小波分解和最小二乘支持向量机的风机齿轮箱故障诊断

根据齿轮箱故障时振动信号特点,提出了一种基于小波分解和最小二乘支持向量机(LS-SVM)相结合的齿轮箱故障诊断方法。通过对齿轮箱振动信号进行小波分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别。诊断结果表明:该方法能够准确地识别风力发电机组齿轮箱的常见故障。     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于改进LMD方法的风电机组齿轮箱故障诊断研究

局部均值函数的求取是局部均值分解(LMD)的关键环节.针对局部均值函数求取存在偏差进而造成模态混叠的问题,提出了一种基于局部积分均值的LMD风电机组齿轮箱故障诊断方法.该方法改变了对相邻两极值点求平均值的思路,采用求取相邻两极值点的局部积分均值,再通过滑动平均法进行平滑处理,最终得到局部均值函数.为实现风电机组齿轮箱故...     

Distribution recurrence plots and measures: Effective signal analysis tools for fault diagnosis of wind turbine drivetrain system

Extracting sensitive information from vibration signal has become a frequently adopted way in fault diagnosis. However, most previous methods fragmented the relationship between quantification and visualization analysis, which affects the interpretability, accuracy and comprehensiveness of the extracted information. To this end, this paper proposes distribution recurrence plots (DRP) and measures (DRM) to realize the unity of visualization and quantification analysis of the signals. Specifically, DRP is a novel feature graphical representation method following the thought of symbolic dynamics. Derived from DRP, DRM is developed containing four quantifiers for extracting comprehensive fault features that allows a multiclass support vector machine (SVM) to identify the fault types of wind turbine drivetrain system (WTDS). Specially in DRM, pattern entropy is a newly designed quantifier by considering pattern distribution to obtained more accurate quantitative representation of the signals. Using simulated data, DRP and DRM are validated to reveal the intrinsic structural changes for different dynamic systems and robustness to noise. Applications on wind turbine gearbox illustrate that the proposed method has favorable diagnosis performance and stability compared with other competitors. This approach is easy to interpret, is robust to noise, and has a low computational burden, becoming viable for WTDS fault diagnosis.     

Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference

In this paper, an intelligent diagnosis for fault gear identification and classification based on vibration signal using discrete wavelet transform and adaptive neuro-fuzzy inference system (ANFIS) is presented. The discrete wavelet transform (DWT) technique plays one of the important roles for signal feature extraction in the proposed system. The abnormal transient signals will show in different decomposition levels and can be used to recognize the various faults by the DWT figure. However, many fault conditions are hard to inspect accurately by the naked eye. In the present study, the feature extraction method based on discrete wavelet transform with energy spectrum is proposed. The different order wavelets are considered to identify fault features accurately. The database is established by feature vectors of energy spectrum which are used as input pattern in the training and identification process. Furthermore, the ANFIS is proposed to identify and classify the fault gear positions and the gear fault conditions in the fault diagnosis system. The proposed ANFIS includes both the fuzzy logic qualitative approximation and the adaptive neural network capability. The experimental results verified that the proposed ANFIS has more possibilities in fault gear identification. The ANFIS achieved an accuracy identification rate which was more satisfactory than traditional vision inspection in the proposed system.     

基于小波和统计检验的瞬态成分检测的方法及应用

将连续小波变换技术和统计检验结合用于检测信号中具有一定时频分布的瞬态成分,指出连续小波变换具有分离信号中瞬态成分和噪声的作用。提出一种基于连续小波变换和统计检验的瞬态成分检测的“逐步去除法”。将“逐步去除法”用于齿轮箱振动中的瞬态成分的检测与提取,能比较有效地检测出瞬态成分;基于连续小波变换反演的瞬态成分估计能比较有效地表示设备的状态。     

EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用

针对目前风电机组齿轮箱故障率很高,特别是对兆瓦级风电机组齿轮箱早期齿轮故障缺乏有效诊断经验的现状,提出EMD分解和支持向量机技术方法相结合的故障诊断方法,以行星齿轮箱为试验平台,充分利用两种方法的各自优势,对风电机组齿轮箱的齿轮早期故障诊断进行研究。     

基于Matlab的风机传动链数据采集与分析系统设计与应用

基于Matlab和NI cDAQ的风机状态监测设备能快速方便地对风机传动链实现准确的故障检测。提出一种先进的风机传动链数据采集和分析系统,该系统中数据采集任务在后台运行,在保证完整准确采集的基础上实现了实时示波和自定义录波,可同步获得风机传动链的振动数据和齿轮箱输出轴转速数据,为故障检测提供有效、完整的数据,可从时间域、频率域、周期域和阶次域自定义分析,识别故障特征,为风机状态监测提供故障信息依据。该系统功能丰富、自定义程度高、系统响应快,可准确检测风机故障。     

基于压缩采集与CNN的风电机轴承故障诊断

针对传统风电机轴承故障检测存在的采样数据量大、故障特征依赖主观选取的问题,提出了风电机轴承故障的信号压缩采集、自动提取特征及故障诊断的方法,解决了风电机轴承振动信号特征提取计算复杂、受先验知识影响较大的问题.首先基于梯度加速法(NAG)和QR分解理论对随机高斯观测矩阵进行优化,实现风电机轴承振动信号压缩采集;然后将压缩...     

