基于模糊综合评价的海上直驱风电机组运行状态评估

直驱式技术正在成为海上风电机组传动系统采用的主流技术之一,对其运行状态的实时正确评估显得极为迫切。该文提出一种集成了相关系数法、劣化度分析法和模糊综合评判等多种方法的风电机组运行状态评价模型。采用客观赋权法中的相关系数法来计算指标权重;归一化指标参数采用劣化度分析法;利用多层次模糊综合评价法,自下而上、逐级地对风电机组各个子系统的运行状态进行评价。并对该评价模型进行实际直驱风机在线监测数据的应用分析,评价结果符合实际运行数据的分析。该文研究结果可为海上风电场直驱式风电机组日常运行维护的管理提供决策辅助,提高海上风电场运营效率。     

基于HHT边际谱熵-马氏距离的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性,依据HHT(Hilbert Huang Transform)理论和非线性熵概念,提出了一种基于HHT边际谱熵和马氏距离相结合的轴承故障诊断方法。首先对采集到的正常及故障轴承振动信号作小波变换阈值去噪,然后通过HHT得到Hilbert边际谱。依据广义信息熵的概念定义了边际谱能量熵函数,基于所提取的特征函数,采用马氏距离对轴承故障类型进行分类。实验结果表明,该方法可以准确、有效地实现轴承的故障判别,为实际滚动轴承故障诊断提供一定的理论参考。     

基于S变换的电力电子电路故障诊断技术

提出一种基于S变换和支持向量机(SVM)相结合的电力电子电路故障诊断方法,首先对故障信号进行S变换时频分析并提取故障特征,然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明,该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,训练样本数少等优点,在解决电力电子电路故障问题上有着很好的实用价值和应用前景。     

天然气压缩机耦合故障的波动熵诊断模型

针对天然气压缩机耦合故障的定性及定量特征难以提取的问题,提出基于信息熵的故障诊断方法,提取机组振动信号构造能量谱向量,进而提取信号的波动熵特征作为识别参数建立耦合故障的波动熵诊断模型,并根据波动熵对耦合故障进行分类。研究结果表明:波动熵模型可准确诊断出压缩机的耦合故障;该模型无需提取信号局部细节特征,可解决故障特征提取及故障建模的复杂性难题,提高诊断的容错性和灵活性。     

基于GST的变速机械故障信号稀疏特征提取方法

为提取强噪声背景下的变速旋转机械设备的冲击故障特征,提出了一种基于广义S变换的稀疏特征提取方法.首先,通过多分辨率广义S变换（multiresolution generalized S-transform,MGST）搜索每次迭代过程中的最佳原子,多分辨率广义S变换可以得到信号不同尺度下的归一化时频谱,并从中找出能量最大值及其所对应的时频因子,根据故障冗余字典的构建模型可得到冲击成分的最佳匹配原子.其次,结合正交匹配追踪算法（orthogonal matching pursuit,OMP）,计算出信号在原子集合下的投影,由于采用了基于多分辨率广义S变换的原子搜索策略,大幅度提高了OMP的分解效率.最后,根据稀疏表示中第一个冲击信号的出现时刻,可依次计算出冲击信号在变速情况下的出现时刻理论值,通过与实测值的比较,实现变速机械的故障诊断.仿真和实例分析结果表明,该方法比传统OMP方法和广义S变换具有更高的计算效率和定位精度.      

广义S变换在转子碰摩故障诊断中的应用

基于广义S变换在处理非平稳信号的独特优势,将广义S变换(GST)引入到转子碰摩故障诊断中,利用广义S变换来提取具有不同的严重程度的转子碰摩故障信号的谐波特征.仿真研究表明:与小波变换和标准S变换相比, GST可以通过改变参数以适应不同信号的分析需要,并且具有更高的时频分辨率.试验结果分析表明:该方法能够有效地揭示出碰摩故障数据的频率结构,区分碰摩故障的严重程度.     

