一种基于增强型最大二阶循环平稳盲解卷积的齿轮箱复合故障诊断

针对齿轮箱复合故障振动信号易受到背景噪声干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种自适应最大二阶循环平稳盲解卷积(ACYCBD)与1.5维导数增强谱相结合的复合故障诊断方法。首先,利用循环谱分析检测复合故障振动信号中与故障特征相关的循环频率成分,构建不同目标类型的循环频率集;之后,根据不同类型的循环频率集,提出一种以三阶累积量稀疏度(TCS)为指标,自适应地选取最大二阶循环平稳盲解卷积(CYCBD)的最优滤波器长度的改进算法,从而更好地获得包含不同故障冲击成分的CYCBD最优滤波信号;最后,提出一种新的1.5维导数谱进行特征增强,提高信噪比,并分析谱图中突出的故障特征频率进而判别故障类型。通过仿真信号与故障实验平台数据对算法进行验证,结果表明该方法能够实现齿轮箱复合故障的准确分离与诊断。     

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%。     

基于信息图与MK-MOMEDA的齿轮箱复合故障诊断

针对齿轮箱复合故障振动信号传递路径复杂多变,早期微弱故障信号易受到背景噪声的严重干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种信息图和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的复合故障诊断方法。首先,利用平均谱负熵所得的信息图选择最佳的带宽和中心频率对复合故障信号进行带通滤波,降低噪声成分的影响;然后,计算滤波信号的多点峭度谱,识别谱图中包含的故障冲击周期成分,并设定适当的故障周期区间,进行MOMEDA运算,提取不同的故障特征;最后,通过1.5维能量谱进行特征增强,分析谱图中突出的故障特征频率,从而判别故障类型。实验平台模拟齿轮箱两种故障的复合情况,结果表明该方法能实现复合故障的准确分离。