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AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。     

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂,实际采集的振动信号存在分布差异,导致故障诊断模型的分类效果偏低问题,提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先,利用源域数据预训练MSCNN网络,再利用多核领域适应减小源域和目标域分布差异,最终获得目标风电机组故障诊断模型。试验结果表明,该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%,对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法,对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。     

基于形态学分形和极限学习机的风电机组轴承故障诊断

风力发电机组滚动轴承工况往往比较恶劣,其故障振动加速度信号具有非平稳、非线性的特性,而传统的时频域方法提取故障特征时存在不准确、适应性差等问题,针对此提出一种基于局部均值分解(LMD)和形态学分形维数的特征提取算法,并结合极限学习机(ELM)完成风电机组轴承故障诊断。该方法同时考虑滚动轴承在不同损伤程度以及不同故障类型下的情况,首先将原始振动信号进行LMD自适应分解为一系列不同频率的乘积分量(PF);接着计算所有分量与原信号的相关性系数,选择相关系数值最大的前3个PF分量作为敏感变量;并利用形态学覆盖估计所选PF分量的分形维数,构建故障特征向量组;之后将其作为ELM的输入,将轴承状态作为输出,建立ELM轴承状态识别模型。最后使用西储大学平台轴承数据和实际风场采集故障数据对算法进行验证,结果表明,该方法能够有效识别轴承不同损伤程度以及不同故障,整体识别率达到99%以上。     

变速工况下基于IEWT能量阶次谱的风电机组轴承故障诊断

为准确检测变转速工况下风电机组轴承损伤,对传统经验小波变换进行改进,并与计算阶次追踪和频率加权能量算子相融合,提出基于改进经验小波变换(IEWT)能量阶次谱的诊断方法.首先,利用计算阶次追踪对获取的时域信号进行等角度重采样,继而对重采样角域信号进行IEWT处理,通过小波支撑区间的平移-缩放操作确定最佳边界参数后,利用所...     

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。     

基于CBAM-InceptionV2-双流CNN的风电机组轴承故障诊断

针对风电机组轴承故障诊断中经典一维卷积神经网络和二维卷积神经网络准确率低的问题,将一维原始振动信号和二维时频图相融合,构建基于CBAM-InceptionV2-双流CNN的滚动轴承故障诊断方法。首先,通过快速傅里叶变换和小波变换,将原始振动信号转化为一维数据和二维时频图;其次,构建基于CBAMInceptionV2-双流CNN模型;最后,将提取到的双层特征信息进行融合,并输入到Softmax完成故障分类。实验结果表明,所提模型能够显著地提升轴承故障诊断的准确性。     

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。     

变转速下基于COT-MCKD-STH的风电机组轴承复合故障诊断

为诊断变转速下风电机组轴承复合故障,提出计算阶次追踪(COT)、最大相关峭度解卷积(MCKD)和自互补顶帽(STH)变换相结合的方法。首先对时域信号进行等角度重采样,利用果蝇优化算法(FOA)搜索MCKD最佳滤波长度和STH变换最佳结构元素尺度,重采样信号经解卷积处理后,利用STH对分离的单一故障源成分进行形态学解调,最终通过分析所得阶次谱判定轴承损伤。结果表明:所述方法能有效提取变转速工况下轴承复合故障特征,具有一定工程参考价值。     

基于GA-ENN特征选择和参数优化的双馈风电机组轴承故障诊断

针对双馈风电机组轴承时域、频域和时频域3种复合故障混合域特征集中的信息冗余或不相关性信息的干扰,导致故障诊断技术存在诊断时间长,诊断精度差的问题,提出一种基于遗传算法(GA)和Elman神经网络(ENN)相结合进行特征选择和参数优化实现故障诊断的新方法.为减小冗余度和不相关信息,采用GA进行特征选择,选出最优特征子集,...     

基于特征选择和XGBoost的风电机组故障诊断

随着风电规模的不断增加,风电机组的运行维护成为研究的热点.针对风电机组的故障诊断问题,文章提出了一种基于特征选择和XGBoost算法的故障诊断方法.该方法采用随机森林的袋外估计进行特征选择,降低了特征选择过程的主观性;以XGBoost算法为基础搭建诊断模型,采用网格搜索和交叉验证对算法进行参数优化.以风电场SCADA实...     

