基于改进小波阈值及多重分形的风力机轴承振动信号分析

针对风电机组传动系统时变转速及强噪声干扰等运行特点,首先采用改进小波阈值降噪方法,对风力机齿轮箱轴承振动信号进行降噪预处理,然后基于分形理论,计算变转速轴承振动信号盒维数及多重分形谱,定量描述轴承不同状态下振动信号的特征信息。结果表明:基于改进阈值与硬阈值函数相结合的小波阈值降噪方法对振动信号进行降噪预处理,其降噪效果优于传统的4种阈值选取原则;多重分形去趋势波动分析方法对于定速及变速轴承均能进行有效的故障识别;谱函数最大值所对应的奇异指数α(f_(max))当轴承处于内环故障时最小,可有效判断轴承运行状态及故障位置,能对轴承不同的故障状态做出准确的判断。     

基于EWT-MDS的风力机轴承劣化趋势识别及故障诊断

为解决风力机轴承劣化趋势识别精度低与早期故障诊断困难问题,提出一种基于经验小波分解和多维尺度变换的EWT-MDS方法。该方法首先将轴承全生命周期振动信号进行经验小波自适应分解,以信息熵为指标定量分析各模态分量的变化特点,然后结合多维尺度变换算法获取高维空间中各劣化表征分量的协同变化规律,与常规方法相比在检测效率和精度上有较大提升。仿真和实验结果表明该方法可提前检测轴承异常状态节点,通过轴承劣化表征模态分量时域重构,结合频谱和包络谱可准确判别轴承早期故障类型。     

基于分形学的轴承故障诊断分析

为识别轴承的工作状态及故障类型,针对非线性振动信号,基于分形盒维数与小波降噪方法,计算了轴承正常状态及不同故障状态的振动信号盒维数。结果表明:轴承的故障类型不同,其振动信号盒维数亦不同,正常状态盒维数最大,内环故障盒维数最小,其值分别为1.6和1.4。因此,根据盒维数能定量识别轴承故障状态与故障位置,本研究可为轴承状态监测和故障诊断提供理论依据。     

基于自适应变分模态分解及多重分形谱的风力机轴承故障分析

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。     

基于优化变分模态分解及分形理论的风力机轴承故障诊断研究

为实现强非线性特征风力机轴承振动信号的故障诊断,基于能量残差及粒子群优化算法提出优化变分模态分解方法(OVMD),通过峭度与相关系数对分解所获各模态进行筛选以剔除无效分量后重塑振动信号。引入分形理论,分别计算滤除无关模态前后轴承不同工作状态随负载变化时分形盒维数。结果表明:经OVMD分解后未滤除无关模态的信号在区分轴承不同工况时,各电机负载下盒维数出现混叠现象,干扰对轴承故障状态的判别与分类;而采用OVMD分解滤除无关模态后重组的信号,其分形盒维数在各种负载下均可实现对轴承工作状态的识别。     

基于增强组合差分形态滤波器的大型风力机轴承故障诊断

针对由于大型风力发电机的工作环境恶劣其发电机轴承的故障特征信息会受到强背景噪声和电磁噪声干扰而难以检测的问题,提出一种新的增强组合差分形态滤波器(ECGMF)用于检测滚动轴承的故障特征信息.该方法结合改进的基本形态学算子的特点,构造一种既能保留信号的故障特征,又能抑制噪声干扰的增强组合差分形态学算子.此外,为了解决峭度...     

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。     

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%。     

基于改进二阶统计量BSS算法的风力机主轴承故障诊断研究

针对大型风力机主轴承易发生故障且特征信号难以提取的问题和传统盲分离算法计算量大、收敛性较差的缺点,提出一种改进二阶统计量的盲源分离算法;利用信号的非平稳性,将传感器数据分成不重叠的时间窗,用广义时滞协方差矩阵代替标准协方差矩阵,然后估计每个窗内的时滞协方差矩阵平均值来提高算法的稳健性和精确度。且将该算法成功应用于某风场大型风力机主轴承故障信号的提取中。分析结果表明,该算法可有效分离大型风力机主轴承与其他部件的振动信号,与其他算法相比具有分离精度高、可靠性好等优点,对风力机主轴承的故障诊断十分有效。     

基于改进变分模态分解与支持向量机的风力机轴承故障诊断

为研究风力机齿轮箱轴承振动信号非线性及故障诊断问题,采用改进变分模态分解方法对四种状态轴承振动信号进行处理,提出无量纲参数多重分形谱值因子,联合峭度值对分解所得模态分量进行选取,剔除无效信息分量并进行信号重组,采用分形维数研究重组信号的分形特征,并通过支持向量机进行模式识别。结果表明：基于样本熵优化的改进变分模态分解方法可获得高质量的模态信息;通过多重分形谱值因子及峭度选取并重组的信号具有良好的振动特性,其分形维数可通过信号非线性程度定量区分轴承工作状态;采用支持向量机对不同轴承工作状态的重组信号进行分类,结果具有较高的准确度。     

基于深度学习风力机齿轮箱的故障诊断

风力机齿轮箱因长期处于多噪声、高转速工况下运行,振动信号呈现非线性特性,致故障信息难以准确有效提取。基于此,提出自适应白噪声平均集成经验模态分解（CEEMDAN）与卷积神经网络（CNN）联合故障辨别与诊断方法。利用CEEMDAN较强的非线性特征分解能力将振动信号分解,多重相关系数筛选有效故障特征分量组并剔除冗余分量,再将最佳分量组输入CNN实现故障诊断。结果表明：不同故障状态和信噪比下,较EMD-CNN与EEMD-CNN方法,均突显了所提方法良好的鲁棒性与泛化性。     

