基于自适应变分模态分解及多重分形谱的风力机轴承故障分析

风力机齿轮箱轴承故障信号具有典型非线性及非平稳特性,采用自适应变分模态法对4种状态下振动信号进行分解,提出基于分形盒维数-峭度阈值法(Adaptived Variational Mode Decomposition,AVMD)对处理所得分量进行筛选,选取富含故障信息的分量进行信号重构,采用多重分形去趋势波分析方法,分析重构信号的分形特征并识别其工作状态,结果表明:基于多重分形去趋势波分析法对非稳定轴承可进行有效地故障识别;轴承振动信号具有典型分形特征,在不同时间尺度下,标度指数、广义Hurst指数与多重分形谱均可反应轴承工作状态;3种多重分形谱参数对故障类型敏感度不同,谱函数最大值对应的奇异指数对内圈故障较为敏感,峰值占比对外圈故障较为敏感,分形谱宽对滚珠故障较为敏感。     

基于VMD与粒子滤波的滚动轴承故障诊断

针对旋转设备工作环境复杂,难以提取轴承故障特征信息的问题,提出基于变分模态分解(VMD)和粒子滤波的故障诊断方法。首先,对原始振动信号进行VMD分解,得到有限个具有稀疏特性的固有模态函数(IMF);其次,利用基于峭度、相关系数、能量比的综合评价指标P,筛选最能反映原始信号故障特征的模态分量进行重构;最后,对重构故障特征分量进行粒子滤波,消除VMD残留的非线性、非高斯噪声后,利用包络谱分析故障类型。通过对实验轴承振动信号的分析,验证了该方法的准确性和有效性。     

基于连续平均谱负熵改进经验小波变换的风力机齿轮箱故障诊断

针对经验小波变换（Empirical Wavelet Transform,EWT）对强噪声环境下风力机齿轮箱轴承轻微故障特征提取不足的问题,利用滑移窗口提取子带的连续平均谱负熵（Continuous Average Spectral Negentropy,CASN）对EWT算法进行改进。通过CASN-EWT方法分解风力机齿轮箱轴承故障信号,采用峭度准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征。结果表明：CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应优点的同时,能够极大提高EWT分解算法对噪声影响的鲁棒性,有利于准确提取故障特征频率,实现故障精确识别。     

基于AVMD和谱相关分析的风电机组轴承故障诊断

针对传统时频分析方法分解不准确、效率低下的问题,提出一种改进的自适应变分模态分解(AVMD)方法,该方法预先使用短时傅里叶变换预估模态数量,并对原始信号频谱与分量叠加频谱进行谱相关分析筛选最优惩罚因子,提高变分模态分解(VMD)的精确性,与经验模态分解(EMD)、聚合经验模态分解(EEMD)、小波变换相比,该方法分解速度快、准确度高。之后,结合AVMD和谱相关分析提出一种新的滚动轴承故障诊断方法,该方法首先采用AVMD将已知故障信号分解成若干本征模态,并使用主要成分分析(PCA)降维去噪后构成故障模型库;然后对新采集的检测信号进行相同处理得到检测特征向量;最后将检测向量和故障库故障库特征向量分别进行频域内谱相关性分析和判别,实现故障诊断。使用西储大学实验台轴承数据和实际风场采集数据对该方法进行验证,诊断结果表明该方法相比于传统方法,识别率有明显提高。     

基于最大相关峭度解卷积和变分模态分解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难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。     

基于AVMD和CNN的并网型微网线路故障诊断

为提高微网三相线路故障诊断精度,提出基于自适应变分模态分解(adaptive variational mode decomposition, AVMD)和卷积神经网络(convolutional neural network, CNN)的微网线路故障诊断分类方法。首先建立包含风、光、水系统的微网径向结构模型;采用AVMD将原始故障信号分解得到多个模态分量,其中变分模态分解(variational mode decomposition, VMD)的参数采用天鹰优化(aquila optimizer, AO)算法进行优化;诸多模态中只有少数模态保留了故障信号的信息,利用有效加权峰态相关(effective weighted peak relevance, EWPR)指数对模态分量进行选择,选取最能保留故障信息的3个模态作为敏感模态;剔除噪声和其他无关模态的影响,使用CNN对微网的线路故障进行诊断分类。生成110组故障数据用于训练和验证神经网络,结果表明22组验证数据集中共有21组数据分类正确,此研究方法对故障的诊断精度达到了95.46%。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

