汽轮发电机组转子复合故障的研究

研究了一种综合应用神经网络的分类功能和D—S推理融合诊断的故障决策新方法。针对大型汽轮发电机组多重故障复合发生的实际情况，首先应用神经网络技术对复杂故障进行了初步诊断，然后应用D—S证据理论对诊断结果进行融合决策。解决了汽轮发电机组多重复合故障的诊断问题，并给出了诊断实例。     

基于全谱分析的转子裂纹-碰摩复合故障特征实验研究

在转子实验台上模拟了不同转速下的碰摩故障、裂纹故障及相应的裂纹-碰摩复合故障,并采用全谱分析方法对其故障特征进行了分析。结果表明:相对于传统傅里叶频谱分析,全谱分析方法能准确识别3类故障,利用全谱图中-2 X、-3 X和-4 X倍频分量表征了碰摩-裂纹复合故障的耦合特性,为转子复合故障诊断提供了参考。     

改进关联规则方法在电力设备故障预测中的应用

针对传统电力设备故障预测方法在对关联维特征提取时,存在故障信息冗余、误差较大的缺点,提出基于改进关联规则特征分析方法的电力设备故障预测算法。采用平均互信息方法和虚假最近邻点方法进行电力设备故障信息相空间重构,在高维相空间中,将电力设备的故障信号模拟为一个非线性时间序列波形,构建故障信号关联规则指向性特征约束函数,提取故障信号关联维特征,通过关联规则指导实现故障预测改进。仿真结果表明,该算法在进行电力设备故障预测时,能有效反应电力设备故障信号的关联内部特征信息,实现对电力设备故障类别的诊断,对提高电力设备故障类别诊断的准确率有现实意义。     

基于IMF希尔伯特解调的风电齿轮箱复合故障识别方法

为克服风电齿轮箱部件故障各调制载波边带重叠的影响和传统滤波方法造成的信号相位变化,提高故障诊断的精度,引入基于IMF希尔伯特解调的复合故障识别方法。该方法首先通过经验模态分解得到若干个对应不同的调制频率族的内禀模态函数,然后采用希尔伯特解调分析提取调制信号对应的内禀模态分量的故障信息,以达到精确识别故障的目的。结合实际案例分析,验证了该方法可以有效地提取非线性、非稳定性和多调制混杂复合信号中的故障信息,有效地提高了风电齿轮箱故障识别的精度。     

听响声诊断汽油机故障

汽油机在运转中如果出现了故障,就会影响正常使用。所以必须及时地诊断出发生故障的原因、部位并设法排除。一般来讲,汽油机故障的诊断方法可分为两种:一是通过汽油机出现的异常现象来诊断,如转速不稳、功率不足、油耗率过高、排气管冒黑烟和烧红、机器发生抖动等等,二是通过出现的异常响声来诊断。     

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。     

基于电网故障拓扑分析及多数据综合的复杂故障诊断方法

针对由于断路器失灵造成的电网连锁故障,调度人员难以在短时间内详细分析故障原因、过程的问题,提出一种利用电网拓扑和多数据源综合分析的复杂故障诊断方法。即通过电网拓扑中断路器开合状态确定邻接矩阵,形成故障后电网的拓扑连接关系,对故障电网拓扑图的停电区域搜索,确定连锁故障的诊断类型,并详细分析故障录波数据,诊断出断路器失灵造成的连锁故障的原因。算例分析表明,该方案能有效诊断复杂故障,具有较好的应用前景。     

起重机异常振动与声响故障的感官诊断

对于起重机异常振动和声响故障的诊断的方法有2种：一种是感官诊断；另一种是利用仪器、仪表和检测设备进行诊断。本文主要论述起重机异常振动和声响故障感官诊断方法存在的意义、异常振动和声响故障的故障特征、检验检测中感官诊断的方法、程序、要领以及感官诊断实例，以期对检验检测及检修人员在检验现场对起重机异常振动和声响故障的准确判断能够有所帮助。     

基于统计模拟的柴油机失火故障的诊断方法

针对军队装备试验价格昂贵，试验次数较少，试验具有继承性等特点，可以运用小样本统计分析方法进行装备故障状态的诊断。提出了基于柴油机排气噪声来检测其失火故障，通过提取其频域特性参数(峰值比h21和总能量)，运用统计模拟Bootstrap方法，模拟得到在大量试验数据下特征值的置信区间，绘制出各种特征参数的直方图，实现了正常、掉1缸、掉2缸故障的定量诊断。结果证明，Bootstrap方法能解决实际中由于成本或现场条件的限制而无法多次采样的问题，较客观地反映故障现象的本质，可针对不同状态的故障进行模式识别，减少试验次数，节省试验经费。     

电控柴油机起动过程故障研究

为了解决电控柴油机起动过程的故障,对电控柴油机起动过程故障进行了系统地分类、总结和归纳。以柴油机起动的原理为基础系统论述了柴油机起动过程中会出现的各类故障。分门别类地介绍了各类不同故障的诊断和处理措施。通过实例说明柴油机起动故障的处理方法。     

Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals

The implementation of condition monitoring and fault diagnosis system (CMFDS) on wind turbine is significant to lower the unscheduled breakdown. Generator is one of the most important components in wind turbine, and generator bearing fault identification always draws lots of attention. However, non-stationary vibration signal of weak fault and compound fault with a large amount of background noise makes this task challenging in many cases. So, effective signal processing method is essential in the accurate diagnosis step of CMFDS. As a novel signal processing method, empirical Wavelet Transform (EWT) is used to extract inherent modulation information by decomposing signal into mono-components under an orthogonal basis, which is seen as a powerful tool for mechanical fault diagnosis. Moreover, in order to avoid the inaccurate identification the internal modes caused by the heavy noise, wavelet spatial neighboring coefficient denoising with data-driven threshold is applied to increase Signal to Noise Ratio (SNR) before EWT. The effectiveness of the proposed technique on weak fault and compound fault diagnosis is first validated by two experimental cases. Finally, the proposed method has been applied to identify fault feature of generator bearing on wind turbine in wind farm successfully.     

基于多信息融合的汽轮发电机组故障诊断方法研究

目前汽轮发电机组配备了大量的传感器，如何将各种传感器信息充分利用起来提高诊断准确性是一个很实际的问题。提出了基于多信息融合的汽轮发电机组故障诊断方法，介绍了信息融合的基本概念，给出了基于主观Bayes方法和基于模型的多传感器融合的实例。     

基于过程的旋转机械振动故障定量诊断方法

基于状态的故障诊断方法,由于缺少对振动过程规律的描述,因而存在一定的不足,以信息熵方法为基础,通过多通道多转速下的信息熵矩阵来描述振动过程的变化规律,从而提出一种基于过程的信息融合故障诊断的新方法.并通过实例计算以及对振动信号的分析,验证了该方法在故障诊断方面的准确性.     

基于优化的VMD融合信息熵和FA＿PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FA_PNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FA_PNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。     

双截面信息融合在故障诊断中的应用

讨论了转子运动和单截面信息融合的相关理论,提出了基于双截面信息融合的旋转机械故障诊断方法,建立了基于双截面融合能量谱的旋转机械常见故障诊断BP神经网络模型。模拟实验结果表明:与基于单截面数据的诊断结果对比,将双截面融合应用于旋转机械常见故障诊断,可有效提高故障诊断的准确率。     

D-S证据理论及其在燃气轮机系统诊断中的应用研究

针对燃气轮机轴承监测诊断中存在的多源监测数据利用不足、传感器信号不确定性难以消除、诊断精度待提高等问题,D-S证据理论（Dempster-Shafer Evidence Theory）作为一种简洁、高效的决策层多源信息融合方法,在燃气轮机状态监测与故障诊断中具有应用潜力。本文引入传统的D-S证据理论,并针对其存在的缺陷,系统总结了证据理论在燃气轮机轴承故障诊断领域的研究现状,围绕燃气轮机实际的工业应用场景,分析归纳了D-S证据理论的特点,并指出了未来D-S证据理论与燃气轮机轴承故障诊断的发展趋势。     

基于互信息的自动聚类算法在故障诊断过程中的应用

随着热工建模过程中参数的增多,根据参数之间的相关性进行分块建模成为降低模型复杂度、提高模型监测效果的有效手段之一。因此提出了一种基于互信息的自动聚类、分块建模方法。首先,获取参数之间的互信息矩阵,在此基础之上以训练数据的平均平方预测误差最小为标准,使用谱聚类算法对参数进行自动聚类。然后,分别建立每个子块对应的主成分分析(Principle component analysis, PCA)模型,并将所有子块的建模结果通过贝叶斯理论进行融合来对多个子块模型进行统一监测。最后,采用基于最小角度回归(Least angle regressions, LARS)的故障诊断方法定位故障发生的方向和幅值。通过数学案例的验证和电厂高温再热器的实际应用,表明了所提方法在故障监测和诊断方面的有效性。     

基于改进Petri网与希尔伯特黄变换融合的电网故障诊断

为了提高电网故障诊断结果的准确性,提出了基于改进Petri网与希尔伯特黄变换融合的电网故障诊断方法。首先在已有基于开关量的Petri网模型上做了简化与改进,改进模型同时考虑了主保护、后备保护和失灵保护的影响,可充分模拟实际故障中各个保护的优先级别,并引入分步诊断的概念简化了模型推导的复杂程度;然后通过希尔伯特黄变换来分析已获取的可疑故障设备的相关电气量,同时定义并计算得幅值故障度、频率故障度和能量故障度三个故障测度指标;最后在D-S证据理论的基础上融合三个故障测度获取故障元件。算例结果表明,该方法可改善故障诊断的准确度。     

一种改进的MRVM方法及其在风电机组轴承诊断中的应用

针对风力机电组轴承故障难以诊断的问题,提出一种基于改进多分类相关向量机(MRVM)的风力机电组主轴轴承概率性智能故障诊断方法。首先,为了减少人为设定核参数的主观性以提高其分类性能,提出MRVM最优核参数自适应选取方法;然后,通过仿真实验结果验证所提方法的有效性及优越性;最后,以风电机组主轴滚动轴承故障诊断为实例,提取小波包能量为故障特征输入到改进后的MRVM中进行故障识别。实验结果表明,该方法可提高故障诊断准确率及效率,同时可输出故障诊断结果的概率信息,为实际检修人员提供更多参考信息。此外,通过与其他方法的对比实验进一步表明该方法在智能故障诊断方面的优越性。