轮轴承的声学法故障诊断中背景噪音大、难以提取出有效故障特征的问题,提出了一种在强噪声背景下故障特征提取的方法。对声音信号进行短时傅里叶变换(short-time Fourier transform,STFT)得到时频图,时频图中的条纹就是故障特征;沿条纹方向将图像各个点的信号强度相加,得到时频图对应的信号强度叠加折线图来展示故障特征,并且提出一种基于峰值高度的自适应循环降噪算法对信号强度叠加折线图进行降噪,得到该折线图的评价指标为有效峰值数目;最后提出一种自适应滑动窗口检测法来截取时频图中条纹分布的区域,以此来得到最优的故障特征展现效果。实验结果表明,所提出的方法可以从采集的音频信号中提取出来明显有效的故障特征。