基于最大信噪比的风电机组主轴承的故障特征提取

针对风电机组结构复杂、滚动轴承早期故障特征信号往往易受正常信号和现场噪声的干扰而不易识别以及信噪比低的问题,在原有盲源分离方法的基础上提出一种新的故障特征提取方法,该方法首先对原始振动信号进行包络解调分析和小波去噪,有效抑制信号的高频干扰,再采用基于最大信噪比的盲源分离方法对得到的小波包络解调信号进行分离,最后对分离后的信号进行频谱变换,从频谱图上可以清晰地观察出轴承的故障特征频率。实例分析表明,使用此方法对实测的风机主轴承故障振动信号进行分析能够有效提取出轴承的故障特征,有助于实现轴承的在线故障诊断。     

风电机组传动链典型故障特征提取方法

为解决风电机组传动链易发生故障的问题,文章阐述了风电机组齿轮箱特征频率的计算方法和基于振动信号分析的故障特征提取方法。结合实际情况,以行星级齿轮磨损、中间轴小齿轮崩齿、高速轴齿轮崩齿和发电机轴承电腐蚀等典型故障为例,通过齿轮箱特征频率和传动链典型故障振动信号基本特征分析,可较好地完成故障识别。结果表明,采用经典信号处理方法能对上述典型故障进行特征提取,验证了经典方法对单一、明显故障特征提取的有效性,为深入开展传动链故障特征提取方法研究奠定了基础,为风电机组故障检修维护提供了技术支撑。     

基于VMD和QPSO-SR的风电机组轴承故障提取方法

提出一种基于量子粒子群优化算法的自适应随机共振(quantum particle swarm optimization stochastic resonance,QPSO-SR)降噪和变分模态分解(variational mode decomposition,VMD)的风电机组轴承故障提取方法。首先根据原始故障振动信号特征采用量子粒子群优化算法自适应地进行随机共振参数优化;其次以信噪比最优的参数值对原始信号进行随机共振降噪处理,削弱噪声干扰和冲击成分对结果的影响并增强故障信号幅值;再用VMD法分解降噪处理后的信号,实现故障信号的提取。仿真分析和实验分析表明,该方法提高了VMD在噪声背景下的计算精度,实现风电机组滚动轴承故障的精确诊断。     

基于深度学习网络的风电机组主轴承故障检测

针对风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)变量间存在的长期动态平衡关系,提出一种基于风电机组主轴承SCADA状态监测数据逐层编码网络的深度学习方法。首先利用受限玻尔兹曼机逐层智能学习主轴承样本数据蕴含的特定规则形成抽象的表示,构建深度学习网络模型。然后将主轴承SCADA数据输入网络,并计算反映主轴承整体状态的重构误差。根据故障状态下主轴承数据内部规则被破坏,选用指数加权移动平均值(exponentially weighted moving average,EWMA)阈值检测重构误差的趋势变化,并作为判定风电机组主轴承故障的决策准则。通过对主轴承故障前后记录数据进行仿真分析,仿真结果验证逐层编码网络深度学习方法对主轴承故障检测的有效性。     

基于多尺度包络谱图的直驱式风电机组轴承故障特征提取

针对直驱式风电机组低速、重载的运行特点,提出将多尺度包络谱图应用于实际机组的故障诊断,以提取轴承的故障特征.对原始振动信号进行复小波变换,其变换结果的包络谱即为轴承振动信号的多尺度包络谱图.结果表明:因其所具有的同步多尺度分解和包络解调能力,多尺度包络谱图能够提取出隐藏在噪声中的低频微弱轴承故障特征,与传统包络解调方法相比具有较好的智能性和准确性,适用于实际风电机组的状态监测.     

一种风电机组轴承简化建模方法的研究

针对风电机组变桨轴承及偏航轴承结构与受力的复杂性,提出了一种新的滚动轴承简化建模方法。通过利用有限元分析软件MSC.Marc/Mentat中的GAP单元模拟滚动体与内、外圈之间的接触来实现对轴承建模的简化,同时对简化模型进行加载计算,得到内、外圈的应力及应变结果;并用Hertz理论及Newton迭代法计算同种工况下内、外圈的应力值及位移值,来验证此种建模方法的可行性和正确性。结果表明:滚动轴承的内、外圈接触可采用GAP单元进行模拟,从而为风电机组轴承有限元建模提供了一种简便且有效的方法。     

基于流形学习的汽轮机转子振动故障特征提取

流形学习算法是一种非线性的数据降维方法,通过对高维空间数据的学习,可以获得数据的低维几何结构,比传统的维数约简方法更能体现事物的本质。针对汽轮机转子故障诊断中原始特征并不具有良好的可分性,必须进行特征提取这一问题,提出了将流形学习理论应用于汽轮机转子振动故障特征的提取的方法,极大地保留原始特征的非线性信息,改善了故障诊断的分类识别能力。实验证明,基于流形学习的汽轮机转子振动故障特征提取方法,提高了故障诊断的准确率。     

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WATD双谱分析的风电轴承故障特征提取研究

针对风电机组轴承动态信号的强干扰、非平稳、非高斯、非线性特性和有效提取故障特征困难的问题,提出了基于WATD双谱分析的特征提取方法,以实现风电轴承故障特征的有效提取。基于Matlab软件平台,对该方法进行了分析、测试和仿真验证,结果表明,该方法更加快速、有效,为风力发电机组工程的故障诊断技术提供了理论依据。     