基于变分模态分解和去趋势波动分析的柴油机振动信号去噪方法

为了解决柴油机工作时其振动信号的背景噪声对状态监测及故障诊断造成干扰这一问题,提出一种基于变分模态分解(VMD)和去趋势波动分析(DFA)的柴油机振动信号去噪方法。该方法首先利用变分模态分解将振动信号分解为若干分量,再利用去趋势波动分析分别计算各个分量的尺度指数,根据尺度指数的值选取具有长程相关性的分量进行信号的重构,以消除振动信号中噪声。将该方法应用于仿真信号和柴油机故障振动信号中,取得了良好的消噪效果。     

基于多重分形的大坝裂缝整体性态分析

为准确评价大坝坝体裂缝的整体性态,以某碾压混凝土重力坝不同高程处的3条裂缝序列为例,应用多重分形消除趋势波动方法分析大坝裂缝实测序列的多重分形特征,通过替换序列分形特征产生的原因,并用Hurst指数、分形谱宽度和分形谱高度来表征其多重分形特征强度,统计分析了不同高程和坝段的9条裂缝的多重分形特征强度。结果表明,裂缝序列存在较强的多重分形特征,且由序列本身的长程相关性造成;坝体整体裂缝的多重分形强度大致相同,说明坝体结构的整体性态较好,变形以线弹性变形为主,处于安全状态。     

多重分形消除趋势分析在坝体渗漏量监测中的应用

针对混凝土重力坝渗漏量原始监测序列的趋势性波动对整个大坝安全监测序列不同时段间的时程相关性产生的影响,以某水电站大坝为例,采用多重分形消除趋势分析法（MF-DFA）确定整个大坝安全监测序列不同时段间的时程相关性,并分别计算 每年坝体渗流量监测的定标指数,与相应的坝体渗漏量过程线进行对比分析,以验证MF-DFA在确定坝体渗漏监测序列时程相关性中的可行性。结果表明,该方法具有一定的精度和合理性,为后续建模计算提供了理论依据。     

基于分形特征的海上风力机防护装置设计研究

根据分形理论设计一种分形防护装置,基于非线性动力学理论,采用ANSYS/LS-DYNA模拟5000 t船舶与设有不同阶数防护装置的4 MW海上风力机碰撞过程,分析研究不同阶数防护装置的防护效果。结果表明：较橡胶材料实心防护装置,分形防护装置可有效降低接触力,延长接触时间;分形结构可提高防护装置内能转化能力,促进外层钢壳吸能,并提升橡胶内能耗散;分形防护装置应力峰值更低,高应力区域更广,可使更大面积材料发挥防护作用,有效降低撞深。不同阶数分形结构的抗撞性能与分形孔受撞后变形状况有关,其中一阶分形结构提升防护装置抗撞性能最优。     

基于AE-IFCM的轴承故障诊断方法

针对传统模糊聚类（FCM）方法对故障进行聚类的依据是原始数据之间的相似性,在滚动轴承的故障诊断中无法提取轴承数据的深层特征,对于耦合故障、微弱故障等复杂情况下,不同故障的特征难以有效区分,导致故障诊断准确率较低的问题,提出AE-IFCM轴承故障诊断方法。利用自动编码器（AE）网络提取轴承故障的样本特征,再利用改进的FCM（IFCM）进行故障诊断,通过对AE网络提取的抽象特征聚类,不仅可最大限度地利用样本数据,也能降低模型陷入局部极小值的风险。通过在凯斯西储大学轴承故障数据集中的实验表明,AE-IFCM能提高轴承故障诊断的准确性。     

基于PCA-UPF的风力机轴承剩余寿命预测方法

为解决风力机轴承退化指标提取困难与剩余寿命预测精度低的问题,提出一种基于主成分分析(PCA)和无迹粒子滤波(UPF)的预测方法.该方法主要包括退化指标提取和寿命预测2个步骤.在退化指标提取部分,通过PCA对轴承实时振动信号的多域原始特征集进行融合,得到能够反映轴承衰退趋势的退化指标.在剩余寿命预测部分,通过对轴承历史数...     

基于优化CEEMDAN-CNN的轴承故障诊断研究

针对滚动轴承振动信号易受环境噪声干扰及浅层学习模型依赖人工经验难以准确提取故障特征的难题,提出了一种优化自适应白噪声平均总体经验模态分解(OCEEMDAN)与卷积神经网络(CNN)联合的故障诊断方法。采用自适应白噪声平均总体经验模态分解(CEEMDAN)算法对原始信号进行分解,分形维数筛选最佳分量,奇异值(SVD)降噪优化,输入CNN实现故障诊断,分别与EMD-CNN、EEMD-CNN及CEEMDAN-CNN方法进行对比。结果表明：该方法在不同工况下均具有较高的识别率,突显了良好的鲁棒性与泛化性。     

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EEMD及分形方法的轴承振动信号分析

为对具有强烈非线性特征的轴承振动信号做出准确的故障识别,基于分形理论,采用辅助经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对信号进行降噪预处理,采用G-P算法分析轴承不同状态下振动信号关联维数。研究表明:基于EEMD的降噪方法可有效对振动信号进行降噪;轴承工作状态不同,其振动信号关联维数具有明显的可区分性,当轴承处于外环故障时,其关联维数最大为4.7,当轴承处于滚珠故障时,其关联维数最小仅为3.0,当轴承处于正常/内环故障时,其关联维数分别为4.0/3.2。因此,利用关联维数能定量识别轴承的不同故障状态及位置。