共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
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。 相似文献
3.
针对风电机组轴承微弱故障信号的特征提取困难和故障诊断模型性能差等问题,提出一种并行卷积神经网络的故障诊断方法。首先,利用连续小波变换将一维信号转换成二维时频特性图;其次,构造一种并行卷积神经网络结构,该结构由大卷积层和并行卷积层组成,大卷积层快速提取输入层所有特征,并行卷积层识别特征中的有效故障信息,且并行卷积层为双层小卷积并行结构;然后,采用特征融合层,融合并行卷积层2次特征提取后的故障特征,实现诊断模型内部的特征增强,降低模型复杂度;最后,经实验验证,该模型诊断轴承故障的准确率为98.25%。 相似文献
4.
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。 相似文献
5.
6.
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。 相似文献
7.
8.
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%。 相似文献
9.
10.
11.
12.
针对大型风力发电机滚动轴承的故障信号受到强背景噪声干扰不易识别的问题,提出一种基于增强形态滤波与三阶累积量对角切片谱相结合的故障诊断检测方法。该方法首先在研究基本形态学算子的基础上,构建一种新的增强型形态学算子(EMDO);随后利用特征能量因子(FEF)选择出EMDO算子的最优结构元素尺度;最后利用三阶累积量对角切片谱的消噪性能来进一步增强EMDO算子对风力发电机轴承故障信息的特征提取能力。仿真和对比实验结果表明,所提方法能有效消除高斯白噪生的干扰,对提取风力发电机轴承的故障特征信息起到增强的效果。 相似文献
13.
14.
15.
为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解(VMD)和缩放变异粒子群算法(SVPSO)优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法(SVPSO),再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。 相似文献
16.
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。 相似文献
17.
基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法 总被引:3,自引:0,他引:3
提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。 相似文献
18.
19.
20.
针对风力发电机行星齿轮箱的健康维护和状态检测难以诊断的问题,该文提出一种初始网与膨胀卷积相融合的初始膨胀卷积神经网络(IDCNN)的故障诊断研究方法。该方法首先构建初始膨胀卷积层以扩大感受野来使学习到的故障特征更加丰富。随后为了方便信号输入且确保信息丰富,将采用将一维原始信号序列转化为二维矩阵的预处理方法。最终将生成的二维信号输入到IDCNN中进行模型训练,并用测试数据对模型进行评估。实验结果表明,提出的IDCNN方法在风力发电机行星齿轮箱的故障诊断中精度高,在对比结果中该文提出方法的诊断精度要高于传统的深度学习方法。 相似文献