基于自适应增强差分积形态滤波器的滚动轴承故障特征提取方法

为了在强背景噪声下提取滚动轴承微弱的故障特征信息.提出一种新的自适应增强差分积形态滤波方法(Adaptive enhanced difference product morphological filter,AEDPO)用于滚动轴承早期的故障诊断.首先,结合已有的四种形态学滤波算子滤波的能力,提出一种改进的增强差分积形态滤波算子(Enhanced difference product morphological filter operation,EDPO),该算子具有在强背景噪声下提取周期性脉冲特征的能力.随后,针对形态滤波过程中最优的结构元素(Structuring element,SE)尺度选择问题,提出一种新的自适应选择策略,名为峭度特征能量积(Kurtosis feature energy product,KF).最后,EDPO算子凭借最优的SE尺度进行滤波处理,提取滚动轴承早期的故障特征.通过对仿真信号和实测滚动轴承内圈故障信号进行分析,结果表明AEDPO方法能够有效地在强背景噪声中提取滚动轴承微弱的故障特征,对比于传统的形态滤波方法更能体现该方法的准确性和优越性.     

三相异步电动机驱动振动系统的Sommerfeld效应分析

提供有限动力的原动机称为非理想原动机。在工程中,几乎所有提供动力的原动机均为非理想原动机。由非理想原动机带动的振动系统称为非理想振动系统。在非理想振动系统中,原动机与振动系统的运动状态是相互作用、相互影响的。Sommerfeld效应是由于非理想原动机在振动系统共振区附近无法提供足够动力而产出的一种非线性跳跃现象。该试验研究了由一种典型原动机——三相异步电动机驱动振动系统的Sommerfeld效应。将三相异步电动机的动力学模型引入到振动系统中,建立了非理想振动系统的动力学模型。采用解析方法,建立了电机供电频率与转速之间的解析表达式,并应用摄动法进行了稳定性分析。基于MATLAB/Simulink进行了仿真验证,说明了所采用解析方法的正确性。分析了偏心质量与电机功率对非理想振动系统的影响规律。通过研究发现,对于非理想振动系统的研究必须充分考虑原动机与振动系统的相互作用,忽略二者之间的相互作用是不合适的。     

基于增强型卷积神经网络的风力发电机行星齿轮箱故障诊断方法

针对风力发电机行星齿轮箱的健康维护和状态检测难以诊断的问题,该文提出一种初始网与膨胀卷积相融合的初始膨胀卷积神经网络（IDCNN）的故障诊断研究方法。该方法首先构建初始膨胀卷积层以扩大感受野来使学习到的故障特征更加丰富。随后为了方便信号输入且确保信息丰富,将采用将一维原始信号序列转化为二维矩阵的预处理方法。最终将生成的二维信号输入到IDCNN中进行模型训练,并用测试数据对模型进行评估。实验结果表明,提出的IDCNN方法在风力发电机行星齿轮箱的故障诊断中精度高,在对比结果中该文提出方法的诊断精度要高于传统的深度学习方法。     

自适应差异多尺度形态学的风力机叶片红外图像增强研究

为提高采用红外检测技术检测风力发电机叶片内部缺陷的能力，改善红外热像图的清晰度低、背景光照不均和细节识别能力弱等问题，提出了一种自适应差异多尺度形态学(ADMM)的图像增强算法。在膨胀和腐蚀运算中分别选择不同尺度的结构元素作为操作对象，采用对比度改善系数比最大值作为多尺度及差异尺度选择的目标函数；利用开、闭及顶帽运算的优势，提取多尺度下图像的明暗细节信息；通过白顶帽与黑顶帽差值运算得到细节增强信息，并与原图像融合得到增强的红外图像；通过调整图像的灰度分布达到最佳的视觉效果。仿真实验结果表明，该算法不仅有极强的鲁棒性，而且能有效地增强光照不均情况下的红外图像细节，提高红外检测在风力发电机叶片中的探伤能力。     

基于增强形态滤波与三阶累积量对角切片谱的风力发电机滚动轴承故障诊断方法

针对大型风力发电机滚动轴承的故障信号受到强背景噪声干扰不易识别的问题,提出一种基于增强形态滤波与三阶累积量对角切片谱相结合的故障诊断检测方法。该方法首先在研究基本形态学算子的基础上,构建一种新的增强型形态学算子（EMDO）;随后利用特征能量因子（FEF）选择出EMDO算子的最优结构元素尺度;最后利用三阶累积量对角切片谱的消噪性能来进一步增强EMDO算子对风力发电机轴承故障信息的特征提取能力。仿真和对比实验结果表明,所提方法能有效消除高斯白噪生的干扰,对提取风力发电机轴承的故障特征信息起到增强的效果。