TT变换结合计算阶比跟踪的滚动轴承时变微弱故障特征提取

为解决变转速工况滚动轴承微弱故障特征难以提取的问题,提出了时时(time-time,TT)变换结合计算阶比跟踪(computed order tracking,COT)的滚动轴承时变微弱故障特征提取方法。首先对变转速状态的轴承微弱故障信号进行时时变换,得到反映故障信号二维时时特征的TT变换矩阵。为消除TT变换矩阵的冗余性,提出了基于峭度准则的奇异值分解(singular value decomposition,SVD)方法对TT变换矩阵降噪。然后对降噪后的TT变换矩阵实施TT反变换,获取滚动轴承时变故障特征增强信号。最后对增强信号进行COT分析得到其包络阶比谱,从而提取滚动轴承的故障特征阶次。对仿真信号和实验测试信号进行分析验证,均实现了滚动轴承变转速工况故障类型的精确识别,分析效果优于包络阶比谱方法,证明了该方法的有效性。     

基于随机共振和VMD分解的风电机组滚动轴承故障特征提取

以风电机组滚动轴承为研究对象,针对其故障诊断中强噪声背景下信号信噪比低、故障特征难以提取的问题,提出一种基于随机共振(SR)和变分模态分解(VMD)的故障特征提取方法。该方法首先利用随机共振对滚动轴承的振动信号进行降噪处理,提高信号的信噪比;然后对降噪后的振动信号进行VMD分解,通过求取固有模态函数(IMF)的幅值谱,从而发现滚动轴承的故障特征频率。将该方法应用于风电机组滚动轴承的实际数据中,分析结果表明,该方法能够提高信号的信噪比,实现风电机组滚动轴承的精确诊断。     

基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法。改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力。对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练算法来加速训练速度。详细介绍了改进CNN的工作原理,给出了采用改进CNN进行故障诊断的流程。最后利用凯斯西储大学滚动轴承数据库的数据进行验证。证明该方法不需要预先提取信号的故障特征,可直接实现对轴承的故障特征提取以及故障识别,诊断率高。     

基于改进降噪自编码器的风机轴承故障诊断方法

滚动轴承是风电机组中故障最为频繁的部件之一,准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。针对轴承振动信号特征微弱、难以诊断的问题,提出了一种基于改进降噪自编码器的风电机组轴承故障检测方法。首先引入了一维信号的图像化预处理,将原始的时域信号转化为二维特征灰度图。然后利用卷积神经网络在图像特征提取上的强大优势,构建了堆叠降噪自编码器与卷积神经网络的集成模型,去除了传统卷积神经网络中的池化层,进一步提升提取特征的鲁棒性和泛化性。整体诊断流程由数据驱动,减少了对于经验的依赖。最后的实验结果表明,该方法能够精确诊断不同类型的轴承故障。此外,通过与其他方法的对比实验进一步验证了该方法在故障诊断方面的优越性。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。     

基于改进DEMD和ICA的海上风机传动系统早期故障诊断

针对传动系统早期故障振动信号较弱的情况,提出基于改进微分经验模式分解(DEMD)和独立分量分析(ICA)的海上风机传动系统早期故障诊断方法。为克服传统的DEMD算法在分解低阶本征模态函数(IMF)时存在失真现象,提出改进的微分经验模式算法将原始振动信号分解成若干个独立的IMF信号,结合ICA进一步进行原始振动信号故障特征分量的提取,并基于标准数据和风机动力传动故障诊断实验平台进行了仿真研究,最后选取海上风电机组传动系统常出现的发电机轴承故障进行诊断分析。结果表明,相对于传统的故障诊断方法,该方法能更好地放大故障分量,减少噪声和其他振动干扰信号的影响,提高了海上风电机组传动系统早期故障诊断的准确性。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。     

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

基于复局部均值分解和复信号包络谱的滚动轴承故障诊断方法

提出了一种基于复局部均值分解(CLMD)和复信号包络谱(CSES)的滚动轴承故障诊断新方法。首先通过互相垂直安装的加速度传感器采集2个方向的振动信号,并将其组成一个复数信号;然后利用CLMD对二元复数信号进行自适应分解,将分解得到的复数信号的实部和虚部包络信号组成一个复包络信号,根据复傅里叶变换具有幅值增强和综合频率特性,直接对复包络信号进行复傅里叶变换,提取的故障特征频率更为清晰。通过滚动轴承不同位置的外圈故障实验,证明了所提方法能够实现故障特征增强,可用于诊断滚动轴承微弱故障和复合故障。     

基于IMHSA-MSCNN-BiLSTM的风机轴承故障诊断

由于风力发电机组的非平稳运行条件和周围恶劣的工作环境,风机轴承故障振动脉冲特征易被随机噪声干扰所淹没,这给准确检测滚动轴承故障造成了挑战。为了降低随机干扰对后续特征提取的影响和算法复杂度,提出了一种改进多头自注意力机制（IMHSA）-多尺度卷积网络（MSCNN）-双向长短期记忆网络（BiLSTM）的风机轴承故障诊断方法。首先,由周期空洞自注意力和局部自注意力组成的IMHSA对特征进行增强,以减少随机干扰影响及特征增强过程中的时间消耗;然后,利用MSCNN-BiLSTM网络提取故障信号中的空间特征与长期依赖特征;最后,经全连接层和Softmax层输出风机轴承故障诊断结果,并采用实验台滚动轴承实际运行数据进行算例分析,通过与领域内其他同类方法的对比,验证了所提方法的有效性和优越性。     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

风电机组发电机轴承电腐蚀故障的分析诊断

电腐蚀故障是风电机组发电机轴承的常见故障模式,电腐蚀故障通常分布在整个轴承滚道上,产生的振动响应信号中故障冲击特征往往不如局部故障明显,因此容易被忽视。针对电腐蚀故障振动信号的这种特点,采用一种最小熵解卷积方法对振动信号进行预处理,增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息,以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程,将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中,通过对实测振动信号的分析处理,实现了电腐蚀故障的识别诊断,验证了最小熵解卷积方法对故障信息增强的使用效果。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

基于谱相干滤波冲击增强的轴承故障诊断

针对优化特征改进包络谱(IESFO)存在早期故障弱特征提取能力较弱和对频率分辨率要求较高的不足,提出了基于谱相干滤波冲击增强的轴承故障特征提取方法。首先使用IESFO算法选取优化解调频带并进行带通滤波;然后对滤波后信号使用多点优化最小熵反褶积(MOMEDA)算法增强信号中轴承故障产生的冲击;最后进行包络分析。基于实测信号的研究结果表明,和现有方法相比,本方法在轴承性能退化过程中可以提前提取到轴承早期故障信息,且可用于提取滚动轴承复合故障信息。     

基于证据支持矩阵的特征权重融合的风电机组故障诊断

针对风电机组齿轮箱故障特征的不确定性、复杂性和多元性的特点,提出基于证据支持矩阵特征权重的融合新方法,建立故障诊断模型。分析了影响证据冲突的冲突因子和证据距离,利用这两个因子构造证据支持度矩阵;求解了该证据支持度矩阵最大特征值对应的特征向量,并将此作为证据的权重,利用证据组合公式进行融合;最后将其用于风电机组齿轮箱故障诊断。实验结果表明,该方法可较好提高风电机组齿轮箱故障诊断的效率和准确率。