改进变分模态分解与去干扰包络因子的轴承故障分析

滚动轴承早期故障特征微弱且提取困难,考虑转频对故障包络信号的影响,提出改进包络谱特征因子(EDF),基于EDF提出优化变分模态分解方法(OVMD)。对滚动轴承正常、内圈及外圈状态进行OVMD分解,以EDF最大值作为筛选标准提取有效故障分量进行包络分析。结果表明:OVMD分解带有冲击分量信号,具有较高准确性,分解分量与原分量具有95%以上相似度;通过EDF最大值对分解分量进行提取,所获分量具有明显故障特征,并可排除转频对故障特征频的干扰;采用OVMD-EDF故障提取方法,并进行包络分析,可对不同故障程度的内圈、外圈故障进行精准故障诊断。     

基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、关联维数和支持向量机(Support Vector Machine,SVM)的故障诊断方法。将美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative(GRC)"项目进行测试获得振动信号数据,通过EEMD进行分解得到本征模态函数(Intrinsic Mode Function,IMF)分量,采用G-P算法求取各组本征模态函数分量的关联维数,将各组关联维数输入SVM中进行故障识别及分类。结果表明:振动信号的关联维数与嵌入维数呈正相关,且正常信号和故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类。该方法能有效提取系统故障非线性特征,比传统的基于统计参数的故障诊断方法具有更高的诊断精度,准确率高达100%。     

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法.通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类.结果 表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5％.     

改进灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对灰狼算法易陷入局部最优和后期寻优能力不足等缺点,提出改进非线性控制因子以提高算法收敛精度及稳定性.采用美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative"项目测试采集的风力机齿轮箱振动信号为分析对象,经集合经验模态分解后,计算各本征模态函数分量的模糊熵并构建高维特征向量,后利用等距映射进行降维.利用改进灰狼算法优化支持向量机,对降维后齿轮箱故障特征集进行诊断.结果 表明:改进灰狼优化算法相较于灰狼算法、粒子群算法和遗传算法可有效避免陷入局部最优并提高支持向量机诊断精度及稳定度,在不同测试样本下其准确率均最高,平均准确率达93.17％.     

风力机齿轮箱振动信号分解方法研究

基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EE-MD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类.结果表明:EWT能较好地提取振动信号中的冲击成分;ITD在3种分解方法中诊断准确率最高且最稳定,最利于风力机齿轮箱故障诊断.     

大型风力机多体动力学仿真下结构动态响应

为探究风力机湍流风况下结构动态响应,建立运行于以轮毂高度为参考点的全域风场中的风力机整机模型,以拉格朗日算法进行多体动力学仿真,分析叶片和塔架结构动态响应。风况模拟采用Kaimal风谱,包括不同风速以及稳态和湍流多种情况。结果表明:叶尖位移和叶根力矩挥舞方向大于摆振方向;叶尖位移集中于风轮转动频率附近;塔顶位移仅为塔架高度的0.15%~0.30%。     

漂浮式风力机结构动力响应MIGA算法优化设计

以ITI Barge平台漂浮式风力机为研究对象,借鉴传统土木工程领域结构控制经验,提出漂浮式风力机MTMD结构控制方法,基于Kane方法建立漂浮式风力机多体动力学模型,研究并对比了风波流作用下有无MTMD时风力机的结构动力学响应特性,并进一步基于多岛遗传算法对MTMD系统进行优化。结果表明:MTMD控制效果较好;所提出优化算法获得的优化参数具有更加明显的控制效果,塔顶侧向位移与平台横摇运动均得到了明显的抑制。不同环境工况下,MTMD都对漂浮式风力机有着明显的控制效果。其中纵向载荷标准差抑制率为78%~83%,横向载荷标准差抑制率为14%~18%。     

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法（ICASN）以体现信号细节复杂度特征,并将ICASN引入经验小波变换（EWT）,替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。     

风力机叶片动态特性与分形维数关系研究

为探究风力机叶片动态特性与分形维数之间的关系,基于湍流风谱模型Von Karman和NWTCUP生成2种风场,通过多体动力学软件FAST仿真出不同风速条件下的风力机叶片挥舞和摆振时域动态响应,采用计盒维数法求解其分形维数。用发电机输出功率验证分形维数描述风力机叶片动态特性的可行性。结果表明:挥舞时域动态响应的分形维数随风速的增大逐渐减小,而摆振则相反,当达到额定功率时挥舞和摆振的分形维数变化都较小;相同风速下不同湍流风谱模型的功率虽几乎相同,但其对应的分形维数却不同,表明不同的湍流风谱模型有其特定的分形维数。     

改进经验小波变换在风力机齿轮箱故障诊断中的应用

针对强噪声背景下风力机齿轮箱轴承的轻微故障特征易被淹没且提取困难等问题,提出滑移窗口提取子带的连续平均谱负熵(Continuous Average Spectral Negentropy,CASN)对经验小波变换(Empirical Wavelet Transform,EWT)进行改进.首先利用CASN-EWT方法分解...