风电机组传动系统故障诊断平台开发

风电机组传动系统结构复杂,其振动故障主要涉及到滚动轴承、轴和齿轮箱等关键部件,分析了各个结构部件的典型故障和失效形式,给出了故障机理及对应的振动信号特征。振动信号作为风电机组传动链故障特征信息的载体,能够有效反应风电机组传动链的相关故障,针对风电机组中存在大量的暂态和非稳态信号的特点,提出通过小波变换进行频率提取。设计了基于测量单元下位机+基于PC上位机架构的故障诊断系统,信号处理模块由各种基于小波算法的软件包实现,功能强大,系统的可裁减性好。     

风电机组震动检测与故障诊断分析

风电机组运行环境比较特殊。再加上风速具有很强的不稳定性。受交变负载影响。很容易造成机组传动系统部件的损坏，同时因为机组安装位置偏远维修工作困难，这样就对机组震动检测与故障诊断提出了较高的要求。本文分对风电机组常见故障进行了分析，并提出了机组震动检测与故障诊断的方法。     

基于VMD小波包能量熵的风电机组变流器故障诊断方法

变流器是实现风电机组并网运行的关键电力装备,在外界环境因素、内部电压电流应力作用下,其功率器件易发生机械或电气故障。该文提出一种基于变分模态分解(VMD)小波包能量熵与支持向量机(SVM)的永磁同步风电机组变流器故障诊断方法。首先,对风电机组网侧变流器的输出电流进行变分模态分解,得到多个固有模态分量;然后,利用小波包分解提取出各模态分量的小波包能量熵作为故障特征向量,以减少故障特征的维数。最后,将约简的故障特征向量输入SVM中进行训练和故障识别。研究结果表明,所提方法可对网侧变流器的典型单一和双开路故障进行诊断,对提升永磁同步风电变流器的可靠性和安全性具有现实指导意义。     

基于自适应EEMD的风电机组联轴器松动故障诊断

联轴器是风电机组高速旋转齿轮箱和发电机之间的唯一机械连接件,针对联轴器松动后存在振动信号微弱、干扰大、故障特征难以识别的难题,提出了一种以协同信噪比（collaborative signal?to?noise ratio index,简称CSNR）为测度指标的自适应集成经验模式分解（ensemble empirical mode decomposition,简称EEMD）故障诊断方法。将该方法应用于数值仿真信号,实现了仿真信号构成分量的准确分离;应用于风场风电机组联轴器的松动故障诊断,有效提取了联轴器松动强噪声微弱信号中的故障特征,验证了该方法在工程实际应用中的有效性和实用性。     

基于支持向量机的风电机组主轴轴承故障诊断

主轴轴承是风电机组的重要部件之一。通常主轴轴承故障诊断方法主要是基于振动信号和温度信号以及润滑油成分分析等。这里利用支持向量机建立了风电机组发电机输出功率模型,输入量为风速、变桨角度、风向角与机舱角偏差;输出量为发电机输出有功功率。在相同输入条件下,当主轴轴承存在磨损等故障时,发电机输出有功功率将随故障的逐步加重而逐渐减小,发电机输出有功功率实际值与预测值之间的残差将超出正常的阈值。这里以某风电场风机主轴轴承实际故障进行了仿真验证。     

风电机组轴承在线监测与故障诊断系统的应用研究

风电机组的正常运行直接关系到系统的安全稳定。轴承是风电机组中的关键设备,对风电机组轴承进行深入分析具有重要意义,是保证风电机组正常运行的主要前提。本文将重点探讨风电机组轴承在线监测以及故障诊断系统的应用。     

基于BAACMD和BESDFIF的风电机组主轴承故障诊断

针对风电机组主轴承故障难以诊断的问题,提出一种基于带宽感知自适应啁啾模式分解(Bandwidth Aware Adaptive Chirp Mode Decomposition, BAACMD)和秃鹰算法优化直接快速迭代滤波(Bald Eagle Search Direct fast Iterative Filtering, BESDFIF)的故障诊断方法。首先采用加权频谱趋势法准确划分信号频段,诊断各频段的有效成分,随后利用模型拟合方法确定ACMD方法中惩罚因子α和初始中心频率f,并通过BAACMD方法实现对故障信号进行处理实现故障特征信息的提取;其次利用秃鹰优化算法对DFIF方法中影响参数及分量选取过程进行寻优;最后使用最优滤波区间参数的BESDFIF方法对所得分量进行分解降噪处理,从中诊断出微弱的风电机组主轴承故障特征频率成分。现场数据分析结果表明,所研究方法可以有效诊断风电机组主轴承的微弱故障特征,实现风电机组主轴承的故障诊断。     

