汽轮发电机组动静碰摩的奇异谱理论与小波分析诊断方法研究

作者利用奇异谱对汽轮发电机组转子动碰摩的振动信号进行了分析,剔除信号中因不平衡等邦联所产生的平滑部分、抑制噪声;并运用连续小波变换对信号进行分析。通过多尺度分析形成等高线图,使碰摩故障特征在相应的等高图上得以体现出来。作者还比较了相似频谱特征的两类故障信号的小波变换等高线特征,总结了碰摩故障小波变换等高线分析特征,得到了理想的分析结果,为汽轮发电机组碰摩故障识别提供了新的思路;同时讨论了运用小波变     

基于连续小波变换的汽轮机转子振动信号矩特征研究

基于小波分析良好的时频功能,分析了汽轮机转子振动信号的连续小波变换系数,利用图像处理与识别技术中的统计特征参数--矩向量来描述连续小波变换灰度图,并将其应用于汽轮机转子振动故障信号的特征提取之中.然后,对几种典型振动及一些耦合振动故障的信号进行了分析与计算,结果表明灰度图的矩向量可以较好地展现小波灰度图的局部化信息,能够有效地提取信号的特征,可以利用其来区分振动故障.     

基于ALIF-HT的汽轮发电机组转子故障诊断

针对汽轮发电机组转子故障振动信号为多分量非平稳信号,将一种新的信号分解方法——自适应局部迭代滤波(ALIF)用于转子故障振动信号分解,并与希尔伯特变换(HT)相结合,提出了基于ALIF-HT的汽轮发电机组转子故障诊断方法:首先对转子原始振动信号进行ALIF得到若干信号分量,再应用HT求取每个分量的瞬时频率,获取原信号全部信号分量的完整时频表示,最后根据转子故障振动信号的时频特征判别转子的故障类型.通过仿真信号分析验证ALIF对多分量信号的分解能力,并利用转子油膜失稳故障分析验证该方法的工程实用性.结果表明:ALIF方法能够有效克服经验模态分解(EMD)存在的模态混叠问题,使得ALIF-HT方法相对于希尔伯特黄变换(HHT)方法具有更高的时频分析精度.     

小波变换在转子动静碰摩故障诊断中的应用

转子动静件碰摩时存在奇异性，而信号中的奇异点及不规则突变部分常带有比较重要的信息。利用小波变换具有空间局部化的性质，并通过一维小波变换工具对碰摩信号进行多尺度小波分解获取细节信号。从而对信号中的奇异点进行检测，明确地指出转子动静碰摩时奇异点的位置和奇异度的大小，为汽轮发电机组碰摩识别提供了有效的方法。     

某电厂135MW汽轮发电机组振动问题分析及处理

通过对某135MW汽轮发电机组轴系发生振动故障案例进行整理,归纳分析了机组启动运行过程中发生的典型振动问题,介绍了故障简况、振动特征、分析判断过程和现场处理方法,可为同类型机组振动问题处理提供借鉴.     

某660MW汽轮发电机组振动问题分析及处理

通过对某660MW汽轮发电机组轴系发生振动故障案例进行整理,归纳分析了机组启动运行过程中发生的典型振动问题,介绍了故障简况、振动特征、分析判断过程和现场处理方法,可为同类型机组振动问题处理提供借鉴。     

小波分析法在汽轮发电机转子绕组匝间短路故障诊断中的应用

提出了基于小波变换的汽轮发电机转子绕组匝间短路故障检测的一种诊断方法。这种方法是在探测线圈法的基础上，把小波变换用于突变信号的检测，对气隙中感应电势信号的故障特征进行提取和信号的消噪，可实现对发电机转子绕组匝间短路故障的检测。仿真实例表明，小波分析方法适合于转子绕组匝间短路故障的检测。图3参5     

发电机组转子机械故障诊断的DWPT方法

研究了小波理论及小波包(DWPT)分解技术在发电机组故障特征提取和诊断中的应用。针对发电机组的常见故障及其表现特征，结合对某故障发电机组的实际测试，利用小波包分解技术对该发电机组的振动信号进行了分析诊断，得到了与实际情况完全相同的结果。研究结果表明：利用小波消噪方法和小波包分解技术在时城内能更准确地判断发电机组的工作状态，该方法也为其它复杂机械的故障诊断提供了新路径。     

汽轮发电机组油膜振荡故障诊断和现场处理

介绍了汽轮发电机组油膜振荡产生的机理以及振动信号的特征,并结合现场启机过程中发生油膜振荡的情况,给出了现场油膜振荡故障振动特征信号及诊断处理方法。     

基于工程实践的汽轮发电机组不稳定振动的研究

统计分析了十年来30台次的大型汽轮发电机组发生的不稳定振动故障的实例,对发生不稳定振动故障来源阶段及形式进行了统计分析,同时统计分析了引起机组不稳定振动故障的主要原因占比,结合现场实际案例阐述了机组发生不稳定振动故障所表现的特征及处理措施,为大型汽轮发电机组的安全运行提供了技术参考与依据。     

