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%。     

基于优化经验小波变换与改进支持向量机的齿轮箱故障检测策略

针对强噪声背景下风力机齿轮箱振动信号易被掩盖、难以提取的难题,基于频域谱负熵（Frequency-domain Spectral Negentropy,FSN）改进经验小波变换（Empirical Wavelet Transform,EWT）提出优化经验小波变换方法（Improved Empirical Wavelet Transform,IEWT）,并采用改进灰狼算法（Improved Grey Wolf Optimization,IGWO）优化支持向量机（Support Vector Machine,SVM）惩罚系数α及核参数σ。基于NREL GRC风力机齿轮箱数据验证所提方法的有效性。结果表明：IEWT-IGWO-SVM可有效提取故障信息并进行故障识别,分类准确率高达99.66%。     

基于经验小波变换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,提出基于经验小波变换(Empirical Wave-letTransform,EWT)、关联维数(Correlation Dimension,CD)和支持向量机(Support Vector Ma-chine,SVM)的故障诊断方法.首先通过EWT对风力机齿轮箱信号进行分解,得...     

尺度一小波能量谱在内燃机故障诊断中的应用

为了对内燃机气门及活塞一连杆组故障进行有效地诊断，通过试验测取内燃机在不同故障下的振动信号，利用连续小波变换得到信号在尺度上的平均能量分布，即信号的平均尺度一小波能量谱。根据不同故障下振动信号在尺度上的能量分布差异，提出了基于尺度一小波能量的标准特征向量，并以此作为标准，结合欧氏距离方法，对待检故障信号进行诊断，定量判断出了内燃机的故障类型，取得了很好的结果，该方法为内燃机故障诊断提供了一种有效途径。     

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;...     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

尺度--小波能量谱在内燃机故障诊断中的应用

为了对内燃机气门及活塞-连杆组故障进行有效地诊断,通过试验测取内燃机在不同故障下的振动信号,利用连续小波变换得到信号在尺度上的平均能量分布,即信号的平均尺度-小波能量谱.根据不同故障下振动信号在尺度上的能量分布差异,提出了基于尺度-小波能量的标准特征向量,并以此作为标准,结合欧氏距离方法,对待检故障信号进行诊断,定量判断出了内燃机的故障类型,取得了很好的结果,该方法为内燃机故障诊断提供了一种有效途径.     

基于连续小波变换的气密性故障诊断

给出了利用起动电压波形来检测气密性这一简单易行的试验原理与方法；对小波函数及其尺度参数的选择进行对比分析，根据连续小波变换能够有效地检测出弱信号的优良性质，对除噪后的电压信号使用Gaussl小波进行变换；结合小波系数绝对值分布灰度图和高阶低频逼近信号来实现故障辨识。     

基于连续小波变换系数的柴油机异响故障特征提取与诊断

用Morlet小波对EQ6BT柴油机活塞敲缸响、活塞销响的缸体振动信号进行连续小波变换,然后将所得到的小波变换系数作出尺度—能量谱以及三维能量谱图,从而实现了对柴油机异响故障的特征提取和诊断。结果表明：利用Morlet连续小波变换系数的尺度—能量谱和三维能量谱图,能够直观而有效地检测和区分EQ6BT柴油机活塞敲缸响、活塞销响两种故障及其故障的严重程度。     

基于Lab VIEW的小波理论在风力机齿轮箱故障诊断中的应用

给出一种基于Lab VIEW实现信号的小波包络分析的方法。在Lab VIEW的高级信号处理工具箱中包含了小波包信号分解和重构的模块,利用这些模块快速实现了小波包分解,然后对风电机组齿轮箱采集振动数据进行包络分析,得到了直观的包络谱线,进而得到准确判断风力发电机组的实际工作状态。另外采用小波分解对齿轮箱故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。     

基于连续小波变换的水轮机振动信号检测

通过对连续小波变换的分析研究，提出了一种提取信号在小波尺度上的时频信息的信号分析方法。该方法能够有效将水轮机非稳态工况下的振动信号很好地分解在有限的时间-尺度范围内而保持信号的信息完整；对比传统的频谱分析和二进小波变换，信号经过连续小波变换后，其内部蕴涵的状态信息能在尺度域上很好地体现出来。     

基于连续小波变换和模型无关元学习的压燃式活塞发动机气门故障诊断研究

针对压燃式活塞发动机缸盖表面振动信号样本少及传统故障诊断方法特征提取和选择困难的问题，提出了一种基于连续小波变换（continuous wavelet transform， CWT）和模型无关元学习（model agnostic meta learning， MAML）的压燃式活塞发动机气门间隙异常故障诊断方法。通过将CWT的特征提取能力和MAML的快速学习能力相结合搭建故障诊断模型。试验结果表明该方法能有效识别气门间隙故障，并且其准确率高于传统基于CWT和卷积神经网络（convolutional neural network， CNN）的故障诊断方法。通过跨域故障对比试验，研究了不同气门故障类型对模型诊断能力的影响，验证了该方法在解决小样本和跨域故障问题时具有更高的准确率和泛化能力。     

基于小波逆变换方法的风力机风场数值模拟研究

针对风力机随机风场的特点,采用小波逆变换方法,仿真出相互独立的风力机随机风场,并对其进行空间相关性修正。以1.5 MW风力机为算例,分析了3种风功率频谱的差异特点,基于空间变化的改进Von karman功率频谱模型,采用Littlewood-Paley小波基作为小波逆变换的正交基函数,利用小波系数和功率频谱密度函数的关系进行了空间相关性修正,模拟出风场36个节点风速时程,并通过时域分析、频域分析以及时频联合分析,得到模拟频谱与目标频谱吻合较好的结论。该结论表明了风力机风场的非平稳性、局部相似性和间隙性,以及高非线性风速功率频谱的逼近性,证明了小波逆变换方法在模拟风力机随机风场的有效性和准确性。     

基于小波包变换的柴油机燃油喷射系统故障诊断

本文在介绍了小波包变换理论后，利用小波包变换对柴油机燃油喷射系统的常见故障进行了分析，并和傅立叶变换进行了比较，证明了前者比后者能提取更多的关于柴油机工作状态的特征信息。     

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%。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法.通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法...     

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。     

基于小波分析的汽轮机叶片故障诊断技术

简述了小波分析的基础理论和算法,论述了在小波多分辨率分析下进行汽轮机叶片故障诊断的方法。结果表明,小波的方法能很好地保存瞬态信号中的尖峰和突变部分,对振动信号进行处理后再进行特征提取,使故障诊断变得容易,具有良好的效果。     

基于变分模态分解和交叉小波变换的柴油机失火故障诊断

针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。