CN103728130A - 一种基于稀疏分解的风力发电机组故障特征提取方法 - Google Patents
一种基于稀疏分解的风力发电机组故障特征提取方法 Download PDFInfo
- Publication number
- CN103728130A CN103728130A CN201310471280.XA CN201310471280A CN103728130A CN 103728130 A CN103728130 A CN 103728130A CN 201310471280 A CN201310471280 A CN 201310471280A CN 103728130 A CN103728130 A CN 103728130A
- Authority
- CN
- China
- Prior art keywords
- component
- sparse decomposition
- surplus
- wind power
- impact
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于稀疏分解的风力发电机组故障特征提取方法,对风力发电机组故障诊断,适用于非直驱型风力发电机组。本发明针对风力发电机组振动信号由于故障特征耦合、背景噪声大等原因导致难以提取故障特征的问题,基于形态成分分析的原理用不同的稀疏表达字典将信号分解为谐波、冲击以及噪声三个成分,使得原本难以发现的故障特征凸显出来;通过在风力发电机故障模拟实验台上实验验证了其有效性。本发明的有益效果是:该故障诊断方法通过提取出被噪声或者其他特征信号淹没的难以发现的故障特征,从而确定故障部位,对风力发电机组维护与检修计划的安排调整给出指导性建议,有效减少非计划停机时间、提高风电场经济效益与社会效益。
Description
技术领域
本发明属于风力发电机组传动链故障诊断领域,具体涉及一种基于稀疏分解的风力发电机组故障特征提取方法。
背景技术
我国风力发电迅猛发展,2012年,我国新增装机达13200MW,累计装机容量达到75564MW,继续领跑全球。由于特殊的结构及运行方式,风力发电机组不但受随机的空气动力载荷、惯性力、不同运转状态导致的载荷等外部环境对运行状态的叠加,而且其内部是集机械、电子、电气、液压于一体的复杂机电系统。运行环境恶劣、机舱离地较高、自动化程度高、结构复杂、价格昂贵,风力发电机组,特别是传动链,一旦发生故障或损伤,将造成巨大经济损失,甚至可能引发灾难性事故。
风力发电机组传动链主要包括风轮、主轴、增速齿轮箱与发电机,直驱型不包括增速齿轮箱。作为风力发电机组的主要组成部分,其可靠性直接关系到风力发电机组的安全可靠运行。由于缺少合适的故障诊断方法,目前仅靠人工定期维护及事后检修,这使得风力发电机组的维护费用居高不下。对于工作寿命为20年的机组,运行维护成本估计占到风场收入的10%~15%左右;对于海上风场,用于风力发电机运行维护的成本高达风场收入的20%~25%左右。风力发电机组独特的运行特性,复杂的工况,较大的环境噪声,并且其传动系统结构复杂,致使获得的振动信号具有噪声大、多成分的特点,给故障诊断带来难度。因此,将淹没在强大的背景噪声和其他成分中的微弱冲击故障特征提取出来,提高风力发电机组故障诊断的准确性,提高其可用性与可维护性,减少非计划性停机时间、提高经济效益,预防重大事故发生,具有重要工程应用价值。
发明内容
本发明的目的在于解决上述现有技术中的问题,提供一种基于稀疏分解的风力发电机组故障特征提取方法,该方法在风力发电机组故障诊断上的应用能很好地克服由于故障特征交叉影响、多特征耦合、背景噪声大等原因而导致的故障特征难以提取的问题。
为了达到上述目的,本发明所采用的技术方案包括以下步骤:
1)针对所测试的振动信号,根据振动信号不同的形态成分对其进行变换分解;其中谐波成分采用离散余弦变换分解,冲击成分采用离散小波变换分解;通过迭代稀疏分解和重构信号,提取谐波分量、冲击分量和余量;
2)将迭代过程中的各个分量相加,重构谐波分量和冲击分量;
3)将得到的各个分量进行频谱分析和包络解调分析,与故障特征进行匹配,从而获得诊断结论。
所述步骤1)中所测试的振动信号的条件必须满足以下内容:
对于非直驱型风力发电机组,测试环境为风力发电机组正常运转情况下,不少于名义输出功率的20%的生产运行模式进行并网测试。
所述步骤1)中,根据信号不同的形态成分通过迭代稀疏分解和重构信号,提取谐波分量、冲击分量和余量;针对所采集的水平与垂直振动信号a(t),单位为g,g为9.8m/s2,按采用形态学分析方法结合逐级正交匹配追踪,以及采用离散余弦变换字典提取谐波,选择离散小波变换字典提取冲击按以下方法进行处理:
(1)初始化:
设定迭代步数L,稀疏分解阈值参数为t1,稀疏分解阈值参数为t2,初始分解余量为r1 1=a(t);其中,L>10,0<t1<0.5,0.5<t2<1;
