基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。     

主成分-灰色关联分析方法的风电机组齿轮箱故障诊断

针对风电机组变工况运行造成设备故障诊断困难的问题,提出了主成分-灰色关联分析方法,解决风电机组齿轮箱故障诊断问题。通过阶比重采样方法对信号进行预处理,消除原始数据非线性带来的不良影响;考虑到信号能量变化会对分析带来误差,用无量纲参数作为故障诊断的特征数据;应用主成分-灰色关联分析法,对各特征参数赋予权重,增强了分析数据与故障特征间的关联性,提高了故障诊断精度。试验及实际应用结果分析表明,文章所提出的方法能够较准确地对风电机组齿轮箱故障进行诊断。     

基于Hilbert和CA-VMD的风电机组叶轮不平衡故障电信号特征提取方法

针对风电机组叶轮系统故障的非线性、非稳定性和耦合性使早期微弱故障特征频率处于强背景噪声下难以提取的问题,并考虑到传统故障信号采集方法存在的局限性,从电信号入手,提出了一种基于希尔伯特变换和变分模态分解相关性分析（CA-VMD）的风电机组叶轮系统不平衡故障的电信号特征提取方法。首先,针对传统频域分析方法直接对故障电信号进行分析而无法提取故障特征频率的问题,引入Hilbert变换解调出故障调制信号;然后,针对强背景噪声下早期微弱故障特征难提取的问题,引入变分模态分解将故障调制信号分解,并通过相关性分析剔除噪声分量;最后,重构故障调制信号并提取故障特征频率,提高了原始故障信号的信噪比。通过仿真分析,证明了所提方法的有效性。     

基于EEMD-KECA的风电机组滚动轴承故障诊断

针对传统频域诊断算法不能充分挖掘出非线性、非平稳信号内部本质信息的问题,提出基于聚合经验模态分解(EEMD)的复合特征提取和基于核熵成分分析(KECA)的故障自动诊断算法。该方法首先采用EEMD将原始信号分解成若干特征模态函数(IMF),计算IMF能量和信号的能量熵构建复合特征向量并作为KECA的输入,之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,实现故障的实时监测与自动诊断。采用KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,且不同特征信息之间呈现出显著的角度差异,易于分类。最后通过实际风电机组滚动轴承应用实例对算法进行验证,结果表明该方法可有效提取信号中的故障特征,实现对滚动轴承的故障诊断,相比神经网络分类方法具有更高的识别率。     

一种W型结构元素的自适应数学形态学及其在风电机组轴承故障诊断中应用

为了提高风电机组滚动轴承故障诊断的有效性和可靠性,提出一种W型自适应数学形态学特征提取方法,并与谱相关分析相结合形成风电机组滚动轴承故障诊断策略。该方法首先针对传统三角型结构元素在故障特征提取中易出现对脉冲信号的漏查,提出一种W型结构元素,旨在捕捉更多特征信息;之后依据各故障信号的实际波形得到结构元素的高和最优开闭运算加权因子,构建自适应形态学模型;最后对测试信号与训练信号进行频域内谱相关性分析,依据相关系数识别故障。将该方法通过数值例、西储大学实验台轴承数据和实际风场采集数据进行算法验证,并与传统的三角型结构元素进行比较,实验结果表明W型结构元素能更有效地提取信号中的脉冲成分、降低噪声干扰,故障诊断算法可准确识别出故障类别,提高结果的可靠性。     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断

针对风电机组运行工况变化导致滚动轴承故障分类性能降低的问题,采用模糊C均值聚类进行运行工况识别,在子工况下进行相应的滚动轴承故障诊断.提出了基于变分模态分解(VMD)、AR模型以及奇异值分解的特征提取方法,将滚动轴承振动信号分解成若干个模态,采用每个模态AR模型参数、模型方差以及模态矩阵的奇异值作为特征向量,建立欧氏距离判别函数,来识别滚动轴承状态和故障类型.结果表明:该方法可以成功提取滚动轴承故障特征信息并正确判断出滚动轴承故障类型,对工况变化有更强的适应能力.     

基于改进小波包的风电机组齿轮箱复合故障特征提取研究

针对小波包分解振动信号时会产生频谱混叠从而导致齿轮箱复合故障特征能量谱提取困难的问题,提出基于旁路滤波改进小波包的方法对双馈风电机组齿轮箱复合故障振动信号进行研究,并以风电场的大量齿轮箱振动信号为基础,运用传统小波包及旁路滤波改进小波包分别对齿轮箱振动信号提取特征能量谱。实验结果表明：运用旁路滤波改进小波包对双馈风电机组齿轮箱复合故障振动信号进行分析,可有效避免传统小波包分析振动信号的频谱混叠现象,准确提取每种故障状态的特征能量谱。     

