基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

基于变分模态分解和谱峭度的风电机组轴承故障诊断方法

针对风电机组轴承故障特征提取困难的问题,将谱峭度(Spectrum Kurtosis,SK)和变分模态分解(Variational Mode Decomposition,VMD)相结合,提出一种基于VMD-SK的故障诊断新方法。首先,对采集的轴承振动信号进行VMD分解,得到若干个固有模态函数(Intrinsic Mode Function,IMF);其次,对每一个IMF分量进行傅里叶变换,并计算其平方包络;再次,利用SK的滤波特性,选取故障特征频带所在的IMF分量来构建最优包络谱;最后,通过对包络谱分析可以诊断出风力发电机轴承故障。实验结果表明,VDM-SK法可以成功地提取风电机组轴承故障的特征频率,有效区分风电机组轴承的故障类型。     

考虑不平衡磁拉力的双馈异步风力发电机轴承外圈故障动力学建模

轴承故障会引起双馈异步风力发电机转子气隙变化,产生不平衡磁拉力(UMP)。为准确揭示双馈异步风力发电机轴承故障振动特性,开展了考虑UMP的双馈异步风力发电机轴承外圈故障动力学建模研究。首先,基于赫兹接触理论构建了轴承外圈故障模型;然后,推导了正常和轴承故障下发电机转子的气隙磁密,得到了发电机转子受到的UMP解析式;最后,采用Runge-Kutta法对模型进行求解,得到了轴承故障振动响应。试验分析表明：所提动力学模型能够有效揭示双馈异步风力发电机轴承故障振动信号的双冲击现象,UMP激励会影响风力发电机轴承外圈故障振动信号的调制特性。为风力发电机轴承故障诊断提供了新的理论参考。     

风电机组发电机轴承电腐蚀故障的分析诊断

电腐蚀故障是风电机组发电机轴承的常见故障模式,电腐蚀故障通常分布在整个轴承滚道上,产生的振动响应信号中故障冲击特征往往不如局部故障明显,因此容易被忽视。针对电腐蚀故障振动信号的这种特点,采用一种最小熵解卷积方法对振动信号进行预处理,增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息,以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程,将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中,通过对实测振动信号的分析处理,实现了电腐蚀故障的识别诊断,验证了最小熵解卷积方法对故障信息增强的使用效果。     

双馈风力发电机轴承的早期诊断

双馈风力发电机轴承的状态监测和早期故障诊断可以及时发现轴承故障,有效地降低风电场的运行和维护费用.首先用加速度传感器采集轴承振动信号,然后用两种方法进行特征信号分析:一是对信号进行经验模式分解,仅提取第一模态函数做Hilbert变换,从而根据包络图判断轴承的早期故障;二是对信号进行预处理,滤去与轴承故障无关的主要分量,再采用小波滤波器提取微弱的故障信号,进而根据故障指标的数值来判断.最后对这两种方法对比研究,试验结果表明,方法2可以更加有效地诊断出早期故障,具有一定的工程应用价值.     

风力发电机状态监测与故障诊断技术综述

本文阐述了风力发电机常见运行故障监测与诊断技术现状,并分别介绍风力发电机故障仿真及实验模拟方法、故障模拟实验平台、风力发电机状态监测系统,对风力发电机状态监测及故障诊断技术发展方向进行了展望。研究表明,基于多参量(如电信号、振动信号、功率信号等)的故障监测诊断技术将成为风力发电机组状态监测与故障诊断领域未来发展的方向之一。     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于ESMD和快速谱峭度的电机轴承故障诊断

针对复杂工况下电机轴承故障特征不明显的问题,提出了一种基于极点对称模态分解算法(Extreme-pointSymmetric Mode Decomposition,ESMD)与快速谱峭度联合分析的电机轴承故障诊断方法。首先将复杂故障信号进行ESMD分解得到若干模态分量(Intrinsic Mode Function,IMF)分量,利用信息熵与相关性选取有效IMF并由其信息熵确定信号重构的权重;利用快速峭度图自适应的确定带通滤波器的最佳滤波频带,对重构信号进行带通滤波;然后解调滤波信号分析,从平方包络谱中提取出相应故障的特征频率。最后通过试验分析表明,该方法可对故障信号进行有效降噪并提取出电机轴承故障特征,诊断出故障类型。     

基于变分模态分解和1.5维谱的轴承早期故障诊断方法

提出了基于变分模态分解(VMD)和1.5维谱的滚动轴承早期故障诊断方法。利用VMD方法处理故障信号时,需要预先设置分解所得本征模态函数(IMF)分量的个数,且为了便于后续分析,需要从所得结果中筛选出最佳信号分量,为此提出一种分量峭度图方法来同时解决这2个问题。首先,设置IMF分量个数最大值,计算相应的分量峭度图;接着,根据分量峭度图对原故障信号进行VMD处理,并选定最佳IMF分量;然后,对最佳IMF分量做进一步包络解调运算,并计算包络信号的1.5维谱;最后,通过分析1.5维谱中幅值突出的频率成分可实现故障类型的准确判定。模拟信号及实测信号分析结果表明,所提的基于VMD和1.5维谱的诊断方法能够有效提取出轴承早期故障信号中的微弱特征信息,实现轴承早期故障的准确判别。     

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。     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。     

