自适应麻雀搜索算法的太阳轮故障诊断研究

大型双馈式风电机组齿轮箱的一级太阳轮由于转矩过大,极易损坏;转频过低,故障特征难以提取。为解决这一问题,基于风电机组齿轮箱太阳轮的振动信号的非平稳性与周期性,提出了一种基于麻雀搜索算法与自适应变分模态分解方法相结合,利用峭度加权来对适应度函数值求解。通过麻雀搜索算法自适应寻找变分模式分解的最优参数;采用最优参数进行变分模态分解并利用互相关系数选取模态分量;最后,对选取的分量进行包络解调,通过包络谱识别太阳轮故障。通过模拟仿真以及试验信号验证,验证了该方法的有效性与故障辨识能力。

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂,实际采集的振动信号存在分布差异,导致故障诊断模型的分类效果偏低问题,提出一种具有多核领域适应(MKDA)的多尺度卷积神经网络(MSCNN)风电机组轴承故障诊断研究方法(MKDA-MSCNN)。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先,利用源域数据预训练MSCNN网络,再利用多核领域适应减小源域和目标域分布差异,最终获得目标风电机组故障诊断模型。试验结果表明,该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%,对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法,对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。

基于领域自适应的风力机发电机轴承故障诊断方法研究

针对不同型号的风力机发电机滚动轴承采集的振动信号存在分布差异且待诊断轴承样本标签不足的问题,提出一种基于聚类领域自适应卷积神经网络(CDA-CNN)的风力机发电机滚动轴承故障诊断方法。首先利用一维卷积神经网络提取源域中有标签轴承数据和目标域中无标签轴承数据的特征,其次利用聚类方法减小数据特征的条件分布差异并为目标域数据提供伪标签,随后利用最大均值差异(MMD)对齐两域的边缘分布,最终得到风力机发电机滚动轴承的故障诊断模型。将所提出的CDA-CNN对实际风力机发电机滚动轴承进行故障诊断,诊断结果表明:所提出方法的故障诊断精度高达92.52%,有效解决了可用数据标签不足的问题。试验对比结果表明:CDA-CNN模型的诊断精度和迁移性均优于其他方法,对风力机发电机滚动轴承的故障诊断研究具有一定的工程应用价值。

基于温度阈值风电叶片缺陷识别的红外检测研究

针对风力发电机叶片出现褶皱、气泡和泡沫(PVC)等典型缺陷后高空识别困难的问题,提出一种基于温度阈值特征的方法实现叶片典型缺陷识别并验证持续热激励理论在叶片探伤上的实用性,首先利用热传导方程推导出风力机叶片出现缺陷区域与正常参考区域的温度变化关系,其次利用实验的方法测出3种预制缺陷的热扩散系数,然后在持续热激励实验中采集温度数据,最后根据软件对温度数据进行分析处理并选出满足温度阈值的缺陷及定位缺陷的位置,可为风力机叶片高空的识别探伤检测提供一个高效的方法。

变转速下的风力机行星齿轮箱故障诊断研究

由于风力发电机齿轮箱振动信号的非平稳性、传递路径复杂、系统噪声大和调制现象严重,常规的频谱分析方法难以识别齿轮箱的故障位置。针对以上问题,提出了一种基于同步提取(Sychroextracting Transform,SET)与沃德卡曼滤波相结合的风力机行星齿轮箱故障诊断研究方法(Combination of SET and vold-Kalman filter,SEV)。首先阐述了提出方法的原理和流程,通过基于SET的局部能量极大值法(Local energy maximum based on SET,LMS)对发电机轴承的振动信号进行转频提取,随后基于沃德卡曼滤波对瞬时频率进行精确提取,获得完整的相位信息。最后通过阶次分析获得风力发电机齿轮箱的详细故障位置信息。仿真和实验分析验证了提出方法的有效性。

基于多方向振动数据的风机齿轮箱故障智能诊断

风机齿轮箱作为风机的关键传递结构,针对其关键部件的故障诊断,提出了一种基于极点对称模态分解算法(ESMD)、MobileNet V2神经网络和D-S证据理论的诊断方法。首先将3个方向的复杂的故障信号进行ESMD分解与重构,将3个方向重构后的信号输入到MobileNet V2网络中进行训练,最后利用D-S证据理论进行融合计算并得到最终的预测结果。使用某公司搭建的风机齿轮箱实验平台数据,最终通过实验表明,文中所提出的诊断方法有效,在准确率可以接受的前提下,极大地减少了运算的时间,实现了轻量化。

基于多源信息融合的风电机组轴承故障诊断方法

在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明:不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。

声振耦合声场分析与结构隔振降噪

以实测某鼓风机组管路振动载荷为激励源,应用ANSYS有限元软件和Virtual Lab声场模拟软件模拟楼板振动所产生的室内声场和声场在不同频率下的声振强弱耦合状态。模拟结果表明,声场在400 Hz以下的区域声振耦合不明显,400 Hz以上存在声振强耦合现象,声振强耦合模型的模拟结果与实测结果比较吻合。通过分析载荷谱和噪声频谱的频带特性,选用常见的阻尼隔振器和中间小质量块组成二级隔振系统,计算系统的振动传递系数,达到理想的隔振降噪效果。

