HHT和Morlet小波变换在齿轮故障信息提取中的对比研究

文章描述了基于振动信号的Morlet小波变换和HHT(Hilbert-Huang变换)齿轮故障信息提取方法,并分别用来对四类齿轮进行故障信息提取,得到各状态齿轮振动信号的Morlet小波谱和Hilbert谱。实验研究表明:Morlet小波变换和HHT都可用于齿轮故障信息提取,但Hilbert谱分析比Morlet小波谱分析在时间和频率域都有较高的分辨率,且HHT比Morlet小波变换有更高的计算效率,更适用于故障信号微弱、振动信号数据量大的齿轮故障信息提取。

基于小波分析的风电机组故障信息提取

针对风力发电机组在运行工况下故障预诊断难以实现的问题,提出了基于小波分析的故障信息提取方法。机组故障运行时其声音品质特性将发生变化,由此对风电机组进行声发射实验,对噪音信号进行测量,利用小波分析法从中提取故障信息,对机组实施故障预处理和保护措施。经过对现场信号的测量、分析与仿真实验,表明该方法较简单易行,可有效提取故障信息,对工程实践有应用价值。

基于物联网RFID标签的电力设备终端控制器故障信息采集研究

为解决传统电力设备终端控制器身份故障信息采集方法存在的应用难度较大、成功率偏低的问题,提出一种基于物联网RFID标签的电力设备终端控制器故障信息采集方法。根据物联网RFID标签节点得到电力设备终端控制器身份的相似程度,初步识别出电力设备终端控制器身份故障信息。利用决策树计算身份信息样本训练误差。引入检索算法,构建电力设备终端控制器身份的身份矩阵。结合欧几里得距离计算方法,计算身份信息状态向量与行为向量的距离,实现对电力设备终端控制器故障信息的采集。实验结果表明,所提方法的电力设备终端控制器身份故障信息采集成功率高于90%,且采集准确率高达95%。

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。

基于特征融合和ResNet的滚动轴承故障诊断

由于滚动轴承信号非平稳、非线性,导致轴承的故障信息提取困难,并且采用传统故障诊断方法诊断精度低,又过度依赖专家经验以及深度学习的故障诊断方法需海量的训练数据,为了解决上述问题,提出了一种基于特征融合和深度残差神经网络(ResNet)的滚动轴承故障诊断方法。首先,利用变分模态分解(VMD)和经验模态分解(EMD)的方法分解了原始信号;然后,根据方差贡献率和相关系数筛选确定了有效分量,对筛选出的有效分量进行了特征融合,组成数据集输入到ResNet模型中,并进行了故障诊断;最后,利用开源数据集对基于特征融合和深度残差神经网络(ResNet)的滚动轴承故障诊断方法进行了可行性和有效性验证,并通过滚动轴承实例数据验证了其泛化能力和鲁棒性。研究结果表明:在开源数据集中,采用该方法所获得的故障识别率达到了99.8%,相比于传统卷积神经网络(CNN)90%的故障识别率,其故障识别率更高;在滚动轴承实例数据集中,采用该方法所获得的故障识别率达到了97%以上,进一步证明了特征融合结合深度残差神经网络的故障诊断方法可有效应用于滚动轴承故障诊断中。

带式输送机驱动滚筒轴承故障特征提取分析研究

针对带式输送机驱动滚筒轴承的故障信息难以采集的问题,利用LabVIEW与MATLAB软件混合编程,设计了一套驱动滚筒轴承故障提取算法程序。将小波阈值降噪与集合经验模态分解(EEMD)包络解调算法相结合,用以提取原始信号中的故障信息,并通过实验验证了该程序的可行性与实用性。

