基于最大信噪比的风电机组主轴承的故障特征提取

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。     

基于多重分形去趋势波动分析的风力机轴承故障诊断

风力机传动轴轴承振动信号具有典型的非平稳和非线性特征,传统状态监测及故障诊断方法难以同时满足故障程度识别及部位诊断的需求。为此,针对定速轴承故障数据及变速的风力机轴承故障数据,采用多重分形去趋势波动分析方法,分析轴承在正常和不同故障状态下振动信号的多重分形特征,采用3种多重分形谱参数以表征振动信号的分形特征,结果表明:多重分形去趋势波动分析方法对于定速轴承和变速轴承均能进行有效的故障状态识别;轴承振动信号具有典型的多重分形特性,且较之正常状态,故障状态下多重分形特性更为明显,多重分形谱函数峰值对应的奇异指数更小,且当轴承处于内环故障时最小时,说明该参数可有效判断轴承运行状态及故障位置。因此,通过多重分形去趋势波动方法可获取故障特征参数,为风力机轴承故障诊断提供理论基础和实现途径。     

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。     

基于分形学的轴承故障诊断分析

为识别轴承的工作状态及故障类型,针对非线性振动信号,基于分形盒维数与小波降噪方法,计算了轴承正常状态及不同故障状态的振动信号盒维数。结果表明:轴承的故障类型不同,其振动信号盒维数亦不同,正常状态盒维数最大,内环故障盒维数最小,其值分别为1.6和1.4。因此,根据盒维数能定量识别轴承故障状态与故障位置,本研究可为轴承状态监测和故障诊断提供理论依据。     

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。     

基于卷积神经网络风力机轴承混沌空间故障分析与诊断

针对风力机轴承振动信号的非线性特点，对轴承不同工作状态振动信号进行相空间重构，还原信号非线性动力学特性；通过计算获取嵌入维数和延迟时间以构建二维混沌相图，并以不同工作状态的混沌相图作为样本，输入二维卷积神经网络开展学习建模，构建相空间-卷积神经网络故障诊断模型。结果表明：轴承不同状态振动信号具有明显的混沌特性，二维混沌相图具有不同的非线性表征；二维相图随故障程度变化而变化，但保持原有的“相形”；以相同尺寸二维相图，结合卷积神经网络构建故障诊断系统，不仅对相同故障程度的工作状态准确度高，且当同一故障其程度不同时，也非常精准，表明所提出故障诊断模型具有良好的泛化能力。     

小波包技术在滚动轴承故障诊断中的应用

小波包可以将信号分解到任意频段上,可以实现信号的任意频段、多频段、窄带滤波,基于这一理论提出了一种小波包信号特征提取算法,并通过两个仿真实例验证了算法的可行性,最后通过本算法分析故障滚动轴承振动信号,较好地提取了特征信号,算法解决了轴承振动信号于扰大滤波难的问题,在状态监测与故障诊断领域乃至信号处理领域具有广阔的应用前景.     

基于多尺度包络谱图的直驱式风电机组轴承故障特征提取

针对直驱式风电机组低速、重载的运行特点,提出将多尺度包络谱图应用于实际机组的故障诊断,以提取轴承的故障特征.对原始振动信号进行复小波变换,其变换结果的包络谱即为轴承振动信号的多尺度包络谱图.结果表明:因其所具有的同步多尺度分解和包络解调能力,多尺度包络谱图能够提取出隐藏在噪声中的低频微弱轴承故障特征,与传统包络解调方法相比具有较好的智能性和准确性,适用于实际风电机组的状态监测.     

基于阶次解调谱的滚动轴承故障诊断方法

针对变转速工况下滚动轴承的故障诊断问题,提出一种基于阶次解调谱的故障诊断方法。该方法先利用线调频小波路径追踪算法提取转速信号,并根据转速信号对轴承振动信号进行角域重采样,将时域非平稳信号转化为角域平稳信号。然后对角域平稳信号进行变分模态分解(variational mode decomposition,VMD)得到若干本征模态函数分量(intrinsic mode function,IMF),并利用峭度指标筛选出敏感IMF分量,最后对敏感IMF进行Hilbert变换获得其阶次解调谱,通过提取阶次解调谱中的故障特征阶次来识别轴承故障。仿真和实验分析结果表明,该方法成功提取出故障特征阶次,可实现变转速工况下滚动轴承故障的有效诊断。     

