基于小波分析的风电机组齿轮箱振动信号识别方法

针对传统齿轮箱振动信号识别方法使用过程中识别准确率较低,研究基于小波分析的风电机组齿轮箱振动 信号识别方法.通过经验模态分析将振动产生信号分解后,提取信号振动时的频率特征,利用小波变换算法确定频率 局部化特征,将振动产生的不同频率用来表示齿轮箱振动信号的变化幅度.实验表明使用小波分析方法进行振动信号 识别,当频率为500Hz时,信号的幅度变化值为3m/s２;当频率为1000Hz时,信号的幅度变化值为6m/s２;而对 异常信号的识别平均准确率为９７．２％,准确率较高,说明设计方法的识别效果较好.     

基于小波和神经网络的齿轮箱故障诊断

本文对齿轮箱故障诊断特点和方法进行分析,并举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于虚拟仪器的机床齿轮箱故障诊断系统的设计

设计了基于虚拟仪器的齿轮箱故障诊断系统,利用图形化编程语言LabVIEW和模块化硬件,对齿轮箱的振动信号实时监测。建立了集参数数据库、故障数据记录库、故障诊断知识库、实时监测及诊断为一体的诊断系统。系统采用压电加速度传感器BZ1185采集齿轮箱振动信号,通过对信号放大、转换和滤波,将信号转换成有限带宽信号,通过数据采集卡AMPCI-9111输入到计算机中。使用开发的虚拟仪器技术开发平台,对CQ9145联合机床齿轮箱振动信号进行了倒频谱和小波分析,实验表明,本系统可以大大提高诊断准确度和效率。     

基于小波-能量谱分析的风电机组齿轮箱故障诊断方法研究

风电齿轮箱结构和工作条件特殊,使其故障机制复杂。为此提出了一种基于小波分解和能量谱相结合的风电齿轮箱故障诊断方法。首先是齿轮箱振动信号进行时域特征分析,观察特征参数的变化趋势,然后对变化特征最明显的振动信号进行功率谱分析,进行故障定位,最后结合小波能量谱对齿轮箱进行故障诊断。通过风电齿轮箱的故障实例,能准确地诊断出其故障形式和位置,说明该方法具有一定的工程意义。     

基于卷积神经网络的变压器振动信号分析

为研究变压器振动与运行状态之间的关系,在小波分析方法的基础上,结合卷积神经网络的方法进行变压器振动信号分析。首先对1台油浸式变压器模拟绕组松动和铁心松动两种故障状态并分别测量其振动信号,然后对测试所得的振动信号进行小波变换,生成小波灰度图,并进行卷积神经网络训练分析。根据卷积神经训练的结果,该方法准确率在84.03%,说明卷积神经网络结合小波灰度图的分析方法可以有效识别振动信号中故障信息。比较2类故障验证样本中错误结果的分布情况可以发现,错误结果受变压器振动测点位置影响较大,在改善测点和增加训练数据的前提下,准确率还能有所提升。     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

基于振动信号和小波神经网络的变压器故障诊断

提出一种基于振动信号和小波神经网络的电力变压器故障诊断方法.采用变压器油箱表面的振动信号作为采样信号进行频谱分析提取特征频率信号,并以此特征频率信号乘以电流标么值的平方作为训练样本进行小波神经网络训练,小波神经网络输出量能够反映出频谱特征向量和变压器故障类型之间的映射关系,从而实现变压器的故障诊断.实验结果表明,使用该方法能够有效地对变压器进行故障分类及其诊断,并且小波神经网络具有很好的泛化能力.     

基于MATLAB与VC的风电机组齿轮箱振动信号采集与分析系统

为实时采集和分析风电机组齿轮箱的振动信号,利用MATLAB与Visual C++(以下简称为VC)混合编程构建了一套实时振动信号采集与分析系统。运用VC编制风电机组齿轮箱的振动信号采集程序,调用MAT-LAB引擎对采集数据进行时域和频域信号处理分析。为测试该系统,对单台风机齿轮箱进行实验测试,测试结果表明,该系统设计合理、运行正常,自功率频谱分析、细化谱分析和小波包分析的结果与齿轮箱运行实际情况吻合。     

基于人工蜂群算法的海上风电机组齿轮故障诊断方法∗

针对传统方法在海上风电机组齿轮故障诊断中应用效果不佳,不仅误诊率较高,而且召回率较低,无法达 到预期的故障诊断效果,提出了基于人工蜂群算法的海上风电机组齿轮故障诊断方法.首先利用振动加速度传感器拾 取齿轮箱振动信号,对振动信号进行小波阈值降噪处理,然后基于处理后的振动信号,利用人工蜂群算法优化后的 BP神经网络对齿轮故障进行识别诊断.经实验证明,该方法误诊率在１％以内,召回率在９５％以上,具有良好的可 行性与可靠性.     

基于小波包和模糊自适应共振神经网络的变压器绕组状态识别

变压器振动信号中包含了大量状态信息,但难以从中提取有效特征进行绕组松动状态识别。为此,提出了基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)的变压器绕组松动状态识别方法。首先,设置9种绕组松动状态并进行短路实验,测取油箱表面振动信号;然后对振动信号进行4层小波包变换,提取有效测点状态特征频带的小波包能量构成特征向量;最后将特征向量作为Fuzzy-ART神经网络的输入,对不同绕组松动状态进行识别。实验结果表明,基于小波包的Fuzzy-ART神经网络能对绕组松动状态进行快速、稳定分类,可用于变压器绕组松动状态的在线监测与诊断。