共查询到10条相似文献,搜索用时 46 毫秒
1.
针对风电机组结构复杂、滚动轴承早期故障特征信号往往易受正常信号和现场噪声的干扰而不易识别以及信噪比低的问题,在原有盲源分离方法的基础上提出一种新的故障特征提取方法,该方法首先对原始振动信号进行包络解调分析和小波去噪,有效抑制信号的高频干扰,再采用基于最大信噪比的盲源分离方法对得到的小波包络解调信号进行分离,最后对分离后的信号进行频谱变换,从频谱图上可以清晰地观察出轴承的故障特征频率。实例分析表明,使用此方法对实测的风机主轴承故障振动信号进行分析能够有效提取出轴承的故障特征,有助于实现轴承的在线故障诊断。 相似文献
2.
3.
4.
5.
提出一种基于盲源分离(blind source separation,BSS)和流形学习算法的风电机组轴承故障特征提取方法,首先对采集的振动信号利用独立成分分析(independent component analysis,ICA)进行盲源分离,计算各源信号的峭度和负熵,然后对源信号进行包络分析并提取上、下包络线矩阵的奇异值,将峭度、负熵和奇异值组成高维特征向量,最后利用拉普拉斯特征映射流形学习算法(Laplacian eigenmaps,LE)挖掘出高维数据中包含有效信息且具有内在规律性的低维特征。该方法充分利用并有效结合ICA在信号处理和LE在挖掘特征信息方面的优势,实现风电机组轴承故障特征的提取。算例结果表明该方法可有效提取轴承故障特征。 相似文献
6.
《可再生能源》2016,(10)
针对风力发电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出了一种集成经验模态分解与峭度-相关系数准则和多特征量提取的风电机组轴承故障程度的诊断方法。利用集成经验模态将振动信号分解成若干个本征模态分量,采用峭度和相关系数准则选取一组包含信息量最丰富的分量,对该组分量从时域指标、自回归模型参数矩阵的奇异值和能量熵3个角度的变化中提取和构造多特征量矩阵,输入支持向量机建立故障程度不同的多分类预测模型,优化核参数和惩罚参数取得轴承故障程度最佳预测精度。通过实验室数据验证了该方法是一种可行的风电机组轴承故障诊断方法,可实现对风电机组轴承故障早期处于的轻度、中度和重度等3种相对故障程度的准确分类和识别。 相似文献
7.
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。 相似文献
8.
针对风电机组变桨轴承的损伤识别问题,提出一种优化变分模态提取结合稀疏最大谐波噪声比解卷积的新颖损伤识别方法,旨在从复合信号中提取特定信号分量。首先,以能量特征指标为适应度函数,利用白鲨优化算法对变分模态提取算法的最优影响参数组合进行搜索,确定变分模态提取的平衡因子和中心频率的最优值;其次,利用变分模态提取从振动信号中提取特定信号分量,并对提取的信号分量进行稀疏最大谐波噪声比解卷积处理,提高信号的信噪比,得到解卷积信号;最后,对解卷积信号进行包络谱分析,从中提取轴承损伤特征频率。结果表明:该方法能准确识别风电机组变桨轴承的损伤特征,具有一定的实际工程参考价值。 相似文献
9.
针对在强风电机组背景噪声下进行滚动轴承复合故障诊断时,由于故障之间的相互联系、交叉影响使得多种故障特征混叠在一起,易造成漏诊、误判等问题,提出一种基于多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)与1.5维能量谱相结合的风电机组滚动轴承复合故障诊断方法;首先利用MOMEDA算法对原始滚动轴承振动信号进行解卷积预处理;然后对解卷积信号进行1.5维能量谱分析;最后通过分析谱图中幅值突出的频率成分来判断故障类型。仿真信号和应用实例分析结果表明,该方法能够有效提取出在强背景噪声下的复合故障特征,实现风电机组轴承复合故障的准确诊断。 相似文献