基于行波信号注入的配网线路单相故障状态接地诊断方法

配电网线路运行维护过程中,由于单相接地故障特征波识别方式的差异,使得线路单相接地故障诊断的准确率较低,无法满足电力系统工作需求。提出基于行波信号注入的配网线路单相接地故障状态诊断方法。通过故障录波装置获取故障特征数据,构建故障波形特征库;采用高压脉冲信号源作为行波信号注入源,并分析脉冲源控制回路;根据行波信号反射结果,应用小波变换算法识别线路故障特征波;根据特征提取结果,计算特征空间的欧式距离,完成配网线路单相接地故障状态诊断。实验结果表明：与当前诊断方法相比,所提方法既有效提高了单相接地故障诊断的准确率,又提升了电网线路故障诊断的整体水平。     

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。     

基于KF-PP分析的风电轴承故障模式识别

针对风力发电机组滚动轴承动态信号呈非正态、非线性,故障特征提取和初期故障诊断困难的问题,提出了基于核函数的投影寻踪分析故障模式识别方法。从轴承关键部位采集振动信号,经消噪预处理后,建立能够有效表述轴承运行状态的10特征指标数据空间,以基于核函数的投影寻踪方法构建故障评价体系,将待评估样本与评价体系进行对比分析,实现轴承故障的分类与识别。利用Matlab软件平台对实验数据进行仿真验证,结果表明,基于核函数的投影寻踪分析方法是一种有效的故障模式识别方法,能够实现轴承正常运行及故障类型的准确判断,具有良好的可靠性和可行性。     

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%。     

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。     

基于时频分布的发动机异响特征分析及故障诊断研究

针对发动机异响故障振动信号的时变非平稳特性 ,引入一种重分配方法 ,得到干扰项少而分辨率高的重分配平滑伪魏格纳维尔分布 (RSPWVD) ,对发动机活塞敲缸响、活塞销响、曲轴轴承响、连杆轴承响、气门响和挺杆响等常见异响故障特征信号进行了比较分析 ,并提出了一种基于 RSPWVD的发动机多异响故障诊断策略。试验结果表明 ,采用 RSPWVD可以有效地提取异响故障特征信息 ,利用基于RSPWVD的诊断策略可以准确识别不同的发动机异响故障。     

基于NLMS-WP及BP的风机轴承故障诊断方法

为解决风机轴承故障诊断问题,全面提取轴承运行状态的特征信息,提出了基于NLMS与WP相融合的特征提取及神经网络相适配的故障诊断方法。首先采用自适应滤波器对故障信号进行滤波去噪,再利用小波包对信号进行分解重构并提取其能量特征,将小波包各个频段的能量比系数作为风机轴承的故障特征,并通过改进的神经网络模型分类识别轴承的故障信号,实现不同类型的轴承故障诊断。试验结果表明,该方法弥补了传统故障诊断方法的不足,提高了故障类型识别率和故障诊断准确率,诊断效果良好。     

基于神经网络信息融合的发动机失火故障诊断

对发动机气缸失火故障进行实车模拟试验,测量了发动机的机体振动信号及瞬时转速信号,并对其进行了时、频域分析.通过小波分析方法提取了振动信号能量特征,通过复杂度分析方法提取了转速信号的复杂度特征用于故障诊断.根据多传感器信息融合理论,建立了集成神经网络信息融合模型对气缸失火故障进行了诊断.结果表明,发动机机体振动能量特征和转速复杂度特征能够反映气缸失火现象,基于发动机振动和转速信息融合进行气缸失火故障诊断,诊断可靠性较高.     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

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。     

基于EEMD及分形方法的轴承振动信号分析

为对具有强烈非线性特征的轴承振动信号做出准确的故障识别,基于分形理论,采用辅助经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对信号进行降噪预处理,采用G-P算法分析轴承不同状态下振动信号关联维数。研究表明:基于EEMD的降噪方法可有效对振动信号进行降噪;轴承工作状态不同,其振动信号关联维数具有明显的可区分性,当轴承处于外环故障时,其关联维数最大为4.7,当轴承处于滚珠故障时,其关联维数最小仅为3.0,当轴承处于正常/内环故障时,其关联维数分别为4.0/3.2。因此,利用关联维数能定量识别轴承的不同故障状态及位置。