一种基于盲源分离和流形学习的风电机组轴承故障特征提取方法

提出一种基于盲源分离(blind source separation,BSS)和流形学习算法的风电机组轴承故障特征提取方法,首先对采集的振动信号利用独立成分分析(independent component analysis,ICA)进行盲源分离,计算各源信号的峭度和负熵,然后对源信号进行包络分析并提取上、下包络线矩阵的奇异值,将峭度、负熵和奇异值组成高维特征向量,最后利用拉普拉斯特征映射流形学习算法(Laplacian eigenmaps,LE)挖掘出高维数据中包含有效信息且具有内在规律性的低维特征。该方法充分利用并有效结合ICA在信号处理和LE在挖掘特征信息方面的优势,实现风电机组轴承故障特征的提取。算例结果表明该方法可有效提取轴承故障特征。     

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AE信号与VMD的滚动轴承故障诊断研究

针对风电机组主轴承在故障初期受轴系振动干扰而难以检测的问题,提出一种基于声发射信号时序均方幅值特征的变分模态分解时频分析方法。首先,采用分帧的预处理方法,对AE信号逐帧提取均方幅值特征,建立时序特征序列;其次,采用VMD时频分析方法对时序特征序列模态分解,计算得到表征故障的特征模态。理论分析和实验结果表明:该方法提取的特征对低速状态下轴承内圈裂纹故障具有明显的辨识度,能有效对低速状态下滚动轴承故障进行判别。     

基于动态阈值的风电轴承健康状态评估

针对现有的风电轴承健康状态评估方法需大量样本提取和模型训练、存在实现过程繁琐费时费力且泛化应用能力弱的问题,提出基于动态阈值的风电轴承健康状态评估方法。首先,考虑风的随机性和间歇性,利用风电轴承温度监测数据,引入劣化度概念,采用曲线拟合和机群聚类方法确定了劣化度的上、下限动态阈值;其次,通过健康状态评语集及其等级划分范围和劣化度计算,提出基于动态阈值的风电轴承健康状态评估方法;最后,以某风电机组的发电机后轴承超温故障为例,验证了所提评估方法可获得有效的风电轴承健康状态和及早获知故障征兆。     

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%。     

基于多层深度互信息变分网络的风电机组轴承故障预警方法

针对变工况复杂环境下风电机组轴承的早期故障潜隐性高且故障阈值设置困难的问题,提出一种基于多层深度互信息变分网络的轴承故障超前预警方法。该网络在变分自编码器的架构上进行多层编码拓展,采用解码信号的二次编码增强了变分网络对输入信号中噪声的鲁棒性,通过隐层变量与输入信号间最大化互信息以及与二次编码特征间的最大化互信息,提高了网络对轴承正常状态空间的建模能力。以二次编码特征与隐层变量的重构误差为基础,构建健康指数,结合三次递推指数加权移动平均模型设置与风电机组轴承工况环境相适应的健康基线。在2个风电机组轴承故障检测试验中的应用结果表明,该方法对比传统的基于模型重构的轴承早期故障检测方法,具有更高故障预警准确率和抗干扰能力。     

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。