基于形态学分形和极限学习机的风电机组轴承故障诊断

风力发电机组滚动轴承工况往往比较恶劣,其故障振动加速度信号具有非平稳、非线性的特性,而传统的时频域方法提取故障特征时存在不准确、适应性差等问题,针对此提出一种基于局部均值分解(LMD)和形态学分形维数的特征提取算法,并结合极限学习机(ELM)完成风电机组轴承故障诊断。该方法同时考虑滚动轴承在不同损伤程度以及不同故障类型下的情况,首先将原始振动信号进行LMD自适应分解为一系列不同频率的乘积分量(PF);接着计算所有分量与原信号的相关性系数,选择相关系数值最大的前3个PF分量作为敏感变量;并利用形态学覆盖估计所选PF分量的分形维数,构建故障特征向量组;之后将其作为ELM的输入,将轴承状态作为输出,建立ELM轴承状态识别模型。最后使用西储大学平台轴承数据和实际风场采集故障数据对算法进行验证,结果表明,该方法能够有效识别轴承不同损伤程度以及不同故障,整体识别率达到99%以上。     

风力机齿轮箱振动信号分解方法研究

基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EE-MD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类.结果表明:EWT能较好地提取振动信号中的冲击成分;...     

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EWT与排列熵的SVM汽轮机转子故障诊断

针对汽轮机转子振动信号在强噪声下难以提取瞬态冲击的故障特征的问题,提出一种基于经验小波变换(EWT)与排列熵相结合的特征提取方法。将转子故障振动信号进行经验小波变换,得到一系列本征模态函数(AM-FM),根据相关度原则选取故障信号敏感的本征模态函数计算其排列熵值构建故障特征向量。通过ZT-3转子模拟实验台获得振动故障信号,分别用EWT与排列熵和EWT与样本熵获得故障特征值,使用支持向量机(SVM)识别验证,结果表明:EWT与排列熵构建的特征向量识别率比EWT与样本熵高6.11个百分点,达到了较理想的识别准确率。     

基于变分模式分解的滑动轴承摩擦故障特征提取与状态识别

针对滑动轴承振动信号明显的非线性非平稳性及信号中摩擦信号微弱等特点,提出一种基于变分模式分解(VMD)的滑动轴承摩擦故障特征提取与状态识别方法。采用VMD对滑动轴承振动信号进行分解,将其自适应地分解为系统冲击信号、低频摩擦信号和高频摩擦信号3个分量,在此基础上定义并提取相对频谱能量矩特征参数,用于描述滑动轴承振动信号及其各分量的特征。对S195-2型柴油机曲轴轴承摩擦故障信号进行了分析,K-近邻分类器的平均识别精度达到93.3%。研究结果表明:基于VMD分解的相对频谱能量矩特征对滑动轴承的工作状态比较敏感,能有效识别其摩擦故障状态。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

基于CEEMDAN样本熵与卷积神经网络的轴承故障诊断

针对强噪声背景下滚动轴承振动信号故障特征难以提取和识别困难的问题,提出将自适应白噪声平均总体经验模态分解(CEEMDAN)样本熵与卷积神经网络(CNN)联合的故障诊断方法(CEEMDAN样本熵-CNN方法)。基于分形理论,采用CEEMDAN算法分解振动信号并提取其非线性特征,通过分形盒维数筛选最优IMF分量,以其样本熵构成的特征向量输入CNN模型,实现轴承故障的分类和诊断,并进行t-SNE聚类可视化分析。结果表明：在不同工况下,与经验模态分解(EMD)样本熵和集成经验模态分解(EEMD)样本熵方法相比,所提CEEMDAN样本熵-CNN方法具有良好的识别能力和泛化性能,其可视化分析结果更具直观性。     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

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。     

Feature extraction method of wind turbine based on adaptive Morlet wavelet and SVD

Analyzing the vibration signals of wind turbine usually requires feature extraction. However, in many cases, to extract feature components becomes challenging and the applicability of information drops down due to the large amount of noise. In this paper, a new denoising method based on adaptive Morlet wavelet and singular value decomposition (SVD) is applied to feature extraction for wind turbine vibration signals. Modified Shannon wavelet entropy is utilized to optimize central frequency and bandwidth parameter of the Morlet wavelet so as to achieve optimal match with the impulsive components. The time-frequency resolution can be adapted to different signals of interest. Then, an improved matrix construction method is used to construct matrix of the wavelet coefficient, and the scale periodical exponential (SPE) spectrum is obtained by SVD for selecting the appropriate transform scale. Experimental analysis and application into signal denoising indicate that the proposed method has better denoising performance than other wavelet transforms. The results of the experimental analysis in rolling bearing and the application in planetary gearbox show that the proposed method is an effective approach to detecting the impulsive feature components hidden in vibration signals and performs well for wind turbine fault diagnosis.     