风电机组齿轮箱的多变量时间序列故障预警

针对风电机组故障预警中，原始动态时间规整（DTW）算法无法有效度量风电机组多变量时间序列数据之间距离的问题，提出一种基于犹豫模糊集的动态时间规整（HFS-DTW）算法。该算法是原始DTW算法的一种扩展算法，可对单变量和多变量时间序列数据进行距离度量，且精度与速度较原始DTW算法更优。以子时间序列相似度距离为目标函数，使用帝国竞争算法（ICA）优化了HFS-DTW算法中的子序列长度和步距参数。算例研究表明与仅DTW算法和非参数最优的HFS-DTW算法相对比，参数最优的HFS-DTW可挖掘更多的多维特征点信息，输出的多维特征点相似序列具有更丰富细节；且基于所提算法可提前10天预警风电机组齿轮箱故障。     

基于LabVIEW的风电机组齿轮箱健康状态监测系统设计

齿轮箱是风力发电机组的主要组成部分之一,也是故障的高发区,积极开展风电齿轮箱故障诊断具有重要意义.基于LabVIEW开发环境和NI CompactDAQ平台开发的风机齿轮箱健康状态监测系统,通过友好的图形化用户界面及图形编程语言控制运行,可以高效地实现对温度、转速、振动信号的采集、图形显示、存储、分析及数据回放等功能,具有良好的扩展性.同时,系统通过采取多种时频域方法对振动信号进行对比分析,可以快速、准确地确定故障的类型.实验结果表明,系统能够稳定、可靠地工作,是进行风机齿轮箱监测的有效工具.     

A novel fault diagnosis method of bearing based on improved fuzzy ARTMAP and modified distance discriminant technique

This paper presents a novel intelligent diagnosis method based on multiple domain features, modified distance discrimination technique and improved fuzzy ARTMAP (IFAM). The method consists of three steps. To begin with, time-domain, frequency-domain and wavelet grey moments are extracted from the raw vibration signals to demonstrate the fault-related information. Then through the modified distance discrimination technique some salient features are selected from the original feature set. Finally, the optimal feature set is input into the IFAM incorporated with similarity based on the Yu’s norm in the classification phase to identify the different fault categories. The proposed method is applied to the fault diagnosis of rolling element bearing, and the test results show that the IFAM identify the fault categories of rolling element bearing more accurately and has a better diagnosis performance compared to the FAM. Furthermore, by the application of the bootstrap method to the diagnosis results it can testify that the IFAM has more capacity of reliability and robustness.     

基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

基于迁移学习的小样本齿轮箱故障诊断方法

实际工程场景中齿轮箱受工况、环境等因素影响,数据难以满足特征分布相同、训练数据充足等条件,如何在变工况情况下对齿轮故障进行诊断是故障诊断领域一大难点。为此,提出了一种结合Logistic混沌麻雀搜索优化算法(LSSA)与深度置信网络(DBN)的智能故障诊断方法,即LSSADBN。首先,将时域振动信号进行快速傅里叶变换(FFT)转换为频域信号作为训练数据集,运用Logistic混沌映射对SSA种群进行初始化,采用LSSA方法对训练数据集进行DBN结构寻优;使用最优结构DBN对源域训练集进行预训练,并加入少量目标域样本用于反向权重调优,最终实现在小样本情况下对目标域齿轮箱健康状况的准确识别。实验对比结果证明,LSSADBN方法在模型调优阶段具有更快的收敛速度,且针对不同的目标域进行迁移时都具备较高的准确率,LSSADBN方法的研究对小样本情况下的齿轮箱故障诊断具有一定的应用价值。     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

短丝纤维卷绕牵伸齿轮箱故障信号的图像特征提取方法

针对短丝纤维卷绕牵伸齿轮箱故障信号不易提取的问题,提出了基于图像纹理信息的特征提取方法。通过对齿轮箱振动信号进行小波包双谱分析,获得具有稳定纹理信息的振动信号双谱图,采用基于小波变换对双谱图进行图像融合,提高图像的综合纹理特征。采用灰度共生矩阵的四个特征参数对振动信号的双谱图进行加权融合特征提取。在短丝生产线上对齿轮箱常见的齿轮破损和裂纹进行了实验分析,结果表明本文方法的故障识别率达到85%以上。     

基于Adams的风力发电机齿轮故障分析

在风力发电机的各种故障中,齿轮箱失效是导致风力发电机故障和维修的主要原因之一,对于齿轮故障的诊断,准确地提取各种典型故障的特征是进行齿轮故障诊断的关键.基于Adams分别对正常和故障齿轮模型进行动态啮合仿真,在验证转速的基础上对断齿这一典型齿轮故障特性进行分析,研究结果可以为行星齿轮箱的齿轮故障诊断和监测提供理论依据.     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。