基于MED-EMD和切片双谱的滚动轴承故障特征提取

针对风电齿轮箱中轴承故障信号非线性、非平稳的特点,提出了基于最小熵反褶积(MED)、经验模态分解(EMD)和切片双谱相结合的方法来提取轴承的微弱故障特征。通过MED-EMD将原始信号降噪分解为多个本征模态函数(IMF),对与原始信号相关性强的IMF分量进行切片双谱分析,从而提取微弱故障特征频率。对仿真信号和风电齿轮箱轴承实测信号的分析表明:选取MED作为EMD的前置滤波器能够弥补强背景噪声下EMD分解的不足,切片双谱分析能够抑制高斯噪声,提高信噪比,得到了风电齿轮箱故障产生于中间齿轮轴电动机侧轴承内圈点蚀的正确判断。     

基于变分模态分解的风力发电机组轴承故障检测方法研究

为实现对轴承故障的精准检测,引进变分模态分解技术,以某风力发电机组为例,开展轴承故障检测方法的设计研究。先进行模态信号的转换,将处理后的信号与变分模态预估中心频率进行混合,将信号调制到与中心频率相匹配的基频带上,实现基于变分模态分解的采样模态信号带宽计算;根据风力发电机组轴承信号的变化周期、变化方式,提取异常信号峭度,将其作为风力发电机组轴承异常信号特征;提取轴承在常规运行条件下、内圈故障运行条件下、外圈故障运行条件下的振动信号序列,对采样信号进行VMD分解,将分解后的信号录入计算机与轴承运行信号进行适配,根据匹配结果,掌握轴承当前所处的工况与状态,以此实现风力发电机组轴承故障检测。对比实验结果表明,设计的方法可以在排除外界环境与相关因素干扰的条件下,实现对发电机组轴承故障信号的精准识别。     

基于多项式Chirplet变换和变分模态分解的变转速工况轴向柱塞泵故障诊断

针对变转速工况轴向柱塞泵故障诊断时故障特征提取困难的问题,提出了基于多项式Chirplet变换和变分模态分解的诊断方法。首先使用多项式Chirplet变换估计瞬时频率;然后基于估计的瞬时频率重采样,将时域非平稳信号转化为角域平稳信号;最后对角域信号进行变分模态分解。根据峭度对所得的本征模态函数分量进行重构并作包络阶次谱分析,判断轴向柱塞泵中轴承的故障类型。实验结果表明,该方法有效提取了变转速工况轴向柱塞泵轴承的故障特征。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于RomaxCLOUD的风电齿轮箱轴承设计及试验验证

以1.5 MW风力发电机组齿轮箱高速轴支承轴承NU228为例,基于RomaxCLOUD建立齿轮箱高速轴-轴系统模型,对主参数、径向游隙、滚子凸度、润滑状况进行设计分析,并模拟使用工况搭建试验台架进行试验验证。结果表明:RomaxCLOUD系统优化设计确定的轴承主参数、径向游隙、滚子凸度准确可靠,满足风电齿轮箱输出端轴承的使用要求。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取

针对齿轮箱的滚动轴承故障信号因噪声干扰,难以进行有效提取的问题,提出了基于变分模态分解与快速谱峭图相结合的轴承故障特征提取方法。首先,利用变分模态分解(Variational Mode Decomposition,VMD)将振动信号分解成若干个本征模态分量(Intrinsic Mode Function,IMF),通过相关峭度计算选取故障信息最突出的分量信号;然后,利用快速谱峭图自适应地确定带通滤波;最后,对滤波后的信号进行平方包络谱分析,提取出故障信息。通过公开数据分析和齿轮箱轴承故障实验,证明了该方法的有效性和可行性。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

风电机组齿轮箱早期故障预警方法研究

为实现风力发电机组等变工况机电设备的早期故障预警,研发了变工况齿轮箱状态监测系统。在基于该系统的多种变工况行星齿轮磨损实验研究基础上,提出了一种基于流形学习的早期故障预警方法。该方法首先研究采用完全总体经验模态分解与改进快速独立成分分析盲源分离技术,有利于对复杂振动信号的滤波与盲源分离;然后研究改进了局部线性嵌入流形学习方法,基于时域、频域信息融合提取了早期故障敏感特征;最后应用k-近邻分类器实现变工况齿轮箱早期故障预警。实验研究表明,该方法提高了早期故障预警准确率,能够应用于风电机组等变工况机电设备的安全保障及科学维护,具有广泛工程实用前景。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

变风速条件下风力机轴承故障特征提取

针对风速变化条件下风力发电机轴承故障特征的检测问题,提出了一种基于灰狼优化( GWO )和双稳态杜芬振荡器的随机共振( SR )的故障特征提取方法.首先,根据风速估计故障特征信号的频率,通过合适的采样频率采集风力发电机的振动信号并对采集的信号做归一化处理.随后,根据风速尺度引入变换系数对频率 时间尺度进行变换.此外,利用灰狼算法方法将杜芬振子的阻尼比和系统参数调整到最优值.最后,通过杜芬系统和尺度恢复获得可识别信号.结果表明,所提出的方法能提取原始信号中的故障特征信号.     