(2)迭代:
1.1提取谐波分量:
初始化,令i=1,2,…,L-1,L;根据形态学成分分析,选择离散余弦变换字典Φ1提取谐波;根据对余量r1 (i)中的谐波分量进行归一化稀疏表示得到系数α1 (i),采用阈值参数为t1的逐级正交匹配追踪,即进行如下操作:令根据阈值参数以及噪声的统计分布规律计算逆累积分布函数然后通过阈值筛选J1 (i)={j:|α1 (i)(j)|>F1},合并I1 (i)=I1 (i-1)∪J1 (i),根据以及R1 (i)=r1 (i)-X1 (i)重构得到谐波成分X1 (i)和谐波余量R1 (i);
1.2提取冲击分量:
根据形态学成分分析,选择离散小波变换字典Φ2提取谐波;根据对余量中的谐波分量进行归一化稀疏表示得到系数采用阈值参数为t2的逐级正交匹配追踪,即进行如下操作:令根据阈值参数以及噪声的统计分布规律计算逆累积分布函数然后通过阈值筛选J2 (i)={j:|α2 (i)(j)|>F2},合并根据以及重构得到冲击成分X2 (i)和冲击余量R2 (i)。
1.3获得下次迭代初始量:
r1 i+1=R2 (i),结束。
所述步骤2)中,将迭代过程中的各个分量相加,重构谐波分量X1和冲击分量X2的具体步骤如下:
X1=X1 (1)+…+X1 (i)+…+X1 (L);
。
X2=X2 (1)+…+X2 (i)+…+X2 (L)
将得到的各个分量进行频谱分析和包络解调分析,与故障特征进行匹配,从而获得诊断结论,是指对所获得的谐波分量,利用FFT进行频谱分析;对所获得的冲击分量,利用Hilbert解调方法进行包络解调、并作出FFT频谱,从而获得峰值最大的频率值fmax;若该值与故障特征频率f在分辨率误差范围内一致,则诊断出发生了频率值f对应的故障。
与现有技术相比,本发明具有以下有益效果:
本发明提出了一种适用于陆上非直驱型风力发电机组的基于振动等效幅值的风力发电机组传动链定量故障检测方法,将风力发电机组的振动信号分解为谐波、冲击以及噪声三个部分;通过使用该故障诊断方法可以对风力发电机组维护、检修计划的安排调整给出指导性建议,减少非计划停机时间、提高风电场经济效益与社会效益,并且计算简便、快捷,便于工程实际应用。本发明解决了针对风力发电机组的特殊性将信号的特征从强烈的背景噪声中提取出来的问题,经过对提取出来的谐波和冲击成分的频谱和包络谱分析,确定风力发电机组的故障位置,对风力发电机组的维护、运行管理给出了理论指导。
附图说明
图1为本发明实施例的时域波形图;
图2为本发明实施例的频谱图;
图3为本发明实施例的包络谱图。
具体实施方式
下面结合附图和实施案对本发明作进一步详细的说明:
本发明基于稀疏分解的风力发电机组故障特征提取方法,包括以下步骤:
1)针对所测试的振动信号,根据振动信号不同的形态成分对其进行变换分解,其中,所测试的振动信号的条件必须满足以下内容:
对于非直驱型风力发电机组,测试环境为风力发电机组正常运转情况下,不少于名义输出功率的20%的生产运行模式进行并网测试。
其中,不同的形态成分包括谐波成分和冲击成分,谐波成分采用离散余弦变换分解,冲击成分采用离散小波变换分解;通过迭代稀疏分解和重构信号,提取谐波分量、冲击分量和余量;
根据信号不同的形态成分通过迭代稀疏分解和重构信号,提取谐波分量、冲击分量和余量;针对所采集的水平与垂直振动信号a(t),单位为g,g为9.8m/s2,按采用形态学分析方法结合逐级正交匹配追踪,以及采用离散余弦变换字典提取谐波,选择离散小波变换字典提取冲击按以下方法进行处理:
(1)初始化:
设定迭代步数L,稀疏分解阈值参数为t1,稀疏分解阈值参数为t2,初始分解余量为r1 1=a(t);其中,L>10,0<t1<0.5,0.5<t2<1;
(2)迭代:
1.1提取谐波分量:
初始化,令i=1,2,…,L-1,L;根据形态学成分分析,选择离散余弦变换字典Φ1提取谐波;根据对余量r1 (i)中的谐波分量进行归一化稀疏表示得到系数α1 (i),采用阈值参数为t1的逐级正交匹配追踪,即进行如下操作:令根据阈值参数以及噪声的统计分布规律计算逆累积分布函数然后通过阈值筛选J1 (i)={j:|α1 (i)(j)|>F1},合并I1 (i)=I1 (i-1)∪J1 (i),根据以及R1 (i)=r1 (i)-X1 (i)重构得到谐波成分X1 (i)和谐波余量R1 (i);
1.2提取冲击分量:
根据形态学成分分析,选择离散小波变换字典Φ2提取谐波;根据对余量中的谐波分量进行归一化稀疏表示得到系数采用阈值参数为t2的逐级正交匹配追踪,即进行如下操作:令根据阈值参数以及噪声的统计分布规律计算逆累积分布函数然后通过阈值筛选J2 (i)={j:|α2 (i)(j)|>F2},合并根据以及重构得到冲击成分X2 (i)和冲击余量R2 (i)。
1.3获得下次迭代初始量:
r1 i+1=R2 (i),结束。
2)将迭代过程中的各个分量相加,重构谐波分量和冲击分量;
