风力发电机组齿轮箱等旋转机械故障振动信号具有调制特征,因此有针对性地提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和Fisher判别的故障诊断方法。首先对振动信号进行LMD分解,可得若干个的乘积函数(Product Function,PF...风力发电机组齿轮箱等旋转机械故障振动信号具有调制特征,因此有针对性地提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和Fisher判别的故障诊断方法。首先对振动信号进行LMD分解,可得若干个的乘积函数(Product Function,PF)分量,以相关系数为依据进行PF分量筛选和信号重构,并对重构信号进行故障特征提取,然后以多组典型故障样本的特征量来训练得到Fisher判别式,最后利用判别式对待判样本进行分类,由判别结果可知滚动轴承的工作状态、故障部位及故障程度。分析从试验台采集的各类故障样本集和从某实际风场监测的数据,证明了所提取故障特征量的准确性,同时也验证了所提出方法在旋转机械故障诊断方面的有效性。展开更多
文摘风力发电机组齿轮箱等旋转机械故障振动信号具有调制特征,因此有针对性地提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和Fisher判别的故障诊断方法。首先对振动信号进行LMD分解,可得若干个的乘积函数(Product Function,PF)分量,以相关系数为依据进行PF分量筛选和信号重构,并对重构信号进行故障特征提取,然后以多组典型故障样本的特征量来训练得到Fisher判别式,最后利用判别式对待判样本进行分类,由判别结果可知滚动轴承的工作状态、故障部位及故障程度。分析从试验台采集的各类故障样本集和从某实际风场监测的数据,证明了所提取故障特征量的准确性,同时也验证了所提出方法在旋转机械故障诊断方面的有效性。