变工况条件下的风电机组齿轮箱故障预警方法

针对风电机组运行工况复杂多变,难以实现故障特征提取和预警指标量化的特点,提出基于k邻近度异常检测技术的风电机组故障预警方法:首先利用阶比重采样技术将时域非平稳信号转换为角域的平稳或准平稳信号;其次构建出新量纲一幅域特征值,提取阶比重采样角域信号早期故障特征;最后将振动角域序列映射成多维特征向量,通过基于k邻近度的异常点检测技术挖掘机组潜在异常信息,实现机组的早期故障预警。试验仿真验证了该方法的有效性。     

A combined mono- and multi-turbine approach for fault indicator synthesis and wind turbine monitoring using SCADA data

The monitoring of wind turbines using SCADA data has received lately a growing interest from the fault diagnosis community because of the very low cost of these data, which are available in number without the need for any additional sensor. Yet, these data are highly variable due to the turbine constantly changing its operating conditions and to the rapid fluctuations of the environmental conditions (wind speed and direction, air density, turbulence, …). This makes the occurrence of a fault difficult to detect. To address this problem, we propose a multi-level (turbine and farm level) strategy combining a mono- and a multi-turbine approach to create fault indicators insensitive to both operating and environmental conditions. At the turbine level, mono-turbine residuals (i.e. a difference between an actual monitored value and the predicted one) obtained with a normal behavior model expressing the causal relations between variables from the same single turbine and learnt during a normal condition period are calculated for each turbine, so as to get rid of the influence of the operating conditions. At the farm level, the residuals are then compared to a wind farm reference in a multi-turbine approach to obtain fault indicators insensitive to environmental conditions. Indicators for the objective performance evaluation are also proposed to compare wind turbine fault detection methods, which aim at evaluating the cost/benefit of the methods from a production manager’s point of view. The performance of the proposed combined mono- and multi-turbine method is evaluated and compared to more classical methods proposed in the literature on a large real data set made of SCADA data recorded on a French wind farm during four years : it is shown than it can improve the fault detection performance when compared to a residual analysis limited at the turbine level only.     

基于改进阶次分析与自适应VMD的变转速齿轮箱故障诊断研究

变转速齿轮箱由于工况复杂导致转频不稳定,齿轮箱的微弱故障信号可能会被掩盖在强噪声中,不能直接应用传统的时频分析方法,为故障特征的提取增加一定的难度。针对变转速信号的处理,传统的计算阶次分析方式(COT)很好地解决了变转速齿轮箱的故障特征难以提取出来的问题,但由于传统COT中所使用的重采样方法是基于样条插值法的,无法根据转频选取转频,导致重采样间隔并不均匀;提出了改进的阶次分析方法,根据采样的各点角速度依次进行重采样,提高了阶次分析的精度。同时,变转速齿轮箱因动力传递复杂,导致变转速齿轮箱噪声更加严重。变分模态分解(VMD)常被被用来去除复杂信号噪声,提取被掩盖在强噪声中的微弱故障信号。提出了自适应VMD使用能量法,确定分解层数后对分量进行指标化选取,使去噪的效果得到进一步提升。通过对实验信号分析,使用此方法进行验证。结果表明,此方法能有效转换变转速齿轮箱信号为阶次信号并对故障进行识别。     

Gear fault diagnosis under variable conditions with intrinsic time-scale decomposition-singular value decomposition and support vector machine

The gear vibration signal is nonlinear and non-stationary, gear fault diagnosis under variable conditions has always been unsatisfactory. To solve this problem, an intelligent fault diagnosis method based on Intrinsic time-scale decomposition (ITD)-Singular value decomposition (SVD) and Support vector machine (SVM) is proposed in this paper. The ITD method is adopted to decompose the vibration signal of gearbox into several Proper rotation components (PRCs). Subsequently, the singular value decomposition is proposed to obtain the singular value vectors of the proper rotation components and improve the robustness of feature extraction under variable conditions. Finally, the Support vector machine is applied to classify the fault type of gear. According to the experimental results, the performance of ITD-SVD exceeds those of the time-frequency analysis methods with EMD and WPT combined with SVD for feature extraction, and the classifier of SVM outperforms those for K-nearest neighbors (K-NN) and Back propagation (BP). Moreover, the proposed approach can accurately diagnose and identify different fault types of gear under variable conditions.     

POVMD与包络阶次谱的变工况滚动轴承故障诊断

针对变转速滚动轴承故障特征提取较难的问题,提出一种基于参数优化变分模态分解(parameter optimized variational mode decomposition,简称POVMD)与包络阶次谱的变工况滚动轴承故障诊断方法。首先,采用POVMD对变转速滚动轴承振动信号进行分解,得到若干个本征模态函数之和;其次,对各个分量的时域信号进行角域重采样,将时变信号转化为平稳信号处理,再利用Hilbert变换估计重采样后的平稳信号的包络;最后,对得到的包络信号进行阶比分析,从谱图中读取故障特征信息。将POVMD方法与经验模态分解进行了对比,仿真信号分析结果表明了POVMD方法的优越性。将提出的变转速滚动轴承故障诊断方法应用于试验数据分析,分析结果表明,所提出的方法能够实现变转速滚动轴承的故障诊断,而且诊断效果优于现有方法。     

液压型风力发电机组低电压运行特性分析

以液压型风力发电机组为研究对象,分析机组在低电压工况下的运行特性。结合低电压穿越要求,完善并分析液压型风力发电机组工作原理。建立电压跌落时风力机、定量泵-变量马达液压调速系统以及发电机的暂态数学模型。以数学模型为基础搭建MATLAB/Simulink仿真平台,并在不同跌落深度下分别对三相电压等幅跌落、两相对地短路故障和单相对地短路故障进行低电压运行特性仿真分析。研究结果揭示了不同故障下机组低电压运行的特性规律,其中电流过载与电磁转矩产生脉振是机组低电压运行的重要表征现象。研究工作将为该机型低电压穿越控制提供一定的理论基础和技术手段。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。