基于Zoom-FFT-CEEMD和小波包降噪的风电机组齿轮箱故障特征提取和诊断

基于信号处理的风电机组齿轮箱故障诊断是风力发电领域中的重要研究方向。针对风电机组齿轮箱故障特征提取问题,提出了一种基于Zoom-FFT-CEEMD和小波包降噪的方法。通过对在风电机组齿轮箱振动测点所采集到各个测点的振动加速度信号做RMS趋势分析,找出RMS趋势明显上升的测点和时间段。利用小波包降噪技术对该测点的振动信号进行降噪处理,互补集合经验模态分解(CEEMD)得到的分量对振动信号进行多尺度分析,再使用Zoom算法对齿轮箱振动信号进行局部放大,以突出故障信号。利用快速傅里叶变换(FFT)对放大后的信号进行频谱分析,以提高故障特征的提取准确性。实验结果表明,与传统频谱分析法相比,该方法能够有效地提取风电机组齿轮箱的故障特征,具有较高的准确性和稳定性,为风电机组齿轮箱的早期故障诊断提供了一种有效的方法。

基于SCADA系统和信号处理的风力发电机主轴承故障分析与诊断

基于SCADA在线监测系统,通过该系统获取到主轴承实时振动数据,用小波包、集合经验模态分解模型进行信号处理和提取故障特征,分析其时域图的冲击信号、频谱图故障特征频率、包络谱故障频率幅值和谐波信号倍数情况,可以判断出主轴承故障位置以及受损情况,实现主轴承故障预警,为风力发电场现场运维人员高效维修提供帮助,降低运维成本。