将迭代过程中的各个分量相加,重构谐波分量X1和冲击分量X2的具体步骤如下:
X1=X1 (1)+…+X1 (i)+…+X1 (L);
X2=X2 (1)+…+X2 (i)+…+X2 (L)。
3)将得到的各个分量进行频谱分析和包络解调分析,与故障特征进行匹配,从而获得诊断结论,是指对所获得的谐波分量,利用FFT进行频谱分析;对所获得的冲击分量,利用Hilbert解调方法进行包络解调、并作出FFT频谱,从而获得峰值最大的频率值fmax;若该值与故障特征频率f在分辨率误差范围内一致,则诊断出发生了频率值f对应的故障。
实施例:
从某一风力发电机传动链故障诊断实验台采集到的位于平行轴齿轮箱输出轴垂直方向的振动加速度信号。该平行轴齿轮箱的高速端齿轮齿数为23,与之相啮合的中间轴上大齿轮是一个轮齿上有预制点蚀的故障齿轮,其齿数为83,啮合传动比为1:3.61。
获得振动信号a(t)后,按如下步骤进行操作:
一、针对所测试的振动信号,根据信号不同的形态成分通过迭代稀疏分解和重构信号,提取谐波分量、冲击分量和余量;本案例采用按采用形态学分析方法(Morphological Component Analysis,MCA)结合逐级正交匹配追踪(Stagewise Orthogonal Matching Pursuit,StOMP),以及采用离散余弦变换(DCT)字典提取谐波,离散小波变换(DWT)字典提取冲击,按以下方法进行处理:
1)初始化。设定迭代步骤L=20,稀疏分解阈值参数t1=0.0005,稀疏分解阈值参数t2=0.6,初始分解余量r1 1=a(t),信号长度为n。
2)迭代。
for i=1,2,…,L-1,L
(1)提取谐波分量。根据形态学成分分析,选择离散余弦变换(DCT)字典Φ1提取谐波。根据对余量r1 (i)中的谐波分量进行归一化稀疏表示得到系数α1 (i),采用阈值参数为t1的逐级正交匹配追踪(StOMP),即进行如下操作:令根据阈值参数以及噪声的统计分布规律计算逆累积分布函数然后通过阈值筛选J1 (i)={j:|α1 (i)(j)|>F1},合并I1 (i)=I1 (i-1)∪J1 (i),根据以及R1 (i)=r1 (i)-X1 (i)重构得到谐波成分X1 (i)和余量R1 (i)。
(2)提取冲击分量。根据形态学成分分析,选择离散小波变换(DWT)字典Φ2提取谐波。根据对余量中的谐波分量进行归一化稀疏表示得到系数采用阈值参数为t2的逐级正交匹配追踪(StOMP),即进行如下操作:令根据阈值参数以及噪声的统计分布规律计算逆累积分布函数然后通过阈值筛选J2 (i)={j:|α2 (i)(j)|>F2},合并 根据 以及 重构得到谐波成分X2 (i)和余量R2 (i)。
(3)获得下次迭代初始量。r1 i+1=R2 (i)。
end for
二、将迭代过程中的各个分量相加,重构谐波分量和冲击分量。
X1=X1 (1)+…+X1 (i)+…+X1 (L);
X2=X2 (1)+…+X2 (i)+…+X2 (L)
三、将得到的各个分量进行频谱分析和包络解调分析,与故障特征进行匹配,从而获得诊断结论。图1是原始信号及将其稀疏分解所得到的最终的谐波成分X1,冲击成分X2和余量r;图2是图1中各个信号对应的频谱,从原始的频谱图上可以看到在啮合频率542.5Hz的两侧有间隔为中间轴转频的边频带;从谐波成分的频谱图来看,就很明显可以看出谐波成分的主要调制是啮合频率有关的振动成分引起的,而在频谱图上啮合频率周围出现较少阶次的轴的转频边带是轮齿点蚀的故障频谱特征;图3是图1中各个信号对应的包络解调谱,其中原始信号的包络谱中以23.45Hz的高速轴转频以及啮合频率542.5Hz相关的振动成分为主;谐波成分也以高速端啮合频率及其倍频为主;冲击成分的包络谱很明显可以看到中间轴转频6.25Hz为主要频率成分,说明冲击的振动源的是位于中间轴上的;余量成分没有明显的频率成分。结合上述对谐波分量的频谱分析和包络分析,我们可以确定齿轮箱中间轴上大齿轮轮齿点蚀故障的存在。
本发明的原理:
同一形态的信号往往可以用一组固定的基函数稀疏表达出来:谐波信号通过傅里叶变换之后投影到频域用几根简单的谱线表达出来;冲击信号通过小波变换之后投影到小波域也可以用几根简单谱线表达出来。可以用较少的基函数表示出工程实际中形形色色的信号,然而实际信号往往是由多个形态的信号分量以及噪声线性叠加而成,单一的稀疏基函数必然不能很好地表达信号,因此可以采用多个形态的基函数的稀疏分解方法将信号中原本耦合的不同的特征成分解耦开,并且达到很好的降噪效果。
用于指导风力发电机组传动链故障诊断,保证风力发电机的安全运行、减少非计划停机时间,避免恶性事故的发生,提高经济和社会效益。本发明主要针对非直驱型风力发电机组的传动链,具体部件包括主轴、齿轮箱及发电机,提供科学有效的故障诊断方法。根据该方法可以对风力发电机组维护、检修计划的安排调整给出指导性建议。
Claims (5)