结构参数对阻抗复合消声器消声量的影响分析

本文中应用椭圆柱坐标系下的三维解析算法对椭圆形阻抗复合式消声器的声学特性进行了研究,分析了不同参数对消声器消声量的影响规律。结果表明,穿孔管穿孔率、孔径和吸声材料流阻率均对消声器的消声特性有较大影响,不同参数下消声器在高、低频段的消声量有较大差异。实际应用中建议根据不同工况下排气噪声频率特性来调整消声器结构参数,以获得满意的效果。

混合信号振声源分离与多机组故障诊断

针对机房设备混合信号难以提取有用信息,提出了多参数的振声诊断方法。应用最小互信息梯度下降的盲分离算法,通过展开边缘熵和修正四阶累积量估计值的方法改善算法性能,在故障源数量未知且可能大于传感器数量的情况下,根据信息源之间的独立性测度关系依次提取最显著的特征值。仿真结果证明,改进算法估计误差减小且算法可靠。在诊断实例中,首先,分离机房内的混合噪声信号以确定主要故障来源;然后,采集故障源的振动信号进行非线性盲分离,提取热泵机组压缩机不对中、齿轮啮合不良和碰磨的故障特征;最后,根据分离的振源信号特征识别故障类型,建立基于盲源分离算法的大空间设备群的振声诊断方法。

基于增强组合差分形态滤波器的大型风力机轴承故障诊断

针对由于大型风力发电机的工作环境恶劣其发电机轴承的故障特征信息会受到强背景噪声和电磁噪声干扰而难以检测的问题,提出一种新的增强组合差分形态滤波器(ECGMF)用于检测滚动轴承的故障特征信息。该方法结合改进的基本形态学算子的特点,构造一种既能保留信号的故障特征,又能抑制噪声干扰的增强组合差分形态学算子。此外,为了解决峭度准则和信噪比在选择结构元素的尺度时不够准确的问题,采用特征频率强度系数(C_(CFI))来自适应优化结构元素的尺度。仿真和实验结果表明,所提出的方法能有效提取风力机轴承故障的特征信息。与其他形态滤波器的对比结果验证该方法的有效性和优越性。

基于增强形态滤波与三阶累积量对角切片谱的风力发电机滚动轴承故障诊断方法

针对大型风力发电机滚动轴承的故障信号受到强背景噪声干扰不易识别的问题,提出一种基于增强形态滤波与三阶累积量对角切片谱相结合的故障诊断检测方法。该方法首先在研究基本形态学算子的基础上,构建一种新的增强型形态学算子(EMDO);随后利用特征能量因子(FEF)选择出EMDO算子的最优结构元素尺度;最后利用三阶累积量对角切片谱的消噪性能来进一步增强EMDO算子对风力发电机轴承故障信息的特征提取能力。仿真和对比实验结果表明,所提方法能有效消除高斯白噪生的干扰,对提取风力发电机轴承的故障特征信息起到增强的效果。

混合弹流润滑条件下风电行星直齿轮内啮合动态特性分析

当大型风力发电机在低速重载条件时,齿轮在混合弹流润滑条件下的啮合动态特性难以分析。针对该问题提出齿面接触并联刚度模型,建立行星齿轮啮合动力学模型。基于粗糙峰承载平衡理论,将承载因子理论引入刚度模型中,并与混合弹流润滑理论相结合,可得出计算齿面油膜刚度的新公式,为齿轮混合弹流润滑问题研究提供参考。通过计算结果,可认为在混合弹流润滑条件下,齿轮啮合刚度可大幅提升,有效抑制齿轮啮合振动。同时,齿面啮合力与综合曲率半径的增加有利于齿面油膜的形成。最后混合弹流润滑条件下齿轮单-双齿啮合刚度激励也会得到进一步改善。

基于自适应增强差分积形态滤波器的滚动轴承故障特征提取方法

为了在强背景噪声下提取滚动轴承微弱的故障特征信息。提出一种新的自适应增强差分积形态滤波方法(Adaptive enhanced difference product morphological filter,AEDPO)用于滚动轴承早期的故障诊断。首先,结合已有的四种形态学滤波算子滤波的能力,提出一种改进的增强差分积形态滤波算子(Enhanced difference product morphological filter operation,EDPO),该算子具有在强背景噪声下提取周期性脉冲特征的能力。随后,针对形态滤波过程中最优的结构元素(Structuring element,SE)尺度选择问题,提出一种新的自适应选择策略,名为峭度特征能量积(Kurtosis feature energy product,KF)。最后,EDPO算子凭借最优的SE尺度进行滤波处理,提取滚动轴承早期的故障特征。通过对仿真信号和实测滚动轴承内圈故障信号进行分析,结果表明AEDPO方法能够有效地在强背景噪声中提取滚动轴承微弱的故障特征,对比于传统的形态滤波方法更能体现该方法的准确性和优越性。