基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断

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。     

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。     

基于主成分和神经网络的风力发电机主轴承故障预警

主轴承作为风力发电机组的重要部件,一旦发生故障,会影响风力发电机组整机工作的发电性能,严重时故障甚至会造成停机,不仅影响发电量,更会产生高昂的维修费用。通过运用相关性分析,根据Pearson相关系数矩阵对原有的多个指标进行分析。然后运用主成分分析,首先对数据的原始特征预处理,得到6个主成分,然后将这6个主成分作为BP神经网络的输入,运用神经网络对风力发电机的主轴承进行预警。神经网络模型结果表明,该模型对风力发电机主轴承故障预警具有非常好的识别效果,基于主成分和神经网络对风力发电机主轴承故障预警对实现机组智能故障诊断,提高机组的运行效率具有十分重要的意义。     

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。     

基于故障树和概率神经网络的风电机组故障诊断方法

风电机组各传动设备之间耦合性强,故障发生的原因复杂、多样,使用单一的故障诊断方法受自身的局限性影响,诊断效果不太理想。针对这一问题,通过分析风力发电机组转速故障数据及其影响因素,以风力发电机转速超限故障为例,提出一种基于故障树和概率神经网络的风电机组发电机转速超限故障智能诊断方法。首先,给出多层故障树构建方法,使用故障树分析法得到故障模式。然后,根据故障树节点关系规则和故障模式,提取风力发电机运行数据的特征值,建立概率神经网络的故障诊断模型,根据实际运行故障样本训练网络,将训练后的网络用于故障诊断。现场实验表明,基于故障树和概率神经网络算法对于风力发电机转速故障诊断准确率显著。     

基于AR-Hankel矩阵的风力发电机早期故障诊断方法研究

针对风力发电机故障早期阶段,故障特征不明显,继电保护装置检测不到相关电气量异常的问题,文章提出了基于AR模型、Hankel矩阵和奇异值分解的风力发电机早期故障诊断方法。该方法先对主轴径向振动信号进行总体平均经验模式分解,再按照互相关准则选择若干个固有模态函数建立AR模型,然后对自回归系数构建Hankel矩阵并作奇异值分解,将奇异值作为故障特征输入支持向量机判断发电机的运行状态。试验结果表明,该方法能对直驱风力发电机正常运行、定子线圈匝间短路、发电机主轴偏心、发电机轴承磨损4种状态进行准确诊断。     

基于FMEA法的风力发电机组故障模式分析

在分析风力发电机组设备构成的基础上,针对主轴及轴承、齿轮箱、发电机、偏航系统、变桨系统及塔架等机组主要设备,利用故障模式及影响分析法(FMEA法)开展了设备故障模式统计分析,获得了各设备故障模式详细统计报表,包括设备功能、功能故障、故障模式、故障原因、故障影响及预防措施等相关信息,为风力发电机组状态监测与故障诊断提供理论基础。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

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。     

基于AE-IFCM的轴承故障诊断方法

针对传统模糊聚类（FCM）方法对故障进行聚类的依据是原始数据之间的相似性,在滚动轴承的故障诊断中无法提取轴承数据的深层特征,对于耦合故障、微弱故障等复杂情况下,不同故障的特征难以有效区分,导致故障诊断准确率较低的问题,提出AE-IFCM轴承故障诊断方法。利用自动编码器（AE）网络提取轴承故障的样本特征,再利用改进的FCM（IFCM）进行故障诊断,通过对AE网络提取的抽象特征聚类,不仅可最大限度地利用样本数据,也能降低模型陷入局部极小值的风险。通过在凯斯西储大学轴承故障数据集中的实验表明,AE-IFCM能提高轴承故障诊断的准确性。     