基于小波分析的汽轮机碰磨故障诊断

振动故障是故障诊断中的难点,故障原因复杂、类别繁多。小波分析因具有良好的时频局部性及多分辨率分析特性,被广泛地应用在振动故障诊断中。介绍了小波分析方法在振动故障诊断中的应用,利用时频等高图确定汽轮机碰磨故障发生的时刻,借助小波包特征熵向量诊断碰磨故障的严重程度,从而提出了完整的汽轮机碰磨故障的小波分析诊断方法。     

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...     

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

基于EMD-WVD振动谱时频图像SVM识别的内燃机故障诊断

为了充分提取基于内燃机振动信号形成的振动谱时频图像的二维时频信息,实现基于内燃机振动谱时频图像特征自动提取及识别,提出了一种基于EMD-WVD(EMD-Wign-er-Ville Distributions)振动谱时频图像SVM识别的内燃机故障诊断方法。该方法利用二进制小波对振动信号进行预处理,然后利用EMD-Wigner-Ville时频分布生成不同工况下振动信号的时频图像,并通过提取振动信号的EMD-WVD振动谱时频图像的不变矩特征形成诊断特征向量,利用一种基于类识别率排序的二叉树SVM分类器进行模式识别。在BF4L1011F型内燃机上进行了6种不同工况下气门故障模拟试验,诊断结果表明总体诊断正确率为98.57%。     

基于变分模态分解和交叉小波变换的柴油机失火故障诊断

针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。     

风电机组传动链典型故障特征提取方法

为解决风电机组传动链易发生故障的问题,文章阐述了风电机组齿轮箱特征频率的计算方法和基于振动信号分析的故障特征提取方法。结合实际情况,以行星级齿轮磨损、中间轴小齿轮崩齿、高速轴齿轮崩齿和发电机轴承电腐蚀等典型故障为例,通过齿轮箱特征频率和传动链典型故障振动信号基本特征分析,可较好地完成故障识别。结果表明,采用经典信号处理方法能对上述典型故障进行特征提取,验证了经典方法对单一、明显故障特征提取的有效性,为深入开展传动链故障特征提取方法研究奠定了基础,为风电机组故障检修维护提供了技术支撑。     

基于Rough Set理论的典型振动故障诊断

在分析旋转机械振动特点和Rough Set理论的基础上,针对传统的频谱分析方法对质量不平衡、动静碰摩、支座松动等3种典型故障识别效率低的缺点,提出了一个基于Rough Set的振动故障诊断模型.该模型根据故障和能量的映射关系,分别在时域、频域、时一频域中定义4种信息熵作为条件属性,推导了3种典型振动的决策规则,实现了对振动信号中不一致信息的处理.通过汽轮发电机组振动实验对上述方法进行了验证.结果表明,该模型能够很好地识别这3种典型故障.     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

Wind turbine fault diagnosis based on Morlet wavelet transformation and Wigner-Ville distribution

Based on the Morlet wavelet transformation and Wigner-Ville distribution (WVD), we present a wind turbine fault diagnosis method in this paper. Wind turbine can be damaged by moisture absorption, fatigue, wind gusts or lightening strikes. Due to this reason, there is an increasing need to monitor the health of these structures. Vibration analysis is the best-known technology applied in wind turbine condition monitoring, in which the time-frequency analysis techniques such as Wigner-Ville distribution (WVD) are widely used. Theoretically WVD has an infinite resolution in time-frequency domain. For early wind turbine fault signals, however, there are two main difficulties in WVD analysis. One is strong noise signals in the background and the other is cross terms in WVD itself. In this paper, continuous wavelet transformation (CWT) is employed to filter useless noise in raw vibration signals, and auto terms window (ATW) function is used to suppress the cross terms in WVD. In the CWT de-noising process, the Morlet wavelet, whose shape is similar to mechanical shock signals, is chosen to perform CWT on the raw vibration signals. The appropriate scale parameter for CWT is optimized by the cross validation method (CVM). An ATW based on the Smoothed Pseudo Wigner-Ville distribution (SPWVD) spectrum is taken to be a window function to suppress the cross terms in WVD. The new method can not only remove cross terms faraway from the auto terms, but also keep high energy close to every instantaneous frequency, the virtues such as high time-frequency resolution, and good energy aggregation etc. The wind turbine gear fault diagnosis experiment results indicate that the proposed method has a good de-nosing performance and is effective in suppressing the cross terms and extracting fault feature.