风电变流器的开路故障诊断

分析了功率开关开路故障对双馈风力发电机的电流和其他变量的影响,提出了一种基于电流信号平均值的开路故障诊断方法,该方法适用于双馈风力发电系统双脉宽调制（PWM）变流器中单个或两个功率开关的开路故障诊断。针对诊断系统容易在同步速或同步速附近发生误报的情况,提出了一种新的误报抑制策略,即分别在亚同步和超同步速下,通过改变采样数据在存储器中的存储方向来消除因为电流波形在同步速附近的对称关系引起的误报。仿真结果表明,该方法不仅能完全消除误报,而且能快速准确地诊断出开路故障的位置和类型。     

基于EEMD和Teager能量算子解调的故障诊断研究

针对电动机的滚动轴承故障问题,提出了基于EEMD和Teager能量算子解调的诊断新方法。首先利用EEMD算法对轴承故障信号进行分解,可以得到多个单分量信号,然后利用Teager能量算子解调方法对单分量信号进行包络解调运算,得到包络信号后计算出包络谱,并将轴承故障特征频率理论计算值与包络谱中峰值明显的谱线进行对比,从而对故障类型做出判断。通过对实验台模拟的滚动轴承内圈、外圈故障信号进行分析,验证了该方法的可靠性和工程实用性。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于ITD和LS - SVM的风力发电机组轴承故障诊断

为了更好地识别出复杂条件下风力风电机组主轴承的运行状态,提出了基于固有时间尺度分解(ITD)和最小二乘支持向量机(LS-SVM)的风电机组轴承故障诊断方法。该方法首先将调心滚子轴承振动信号分解成若干个固有旋转分量和一个趋势分量之和。然后,对前几个固有旋转分量的瞬时幅值进行频谱分析,找出频谱中外圈、内圈、滚动体故障特征频率处以及转动频率处的幅值,将其作为故障特征向量。最后,将故障特征向量输入LS-SVM来识别机组轴承的运行状态。实验结果表明,该方法可以快速、较准确地诊断出风力发电机组轴承故障。     

基于转子瞬时功率谱的双馈风力发电机定子绕组故障诊断

提出一种基于转子瞬时功率谱分析的双馈风力发电机定子绕组故障的在线监测与诊断新方法。理论分析表明,与常见的电流或电压谱诊断方法相比,转子瞬时功率谱法既具有无需外加传感器与硬件设备的优点,又由于其特征频率不受转差的影响,当转差存在一定的跟踪或计算误差时,特征频率不会改变,具有很强的抗干扰能力。在PSCAD软件中建立了双馈风力发电机并网模型,对正常及故障状态进行仿真分析,得出转子瞬时功率谱法在双馈风力发电机定子绕组故障诊断中更具敏感性的结论。在动模实验室建立了定子绕组故障诊断的实验平台,进一步证明了转子瞬时功率谱法在双馈风力发电机定子绕组故障诊断中的可行性。     

风力电网故障下的机械载荷优化测试分析

风力发电网络受到外界的不确定因素干扰较大,容易产生故障。分析风力电网故障下的电机机械载荷,实现对风力电网的故障诊断。传统方法采用风力电网故障信号采集和特征提取方法,在非线性耦合干扰下对电机机械载荷的测试效果不好。提出一种基于机械载荷线性反馈和谐波抑制的风力电网故障诊断方法,实现对故障下机械载荷优化测试。构建风力电网故障下的机械载荷数据采集和信号生成模型,采用双曲调频信号的自连续小波变换来分析机械载荷的电流信号、差压信号、绝压信号和振动信号,采用机械载荷线性反馈和谐波抑制方法,实现对风力电网故障下机械载荷数据的干扰滤波和特征优化测试,输入到风力电网故障诊断专家系统中,比对故障数据中的可用知识,实现对风力电网故障的准确诊断。仿真结果表明,采用该方法能实现对载荷数据的准确采集和测试,提高风力电网的故障准确诊断性能。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题，提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先，为提高振动信号与故障特征的相关性，减少干扰成分，以双树复小波包变换为基础构建改进谱峭度图模型，增强多分辨率差异性故障特征表达。然后，考虑丰富特征评价维度，构建多维融合CNN模型，将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明，该方法能够提取各类轴承振动信号中具备差异性的故障特征，在多工况下均能够准确识别轴承故障，具有较好的诊断精度。     

基于动态PSO-MCKD-HHT的滚动轴承故障诊断方法研究与应用

滚动轴承作为牵引电机的重要部件之一,其故障诊断的准确性对保证牵引电机的正常运转具有重要的意义。为提高轴承故障诊断的准确性及有效性,选用最大相关峭度解卷积(MCKD)结合希尔伯特-黄变换（HHT）的方法进行诊断。针对MCKD算法受移位数（M）,滤波器阶数（L）和冲击信号周期（T）特别依赖于经验的选择,选用动态粒子群算法对其进行优化,以降低噪声信号干扰,突出由故障激发的脉冲信号。再利用HHT算法得到信号包络谱,可以更好的识别不同故障类型。将VS与MATLAB相结合,可实现诊断算法应用到高级开发语言环境下。利用CWRU轴承数据集对算法进行验证,验证结果表明,该方法能够有效增强故障特征,得到轴承内圈故障频率为162Hz,轴承内圈故障频率为108Hz,可准确识别轴承的故障类型。     

可靠性技术在汽轮发电机故障诊断中的应用

本文提出了可靠性分析技术应用于汽轮发电机现场故障诊断的方法，旨在准确识别故障。文中给出了该方法在汽轮发电机轴承油膜振荡故障和静子线圈过热故障诊断中的应用实例。