1.一种基于稀疏分解的风力发电机组故障特征提取方法,其特征在于,包括以下步骤:
1)针对所测试的振动信号,根据振动信号不同的形态成分对其进行变换分解;其中谐波成分采用离散余弦变换分解,冲击成分采用离散小波变换分解;通过迭代稀疏分解和重构信号,提取谐波分量、冲击分量和余量;
2)将迭代过程中的各个分量相加,重构谐波分量和冲击分量;
3)将得到的各个分量进行频谱分析和包络解调分析,与故障特征进行匹配,从而获得诊断结论。
2.根据权利要求1所述的基于稀疏分解的风力发电机组故障特征提取方法,其特征在于:所述步骤1)中所测试的振动信号的条件必须满足以下内容:
对于非直驱型风力发电机组,测试环境为风力发电机组正常运转情况下,不少于名义输出功率的20%的生产运行模式进行并网测试。
3.根据权利要求1所述的基于稀疏分解的风力发电机组故障特征提取方法,其特征在于:所述步骤1)中,根据信号不同的形态成分通过迭代稀疏分解和重构信号,提取谐波分量、冲击分量和余量;针对所采集的水平与垂直振动信号a(t),单位为g,g为9.8m/s2,按采用形态学分析方法结合逐级正交匹配追踪,以及采用离散余弦变换字典提取谐波,选择离散小波变换字典提取冲击按以下方法进行处理:
(1)初始化:
设定迭代步数L,稀疏分解阈值参数为t1,稀疏分解阈值参数为t2,初始分解余量为r1 1=a(t);其中,L>10,0<t1<0.5,0.5<t2<1;
(2)迭代:
1.1提取谐波分量:
初始化,令i=1,2,…,L-1,L;根据形态学成分分析,选择离散余弦变换字典Φ1提取谐波;根据对余量r1 (i)中的谐波分量进行归一化稀疏表示得到系数α1 (i),采用阈值参数为t1的逐级正交匹配追踪,即进行如下操作:令 根据阈值参数以及噪声的统计分布规律计算逆累积分布函数 然后通过阈值筛选J1 (i)={j:|α1 (i)(j)|>F1},合并 根据以及R1 (i)=r1 (i)-X1 (i)重构得到谐波成分X1 (i)和谐波余量R1 (i);
1.2提取冲击分量:
根据形态学成分分析,选择离散小波变换字典Φ2提取谐波;根据 对余量r2 (i)中的谐波分量进行归一化稀疏表示得到系数α2 (i),采用阈值参数为t2的逐级正交匹配追踪,即进行如下操作:令根据阈值参数以及噪声的统计分布规律计算逆累积分布函数然后通过阈值筛选J2 (i)={j:|α2 (i)(j)|>F2},合并根据以及重构得到冲击成分X2 (i)和冲击余量R2 (i);
1.3获得下次迭代初始量:
r1 i+1=R2 (i),结束。
4.根据权利要求1所述的基于稀疏分解的风力发电机组故障特征提取方法,其特征在于:所述步骤2)中,将迭代过程中的各个分量相加,重构谐波分量X1和冲击分量X2的具体步骤如下:
X1=X1 (1)+…+X1 (i)+…+X1 (L);
X2=X2 (1)+…+X2 (i)+…+X2 (L)。
5.根据权利要求1所述的基于稀疏分解的风力发电机组故障特征提取方法,其特征在于:将得到的各个分量进行频谱分析和包络解调分析,与故障特征进行匹配,从而获得诊断结论,是指对所获得的谐波分量,利用FFT进行频谱分析;对所获得的冲击分量,利用Hilbert解调方法进行包络解调、并作出FFT频谱,从而获得峰值最大的频率值fmax;若该值与故障特征频率f在分辨率误差范围内一致,则诊断出发生了频率值f对应的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310471280.XA CN103728130B (zh) | 2013-10-10 | 2013-10-10 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310471280.XA CN103728130B (zh) | 2013-10-10 | 2013-10-10 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103728130A true CN103728130A (zh) | 2014-04-16 |
CN103728130B CN103728130B (zh) | 2015-05-27 |
Family
ID=50452300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310471280.XA Active CN103728130B (zh) | 2013-10-10 | 2013-10-10 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103728130B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927761A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于稀疏表示的故障微弱信号特征提取方法 |
