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。     

基于LabVIEW的风力机振动数据采集和信号分析

利用NI公司的硬件设备和LabVIEW虚拟仪器开发平台构建风力发电机组振动数据采集与信号分析系统。该系统具有以下显著特点:①小波降噪功能模块是利用LabVIEW高级小波分析工具包编程,能更好地还原真实信号;②倒频谱分析功能模块谱线定位准确、幅值突出,能较好地识别频域调制信号的边频成分;③小波包络功能模块通过小波变换得到原始振动信号在不同频率段内的振动特性,并用小波变换来代替带通滤波器的设计,与倒频谱分析的结果对比,可体现小波包络解调的优越性。     

基于连续平均谱负熵改进经验小波变换的风力机齿轮箱故障诊断

针对经验小波变换（Empirical Wavelet Transform,EWT）对强噪声环境下风力机齿轮箱轴承轻微故障特征提取不足的问题,利用滑移窗口提取子带的连续平均谱负熵（Continuous Average Spectral Negentropy,CASN）对EWT算法进行改进。通过CASN-EWT方法分解风力机齿轮箱轴承故障信号,采用峭度准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征。结果表明：CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应优点的同时,能够极大提高EWT分解算法对噪声影响的鲁棒性,有利于准确提取故障特征频率,实现故障精确识别。     

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.     

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%。     

小波分析技术在汽轮机故障诊断中的应用

就小波分析技术在汽轮机故障诊断中故障特征提取和小波算法的硬件实现问题进行了深入研究.提出了基于小波能量分布的故障特征提取方法,并在转子试验台上进行了验证.对于小波分析算法的硬件实现,设计了一种基于DSP的小波算法.实践检验证明,该方法能够满足振动信号实时分析的需要.     

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。     

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。     

基于IMF希尔伯特解调的风电齿轮箱复合故障识别方法

为克服风电齿轮箱部件故障各调制载波边带重叠的影响和传统滤波方法造成的信号相位变化,提高故障诊断的精度,引入基于IMF希尔伯特解调的复合故障识别方法。该方法首先通过经验模态分解得到若干个对应不同的调制频率族的内禀模态函数,然后采用希尔伯特解调分析提取调制信号对应的内禀模态分量的故障信息,以达到精确识别故障的目的。结合实际案例分析,验证了该方法可以有效地提取非线性、非稳定性和多调制混杂复合信号中的故障信息,有效地提高了风电齿轮箱故障识别的精度。     

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。     

风电机组传动链典型故障特征提取方法

为解决风电机组传动链易发生故障的问题,文章阐述了风电机组齿轮箱特征频率的计算方法和基于振动信号分析的故障特征提取方法。结合实际情况,以行星级齿轮磨损、中间轴小齿轮崩齿、高速轴齿轮崩齿和发电机轴承电腐蚀等典型故障为例,通过齿轮箱特征频率和传动链典型故障振动信号基本特征分析,可较好地完成故障识别。结果表明,采用经典信号处理方法能对上述典型故障进行特征提取,验证了经典方法对单一、明显故障特征提取的有效性,为深入开展传动链故障特征提取方法研究奠定了基础,为风电机组故障检修维护提供了技术支撑。     

基于一维密集连接卷积网络的风电齿轮箱智能故障分类

人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。     

Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals

The implementation of condition monitoring and fault diagnosis system (CMFDS) on wind turbine is significant to lower the unscheduled breakdown. Generator is one of the most important components in wind turbine, and generator bearing fault identification always draws lots of attention. However, non-stationary vibration signal of weak fault and compound fault with a large amount of background noise makes this task challenging in many cases. So, effective signal processing method is essential in the accurate diagnosis step of CMFDS. As a novel signal processing method, empirical Wavelet Transform (EWT) is used to extract inherent modulation information by decomposing signal into mono-components under an orthogonal basis, which is seen as a powerful tool for mechanical fault diagnosis. Moreover, in order to avoid the inaccurate identification the internal modes caused by the heavy noise, wavelet spatial neighboring coefficient denoising with data-driven threshold is applied to increase Signal to Noise Ratio (SNR) before EWT. The effectiveness of the proposed technique on weak fault and compound fault diagnosis is first validated by two experimental cases. Finally, the proposed method has been applied to identify fault feature of generator bearing on wind turbine in wind farm successfully.     

基于粒子群混合算法的风力发电机齿轮箱故障诊断

针对传统方法在风力发电机齿轮箱故障诊断中存在精度不高的问题,引入了一种改进粒子群算法优化神经网络的方法。该算法的惯性权重可进行自适应调整,以平衡全局和局部搜索能力。同时,收缩因子可加快算法的收敛速度,以更快收敛到全局最优。仿真结果表明,该方法能较好地识别故障模式,具有一定的实用性。     

Mother wavelet selection in the discrete wavelet transform for condition monitoring of wind turbine drivetrain bearings

Although the discrete wavelet transform has been used for diagnosing bearing faults for two decades, most work in this field has been done with test rig data. Since field data starts to be made more available, there is a need to shift into application studies. The choice of mother wavelet, ie, the predefined shape used to analyse the signal, has previously been investigated with simulated and test rig data without consensus of optimal choice in literature. Common between these investigations is the use of the wavelet coefficients' Shannon entropy to find which mother wavelet can yield the most useful features for condition monitoring. This study attempts to find the optimal mother wavelet selection using the discrete wavelet transform. Datasets from wind turbine gearbox accelerometers, consisting of enveloped vibration measurements monitoring both healthy and faulty bearings, have been analysed. The bearing fault frequencies' excitation level has been analysed with 130 different mother wavelets, yielding a definitive measure on their performance. Also, the applicability of Shannon entropy as a ranking method of mother wavelets has been investigated. The results show the discrete wavelet transforms ability to identify faults regardless of mother wavelet used, with the excitation level varying no more than 4%. By analysing the Shannon entropy, broad predictions to the excitation level could be drawn within the mother wavelet families but no direct correlation to the main results. Also, the high computational effort of high order Symlet wavelets, without increased performance, makes them unsuitable.     

基于频谱包络改进的EWT方法的滚动轴承故障诊断研究

经验小波变换方法被证明是一种有效的滚动轴承故障诊断方法,但该方法的分析精度依赖于频谱的合理分割。因此,文章提出了一种基于改进经验小波变换的故障特征提取方法。首先,通过连接若干个信号频谱的局部极大值来获取频谱包络线;然后,设定阈值,消除噪声干扰;最后,根据频谱包络线的局部极小值来自适应地确定频谱分割边界。工程实例分析表明,基于改进经验小波变换的故障特征提取方法,提高了对故障特征频带的分离精度,在滚动轴承故障特征提取方面表现出一定的优越性。     

基于工况细化条件下数据统计分析的风电机组齿轮箱油温故障预警方法

文章针对风电机组齿轮箱油温劣化特征识别问题,提出了一种基于工况细化的异常变化检测和故障早期预警方法.该方法根据风机叶轮转速将机组运行数据进行细化分仓,在每个叶轮转速仓中建立基于概率统计分析的齿轮箱油温正常行为模型并设定其温度分布和温升变化的异常阈值;然后对现场机组齿轮箱油温变化进行监测,利用时序滑动窗口的评估方式实现风...