全矢融合的二元PELCD样本熵列车故障诊断

长期高速运行的服役状态会造成高速列车转向架关键部件性能蜕化甚至发生故障等情况,所导致的安全事件将造成严重的经济损失甚至人员伤亡。考虑到高速列车振动信号的特性,将部分集成的局部特征尺度分解方法拓展至二元信号处理领域,同时结合全矢谱理论对同阶分量信号进行信息融合,得到更加完备的数据特征,并对融合后的数据进行样本熵特征提取,得到列车的故障特征;采用灰狼优化算法对支持向量机进行参数寻优,通过实验对比单一故障工况、复合故障工况以及部件性能退化下的故障识别率,验证所提方法的有效性、优越性。

基于全矢频带能量谱的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱局部微弱故障难于诊断的问题,提出全矢频带能量谱故障诊断方法。采用全矢理论对同源信号进行信息融合,获得相位不变、信息更完善的全矢信号,利用FIR滤波器对全矢信号进行分解,计算各频带能量作为识别工作状态的特征向量。分析风电机组齿轮箱的正常、齿根裂纹及均匀磨损信号的各频带能量,发现转频和啮合频率处的频带能量变化率能准确判别各类故障。通过对不同工况下50组信号的识别,证明该方法可有效区分风电机组齿轮箱的早期局部微弱故障。

归一化全矢能量在随机工况下齿轮微弱故障识别中的应用（英文）

随机工况下,转速和负载的不同会改变振动信号的幅频调制特性,使得风电机组齿轮箱局部微弱故障的诊断难度急剧增大,针对于此,提出采用不同的恒定工况替代随机工况,以归一化全矢频带能量实现随机工况下齿轮箱微弱故障的诊断。方法首先将随机工况分解成不同的恒定工况的组合,降低工况的维数,针对各恒定工况,采用全矢理论将同源信号进行融合,以保证微弱信号源信息的完整性,再利用FIR滤波对全矢信号进行分解,消除因工况的不同所造成的模态混叠的影响。考虑到转频处的频带能量能定量区分不同的工况,频带能量的变化率能实现齿轮工作状态的区分,而信息熵能准确反映信号激励源和激励方式的区别,提取各频带能量熵之和、转频处的频带能量及频带能量的变化率作为区分齿轮工作状态的特征向量,消除工况变化所造成的诊断干扰的同时有利于实现各种工况下的故障模式识别,达到随机工况下齿轮微弱故障诊断的目的。最后采用高斯混合模型对风电机组齿轮箱随机工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别,故障识别率表明该方法可有效的识别随机工况下的齿轮早期局部微弱故障。