基于HHT的风力发电机组滚动轴承故障特征提取

采用振动信号对风力发电机组滚动轴承的状态进行监测。运用经验模态分解方法对轴承振动信号进行模态分解,获得了振动信号的本征模函数。依据振动信号随轴承磨损的变化特征,采用希尔伯特-黄变换对分解后的本征模函数进行处理,得到了与本征模态函数对应的时频谱和边际谱。研究结果表明在时频谱和边际谱中呈现的特征量与轴承状态之间存在密切联系,根据振动信号的时频谱特征和边际谱特征可实现轴承故障状态的监测。     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

基于振动信号HHT方法的GIS设备故障诊断

介绍了在江苏省电力公司江东门110 kV变电站内采集运行中GIS设备的振动信号,对振动信号降噪处理,运用了希尔伯特-黄变换（HHT）对降噪后的振动信号进行分析。比较信号的希尔伯特谱,得到各频率分量幅值随时间变化的情况;比较信号的边际谱,得到GIS设备的故障特征量。实测数据研究表明,HHT方法能有效地对GIS设备进行特征提取及故障诊断。     

某大型火力发电厂引风机振动故障诊断与处理

某电厂引风机运行中振动较大。对该引风机进行了振动检测,并分析所记录的振动数据,结合振动信号的特征,对故障进行了诊断,确定了振动原因,然后实施了动平衡,最终取得显著效果。该风机的振动特征及处理过程具有代表性。给出分析、诊断的思路和处理方法。可以为类似风机的振动诊断与处理提供参考。     

基于LMD边际谱能量熵与FWA-SVM的变压器绕组松动诊断

变压器空载合闸的振动信号包含了丰富的机械特征信息,为了实现对变压器绕组松动故障诊断,提出了一种局部均值分解(LMD)边际谱能量熵与烟花算法优化支持向量机(FWA-SVM)的方法.通过LMD提取若干反映变压器合闸过程绕组状态信息的乘积函数(Product Function,PF)分量;依据各PF分量相关系数与能量分布,将前6阶PF分量进行希尔伯特变换,并求取对变压器绕组状态变化敏感的边际谱能量熵作为特征向量;将特征向量输入到烟花算法(FWA)优化的支持向量机(SVM)分类器,实现变压器绕组轻微松动故障早期预警.实验结果表明:基于LMD边际谱能量熵能准确反映故障特征,FWA-SVM诊断方法在少量样本情况下仍有较高的故障辨识度.     

电站锅炉风机振动故障原因分析及措施

分析了电站锅炉风机运行中几种振动故障的原因及基本特征,介绍了对风机常见振动故障进行诊断的方法,并根据振动故障产生的根源,提出应采取的处理措施.     

基于粗糙集神经网络和振动信号的高压断路器机械故障诊断

为了准确检测出高压断路器的机械故障类型,该文提出一种基于本征模态边际谱能量与粗糙集神经网络相结合的高压断路器振动信号故障诊断方法。首先将断路器的振动信号经过经验模态分解(EMD),得到若干个本征模态函数(IMF),对各个IMF分量进行希尔伯特(Hilbert)变换得到Hilbert边际谱,求取Hilbert边际谱的二次方得到Hilbert边际谱能量作为特征向量。基于粗糙集理论对特征向量进行属性约简分析,从而建立简单明了的决策表,根据决策表规则建立径向基函数(RBF)神经网络故障模型。实验结果表明,该方法能有效对高压断路器的机械故障类型进行分类。     

行星齿轮箱故障诊断的幅值解调分析方法

齿轮故障的调幅调频效应以及振动传递路径的变化使得行星齿轮箱振动信号频谱具有复杂的边带结构.调幅部分包含齿轮故障信息.为了简化诊断分析,根据行星齿轮箱振动信号的调幅特点,提出了幅值解调分析方法.推导了包络谱的解析表达式,总结归纳了太阳轮、行星轮和齿圈故障振动信号包络谱的频率结构特点.通过行星齿轮箱故障实验信号分析验证了上述理论分析结果,基于包络谱诊断出了太阳轮、行星轮和齿圈的局部损伤故障.     

运用振动监测法对除尘风机的状态监测及诊断

详细介绍了用振动监测法对风机进行状态监测并确定除尘风机的定量诊断标准：ｖｉｍｓ＜６ｍｍ／ｓ的方法,描述了用振动信号分析法对某厂的２＃风机的故障进行精密诊断的方法及过程,取得到了较好的效果．为对风机进行现场实时诊断提供了有效的数据及方法依据．     

Hilbert-Huang变换在电力故障暂态信号检测中的应用

提出利用Hilbert-Huang变换对电力系统故障信号检测的方法.通过对检测点获得的故障电流信号进行经验模式分解(EMD),得到一系列的本征模态分量(IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率.为进一步故障检测提供了依据.仿真试验表明Hilbert-Huang变换的方法能准确地检测故障时刻.     

