基于超声解调信号多特征融合的轴承故障识别

针对当前振动监测对轴承初期微损状态监测难、精准度低的问题,提出了一种基于经验模态分解与多类熵值相结合的轴承状态监测方法,研究超声解调信号对故障诊断的可行性。首先将预处理后的超声解调信号进行经验模态分解得到若干本征模态分量,然后对各本征模态分量计算不同熵值特征,再将多特征融合后代入随机森林训练分类模型,利用混淆矩阵进行精度评价,最终对早期故障识别准确率高达97.92%。研究表明,超声解调信号对判别轴承早期故障效果更佳;经过多类熵值特征融合后,轴承状态分类具有更高的识别准确率。     

基于LSTM的塔架振动状态监测研究

针对风电机组塔架受到外部环境引起的复杂动载荷作用以及风机内部控制动作的激励而产生异常振动问题,本文提出了一种基于长短期记忆网络的塔架振动状态监测方法。首先,以风电机组监督控制和数据采集系统数据为基础,引入灰色关联度系数和最小角回归算法,分析各状态参量对塔架振动的影响;其次,采用长短期记忆网络建立塔架振动预测模型,通过对比分析预测值与实际值之间的残差判断风电机组的塔架振动状态;最后,利用某风电场的实际采集数据进行验证分析,结果表明所提方法能提前对风电机组的异常情况做出预警,可以有效避免机组因故障恶化导致的紧急停机,提高机组运行的可靠性。