基于慢特征分析的机械臂传动系统早期故障检测

早期故障是机械臂传动系统永久故障发生前出现的微弱的、难以检测的故障,及时对早期故障进行故障检测可以有效地防止永久故障的发生。针对机械臂传动系统内旋转部件复杂、故障信号易被噪声掩盖等问题,提出一种基于KL散度和慢特征分析(SFA)的早期故障检测方法。首先,将慢速特征分为主导子空间和残差子空间,可以有效地从噪声中提取反映系统状态变化的主要趋势;然后,通过分析不同状态之间的评价函数,从数据中提取出轻微的早期故障信息,利用判决规则进行故障检测;最后,为验证该方法的有效性进行了大量的仿真实验,仿真结果表明,与传统方法相比,所提算法具有更精准的故障检测能力,同时所提方法可以有效地降低检测方法的计算复杂度。

基于自适应优化品质因子的共振稀疏分解方法及其在行星齿轮箱复合故障诊断中的应用

在共振稀疏分解方法中,品质因子决定其共振属性,其值的选择对共振稀疏分解结果有着很大的影响。现有的共振稀疏分解方法主要是依靠人为选择品质因子,带有较大的主观随意性,对最终诊断结果的提升非常有限。为此,基于遗传算法的全局优化性能,提出一种自适应优化品质因子的共振稀疏分解新方法。与已有方法相比,该方法利用遗传算法优良的寻优性能,优化共振稀疏分解中的品质因子,自适应地得到与输入信号故障特征相匹配的高低共振分量的品质因子。将所提出的新方法应用于某行星增速齿轮箱中行星齿轮与行星架轴承的复合故障诊断中,有效地提取出振动信号中相应的故障特征,实现了早期复合故障的准确诊断,表明了该方法的有效性和实用性。

一种应对高阻故障的单端自适应行波保护方法

传统的基于电气量导数的行波保护方法存在输电线路发生高阻故障时的拒动问题。该文在故障行波影响因素分析的基础上,得到故障行波畸变程度和故障距离有关,故障行波幅值和过渡电阻有关的结论。构造标准拟合函数对故障零模电流进行拟合,得到分别反映故障距离和过渡电阻的参数。利用该参数进行故障信息提取,得到了过渡电阻预估区间,实现自适应的单端行波保护方法。仿真验证表明,所提方法能快速有效地保护直流输电线路,具有很高的耐过渡电阻能力。与传统的行波保护和直流暂态量保护方法相比,该方法具有更高的灵敏度和更大的直流输电线路保护范围。

利用故障电流首行波拟合的柔性直流输电线路单端行波保护原理

基于电气量导数的行波保护方法在输电线路发生高阻故障时存在拒动问题。该文首先分析直流输电线路故障首行波特征,分别推导直流输电线路发生区内、外故障时保护安装处的故障首行波表达式。之后分析故障首行波表达式中各部分的物理意义,利用拟合的方法提取出故障首行波中反映故障位置而不受过渡电阻影响的指数系数。在此基础上,提出利用故障电流首行波拟合的柔直线路单端行波保护原理。仿真结果表明,拟合出的指数系数能够有效反映故障位置,所提出的保护方法能在1 ms内完成故障判别,并且具有高耐过渡电阻能力。同时分析验证了不同采样频率及噪声对保护方法的影响,结果表明所提出的保护方法对采样频率的变化和噪声影响具有高鲁棒性。

基于小波尺度相关性的暂态数据降噪压缩方法

电力系统本身噪声及录波装置采样引入的噪声对电力系统信号数据压缩及故障信息提取造成不利影响。传统软硬阈值降噪法未考虑噪声本身特性,一方面,其降噪处理后难以分辨故障发生的起始时刻及持续时间,不利于故障检测;另一方面,软硬阈值降噪后将保留过多冗余系数且一些有用信息被滤除,不利于数据压缩。文中给出基于尺度内和尺度间的暂态数据降噪方法,在一个确定方差的未知区间内,将小波系数建模为独立具有零均值高斯随机变量,其方差由相关区间来确定且缓慢变化,利用邻域尺度内和尺度间小波系数之间的相关性,估计噪声方差以求得无噪声系数,提取故障信息时刻并降低噪声对故障辨析带来的不利影响,得到数据量极少的高频系数,有利于故障数据压缩。