基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法

针对风电机组轴承故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。     

基于增强形态滤波与三阶累积量对角切片谱的风力发电机滚动轴承故障诊断方法

针对大型风力发电机滚动轴承的故障信号受到强背景噪声干扰不易识别的问题,提出一种基于增强形态滤波与三阶累积量对角切片谱相结合的故障诊断检测方法。该方法首先在研究基本形态学算子的基础上,构建一种新的增强型形态学算子（EMDO）;随后利用特征能量因子（FEF）选择出EMDO算子的最优结构元素尺度;最后利用三阶累积量对角切片谱的消噪性能来进一步增强EMDO算子对风力发电机轴承故障信息的特征提取能力。仿真和对比实验结果表明,所提方法能有效消除高斯白噪生的干扰,对提取风力发电机轴承的故障特征信息起到增强的效果。     

变转速工况下基于改进奇异谱分解和1.5维包络阶次谱的风电机组轴承损伤识别

为实现变转速工况下风电机组轴承故障损伤的准确识别,提出一种基于改进奇异谱分解(ISSD)和1.5维包络阶次谱的诊断方法。针对奇异谱分解存在的端点失真和奇异谱分量数量判定问题,提出极限学习机延拓结合窗函数的端点效应抑制策略以及基于Person相关系数的分量数量判定策略。首先,通过计算阶次追踪算法对拾取的信号进行等角度重采样,继而对重采样角域信号进行ISSD处理;为便于后续分析,利用排列熵指标从ISSD处理结果中筛选出最佳主敏感奇异谱分量,对其执行对称差分能量算子解调运算,并计算所得包络信号的1.5维谱;最后通过分析1.5维包络阶次谱中的阶次成分准确判定轴承运行状态。实验台信号及实测工程信号验证表明,所提方法能有效提取变转速工况下风电机组轴承损伤特征,具有一定工程参考价值。     

Fault diagnosis of low-speed rolling bearing based on weighted reconstruction of vibration envelopes

The main bearing supports the rotation of the main shaft of a wind turbine. It bears heavy dead weights as well as variable speed dynamic loading during operations; thus, it is a vulnerable part in a wind turbine drive train. Because of the low speed and time-varying operations of the main bearing, vibrations generated by bearing faults are often weak in response amplitudes, low in frequency range, and smeared in damage feature energy. As a result, the applicability of the conventional acceleration envelope analysis (AEA) technique, a traditionally effective technology for bearing fault diagnosis, is limited in such cases. In order to resolve this, a modified AEA method specially designed for bearings with low and variable speed operation is proposed in this paper. First, the structural response is decomposed by means of variational mode decomposition (VMD) for the low frequency components to form a series of band-limited intrinsic mode functions (BLIMFs). Next, weighting factors are determined for the BLIMFs by defined energy ratios. Finally, a new envelope is reconstructed by weighting the envelopes of each BLIMF for bearing fault diagnosis. The effectiveness and practicality of the proposed method for the diagnosis of main bearing faults in wind turbines is verified through the analysis of measured data from a wind turbine in the field. The proposed method provides an effective way for bearing fault diagnosis at low and variable rotational speeds.     

燃气轮机滚动轴承故障及振动传递特性研究

针对燃气轮机动力涡轮转子系统中滚动轴承故障高发的问题,基于赫兹接触理论建立了滚动轴承故障激励力模型,并验证了其准确性。基于有限元法建立了转子-轴承-机匣-固定平台整机模型以揭示振动传递特性。频域分析结果表明：单故障条件下不平衡激励力与滚动轴承故障激励力是单向耦合的关系;双故障条件下,若故障点直径相同,加速度信号中滚子故障主要频率对应的加速度幅值最大,外圈故障主要频率对应的加速度幅值最小。     

Data‐driven multiscale sparse representation for bearing fault diagnosis in wind turbine

With the increase of the wind turbine capacity, failures occur on the drivetrain of wind turbines frequently. Since faults of bearings in the wind turbine can lead to long downtime and even casualties, fault diagnosis of the drivetrain is very important to reduce the maintenance cost of the wind turbine and improve economic efficiency. However, the traditional diagnosis methods have difficulty in extracting the impulsive components from the vibration signal of the wind turbine because of heavy background noise and harmonic interference. In this paper, we propose a novel method based on data‐driven multiscale dictionary construction. Firstly, we achieve the useful atom through training the K‐means singular value decomposition (K‐SVD) model with a standard signal. Secondly, we deform the chosen atom into different shapes and construct the final dictionary. Thirdly, the constructed dictionary is used to sparsely represent the vibration signal, and orthogonal matching pursuit (OMP) is performed to extract the impulsive component. The proposed method is robust to harmonic interference and heavy background noise. Moreover, the effectiveness of the proposed method is validated by numerical simulation and two experimental cases including the bearing fault of the wind turbine generator in the field test. The overall results indicate that compared with traditional methods, the proposed method is able to extract the fault characteristics from the measured signals more efficiently.     

基于一维密集连接卷积网络的风电齿轮箱智能故障分类

人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。