互补集合经验模式分解与奇异值能量谱在风电齿轮故障识别中的应用

针对风电机组齿轮系统故障模式的有效识别问题,提出一种互补集合经验模式分解(CEEMD)与奇异值能量谱相结合的故障识别方法。利用CEEMD将齿轮非平稳信号分解为有限个平稳的本征模态函数,并将其组成初始特征向量矩阵,对矩阵进行奇异值分解并求出风电齿轮不同工况下的奇异值能量谱分布,以奇异值能量谱为元素构造特征向量,通过计算不同工况振动信号的灰色关联度来判断齿轮的故障类型。实例表明,该方法能有效应用于风电机组齿轮系统的故障诊断。     

基于增强形态滤波与三阶累积量对角切片谱的风力发电机滚动轴承故障诊断方法

针对大型风力发电机滚动轴承的故障信号受到强背景噪声干扰不易识别的问题,提出一种基于增强形态滤波与三阶累积量对角切片谱相结合的故障诊断检测方法。该方法首先在研究基本形态学算子的基础上,构建一种新的增强型形态学算子（EMDO）;随后利用特征能量因子（FEF）选择出EMDO算子的最优结构元素尺度;最后利用三阶累积量对角切片谱的消噪性能来进一步增强EMDO算子对风力发电机轴承故障信息的特征提取能力。仿真和对比实验结果表明,所提方法能有效消除高斯白噪生的干扰,对提取风力发电机轴承的故障特征信息起到增强的效果。     

Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals

The implementation of condition monitoring and fault diagnosis system (CMFDS) on wind turbine is significant to lower the unscheduled breakdown. Generator is one of the most important components in wind turbine, and generator bearing fault identification always draws lots of attention. However, non-stationary vibration signal of weak fault and compound fault with a large amount of background noise makes this task challenging in many cases. So, effective signal processing method is essential in the accurate diagnosis step of CMFDS. As a novel signal processing method, empirical Wavelet Transform (EWT) is used to extract inherent modulation information by decomposing signal into mono-components under an orthogonal basis, which is seen as a powerful tool for mechanical fault diagnosis. Moreover, in order to avoid the inaccurate identification the internal modes caused by the heavy noise, wavelet spatial neighboring coefficient denoising with data-driven threshold is applied to increase Signal to Noise Ratio (SNR) before EWT. The effectiveness of the proposed technique on weak fault and compound fault diagnosis is first validated by two experimental cases. Finally, the proposed method has been applied to identify fault feature of generator bearing on wind turbine in wind farm successfully.     

支持向量机和BP神经网络在水轮发电机轴承故障诊断中的应用

支持向量机(SVM)与BP神经网络相比各有优缺点,通过对支持向量机和BP神经网络在水轮发电机滚动轴承故障诊断中的仿真实验,来对比两者在轴承故障诊断上的泛化能力。首先通过应用经验模态分解(EMD)的方法将轴承振动信号进行分解,得到本征模函数(IMF),再将IMF的平均能量值作为故障特征向量。将这些特征向量作为支持向量机和BP神经网络的学习样本。经过仿真研究结果表明,在小样本集的前提下,支持向量机在轴承故障诊断中的精确度不但受样本数量变动的影响较小,准确度也高于BP神经网络,具有较强的泛化能力。对水轮发电机滚动轴承故障诊断模型的应优先考虑选择SVM。     

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...     

Data‐driven multiscale sparse representation for bearing fault diagnosis in wind turbine

With the increase of the wind turbine capacity, failures occur on the drivetrain of wind turbines frequently. Since faults of bearings in the wind turbine can lead to long downtime and even casualties, fault diagnosis of the drivetrain is very important to reduce the maintenance cost of the wind turbine and improve economic efficiency. However, the traditional diagnosis methods have difficulty in extracting the impulsive components from the vibration signal of the wind turbine because of heavy background noise and harmonic interference. In this paper, we propose a novel method based on data‐driven multiscale dictionary construction. Firstly, we achieve the useful atom through training the K‐means singular value decomposition (K‐SVD) model with a standard signal. Secondly, we deform the chosen atom into different shapes and construct the final dictionary. Thirdly, the constructed dictionary is used to sparsely represent the vibration signal, and orthogonal matching pursuit (OMP) is performed to extract the impulsive component. The proposed method is robust to harmonic interference and heavy background noise. Moreover, the effectiveness of the proposed method is validated by numerical simulation and two experimental cases including the bearing fault of the wind turbine generator in the field test. The overall results indicate that compared with traditional methods, the proposed method is able to extract the fault characteristics from the measured signals more efficiently.     

基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测

考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。