CN103954353A (zh) * | 2014-05-12 | 2014-07-30 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN104182642A (zh) * | 2014-08-28 | 2014-12-03 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
CN104198151A (zh) * | 2014-09-01 | 2014-12-10 | 西北工业大学 | 基于稀疏分解的压气机气动失稳信号检测方法 |
CN105588720A (zh) * | 2015-12-15 | 2016-05-18 | 广州大学 | 基于声信号形态分量分析的滚动轴承故障诊断装置及方法 |
CN105841803A (zh) * | 2016-03-15 | 2016-08-10 | 大连理工大学 | 基于品质因子最小化的加工振动信号分解方法 |
CN106441871A (zh) * | 2016-10-20 | 2017-02-22 | 哈尔滨工业大学 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
CN106772036A (zh) * | 2016-12-13 | 2017-05-31 | 浙江运达风电股份有限公司 | 基于双馈风力发电机转子侧电量信息的碳刷和滑环火花监测方法 |
CN107543722A (zh) * | 2017-08-18 | 2018-01-05 | 西安交通大学 | 基于深度堆叠字典学习的滚动轴承故障特征提取方法 |
CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
CN109708891A (zh) * | 2019-01-30 | 2019-05-03 | 华南理工大学 | 一种柔性椭圆轴承滚道故障诊断方法 |
CN109900447A (zh) * | 2019-02-19 | 2019-06-18 | 上海交通大学 | 一种基于谐波信号分解的循环冲击振动检测方法及系统 |
CN110044619A (zh) * | 2019-01-25 | 2019-07-23 | 西安交通大学 | 一种基于稀疏多周期组套索的多故障特征辨识方法 |
CN110836722A (zh) * | 2018-08-15 | 2020-02-25 | 博西华家用电器有限公司 | 电气设备运行状态的检测方法及系统、可读存储介质 |
CN111753699A (zh) * | 2020-06-17 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
CN111896257A (zh) * | 2020-07-15 | 2020-11-06 | 江门职业技术学院 | 一种滚动轴承故障诊断方法及系统 |
CN114714911A (zh) * | 2022-04-11 | 2022-07-08 | 重庆大学 | 一种基于多域稀疏表达的电动客车高压负载系统故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN102305714A (zh) * | 2011-07-27 | 2012-01-04 | 西安交通大学 | 基于振动等效幅值风力发电机组传动链定量故障检测方法 |
JP2012058046A (ja) * | 2010-09-08 | 2012-03-22 | Nissin Electric Co Ltd | 電力機器の異常診断装置 |
CN102998119A (zh) * | 2012-12-04 | 2013-03-27 | 北京工业大学 | 一种基于复合q因子基算法的轴承故障诊断方法 |
-
2013
- 2013-10-10 CN CN201310471280.XA patent/CN103728130B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
JP2012058046A (ja) * | 2010-09-08 | 2012-03-22 | Nissin Electric Co Ltd | 電力機器の異常診断装置 |
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN102305714A (zh) * | 2011-07-27 | 2012-01-04 | 西安交通大学 | 基于振动等效幅值风力发电机组传动链定量故障检测方法 |