基于全矢频带能量谱的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱局部微弱故障难于诊断的问题,提出全矢频带能量谱故障诊断方法。采用全矢理论对同源信号进行信息融合,获得相位不变、信息更完善的全矢信号,利用FIR滤波器对全矢信号进行分解,计算各频带能量作为识别工作状态的特征向量。分析风电机组齿轮箱的正常、齿根裂纹及均匀磨损信号的各频带能量,发现转频和啮合频率处的频带能量变化率能准确判别各类故障。通过对不同工况下50组信号的识别,证明该方法可有效区分风电机组齿轮箱的早期局部微弱故障。     

大型风电机组轴承

<正>一引言与其他重工业一样,轴承广泛应用于风电产业,并且是组成风电机组大部分部件的重要零件,轴承的范围涉及从叶片、主轴和偏航所用的轴承到齿轮箱和发电机中所用的更小的高速轴承。总体来     

基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

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。     

基于故障树和概率神经网络的风电机组故障诊断方法

风电机组各传动设备之间耦合性强,故障发生的原因复杂、多样,使用单一的故障诊断方法受自身的局限性影响,诊断效果不太理想。针对这一问题,通过分析风力发电机组转速故障数据及其影响因素,以风力发电机转速超限故障为例,提出一种基于故障树和概率神经网络的风电机组发电机转速超限故障智能诊断方法。首先,给出多层故障树构建方法,使用故障树分析法得到故障模式。然后,根据故障树节点关系规则和故障模式,提取风力发电机运行数据的特征值,建立概率神经网络的故障诊断模型,根据实际运行故障样本训练网络,将训练后的网络用于故障诊断。现场实验表明,基于故障树和概率神经网络算法对于风力发电机转速故障诊断准确率显著。     

基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断

针对风力发电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出了一种集成经验模态分解与峭度-相关系数准则和多特征量提取的风电机组轴承故障程度的诊断方法。利用集成经验模态将振动信号分解成若干个本征模态分量,采用峭度和相关系数准则选取一组包含信息量最丰富的分量,对该组分量从时域指标、自回归模型参数矩阵的奇异值和能量熵3个角度的变化中提取和构造多特征量矩阵,输入支持向量机建立故障程度不同的多分类预测模型,优化核参数和惩罚参数取得轴承故障程度最佳预测精度。通过实验室数据验证了该方法是一种可行的风电机组轴承故障诊断方法,可实现对风电机组轴承故障早期处于的轻度、中度和重度等3种相对故障程度的准确分类和识别。     

基于HMM的风电机组齿轮箱故障诊断研究

应用隐马尔科夫模型识别风电机组齿轮箱故障模式,研究振动信号特征提取方法,并根据特征值的敏感程度进行优化选择;应用两种隐马尔科夫模型(HMM)对齿轮箱在不同运行状态下的振动信号进行分析识别,并且对识别结果进行对比。结果表明:隐马尔可夫模型能快速有效地识别齿轮箱中磨损、断齿等故障模式,适用性良好,可应用于实际齿轮箱系统的故障诊断。     

基于模型融合的风电机组齿轮箱故障诊断

针对单视角特征及单一模型对齿轮箱复合故障的诊断准确率较低的问题,提出基于比例冲突分配规则的模型融合故障诊断方法.首先,对齿轮箱振动信号进行特征提取,针对复杂复合故障,从时域及时频域角度构造特征;然后,将多视角特征送入多个子模型中进行初步诊断,得到互补性强的诊断结果;最后,模型输出的分类概率由第6类比例冲突分配规则(PC...     

基于PSO-SVM算法的风电机组结冰故障诊断

针对不平衡数据进行处理,结合自适应邻近的混合重取样的方法处理原始数据中小类数据,增加小类数据的有效实例;设计了一种基于相似函数的欠采样算法处理,减少大类数据的重复性数据,在不改变数据高信息性的情况下对数据降维,最后将特征数据导入到支持向量机中采用粒子群算法对参数进行优化.实验结果表明,特征量的提取在该模型中预测性能达到...