基于VMD和奇异值能量差分谱的风机滚动轴承故障特征提取方法

风电机组轴承处于早期故障阶段时,故障特征信号微弱,受环境噪声及信号衰减的影响较大,因此轴承早期故障特征的提取一直是个难点。为了有效提取风机滚动轴承的故障特征,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值能量差分谱的特征提取方法。首先对轴承信号进行VMD分解得到一系列固有模态函数(Intrinsic Mode Function,IMF),然后选取敏感IMF进行奇异值分解,并利用奇异值能量差分谱选取有效奇异值进行信号重构,最后对重构信号进行包络谱分析,进而提取故障特征。实验分析结果验证了所述方法的有效性。     

基于变分模态分解和1.5维谱的轴承早期故障诊断方法

提出了基于变分模态分解(VMD)和1.5维谱的滚动轴承早期故障诊断方法。利用VMD方法处理故障信号时,需要预先设置分解所得本征模态函数(IMF)分量的个数,且为了便于后续分析,需要从所得结果中筛选出最佳信号分量,为此提出一种分量峭度图方法来同时解决这2个问题。首先,设置IMF分量个数最大值,计算相应的分量峭度图;接着,根据分量峭度图对原故障信号进行VMD处理,并选定最佳IMF分量;然后,对最佳IMF分量做进一步包络解调运算,并计算包络信号的1.5维谱;最后,通过分析1.5维谱中幅值突出的频率成分可实现故障类型的准确判定。模拟信号及实测信号分析结果表明,所提的基于VMD和1.5维谱的诊断方法能够有效提取出轴承早期故障信号中的微弱特征信息,实现轴承早期故障的准确判别。     

基于EEMD和CICA的风电机组轴承故障特征提取

针对风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,提出一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和约束独立分量分析(constrained independent component analysis,CICA)的故障特征提取方法(EEMD-CICA)。首先对采集的轴承振动信号进行预处理,消除噪声信号的影响,并利用EEMD进行分解,得到一系列本征模态函数(intrinsic mode function,IMF);然后利用邻近奇异值插值法估计源信号个数,并根据互信息准则选取IMF分量作为参考信号;最后根据选取的参考信号,利用CICA方法提取轴承故障中包含的信号特征,并进行包络解调得到包络谱。算例分析表明,此方法能有效提取轴承故障特征。     

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VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其...     

基于ESMD和快速谱峭度的电机轴承故障诊断

针对复杂工况下电机轴承故障特征不明显的问题,提出了一种基于极点对称模态分解算法(Extreme-pointSymmetric Mode Decomposition,ESMD)与快速谱峭度联合分析的电机轴承故障诊断方法。首先将复杂故障信号进行ESMD分解得到若干模态分量(Intrinsic Mode Function,IMF)分量,利用信息熵与相关性选取有效IMF并由其信息熵确定信号重构的权重;利用快速峭度图自适应的确定带通滤波器的最佳滤波频带,对重构信号进行带通滤波;然后解调滤波信号分析,从平方包络谱中提取出相应故障的特征频率。最后通过试验分析表明,该方法可对故障信号进行有效降噪并提取出电机轴承故障特征,诊断出故障类型。     

自适应VMD联合MOMEDA的滚动轴承故障提取

针对强背景噪声下滚动轴承微弱故障特征提取问题,提出了一种基于参数自适应优化变分模态分解(VMD)与多点最优最小熵解卷积(MOMEDA)相结合的轴承故障特征提取方法。首先对滚动轴承时域振动信号进行VMD分解,然后基于自相关函数脉冲谐波噪声比指标(AIHN)最大化原则进行挑选得到最佳模态分量(BIMF)并对其进行MOMEDA滤波,包络解调后得到故障特征频率,最后将本文所提方法体应用于数值仿真信号上可以明显观察到故障特征频率131.1Hz,应用于实际轴承故障信号可以有效识别轴承故障特征频率294.5Hz,与原始包络谱提取的311Hz以及MCKD提取的320Hz相比更加接近理论故障特征频率294Hz。     

变工况特性下的风电轴承早期故障诊断方法

针对风电机组运行环境极端恶劣和运行工况复杂多变造成的故障特征无法准确、及时捕捉的特点,提出基于IMF(Intrinsic Mode Function)分量优化选取和Hilbert谱分析的风电轴承早期故障诊断方法。首先利用阶比重采样技术将时域非平稳信号转换为角域平稳或准平稳信号;然后对角域信号进行EMD(Empirical Mode Decomposition)分解,利用互相关准则和峭度准则选取IMF分量,重构角域信号;最后,采用希尔伯特变换对重构信号进行处理,得到边际谱。通过试验仿真验证了该方法的有效性。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