CN102998119A (zh) * | 2012-12-04 | 2013-03-27 | 北京工业大学 | 一种基于复合q因子基算法的轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
严保康等: "基于改进OMP算法的早期故障特征信号提取", 《第三十二届中国控制会议论文集(D卷)》, 28 July 2013 (2013-07-28), pages 6277 - 6281 * |
孙云嵩等: "基于信号共振稀疏分解的阶比分析及其在齿轮故障诊断中的应用", 《振动与冲击》, vol. 32, no. 16, 31 August 2013 (2013-08-31) * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927761A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于稀疏表示的故障微弱信号特征提取方法 |
CN103954353A (zh) * | 2014-05-12 | 2014-07-30 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN103954353B (zh) * | 2014-05-12 | 2016-08-24 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN104182642A (zh) * | 2014-08-28 | 2014-12-03 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
CN104182642B (zh) * | 2014-08-28 | 2017-06-09 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
CN104198151A (zh) * | 2014-09-01 | 2014-12-10 | 西北工业大学 | 基于稀疏分解的压气机气动失稳信号检测方法 |
CN105588720A (zh) * | 2015-12-15 | 2016-05-18 | 广州大学 | 基于声信号形态分量分析的滚动轴承故障诊断装置及方法 |
CN105841803A (zh) * | 2016-03-15 | 2016-08-10 | 大连理工大学 | 基于品质因子最小化的加工振动信号分解方法 |
CN106441871A (zh) * | 2016-10-20 | 2017-02-22 | 哈尔滨工业大学 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
CN106772036A (zh) * | 2016-12-13 | 2017-05-31 | 浙江运达风电股份有限公司 | 基于双馈风力发电机转子侧电量信息的碳刷和滑环火花监测方法 |
CN107543722A (zh) * | 2017-08-18 | 2018-01-05 | 西安交通大学 | 基于深度堆叠字典学习的滚动轴承故障特征提取方法 |
CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
CN110836722A (zh) * | 2018-08-15 | 2020-02-25 | 博西华家用电器有限公司 | 电气设备运行状态的检测方法及系统、可读存储介质 |
CN110044619A (zh) * | 2019-01-25 | 2019-07-23 | 西安交通大学 | 一种基于稀疏多周期组套索的多故障特征辨识方法 |
CN109708891A (zh) * | 2019-01-30 | 2019-05-03 | 华南理工大学 | 一种柔性椭圆轴承滚道故障诊断方法 |
CN109900447A (zh) * | 2019-02-19 | 2019-06-18 | 上海交通大学 | 一种基于谐波信号分解的循环冲击振动检测方法及系统 |
CN109900447B (zh) * | 2019-02-19 | 2020-07-14 | 上海交通大学 | 一种基于谐波信号分解的循环冲击振动检测方法及系统 |
CN111753699A (zh) * | 2020-06-17 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
CN111753699B (zh) * | 2020-06-17 | 2024-04-05 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
CN111896257A (zh) * | 2020-07-15 | 2020-11-06 | 江门职业技术学院 | 一种滚动轴承故障诊断方法及系统 |
