海冰载荷作用下风力机抗冰锥体减载研究

提出了锥体抗冰结构来降低海冰对风力机结构的影响。以NREL 5 MW近海三叶片水平轴风力机为研究对象,基于Ralston算法建立冰载荷模型,采用开源多体动力学软件FAST计算塔架结构动力学响应,研究了不同锥角抗冰结构下塔顶位移和塔架载荷特性。结果表明:锥体结构能有效地缓解由海冰造成的危害,塔架剪切力、海冰载荷及塔顶位移随锥角的降低而减小,锥角由70°降至40°,海冰载荷降低55%~98%;安装锥体前后,塔架剪切力减小28.7%~58.9%,塔顶位移最多减小46%。     

改进变分模态分解与去干扰包络因子的轴承故障分析

滚动轴承早期故障特征微弱且提取困难,考虑转频对故障包络信号的影响,提出改进包络谱特征因子(EDF),基于EDF提出优化变分模态分解方法(OVMD)。对滚动轴承正常、内圈及外圈状态进行OVMD分解,以EDF最大值作为筛选标准提取有效故障分量进行包络分析。结果表明:OVMD分解带有冲击分量信号,具有较高准确性,分解分量与原分量具有95%以上相似度;通过EDF最大值对分解分量进行提取,所获分量具有明显故障特征,并可排除转频对故障特征频的干扰;采用OVMD-EDF故障提取方法,并进行包络分析,可对不同故障程度的内圈、外圈故障进行精准故障诊断。     

基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断EI北大核心CSCD

针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题。基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法。采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类。结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76%与5.21%,表明该方法具有良好的鲁棒性和泛化性能。     

基于续尺度卷积网络的10 MW漂浮式风力机筋腱损伤识别EI北大核心CSCD

为提升复杂环境中漂浮式风力机平台筋腱结构隐性损伤识别率,基于卷积神经网络(convolutional neural network,CNN),提出连续多尺度卷积神经网络(continues-multi-scale convolutional neural network,CMS-CNN),建立“端到端”的损伤识别模型。为验证CMS-CNN方法的有效性,以10 MW漂浮式风力机为研究对象,对损伤位置、程度进行故障诊断,结果表明:连续多尺度模型比传统多尺度的诊断结果更佳;横荡加速度受环境载荷影响较小,基于此响应信号所训练的CMS-CNN诊断模型更可靠;CMS-CNN模型可在筋腱结构微弱损伤时实现精准定位,亦能完成结构隐性损伤程度识别。     

基于改进变分模态分解及多重分形的轴承信号非线性分析

考虑轴承故障初期具有特征信号微弱、易受噪声干扰以及非线性强等特点.基于分形盒维数提出改进变分模态分解提取轴承故障信号非线性信息方法(Improved Variational Mode Decomposition for Nonlinear Features Extraction,IVMD-NFE).又因非线性信号的多测...     

卷积神经网络与混沌理论在滚动轴承故障诊断中的应用

为解决传统方法在判断轴承所处故障类型中因信号非线性强导致误判与错判,基于混沌理论,采用相空间重构法(Phase Space Reconstruction,PSR)还原系统动力学特性,通过卷积神经网络(Convolution Neural Network,CNN)学习并提取混沌序列中有效非线性信息,提出PSR-CNN智能...     

基于卷积神经网络风力机轴承混沌空间故障分析与诊断

针对风力机轴承振动信号的非线性特点，对轴承不同工作状态振动信号进行相空间重构，还原信号非线性动力学特性；通过计算获取嵌入维数和延迟时间以构建二维混沌相图，并以不同工作状态的混沌相图作为样本，输入二维卷积神经网络开展学习建模，构建相空间-卷积神经网络故障诊断模型。结果表明：轴承不同状态振动信号具有明显的混沌特性，二维混沌相图具有不同的非线性表征；二维相图随故障程度变化而变化，但保持原有的“相形”；以相同尺寸二维相图，结合卷积神经网络构建故障诊断系统，不仅对相同故障程度的工作状态准确度高，且当同一故障其程度不同时，也非常精准，表明所提出故障诊断模型具有良好的泛化能力。     

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法（ICASN）以体现信号细节复杂度特征,并将ICASN引入经验小波变换（EWT）,替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。     

基于深度学习与混沌特征融合的滚动轴承故障诊断EI北大核心CSCD

本文针对现有滚动轴承智能故障诊断方法在面向大噪声背景下鲁棒性能差的问题.基于混沌理论,提出采用相空间重构方法还原并丰富轴承振动的动力学特性,通过卷积神经网络(CNN)提取混沌序列中的高级抽象特征,又考虑故障信号具有长程相关性,将低维抽象故障特征引入长短期记忆网络(LSTM),以灰狼算法优化的支持向量机(OSVM)作为分类器,提出CCNN (Chaotic CNN)–LSTM–OSVM智能故障诊断方法.试验结果表明,在处理信噪比为-6 dB信号时,该方法仍具有89.96%的准确率,相比以Softmax作为分类器的CNN–LSTM和CCNN–LSTM方法分别高出15.36%和5.21%,且在收敛速度方面亦有较大优势.     

基于变分模态分解与优化支持向量机的滚动轴承故障诊断

基于经验模态分解(EMD)算法的递归特性提出优化变分模态分解(VMD)算法,结合能量熵方法构建多模态特征矩阵,通过鲸鱼算法优化的支持向量机技术(OSVM)实现轴承的故障诊断,并验证所提算法的有效性.结果 表明:基于VMD算法和能量熵构建的多模态特征矩阵对故障的区分度优于EMD算法和能量熵方法;与现有方法相比,所提VMD-OSVM算法在变负载和噪声环境下的诊断准确率分别高出13.8％与30％,体现了该算法良好的鲁棒性和泛化性能;在相同计算资源下,所提VMD-OSVM算法的运行时间更短,效率更高.