一种风电机组轴承健康劣化趋势预测方法

以风电机组轴承为研究对象,利用SCADA监测有关参数,计算这些参数与轴承温度的相关系数,对其归一化后得到各参数的影响权重,然后基于温度特征量构建轴承健康劣化度模型。应用改进的集合经验模态分解(EEMD)将具有非平稳性特性的劣化趋势分解为一系列相对平稳的分量,采用时间序列神经网络模型分别预测各类分量,叠加所有预测分量得到最终预测结果。结果表明:本文方法的预测精度较高,提高了与实际劣化度曲线的吻合程度。     

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂,实际采集的振动信号存在分布差异,导致故障诊断模型的分类效果偏低问题,提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先,利用源域数据预训练MSCNN网络,再利用多核领域适应减小源域和目标域分布差异,最终获得目标风电机组故障诊断模型。试验结果表明,该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%,对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法,对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。     

基于轴承温度模型的风电机组故障预测研究

采用风电机组状态监测技术可有效提高机组运行的安全可靠性。轴承是风电机组能量传递的重要部件,轴承的状态评估对机组安全运行具有重要意义。文章基于主成分分析方法,选取影响机组轴承温度的参数,提出了改进的线性回归径向基函数神经网络方法,建立了正常运行状态下轴承的温度预测模型;通过机组运行数据的分析比较,采用滑动窗口残差统计方法对机组运行状态进行实时监视评价发现,发电机出现异常时,轴承温度呈现上升趋势,残差值超过设定的置信区间,从而能实现对故障的有效预测。文章的研究结果可为风电机组的安全高效运行提供参考。     

基于改进小波包的风电机组齿轮箱复合故障特征提取研究

针对小波包分解振动信号时会产生频谱混叠从而导致齿轮箱复合故障特征能量谱提取困难的问题,提出基于旁路滤波改进小波包的方法对双馈风电机组齿轮箱复合故障振动信号进行研究,并以风电场的大量齿轮箱振动信号为基础,运用传统小波包及旁路滤波改进小波包分别对齿轮箱振动信号提取特征能量谱。实验结果表明：运用旁路滤波改进小波包对双馈风电机组齿轮箱复合故障振动信号进行分析,可有效避免传统小波包分析振动信号的频谱混叠现象,准确提取每种故障状态的特征能量谱。     

基于SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题,提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先,对原始信号进行奇异值分解(Singular Value Decomposition,SVD)处理,运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号;其次,为防止故障信息丢失,将残余信号进行麻雀算法(Sparrow Search Algorithm,SSA)优化的变分模态分解(Variational Mode Decomposition,VMD）算法处理,得到最佳的模态个数K和惩罚参数α,选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号,并对信号进行包络分析;最后,通过仿真和试验数据分析得出,该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征,为设备的状态监测和故障诊断提供理论依据。     

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。     

基于深度学习的直驱风电机组故障辨识

对直驱风电机组进行故障预测预警能够大幅提高运维效率,利用深度学习进行SCADA数据建模为风电机组早期故障预警提供依据。采用随机森林方法筛选SCADA中与目标参量关联度较大的监测参量,用以构建深度神经网络数据驱动模型;以机组健康时的SCADA构建训练模型,统计分析其误差,确定故障预警阈值;分析在线测试数据集在健康模型中的误差变化规律,给出故障预警。文章提出的方法成功应用于1.5 MW直驱风电机组的早期故障辨识,对于风电场合理调配人员物资,优化运维策略具有重要意义。     

一种改进的MRVM方法及其在风电机组轴承诊断中的应用

针对风力机电组轴承故障难以诊断的问题,提出一种基于改进多分类相关向量机(MRVM)的风力机电组主轴轴承概率性智能故障诊断方法.首先,为了减少人为设定核参数的主观性以提高其分类性能,提出MRVM最优核参数自适应选取方法;然后,通过仿真实验结果验证所提方法的有效性及优越性;最后,以风电机组主轴滚动轴承故障诊断为实例,提取小...     

基于多层深度互信息变分网络的风电机组轴承故障预警方法

针对变工况复杂环境下风电机组轴承的早期故障潜隐性高且故障阈值设置困难的问题,提出一种基于多层深度互信息变分网络的轴承故障超前预警方法。该网络在变分自编码器的架构上进行多层编码拓展,采用解码信号的二次编码增强了变分网络对输入信号中噪声的鲁棒性,通过隐层变量与输入信号间最大化互信息以及与二次编码特征间的最大化互信息,提高了网络对轴承正常状态空间的建模能力。以二次编码特征与隐层变量的重构误差为基础,构建健康指数,结合三次递推指数加权移动平均模型设置与风电机组轴承工况环境相适应的健康基线。在2个风电机组轴承故障检测试验中的应用结果表明,该方法对比传统的基于模型重构的轴承早期故障检测方法,具有更高故障预警准确率和抗干扰能力。     

风电机组齿轮箱非平稳振动信号微弱故障特征提取

介绍风电机组齿轮箱的布置形式和结构特点。依据某类型风电机组齿轮箱特点,制定振动数据采集方案,采集两台风电机组齿轮箱高速轴振动信号;应用短时傅里叶幅值谱和小波尺度谱对比分析,分别提取两台机组齿轮箱高速轴测点振动信号中蕴含的微弱故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该机组齿轮箱高速轴为轻微点蚀故障。证实了短时傅里叶幅值谱和小波尺度谱相结合的分析方法在诊断风电机组齿轮箱微弱故障的有效性和实用性。