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。     

基于多源信息融合-相关向量机的风力发电机故障诊断

为了能够全面准确地识别风力发电机的故障类别,考虑信号源振动和电流之间的相关性,提出了一种基于信息融合和改进相关向量机相结合的故障诊断方法。通过直驱风力发电机试验台实测数据,提取具有较高敏感度的特征参数作为诊断样本,建立基于振动和电流的改进相关向量机诊断模型进行初步故障诊断。利用信息融合建立多信号源故障诊断模型,获得最终风机故障诊断结果。试验表明,与基于单一信号的故障诊断方法相比,该方法具有更高的准确性,能很好地识别具有机电耦合特性的风力发电机故障类型。     

风电机组齿轮箱非平稳振动信号谱分析方法

齿轮箱是风电机组的重要部件,其运行状态直接决定了风电场的收益,通过研究齿轮箱的振动信号来评判齿轮箱的运行状态具有重要意义。论述了风电齿轮箱的结构形式和故障特征,依据某类型风电机组齿轮箱特点,制定振动数据采集方案,采集2台风电机组齿轮箱高速轴振动信号;应用Hilbert能量谱和短时傅里叶重排谱对比分析,分别提取2台机组齿轮箱高速轴测点振动信号中蕴含的故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该齿轮箱高速轴故障为齿面点蚀。证实了Hilbert能量谱和短时傅里叶重排谱相结合的分析方法在提取风电齿轮箱故障特征频率的有效性和实用性。     

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HHT变换的电机故障信号频率分析

提出了将HHT变换(Hilbert-HuangTransform,简称HHT)中边际谱应用于电机故障信号频率跟踪研究的新方法。采用HHT将故障信号分解成若干个平稳的IMF(Intrinsic Mode Func-tion)分量,求出每1个IMF分量的瞬时幅值和瞬时频率。同时,指出了边际谱与Fourier频谱之间本质区别。利用边际谱的线性性质说明了边际谱的谱值表示信号中某一频率在各个时刻的幅值之和。最后通过实例验证了Hibert-Huang变换在电机故障信号中频率分析中的应用。     

基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

基于DSP的变压器振动信号的小波能量谱熵提取

变压器器身的振动信号含有丰富的故障信息,利用振动法进行变压器运行状况的在线监测已经成为变压器故障诊断的研究重点之一。结合小波变换与信息熵的理论,采用变压器振动信号的小波能量谱熵作为故障诊断的特征信号,同时利用DSP芯片TMS320F2812作为核心芯片,设计并完成对变压器振动信号的采集和小波能量谱熵的提取。结果表明,变压器正常运行与故障运行时的小波包能量谱熵存在差异。因此,该方法能够有效提取变压器振动信号的特征值,为后续故障诊断提供有力的依据。     

基于希尔伯特-黄变换的变压器铁心振动特性分析

变压器铁心振动与铁心紧固状况、绝缘层损伤程度密切相关.利用希尔伯特-黄变换对非平稳信号的敏感性,提出一种可有效提取故障特征的铁心振动在线监测方法.对铁心振动信号进行经验模态分解,自适应地获得本征模态函数,继而对每组本征模态函数进行希尔伯特变换,得到了表征铁心振动信号时频变化的三维希尔伯特能量谱及边界谱,揭示了正常运行和隐含故障的铁心振动特征,为变压器的早期故障诊断奠定了坚实的基础.     

基于ITD和LS - SVM的风力发电机组轴承故障诊断

为了更好地识别出复杂条件下风力风电机组主轴承的运行状态,提出了基于固有时间尺度分解(ITD)和最小二乘支持向量机(LS-SVM)的风电机组轴承故障诊断方法。该方法首先将调心滚子轴承振动信号分解成若干个固有旋转分量和一个趋势分量之和。然后,对前几个固有旋转分量的瞬时幅值进行频谱分析,找出频谱中外圈、内圈、滚动体故障特征频率处以及转动频率处的幅值,将其作为故障特征向量。最后,将故障特征向量输入LS-SVM来识别机组轴承的运行状态。实验结果表明,该方法可以快速、较准确地诊断出风力发电机组轴承故障。