声测法和经验模态分解在轴承故障诊断中的应用

提出了一种基于声测法、经验模态分解(EMD)和包络谱分析的轴承故障诊断新方法。声测法是轴承故障诊断最有效方法之一,但在获得的声测信号中含有大量噪声,严重影响了信号处理的结果。采用EMD可以有效地实现对信号的处理,大大地提高信噪比。EMD是把时间序列信号,分解成不同特征时间尺度的固有模态函数(IMF),具有自适应的分析能力,通过选取表征轴承故障的IMF分量进行包络谱分析,可提取轴承故障信号的特征。实验结果表明该方法能有效地诊断轴承故障。     

基于CEEMD和奇异值差分谱的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳特征导致的故障频率难以提取的问题,提出一种基于补充总体平均经验模态分解(Complementary EEMD,CEEMD)和奇异值差分谱结合的滚动轴承故障诊断方法。CEEMD分解向原信号成对地添加符号相反的白噪声,几乎消除残留白噪声的影响。首先,对故障信号利用CEEMD算法进行分解,得到若干IMF(Intrinsic Mode Function)分量,然后运用相关系数—峭度准则对IMF分量进行筛选并重构,再对重构信号进行奇异值分解,并求出奇异值差分谱,根据奇异值差分谱理论进行消噪和重构,最后对重构信号进行Hilbert包络谱分析,提取故障频率。实验结果表明,提出的方法,能精确地提取滚动轴承的故障频率。     

基于VMD的谐波检测方法

针对电网谐波检测问题,分析已提出的几种传统的谐波检测方法,首次提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的电网谐波检测方法。运用VMD方法将所含谐波的电网信号分解为一系列的本征模态分量(Intrinsic Mode Function,IMF),然后对分解出的IMF分量采用希尔伯特黄变换(HilbertHuang transform,HHT),获得每一个IMF分量的瞬时频率和瞬时幅值。由于VMD方法能准确的分解出每一个IMF分量,因此所得到的瞬时频率和瞬时幅值达到了很高精度的获取,并且与在经验模态分解(Empirical Mode Decomposition,EMD)所得到IMF分量Hilbert变换进行对比,说明了该方法比传统的Hilbert变换分解能力更强。为验证该方法对电网谐波的检测能力,将VMD算法与传统的瞬时无功功率谐波检测算法运用到实测数据中。仿真和实测数据表明,该方法是检测谐波的有效新方法。     

基于改进变分模态分解的电缆行波故障定位研究

提出一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与魏格纳威尔分布(Wigner Ville distribution,WVD)算法相结合的电缆单端行波故障定位方法.该方法通过瞬时频率均值的变化对变分模态分解预设尺度进行优化,对故障行波信号进行模态分解;并对高阶本征模态...     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型,研究电弧小电流接地的电流信号特征,并基于可量测电气量信号进行处理,对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法,通过建立故障电弧模型,基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先,采用改进“控制论”电弧模型,基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次,采用变分模态分解算法对故障情况下的电气信号进行处理,得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后,提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后,应用CNN对IMF1进行特征识别,正确辨识正常与电弧故障情境。实验与仿真结果显示,通过利用VMD-CNN识别方法,提高了对原始电流信号识别准确度,能准确检测出故障电弧。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

基于变分模态分解和谱峭度法的滚动轴承故障特征提取

针对共振解调中带通滤波器参数的选取通常比较困难,以及滚动轴承早期微弱故障信号通常被强烈的背景噪声淹没,为此,提出了使变分模态分解(variational mode decomposition,VMD)和谱峭度法共同作用来处理故障信号的方法。首先要重构故障信号,利用VMD分解得到故障信号的本征模态分量(intrinsic mode function,IMF),再计算各分量对应的峭度值对其自适应重构。然后,对重构信号进行快速谱峭度分析,并据此设计带通滤波器。最后,根据重构信号共振解调后的谱线即可准确判断轴承故障。通过处理实测数据进行诊断,结果表明了该方法较传统共振解调法诊断结果更精确。由此可见,谱峭度法在滤波器参数选择上具有可靠性,以及VMD与谱峭度结合能够降低噪声干扰提取微弱故障信号。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

基于参数优化变分模态分解的混合储能功率分配策略

为平滑风电输出功率,通常将功率型储能元件和能量型储能元件结合成混合储能系统与风电系统相连.为了提高混合储能系统的灵活性和经济性,对一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)的混合储能系统控制策略进行了研究.采用粒子群算法确定VMD算法中K值(分解模态数)和α值(...     

基于EEMD和Hilbert分析的滚动轴承故障诊断方法研究

滚动轴承在风电机组中广泛应用,其运行状态直接影响整台风机的性能。提出EEMD(总体平均经验模态分解)和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,但存在一些不足,易产生虚假分量和模态混叠现象。针对EMD分解方法的不足,引入改进型算法EEMD。首先将振动加速度信号进行EEMD分解,计算各阶IMF峭度值的大小,选择峭度值较大的IMF分量,利用Hilbert变换对其进行包络谱分析,提取故障特征频率,辨识滚动轴承故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法的有效性和准确性。