风电机组叶片无损检测技术综述

随着风力发电技术的不断发展,风电机组叶片趋于大型化,风电机组叶片健康检测与故障诊断对提升风电机组可靠性、设备人员安全性和电力系统稳定性具有重要意义。针对目前多数风电场采用的望远镜观察和人工吊篮/蜘蛛人检查的巡检方式存在安全性差、检测效率低等问题,很多学者对采用机器代替人工的叶片无损检测技术展开研究,本文综述了基于声学、光学、热力学的无损检测技术的研究现状和工作原理,并说明其能够检测的缺陷类型和使用条件。

基于声发射信号的机械密封寿命预测

针对国内外对机械密封寿命预测研究不足,不能明确退化模型等问题,提出了基于声发射特征抽取和SVR的机械密封寿命预测方法。首先基于声发射技术通过实验采集了多组机械密封的全寿命数据,对数据进行小波去噪,并进一步进行小波包分解,从中提取能够表征机械密封运行状态的时频域特征以及其他统计特征;利用KPCA对高维特征进行降维处理,再通过马氏距离进行特征融合得到机械密封退化指标,将之作为SVR的输入训练退化模型。实验结果显示,基于声发射特征提取的机械密封寿命预测方法有着较好的泛化能力和较高的精度。

小波包和GA-SVM在轴承故障诊断中的应用

为了解决傅里叶变换难以兼顾信号在时域和频域中的全貌和局部化特征以及支持向量机惩罚参数c和核函数参数g选取的问题,提出了基于小波包和GA-SVM的轴承故障诊断方法;首先通过实验采集多种工况下故障轴承和正常轴承的振动信号,从振动信号中提取能够表征轴承运行状态的时频域特征以及基于小波包分析的特征向量来作为GA-SVM的输入,然后在SVM的基础上,针对SVM的惩罚参数和核函数参数在不同应用场景下的取值难以确定的特性,采用了遗传算法对支持向量机进行参数优化的GA-SVM算法进行模式识别;实验结果显示,基于小波包和GA-SVM的轴承故障诊断方法比SVM和BP都具有更高的识别精度。

基于声发射的机械密封状态识别

为适应声发射信号频率覆盖范围广且频率高的特点,该文使用在S变换的基础优化而来的广义S变换,通过对广义S变换的时频分辨率特性进行分析,选取广义S变换的参数λ=2 210,p=0.151,使得其在20~1 000kHz的频率范围内依然拥有1~2kHz的频率分辨率;随后在广义S变换分析的基础上对机械密封端面的声发射信号进行滤波和特征提取,并使用GA优化的TWSVM对密封的磨损状况进行识别,准确率达到100%,高于GA-SVM的识别率;说明相比传统的SVM在TWSVM在模式识别上更具有优越性。

QPSO-WT和QPSO-SVM在滚动轴承故障诊断中的应用

为了解决小波降噪软阈值选择非最优以及SVM算法中惩罚参数、核函数参数的设置问题,将小波变换、支持向量机分别与量子行为粒子群优化算法QPSO(quantum-behaved particle swarm optimization,)相结合,利用QPSO优化小波阈值以及优化SVM输入参数,进行全局寻优,并将之应用到滚动轴承故障识别中。实验中,QPSO-WT滤波后信号具有更高的信噪比和更低的MSE,QPS0-SVM对10种不同状态的轴承进行故障诊断,对于多分类的情况该方法的识别精确度达到了87.67%,与SVM和RBF神经网络对比,从而进一步证明了该方法的有效性,说明该方法能够满足实际工况下的故障诊断要求。