基于小波包与CNN的滚动轴承故障诊断

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。     

基于小波包能量谱及SVM算法的轴承故障检测

针对小波分析在故障诊断时的局限性,将小波分析和支持向量机算法相结合,提出基于小波包能量谱及支持向量机算法(SVM)的故障检测方法.该方法以振动信号小波包分解后各子频带的能量作为故障检测特征,利用SVM算法对轴承故障进行检测实验.结果表明:小波包能量谱能有效地反映轴承信号特征,并对故障进行检测.该方法同基于Lipschitz指数熵、单奇异点检测,以及小波包能量谱与神经网络相结合的故障检测方法进行比较,检测率均优于其他三种常用方法.     

基于广义S变换的信号提取与抑噪

S变换结合了短时傅里叶变换和小波变换的优点,是非平稳信号时频分析的有力工具.为了提高S变换在应用中的实用性和灵活性,该文将S变换改造成时频分辨率可调的广义S变换.广义S变换具有多分辨率特性,利用其高质量的时频分布,在时频域中设计了两种时频滤波器.前者用来实现非平稳信号中特定信号分量的提取,也可滤除处于特定时频平面中的噪声;后者直接应用广义S变换的时频谱实现,用于含高斯白噪声信号的滤波,达到了突出有效信号和压制噪声的效果.几种信号模型的仿真试验显示了它们在信号提取和抑制噪声中应用的有效性.     

基于能量差值和GA-LIBSVM的电机轴承故障诊断研究

为了解决传统能量谱算法应用于电机轴承故障诊断时仅能表示某一尺度内,而不能显示相邻尺度间故障特征变换趋势的缺陷,提出一种将能量谱、能量差值和遗传算法优化的支持向量机(GA-LIBSVM)相结合的电机轴承故障诊断方法。首先利用小波包将提取到的信号进行去噪处理和频段分解,依据分解出的不同频率信号分量计算出其相对能量谱和能量差值;其次通过遗传算法优化支持向量机形成GA-LIBSVM模型;最终将相对能量谱和能量差值作为特征参数输入到GA-LIBSVM模型中进行识别。实验结果表明,文章中方法的故障诊断率高达95. 5%,其能够有效提高电机轴承的故障诊断率。     

含风电的电力系统动态频率分析

研究了风电接入某实际电力系统对系统动态频率产生的影响。通过建立直驱式永磁同步风电机组动态模型和含风电的实际电力系统模型,对含风电的电力系统动态频率进行了仿真分析。研究了风速扰动对系统动态频率的影响、风电渗透率上升对系统频率调节能力的影响以及风机脱网故障对系统动态频率的影响。在风机增加了基于虚拟惯性的频率控制系统,研究了具有调频系统的风电机组对系统动态频率的影响。研究结果表明大规模风电场的风速扰动将导致系统频率出现显著波动;随着系统风电渗透率的增加,系统的调频能力将明显下降;风电场在故障下的风机脱网事故将对系统动态频率造成严重影响。增加频率控制系统使风电机组具备了一定的调频能力,有效地抑制了扰动情况下的系统频率波动。     

基于SVD突变信息特征提取和VPMCD的故障诊断方法研究

针对滚动轴承早期微弱故障信号易受噪声、光滑信号影响而难以检测的问题,提出将奇异值分解(singular value decomposition,SVD)突变信息特征提取和变量预测模型模式识别(variable predictive model based class discriminate,VPMCD)方法相结合用于轴承故障诊断.首先采用SVD对振动信号进行分析,根据曲率谱及类间、类内最大方差比阈值,实现突变信息与背景噪声、光滑信号的有效分离;然后提取突变信息时域、频域特征参数,构建表征轴承运行状态的混合域特征向量,用于建立基于VPMCD方法的故障诊断模型.将此方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于S变换的自适应降噪方法

简要介绍S变换后的时频特征,提出一种新的基于S变换的自适应信号降噪方法.利用于S变换高质量的时频分布,在时频平面中设计自适应时频滤波器,用于非平稳信号中信号分量的提取,展示该方法在信号噪声抑噪和提高信噪比方面取得了满意的效果.在信号模型的仿真试验与齿轮箱的齿轮故障诊断中,显示该方法在信号提取和压制噪声的效果,且滤波后信噪比有较大提高.结果表明,该方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高齿轮故障诊断的准确性.     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

