共查询到20条相似文献,搜索用时 62 毫秒
1.
水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机(GA-SVM)相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),分解成若干个固有模态函数(Intrinsic Mode Function,IMF),依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。 相似文献
2.
3.
4.
风力发电机齿轮箱故障信号为非平稳瞬态微弱信号,容易被齿轮啮合信号及其他噪声淹没。提出一种融合连续小波变换(Continuous wavdot transform,CWT)和平稳子空间分析(Startionary subspace analysis,SSA)的信号分解方法并应用于风力发电机齿轮箱故障诊断中。平稳子空间分析作为一种盲源分离技术可将高维数据分解成平稳源部分和非平稳源部分,对待分析信号各分量间的独立性没有要求且不需要任何先验信息。连续小波变换则可利用其所具有的多尺度分析特性把一维时间序列转换为不同尺度下的多维时间序列。对观测得到的一维时间序列数据进行连续小波变换得到多维时间序列作为平稳子空间分析的输入,利用平稳子空间分析方法将该多维时间序列分解为平稳源信号分量和非平稳源信号分量,对非平稳源信号进行包络谱分析得到齿轮箱故障的特征频率。该小波域平稳子空间分析方法被应用于一个实际风力发电机齿轮箱振动信号的分析,试验结果表明该方法可有效地诊断出齿轮箱中的轴承故障。 相似文献
5.
基于信息熵神经网络的风力发电机故障诊断方法研究 总被引:4,自引:0,他引:4
风力发电机组运行工况复杂多变,振动信号呈非平稳性和复杂性等特点,不同负载下信号能量分布差异较大,传统的时、频域特征参数不具纵向可比性,无法判别振动变化来自设备故障还是负载变化.针对以上特点,选择受机组工况变化影响较小的信息熵作为信号特征参数提取,通过描述信号总体统计特性判断设备状态,将齿轮各典型状态模式下的振动特征信息熵值作为网络的输入样本,通过训练前向传播back propagation(BP)神经网络,建立齿轮状态识别模型.利用新样本验证,结果与实际情况吻合得很好,表明该方法对风力发电机齿轮故障诊断的有效性和实用性. 相似文献
6.
7.
基于小波相关排列熵的轴承早期故障诊断技术 总被引:15,自引:0,他引:15
针对机械系统早期故障诊断困难的问题,引入滤波效果良好的小波相关滤波法(Wavelet transform correlation filter,WTCF)和对信号微弱变化特征敏感的排列熵算法,定义一种新的小波相关排列熵(Wavelet correlation permutation entropy,WCPE)的概念,并提出基于WCPE的特征提取方法。对采集到的设备振动信号进行WTCF处理,得到信噪比较高的各层小波系数,在此基础上计算小波系数的排列熵复杂度,构造信号沿各小波分解层分布的WCPE特征矢量,并据此分析振动信号的微弱变化。通过对滚动轴承全寿命振动数据的分析,证明基于WCPE提取的信号特征不但能够准确表征轴承由正常状态到故障状态的详细变化过程,还能及时检测出轴承的早期故障。对比小波熵及小波相关特征尺度熵等其他早期故障诊断方法,该方法可显著提前滚动轴承早期故障的检出时间。 相似文献
8.
介绍了Hilbert解调技术用于滚动轴承故障诊断的基本原理;通过对故障轴承实验数据的分析,证实了基于Hilbert变换的包络解调技术是一种有效的滚动轴承故障诊断方法。 相似文献
9.
10.
11.
12.
13.
针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。 相似文献
14.
15.
16.
17.
18.
针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。 相似文献
19.
受噪声以及复杂传递路径等影响,风电机组齿轮故障特征信号通常比较微弱。为有效诊断齿轮故障,提出一种新的盲解卷积方法——最大重加权峭度盲解卷积方法。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性,且无需待恢复故障冲击序列先验知识。最大重加权峭度盲解卷积方法能有效地解决经典的基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题,同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。仿真信号分析结果表明所提方法在恢复故障冲击序列方面效果显著,在风电机组故障诊断中的应用案例证实了所提方法对齿轮故障诊断的有效性。 相似文献