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。     

基于灰云模型聚类和云重心理论的风电齿轮箱运行状态评估

针对风电齿轮箱运行状态评估中存在的不够全面、准确度较低等问题,提出一种基于灰云模型聚类分析和云重心偏移度理论相结合的评估方法,对风电齿轮箱建立相对全面完整的评估体系,能够有效提高评估结果的准确性。利用灰云模型对齿轮箱进行初步的聚类分析,获得风电齿轮箱当前运行的大致评估结果;在此基础上,计算标准云模型和当前云模型的云重心偏移度,可进一步提高评估结果的可靠性。对风电齿轮箱实测数据进行了状态评估,然后和齿轮箱记录状态进行比较,证实提出的评估方法具有一定的准确性和可使用价值。