基于IVMD-MCKD的滚动轴承故障诊断研究

针对强噪声环境下滚动轴承微弱信号易被淹没,其识别缺乏数学理论基础的问题,基于分形理论提出一种改进变分模态分解(Improved Variational Mode Decomposition, IVMD)与最大相关峭度解卷积(Maximum correlated kurtosis deconvolution, MCKD)相结合的轴承早期故障识别方法。采用灰狼算法(Grey Wolf Optimizer, GWO)优化VMD参数,分形筛选最优分量,MCKD算法突显信号中的冲击成分,对其进行包络谱分析实现故障诊断。与其它方法相比,IVMD-MCKD方法可较好突显故障特征频率及其倍频,实现滚动轴承早期微弱故障诊断。     

基于深度学习与支持向量机的滚动轴承故障诊断研究

针对滚动轴承运行环境复杂,传统故障诊断方法难以从强非线性信号中提取有效故障特征,且无法充分利用信号自身特征的问题,提出CNN-LSTM-SVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象,基于卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆网络(Long Short Term Memory, LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine, SVM)完成故障分类。结果显示：该方法具有良好外推性能,在变演变阶段下的平均准确率达到95.92%,与现有方法相比,至少高出11.34%,且在噪声环境下的诊断准确率均高于现有方法,稳定性更佳,体现良好的鲁棒性与泛化性。     

基于VMD和SVPSO-BP的滚动轴承故障诊断

为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解（VMD）和缩放变异粒子群算法（SVPSO）优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法（SVPSO）,再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。     

风电机组滚动轴承复合故障诊断研究

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。     

Fault diagnosis of proton exchange membrane fuel cell system of tram based on information fusion and deep learning

The reliability of fuel cell tram depends largely on the normal operation of on-board proton exchange membrane fuel cell (PEMFC) system. Therefore, timely and accurate fault diagnosis is necessary to further commercialize the fuel cell tram. And, a new fault diagnosis method BPNN-InceptionNet based on information fusion and deep learning is proposed in this paper. In this method, high-dimensional abstract features are extracted from the original measurement information by back propagation neural network (BPNN) and converted into feature maps for information fusion in feature level. Then the feature maps are transferred to a proposed Convolutional Neural Network (CNN) based on InceptionNet to realize fault classification. From the experiments, it is found that the kappa coefficient by BPNN-InceptionNet for the test set can reach 0.9884, which is better than that by BPNN, BPNN-VGG, and support vector machine (SVM) classifiers, meaning that the proposed method can achieve better diagnostic performance.     

隐马尔科夫模型在滚动轴承故障诊断中的应用

为提高滚动轴承故障诊断的精度,提出了一种能够对其故障位置及严重程度进行诊断的方法:首先利用小波分解得到的不同频段的能量作为监测指标向量,并对所有故障的监测指标向量进行归一化处理,采用K-means方法从监测指标向量中提取特征向量,然后利用隐马尔科夫模型对故障进行建模和诊断,在此基础上建立故障定位矩阵,确定故障位置。以美国凯斯西楚轴承实验室的数据为基础,用上述方法能够识别不同故障严重程度,且对故障位置的判定准确率超过90%。     

旋转机械诊断中的矢功率谱-模糊C均值聚类方法

结合矢功率谱和模糊C均值聚类算法,提出了一种新的旋转机械故障识别方法。该方法以矢功率谱为特征向量,以模糊C均值聚类算法为分类器,成功地应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine

Fault diagnosis for wind turbine transmission systems is an important task for reducing their maintenance cost. However, the non-stationary dynamic operating conditions of wind turbines pose a challenge to fault diagnosis for wind turbine transmission systems. In this paper, a novel fault diagnosis method based on manifold learning and Shannon wavelet support vector machine is proposed for wind turbine transmission systems. Firstly, mixed-domain features are extracted to construct a high-dimensional feature set characterizing the properties of non-stationary vibration signals from wind turbine transmission systems. Moreover, an effective manifold learning algorithm with non-linear dimensionality reduction capability, orthogonal neighborhood preserving embedding (ONPE), is applied to compress the high-dimensional feature set into low-dimensional eigenvectors. Finally, the low-dimensional eigenvectors are inputted into a Shannon wavelet support vector machine (SWSVM) to recognize faults. The performance of the proposed method was proved by successful fault diagnosis application in a wind turbine's gearbox. The application results indicated that the proposed method improved the accuracy of fault diagnosis.