CN111896257B (zh) * | 2020-07-15 | 2022-03-18 | 江门职业技术学院 | 一种滚动轴承故障诊断方法及系统 |
CN114714911A (zh) * | 2022-04-11 | 2022-07-08 | 重庆大学 | 一种基于多域稀疏表达的电动客车高压负载系统故障诊断方法 |
CN114714911B (zh) * | 2022-04-11 | 2024-05-28 | 重庆大学 | 一种基于多域稀疏表达的电动客车高压负载系统故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103728130B (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103728130B (zh) | 一种基于稀疏分解的风力发电机组故障特征提取方法 | |
Antoniadou et al. | A time–frequency analysis approach for condition monitoring of a wind turbine gearbox under varying load conditions | |
CN105510023B (zh) | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 | |
CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及系统 | |
CN102866027B (zh) | 基于lmd和局域时频熵的旋转机械故障特征提取方法 | |
CN102879196A (zh) | 利用矩阵小波变换的行星齿轮箱复合故障诊断方法 | |
CN102954857B (zh) | 基于电流信号的风电机组的叶片不平衡故障诊断方法 | |
CN104392082A (zh) | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 | |
CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
CN105784353A (zh) | 一种风力发电机齿轮箱故障诊断方法 | |
CN105938468A (zh) | 一种滚动轴承的故障诊断方法 | |
CN110514437A (zh) | 一种用于故障诊断的行星齿轮箱振动信号分离方法及系统 | |
CN102636347A (zh) | 一种用于变转速齿轮箱的振动信号时域同步平均方法 | |
Guo et al. | Data‐driven multiscale sparse representation for bearing fault diagnosis in wind turbine | |
CN106441871A (zh) | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 | |
CN105258940A (zh) | 机械故障定量提取的标准化多小波与多小波包变换方法 | |
CN110146282A (zh) | 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法 | |
CN110988472A (zh) | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 | |
Lin et al. | Application of the EEMD method to multiple faults diagnosis of gearbox | |
CN102305714B (zh) | 基于振动等效幅值风力发电机组传动链定量故障检测方法 | |
CN109900447B (zh) | 一种基于谐波信号分解的循环冲击振动检测方法及系统 | |
Zhang et al. | Application of variational mode decomposition based demodulation Analysis in gearbox fault diagnosis | |
CN204805373U (zh) | 一种用于风力发电机组的柔性联轴器 | |
Wang et al. | Gearbox fault detection and diagnosis based on EEMD De-noising and power spectrum | |
Zheng et al. | Variational mode decomposition applied to offshore wind turbine rolling bearing fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |