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。     

变分模态分解在风电机组故障诊断中的应用

针对经验模态分解(EMD)和局部均值分解(LMD)在实际应用中可能存在的模态混叠问题,提出了一种基于变分模态分解(VMD)的风电机组故障诊断新方法,并应用于机组传动系统不平衡故障诊断中。结果表明,VMD能有效避免噪声及冲击信号造成的模态混叠现象,对不平衡故障具有良好的诊断效果。     

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。     

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。     

基于EEMD和包络分析的滚动轴承故障诊断研究

在较大的背景噪声中,对旋转机械进行监测,包络分析不能从测得的振动信号中解调出故障。基于旋转机械振动信号具有非平稳、非线性特点,提出一种新的基于EEMD和包络分析的滚动轴承故障诊断方法,该方法首先运用EEMD方法将振动信号分解成有限个本征模态分量和残余量,对这些分量进行包络分析,可以解调出故障。通过仿真信号和实际滚动轴承外圈的振动信号分析表明该方法能够有效地识别滚动轴承的故障。     

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。     

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。     

基于协整分析的风力机多工况监测与故障诊断

为降低装备故障率、减小停机损失,提出一种基于协整分析的装备多工况监测与故障诊断方法。基于监控与数据采集系统采集的数据,利用随机森林特征选择算法提取与装备故障相关的关键特征变量;通过对关键特征序列的协整分析,计算协整系数,建立协整残差模型,获得反映装备状态变化的最优残差序列;采用概率图分析最优残差序列,完成了多工况状态的区间划分,确定了每种工况对应的残差预警阈值,实现了状态监测与故障预警。某型号直驱式风力机的研究结果表明：所提出的方法能有效分析非平稳时间序列,利用残差阈值可以监测电机故障、识别风力机工况,提高故障诊断的准确性。     

基于本体的大型风力发电机组故障智能诊断研究

针对目前快速发展的风电行业中大型风力发电机组故障诊断方法多、理论复杂,维护人员难以掌握的问题,提出了基于本体的风力发电机组故障智能诊断系统,辅助维护人员选择合适的故障诊断方法。系统以本体形式表示风电机组故障诊断领域知识,提供了与用户进行信息交互的接口,并建立了诊断方法推理所需的规则集。基于Java平台开发了基于本体的风力发电机组故障智能诊断原型系统,该系统可用于风电机组故障智能诊断。     

基于故障征兆的机械松动故障诊断

论述了机械松动造成机组振动的故障原因和故障特征,通过对一台电机基础或软脚松动故障的成功诊断实例介绍,论证了根据故障特征判断机械松动故障方法的有效性。该方法的使用能准确地得出诊断结论。     

基于相关正交匹配追踪算法的风电机组滚动轴承稀疏故障诊断方法

针对风电机组滚动轴承故障信号的非平稳、强噪声污染等导致的有效冲击特征难以检测的问题,提出了一种基于相关正交匹配追踪（COMP）算法的稀疏故障诊断方法。基于COMP算法,在每次迭代后,首先根据内积大小依次计算原子与残差的相关系数,将相关系数最大的原子与其他符合条件的原子合并,将合并后的原子作为一个新原子;然后,利用这些新原子重新构成一个与信号相关度较强的新字典,对信号进行稀疏表示;最后,通过分析稀疏表示结果的包络谱实现滚动轴承故障的准确诊断。由于该方法重构的新原子与残差的相关性较强,因此只需较少的迭代次数就可得到较高的稀疏表示精度。仿真试验和工程应用验证了所提方法的有效性和实用性。     

自适应的EEMD及其在滚动轴承故障诊断中的应用

为解决总体集成经验模态分解(EEMD)算法中存在的白噪声参数需要人为选择的问题,同时考虑到现实中难以获得大量典型故障样本的实际情况,提出了一种基于自适应总体集成经验模态分解(AEEMD)与支持向量机(SVM)的滚动轴承故障诊断法。首先在信号处理上使用AEEMD将原始振动信号分解成具有不同特征时间尺度的本征模态分量(IMF),对于不同的轴承故障来说,在不同频带内的信号能量会发生改变,因此可通过计算各个IMF的能量来实现故障特征提取;然后把IMF的能量特征值作为输入来构建支持向量机分类器模型;最后利用建立的模型对轴承的状态类型做出判别。在轴承故障实例中将AEEMD算法与EEMD算法进行对比,证明了AEEMD的分解效果更好;选用BP神经网络与SVM的诊断效果进行对比分析,表明本文中提出的方法能够更加快速准确地诊断出轴承的故障。     

基于EEMD的列车车轮多边形故障诊断方法

多边形故障作为车轮常见的故障形式之一,不仅会增大列车的振动和噪声、降低列车乘坐舒适性,还会加剧轮轨相互作用力,导致车辆和轨道部件过早出现疲劳失效,对列车安全稳定运行造成不良影响,因此对车轮多边形故障进行诊断具有重要意义.本文根据多边形故障轴箱振动响应提出了基于总体经验模态分解(EEMD)的车轮多边形故障诊断方法.其核心...     

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

燃气轮机气路与传感器耦合故障诊断模型研究

燃气轮机传感器如在运行期间发生故障,产生的测量偏差会严重影响气路诊断结果的准确性。针对以上问题,提出一种燃气轮机气路与传感器耦合故障诊断模型,该模型采用工况变化引起的测量变化量替代常规的测量量,以减少传感器偏置故障的干扰。在此基础上,应用无迹卡尔曼滤波器跟踪测量变化量与不同工况引起的非线性模型预测变化量之间的残差估计气路健康参数,并以此更新传感器诊断系统中各个滤波器,根据滤波器的残差序列加权平方和进行传感器故障隔离。最后,对某典型三轴式燃气轮机进行仿真实例研究,结果表明该模型可减少气路故障与传感器故障的耦合效应,实现气路与传感器故障的准确诊断。