基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于EEMD和Hilbert分析的滚动轴承故障诊断方法研究

滚动轴承在风电机组中广泛应用,其运行状态直接影响整台风机的性能。提出EEMD(总体平均经验模态分解)和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,但存在一些不足,易产生虚假分量和模态混叠现象。针对EMD分解方法的不足,引入改进型算法EEMD。首先将振动加速度信号进行EEMD分解,计算各阶IMF峭度值的大小,选择峭度值较大的IMF分量,利用Hilbert变换对其进行包络谱分析,提取故障特征频率,辨识滚动轴承故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法的有效性和准确性。     

基于经验模态分解的风电轴承早期故障诊断研究

介绍了采用基于经验模态分解EMD包络谱的滚动轴承早期故障诊断方法。该方法先用EMD将原始时域信号分解为若干个平稳的固有模态函数IMF之和,然后求出包含主要故障信息的多个IMF分量的包络谱,通过包络谱频率来判断滚动轴承的故障类型。对滚动轴承内圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能够比传统的FFT频谱更加及时准确的提取滚动轴承的故障特征,利于提早发现故障隐患。     

基于ICA-EMD和Prony算法的区域电网低频振荡模式分析

针对互联电网低频振荡频现,已有低频振荡模式分析方法对噪声较为敏感和难以处理非线性、非平稳信号等问题,提出一种基于独立分量分析(ICA)与经验模态分解(EMD)有机结合的Prony关键振荡模式辨识法。通过对观测到的功角信号进行滤波预处理,并对其进行经验模态分解提取得到固有模态函数(IMF),将已得原始固有模态函数白化,接着用独立分量分析处理得到真正的IMF,用Prony算法辨识各IMF分量提取出观测信号中关键振荡模式。研究结果表明,该方法综合利用了ICA的去相关性和噪声抑制优势及EMD对复杂信号的分解能力,克服了Prony算法难以去除噪声和分解频率相近模式的缺陷,有利于提高辨识精度和准确性,更能满足实际应用需求。     

基于VMD分解和支持向量机的水电机组振动故障诊断

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variational modal decomposition,VMD)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的IMF分量,进而采取能量法提取各IMF分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。     

独立分量分析-经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis , ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用 ICA 将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。     

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。     

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。     

基于改进经验模态分解和谱峭度法的变压器振动故障特征提取

针对变压器振动故障信号易被强背景噪声掩盖的特点,提出基于改进经验模态分解(empirical mode decomposition,EMD)与谱峭度法的变压器振动故障特征提取方法。首先利用EMD方法分解原振动故障信号得到一系列本征模态函数(intrinsic mode function,IMF)分量后,采用能量矩占比和方差贡献率相结合的方法对采样信号进行EMD降噪处理,消除EMD中的虚假分量;然后利用重构算法提取真实IMF分量,运用谱峭度法提取振动故障特征频率;最后以模拟工程实际信号为例,采用MATLAB仿真验证了该变压器振动故障特征提取方法的有效性。     

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。     

经验模态分解端点波形延拓改进方法研究

为提高经验模态分解(EMD)的分解精度,针对分解过程中存在的端点效应问题,在对已有波形匹配延拓方法改进的基础上,提出了一种改进后的基于端点波形匹配的经验模态分解方法。通过对齿轮裂纹故障模拟试验结果分析表明,当齿轮转速为600r/min时,5 120个实验数据分解时间约为1.2 s,所得第6个IMF分量的幅值谱峰值频率为10 Hz,对应着系统的回转频率。第2个IMF分量的峰值频率为550 Hz,对应着系统的啮合频率。所提出的方法能够分解出齿轮系统的特征分量,具有较高的分解精度和计算效率。     

（20期已排）基于聚类经验模态分解和差分熵的输电线路故障测距研究

为提高输电线路的故障测距精度,本文提出了一种基于聚类经验模态分解(EEMD)和差分熵(DE)的输电线路故障行波测距方法。首先利用改进的差分熵信号处理方法对输电线路电流进行熵值计算,通过与正常电流熵值的对比,判断电流是否发生突变。然后采用EEMD分解对发生突变的故障电流进行处理,有效去除故障信号中的噪声,避免模态混叠,获取准确反映故障信息的IMF分量。随后对分量实行差分熵方法中的差分分析,将电流的变化幅度进行有效量化,并建立每个信号点的变化程度与时间的对应关系,从而解决波头位置难以确定的问题,获得故障初始行波到达每个监测点的准确时间。最后利用行波双端法,实现输电线路的故障测距。仿真结果表明,该方法能够较好地解决故障测距时存在的信号噪声和波头测量时间不准确的问题,有效提高故障测距的精度。     