基于自适应变分模态分解的滚动轴承故障特征提取方法研究

针对滚动轴承微弱故障特征易被噪声和强故障成分淹没导致漏诊或误诊问题,基于互信息与信息熵构建多目标适应度函数,形成面向故障诊断的自适应变分模态分解算法(Diagnosis Oriented Adaptive Variational Mode Decomposition, DOA-VMD),有效提取信息以传达故障特征且不产生异常模态干扰;并采用NSGA-II算法对多目标适应度函数搜寻最优Pareto解集;然后考虑峭度是反应冲突的有效指标,以最大峭度值为目标,筛选解集中最优结果实现DOA-VMD参数的确定和特征提取;基于齿轮箱轴承内圈损伤数据验证提出方法的可靠性。结果表明：DOA-VMD可剔除含噪分量并保留具有最显著冲击信号的特征,且该特征较传统VMD方法更能凸显故障特征频率。     

基于优化的VMD融合信息熵和FA_PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FAPNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FAPNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。     

改进变分模态分解与去干扰包络因子的轴承故障分析

滚动轴承早期故障特征微弱且提取困难,考虑转频对故障包络信号的影响,提出改进包络谱特征因子(EDF),基于EDF提出优化变分模态分解方法(OVMD)。对滚动轴承正常、内圈及外圈状态进行OVMD分解,以EDF最大值作为筛选标准提取有效故障分量进行包络分析。结果表明:OVMD分解带有冲击分量信号,具有较高准确性,分解分量与原分量具有95%以上相似度;通过EDF最大值对分解分量进行提取,所获分量具有明显故障特征,并可排除转频对故障特征频的干扰;采用OVMD-EDF故障提取方法,并进行包络分析,可对不同故障程度的内圈、外圈故障进行精准故障诊断。     

基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究

以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法(AGWO-VMD)、复合多尺度规范化散布熵(NCMDE)及长短期记忆网络(LSTM)为基础,实现齿轮箱故障的快速诊断.首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解...     

基于AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。     

Fault diagnosis of low-speed rolling bearing based on weighted reconstruction of vibration envelopes

The main bearing supports the rotation of the main shaft of a wind turbine. It bears heavy dead weights as well as variable speed dynamic loading during operations; thus, it is a vulnerable part in a wind turbine drive train. Because of the low speed and time-varying operations of the main bearing, vibrations generated by bearing faults are often weak in response amplitudes, low in frequency range, and smeared in damage feature energy. As a result, the applicability of the conventional acceleration envelope analysis (AEA) technique, a traditionally effective technology for bearing fault diagnosis, is limited in such cases. In order to resolve this, a modified AEA method specially designed for bearings with low and variable speed operation is proposed in this paper. First, the structural response is decomposed by means of variational mode decomposition (VMD) for the low frequency components to form a series of band-limited intrinsic mode functions (BLIMFs). Next, weighting factors are determined for the BLIMFs by defined energy ratios. Finally, a new envelope is reconstructed by weighting the envelopes of each BLIMF for bearing fault diagnosis. The effectiveness and practicality of the proposed method for the diagnosis of main bearing faults in wind turbines is verified through the analysis of measured data from a wind turbine in the field. The proposed method provides an effective way for bearing fault diagnosis at low and variable rotational speeds.     

基于S-SLLE的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱结构复杂、受交变载荷和恶劣工作环境影响容易出现故障导致停机的问题,提出基于统计学K-均值聚类理论的统计型监督式局部线性嵌入流形学习(S-SLLE)特征维数约简方法,首先通过对齿轮箱振动信号时频域故障特征提取,剔除冗余特征向量,减少诊断模型的复杂度和计算量,再利用RBF核支持向量机分类器建立诊断模型,对...     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到分类器中进行故障识别分类。试验结果表明,该方法可准确地对风电机组行星齿轮箱不同的工作状态和故障种类进行识别与分类。     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

Intelligent wind turbine gearbox diagnosis using VMDEA and ELM

Wind turbine gearbox diagnosis is a vital tool for maintaining wind turbine operation and safety. The gearbox vibration signal is invariably complex and variable, and useful information and features are difficulty of extraction. Recently, a new and adaptive signal decomposition method, known as variational mode decomposition (VMD), has been proposed, which helps to improve the efficiency and effectiveness of extracting features from gearbox vibration signals. However, the performance of the VMD method mainly depends on its input parameters, especially the mode number and balancing parameter (also called the quadratic penalty term). Hence, this paper proposes a selection method for an optimized VMD parameter using differential evolution algorithm (DEA), also called VMDEA. Firstly, the VMDEA is used to select optimized VMD input parameters for each of the vibration signals. Following this, VMD decomposes each vibration signal into sets of subsignals using the selected optimized parameter. Multidomain features are extracted from VMD reconstructed signals and are passed on to the extreme learning machine (ELM) for fault classification. This study can thus provide a good solution for determining an optimized VMD parameter for decomposing vibration signals and can also provide a more efficient and effective diagnostic approach to wind turbine gearbox maintenance.