基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

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。     

风力发电机用轴承简述

介绍了风力发电机中涉及到轴承部件的工作条件,风力发电机用轴承的常用类型及其在风力发电机内的安装位置、工作条件等应用方面的内容。     

风场级风力发电机轴承在线监测系统

针对风电设备分布广泛、监控设备组织复杂及监测数据信息量大等特点,基于分布式风机在线监测通用架构构建了风场级风力发电机轴承远程在线监测系统。对设计中遇到的多层次监控对象组织、风机信号特征选择及数据库优化设计等问题进行了分析,并将系统应用于实际风场设备的监测与故障诊断,验证了系统架构设计的合理性、有效性和可拓展性。     

基于小波域平稳子空间分析的风力发电机齿轮箱故障诊断

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。     

基于信息熵神经网络的风力发电机故障诊断方法研究

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.     

风力发电机专用轴承

介绍了国内外风力发电机专用轴承设计、生产及应用的现况，展望了今后几年我国风机轴承可观的市场前景。     

基于小波相关排列熵的轴承早期故障诊断技术

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。     

基于Hilbert解调的滚动轴承故障诊断技术研究

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。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。     

风电机组轴承的状态监测和故障诊断与运行维护

对风电机组轴承的故障原因,已实际应用的轴承运行状态监测系统与方法进行了综述,并提出了维护的建议,预测了风电机组轴承故障诊断研究的方向和前景。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

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。     

基于孤立森林算法的风电齿轮箱轴承故障检测方法

为精准检测齿轮箱轴承故障,实时进行有效监测以保证风电齿轮箱健康运行,提出一种基于孤立森林算法的风电齿轮箱轴承故障检测方法.首先,以齿轮箱轴承温度为故障检测模型的输出变量,采用多尺度图相关算法选择输入变量;然后,提取输入变量的均方根和包络线进行自组织映射神经网络特征融合;最后,以融合值为模型输入量,使用孤立森林算法进行异...     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于第2代小波和Hilbert-Huang变换的轴承故障诊断

将第2代小波算法和Hilbert-Huang变换相结合并应用于滚动轴承的故障诊断中。该方法首先构造并运用自适应冗余第2代小波对轴承振动信号进行消噪,并通过仿真分析验证了该算法的优越性;其次,对消噪信号进行HHT分析,通过EMD将信号分解为包含不同特征尺度的模态函数,针对低频成分进行Hilbert边际谱分析,从而提取故障特征。仿真及试验结果表明了该方法的有效性和实用性。     

风力发电机组状态监测和故障诊断系统

介绍了风电机组状态监测与故障诊断系统的软硬件构成、振动信号的特征提取以及常用的故障诊断方法.     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

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。     

基于最大重加权峭度盲解卷积的风电故障诊断

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。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。