基于时间重排多重同步压缩S变换的轴承故障诊断

状态监测信号中的冲击特征往往能够指示旋转机械的故障。为了准确提取振动信号中的冲击分量,提出一种新的时频分析方法—时间重排多重同步压缩S变换(time-reassigned multisynchrosqueezing S-transform, TMSSST)。首先对信号进行S变换得到一个相对模糊的时频分布(time-frequency representation, TFR);然后在时间方向对TFR进行能量重排,同时实施多次迭代以提高时频分布的可读性;最后引入一种脉冲提取算法用于降低信号中的噪声。所提方法结合了S变换自适应调节时频分辨率的优势和多重同步压缩能量集中度高的特性。模拟轴承故障信号和实验信号验证了所提方法在工程应用中的优越性和鲁棒性。     

基于广义S变换的沉积旋回分析方法研究

传统时频分析方法(如傅立叶变换、短时傅立叶变换、小波变换、S变换等)的时频分辨性均不佳,在实际应用中受到一些限制,难以满足高精度时频分析要求.广义S变换,引入λ和p两个参数对S变换进行了扩展,其时频分析效果得到较大提高.对广义S变换方法原理进行了深入研究,编写了广义S变换时频分析程序.通过非平稳线性调频信号和4种典型沉积旋回模型分析,证实了广义S变换的可靠性及优越性.最后,将该方法推广到实际地震资料沉积旋回分析中,取得了良好的效果.     

S变换在滚动轴承故障诊断上的应用

为了研究滚动轴承信号的非平稳特征,应用时频分析技术是一种较好的选择．研究了S变换,该方法是将短时傅里叶变换同小波变换结合起来发展的一种新算法．对多种时频分析方法进行了比较,得出S变换优于其他方法的一些特点,提出基于S变换的滚动轴承信号瞬态特征检测方法．结果表明,S变换能够以较高时频分辨率表示轴承振动中的非平稳特征,能反映出信号时频谱真实的物理意义,并且计算速度快．诊断结果验证了该方法可以用于滚动轴承的故障诊断．     

基于限幅环节动作时间的直驱永磁风电场等值建模

提出基于网侧控制器限幅环节动作时间分群的直驱永磁风电场动态等值建模新方法。分析了直驱永磁风电机组网侧控制器电流限幅环节动作特性的影响因素,指出网侧控制器限幅环节的动作特性主导了风电机组的动态。提出了基于稳态出力以及电压跌落程度的直驱永磁风电机组网侧控制器限幅环节动作时间的快速估算方法,进一步采用K-means方法将网侧控制器限幅环节动作时间相近的直驱永磁风电机组进行分群聚合。以某一风电场接入10机39节点系统为例,比较风电场分别采用详细模型和等值模型下的动态响应结果,以及风电场动态等值前后原系统的小干扰稳定性和暂态稳定性,证明了本文所提动态等值方法的有效性和可行性。     

基于分数低阶Stockwell变换时频的机械轴承故障特征提取

时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯Alpha(α)稳定分布,传统的Stockwell变换(S变换)时频方法性能退化甚至失效。基于S变换时频和分数低阶矩提出了一种分数低阶S变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶S变换时频算法。仿真结果表明,所提出的分数低阶S变换时频算法及其快速算法能很好地工作在高斯噪声和α稳定分布噪声环境,性能优于已有的S变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。     

基于时间多重同步挤压W变换的高精度轴承故障诊断

状态监测(condition monitoring, CM)信号中的脉冲特征通常意味着旋转机器中存在缺陷。为了准确捕获CM信号中的脉冲分量,提出了一种高精度的时间多重同步挤压W变换(TMSSWT)用于提高CM信号的时频聚焦性能。首先利用W变换(WT)获取信号的时频表征结果,然后在时频域上构建估计信号真实群延迟(group delay, GD)的时频后处理表征算子——挤压算子,从而对原始W变换得到的时频谱能量进行“挤压”操作;其次,利用不动点的迭代算法将时频能量重新排列至信号真实的GD脊线上;最后利用信号重构的脉冲特征提取算法,计算时频包络,对TMSSWT获得的时频谱提取最强振幅对应频率的脉冲特性,通过对比脉冲特性的时间间隔识别轴承故障。模拟信号结果很好地证实了该方法可以有效地提高时频能量聚焦性,以期在实际故障诊断应用中可以准确地捕获脉冲特征,更好地识别与诊断轴承机械故障。