基于FEEMD-NTEO的风电场送出线路故障定位

针对集合经验模态分解(EEMD)用于双馈风电场送出线路行波故障定位中行波检测精度不高,存在模态混叠、抗噪能力弱及故障定位实时性不好等问题,提出了一种基于快速集合经验模态分解(FEEMD)与改进Teager能量算子(NTEO)结合的行波故障定位方法。该方法利用FEEMD对故障电流行波信号进行分解,分解为平稳的固有模态分量和残差分量,消除噪声成分,保留信号的完整性;然后采用NTEO算法对分解的高频信号再次去噪,增强故障行波突变特征,精确标定行波波头。仿真结果表明,所提方法能够快速将故障行波波头精确标定,且去噪效果好,与FEEMD-TEO、EEMD-NTEO行波检测方法相比,提高了故障定位的精度和速度。     

低压断路器振动特性分析及其故障诊断研究

以低压断路器三相不同期故障为对象,首先,利用经验模态分解(EMD)方法,将振动信号分解为若干本征模态函数(IMF),经频谱分析确定前四阶IMF分量作为振动信号特性,并起到振动信号消噪作用;其次,利用分形理论对前四阶IMF分量求取关联维数,以表征低压断路器三相合闸不同期的故障特征;最后,引入极端学习机(ELM)建立三相合闸不同期故障识别模型。试验与仿真结果表明,基于EMD及分形理论的ELM模型可有效区分三相不同期故障。根据上述故障诊断原理,该方法对低压断路器其他故障类型的诊断具有适用性。     

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。     

基于二次 CEEMD 与时域特征分析的去噪方法

为克服经验模态分解(EMD)去噪方法存在的模态混叠以及噪声分量与信号分量区分困难问题,本文提出了一种基于二次互补集合经验模态分解(CEEMD)与时域特征分析的去噪方法。该方法利用CEEMD来克服模态混叠问题,同时基于对CEEMD本征模态函数(IMF)的时域特征分析来确定噪声主导IMF分量与信号主导IMF分量的分界点,据此区分噪声分量与信号分量,并对分界点相邻两侧的噪声主导IMF分量与信号主导IMF分量进行二次CEEMD分解,在保留更多有用信号的同时进一步滤除剩余噪声。对含冲击噪声干扰的实际机载平台数据的去噪实验结果表明,新方法通过对噪声分量与信号分量的有效分离,可以更好地抑制噪声干扰,明显提升信噪比。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于暂态过电压下行波分析的变压器绕组变形在线故障定位方法

绕组变形是变压器内部的主要故障类型之一,严重威胁电力系统正常运行。为有效提高绕组变形在线检测的准确性,结合变压器在运行中遭受暂态过电压冲击的特性,提出基于暂态过电压下行波分析的变压器绕组变形在线故障定位方法。当暂态过电压信号侵入变压器绕组时,在绕组末端获取电压行波信号,采用具有自适应白噪声的完整集成经验模态分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对其进行分解,得到本征模态分量(Intrinsic Mode Function,IMF),计算各IMF分量下的相关系数,对比分析后选取一些IMF的相关系数作为绕组变形的故障特征量,最后结合BP神经网络构建故障特征和故障点的映射关系,实现绕组变形的在线故障定位。仿真结果验证了本方法的可行性。     

基于CMF-EEMD的风电齿轮箱多故障特征提取

针对EMD(empirical mode decomposition)模态混叠现象和由于所添加白噪声幅值单一而影响EEMD(ensemble empirical mode decomposition)分解精度等问题,提出了一种新的信号处理方法CMF-EEMD。CMF(combined mode function)将EMD分解得到敏感的IMFs按高低频进行组合,形成两个包含高低频的本征模态函数Ch和CL,然后通过添加不同的白噪声幅值对Ch和CL分别进行EEMD分解,最后对敏感的IMFs进行循环自相关函数解调分析。将提出方法应用于仿真信号和风力齿轮箱试验台的振动信号,成功提取了多故障特征频率,验证了此方法的有效性。并通过与添加单一白噪声幅值进行对比分析,凸显此方法具有更高的分解精度。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。