排序方式: 共有14条查询结果,搜索用时 31 毫秒
1.
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%。 相似文献
2.
为在研究大型风力机气动性能的同时考虑其结构动力学特性,基于开源计算流体力学软件OpenFOAM及气动-水动-伺服-控制软件FAST,并结合致动线方法(Actuator Line Method,ALM)实现风力机叶轮周围流场信息与结构响应间的数据交换,最终完成风力机气动-结构仿真平台FASTFOAM构建。通过该平台计算了风场中两台串列布置5 MW风力机的气动性能及结构动力学特性。结果表明:FASTFOAM平台能够快速计算出风力机的功率输出、结构响应及流场信息;风力机尾迹在发展过程中可持续与周围流场进行能量交换而使其速度亏损得以弥补;下游风力机受上游风力机尾迹影响严重,输出功率只有上游风力机的21.05%,且结构动力学响应与上游风力机不同;上游风力机和下游风力机叶轮的主要刺激频率分别为0.16和0.15 Hz。 相似文献
3.
风力机齿轮箱轴承故障信号具有典型非线性及非平稳特性,采用自适应变分模态法对4种状态下振动信号进行分解,提出基于分形盒维数-峭度阈值法(Adaptived Variational Mode Decomposition,AVMD)对处理所得分量进行筛选,选取富含故障信息的分量进行信号重构,采用多重分形去趋势波分析方法,分析重构信号的分形特征并识别其工作状态,结果表明:基于多重分形去趋势波分析法对非稳定轴承可进行有效地故障识别;轴承振动信号具有典型分形特征,在不同时间尺度下,标度指数、广义Hurst指数与多重分形谱均可反应轴承工作状态;3种多重分形谱参数对故障类型敏感度不同,谱函数最大值对应的奇异指数对内圈故障较为敏感,峰值占比对外圈故障较为敏感,分形谱宽对滚珠故障较为敏感。 相似文献
4.
海上风力机与船舶碰撞概率随着海上风电场的发展将逐渐增大,研究海上风力机防撞性能具有重要的应用背景与价值。为此,考虑桩土耦合作用,对比橡胶、泡沫铝防护装置,采用显示动力学软件Ls-Dyna模拟海上风力机受船舶碰撞的过程。对比泡沫铝防护装置、橡胶防护装置及无防护装置下风力机受船舶碰撞过程的动力响应。结果表明:相同质量船舶随着速度增加,橡胶材料所受最大接触力增加,而泡沫铝材料先增加后减小,其在6 m/s后的吸能特性得到增强;对比有防护装置泡沫铝、橡胶及同等条件下无防护装置单立柱三桩结构海上风力机响应变化,泡沫铝材料对结构响应抑制最好;塑性应变等值线越密集,塑性变形越大,且斜撑与立柱连接处易发生塑性变形。 相似文献
5.
6.