数字孪生驱动的风电机组变桨系统故障诊断

数字孪生作为连接物理世界和数字世界的纽带,其融合机理与数据的建模方式在时效性和准确性等方面有着超出以往模型的潜力。文中首先针对风电机组变桨系统故障诊断问题,结合多体动力学提出了一种风电机组数字孪生模型的建立方法;其次,利用机组运行信息与机理先验知识,并通过历史数据进行风电机组控制逻辑反演;再次,以上述模型对风电机组历史监测数据进行仿真分析,将仿真结果与历史监测数据进行对比,迭代修正数字孪生模型,并验证所建立的数字孪生模型的准确性;最后,在所建立模型的基础上构建仿真结果与实际监测数据的残差值,使用该残差值作为故障特征变量对该风电机组变桨系统故障进行诊断分析,其结果验证了上述方法的有效性和可行性。     

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

基于虚拟仪器的小波消噪技术在电机声频故障诊断中的应用

采用虚拟仪器技术构建了一种电机故障声频诊断系统。利用LabVIEW编程环境和Matlab软件,先用小波分析对噪声信号进行消噪,其次用软阈值进行小波系数阈值量化,最后对小波各分解系数进行重构,提取故障特征信息,实现故障诊断。现场应用表明该系统效果良好。     

风力发电机组状态监测和故障诊断系统

介绍了风电机组状态监测与故障诊断系统的软硬件构成、振动信号的特征提取以及常用的故障诊断方法.     

基于最大重加权峭度盲解卷积的风电故障诊断

受噪声以及复杂传递路径等影响,风电机组齿轮故障特征信号通常比较微弱。为有效诊断齿轮故障,提出一种新的盲解卷积方法——最大重加权峭度盲解卷积方法。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性,且无需待恢复故障冲击序列先验知识。最大重加权峭度盲解卷积方法能有效地解决经典的基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题,同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。仿真信号分析结果表明所提方法在恢复故障冲击序列方面效果显著,在风电机组故障诊断中的应用案例证实了所提方法对齿轮故障诊断的有效性。     

基于Hilbert空间熵的风力发电机轴承故障诊断

风速的不断变化往往会给风力发电机的故障诊断造成干扰,为此,提出Hilbert空间熵方法。通过建立基于HHT时频变换的信息熵,描述不同风速条件下风力发电机轴承振动信号,将其应用于D70型风力发电机轴承故障分析,证明在不同风速条件下,该方法均能有效识别轴承故障,可作为风力发电机轴承故障诊断的指标和依据。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

强抗噪时频分析方法及其在滚动轴承故障诊断中的应用

根据滚动轴承发生故障时呈现出循环平稳的特征,将基于二阶循环统计量的谱相关或谱相关密度分析方法加以改进,提出一种新的时频分析方法。经仿真验证,所述方法相对于谱相关分析方法具有很强的抗噪能力;针对轴承发生故障时的调制特征,往往只需要提取出故障频率即循环调制频率而不必提取调制现象的载频,在所述方法的基础上,将其加以改进,改进后的谱分析方法只提取出调制频率,通过滚动轴承三种故障试验(内、外圈故障及滚动体故障)验证了其具有更清晰的表达效果和更好的故障特征提取效果。     

小波基TVAR建模时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归建模方法,提出了应用小波基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识,在此基础上,应用带遗忘因子的递归最小二乘算法进行参数估计,实现了信号的自适应时频分析。通过仿真算例将该法与短时傅里叶变换、Wigner分布的结果相比较,验证了该方法时频分辨率高的优越性。最后,将该方法应用于轴承的故障诊断,结果表明,该方法用于故障诊断的特征提取是有效的。     

改进阴性选择算法的风机振动故障诊断方法

为了正确、快速地判断风电机组振动故障类型,减小其对发电效率及人身财产安全的影响,提出了一种改进型阴性选择算法。在传统的阴性选择算法中引入马氏距离进行振动数据的初步筛选,并将算法应用于风电机组振动故障的预测。研究结果表明,改进的阴性选择算法可以更为快速、准确地判断风电机组振动的故障类型,诊断正确率达到97.5%,从而提高了风电机组运行的可靠性和发电效率。     

风电机组轴承的状态监测和故障诊断与运行维护

对风电机组轴承的故障原因,已实际应用的轴承运行状态监测系统与方法进行了综述,并提出了维护的建议,预测了风电机组轴承故障诊断研究的方向和前景。     

基于模糊理论的风力机故障诊断专家系统构建

目前,对风力机的故障进行诊断仅停留在人工现场诊断的层面上,使得故障难以及时发现并排除。该文以模糊数学理论和故障诊断技术为基础,建立一个用于风力机故障诊断的专家系统。文中首先介绍了模糊综合评判方法;然后给出了诊断专家系统的结构,其中重点论述了如何根据经验数据和专家优先系数法共同确定模糊关系矩阵的元素、模糊诊断原则的确定及推理流程。最后用一个具体的故障诊断实例进行分析,验证了应用模糊理论,可以提高风力机故障诊断专家系统的运行速度、准确性、可靠性。     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。