CN106596116A - 一种风力发电机组振动故障诊断方法 - Google Patents
一种风力发电机组振动故障诊断方法 Download PDFInfo
- Publication number
- CN106596116A CN106596116A CN201611071559.9A CN201611071559A CN106596116A CN 106596116 A CN106596116 A CN 106596116A CN 201611071559 A CN201611071559 A CN 201611071559A CN 106596116 A CN106596116 A CN 106596116A
- Authority
- CN
- China
- Prior art keywords
- vibration
- generating set
- fault
- signal
- wind generating
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/12—Testing internal-combustion engines by monitoring vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种风力发电机组振动故障诊断方法。在本发明中,首先,采用振动传感器采集风力发电机组振动故障信号;继而利用变分模态方法提取故障特征信息,并经归一化处理提取故障特征向量;最后将其输入到所建立的遗传算法优化支持向量机的模型中,实现故障的识别与诊断。本发明适应于风力发电机组振动故障的诊断与识别,且诊断精度较高,能够为机组维护人员提供及时与可靠的维修建议,减少不必要的经济损失。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种风力发电机组振动故障诊断方法。
背景技术
近年来,能源短缺与环境问题日益突出,世界各国对于新能源的发展日益重视,风力发电作为一种可再生清洁能源,在世界各国得到了快速的发展。但是,风力发电机组工作环境恶劣、结构复杂,极易发生各种故障故障。对其进行早期状态检测与故障诊断,能够有效避免事故的发生,减少经济损失。因此,开展风力发电机组故障诊断技术的研究对于促进风电技术的发展意义重大。
风力发电机组故障诊断一般分为四个步骤,分别为信号采集、信号处理与特征提取、故障识别和诊断决策。目前,风力发电机组故障的研究主要集中于在线监测系统的开发、信号的处理与分析、典型故障特征提取、设备故障机理研究、故障诊断方法研究和人工智能应用等几个方面。
在进行风力发电机组故障诊断中,常采用的分析方法有傅里叶变换、奇异值分解、高阶统计量理论、小波变换和经验模态分解等。傅里叶变换只适用于平稳信号的检测与处理,而对于非平稳信号无能为力;奇异值分解只是在时域内对信号进行分析处理,而与频域分析无关;高阶统计量的计算量较大,不太实用;小波变换对于基函数的选择还没有一个基本的标准或通用的方法;经验模态分解能够适用于非平稳、非线性信号的检测与处理,但是其存在端点效应和模态混叠现象,且没有理论基础。因此,这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足,不能充分凸显信号特征。
随着人工智能技术的发展,为风力发电机组的故障诊断提供了一定的理论支持,如专家系统、模糊诊断方法、神经网络和支持向量机等。专家系统在知识的获取、维护以及推理等方面还不成熟;模糊理论在处理比较复杂的诊断系统时,其隶属度函数和模糊规则很难建立;神经网络需要在大量的训练样本下,才能获得准确的诊断结果,而实际运行中难以获取大量的数据样本;支持向量机具有结构简单、学习速度快、全局最优和泛化性好等优点,在小样本情况下也可以达到较高的诊断精度。
发明内容
本发明的目的是提供一种风力发电机组振动故障诊断方法,解决了现有技术在风力发电机组故障诊断过程中不能有效处理非线性、非平稳振动信号的问题。
本发明所采用的技术方案是,一种风力发电机组振动故障诊断方法,包括以下步骤:
步骤1,采用振动传感器采集风力发电机组振动故障信号;
步骤2,利用变分模态分解方法对振动信号进行分解,得到包含不同频段信息的IMF分量;
步骤3,计算振动信号经变分模态分解得到的各个IMF分量的能量,并经归一化处理,得到该信号的故障特征向量;
步骤4,利用遗传算法优化支持向量机,构建基于遗传算法优化的支持向量机故障诊断模型;
步骤5,将提取的故障特征向量输入到步骤4建立的诊断模型中进行故障的识别与诊断。
上述方法的特点还在于:
步骤2具体包括以下子步骤:
步骤2.1,估计IMF分量频率带宽的目标,
(1)对每个模态函数uk进行Hibert变换,得到每个模态函数uk的解析信号;
(2)利用指数修正,将每个模态函数的频谱调制到各自估算的中心频率;
(3)计算以上解调信号的梯度的平方L2范数,估算出各模态函数的带宽,得到其对应的约束变分问题:
式中,uk={u1,u2,…uK}为各模态函数集;wk={w1,w2,…wK}为各模态中心频率;为对函数求时间t的偏导数;δt为单位脉冲函数;j为虚数单位;*表示卷积;
步骤2.2,将上述约束变分问题转化为非约束变分问题,引入增广拉格朗日函数L,如下式所示:
式中,α为带宽参数;λ(t)为拉格朗日乘子;
步骤2.3,采用交替方向乘子算法求取式(4)扩展的拉格朗日函数,
(1)初始化n;
(2)执行循环n=n+1;
(3)对所有的w≥0,更新泛函
更新泛函wk:
(4)更新λ:
式中,τ为噪声容限参数。
(5)重复(2)~(4),直到满足迭代约束条件:
结束迭代,得到K个IMF分量。
步骤3具体包括以下子步骤:
步骤3.1,计算各个IMF分量的能量;
步骤3.2,构建IMF能量的特征向量,并经归一化处理,令:
从而,得到表征信号的特征向量如下式所示:
步骤4具体包括以下子步骤:
步骤4.1,对参数惩罚因子C和径向基核函数的宽度σ2进行编码,产生两个参数的初始化种群,并设置初始参数;
步骤4.2,计算适应度函数值,采用3折交叉验证方法评估粒子的适应度;
步骤4.3,根据适应度函数值,进行复制、交叉和变异遗传操作,产生新的一代种群;
步骤4.4、检验是否满足结束条件,若满足,则结束寻优过程,否则转至第4.2步重复运行,结束条件为寻优过程达到最大进化代数。
步骤5具体包括以下子步骤:
步骤5.1,将多组故障特征向量平均分成两组,分别作为遗传算法优化支持向量机的诊断模型的训练样本和测试样本;
步骤5.2,利用训练样本对故障诊断模型进行训练,然后再对测试样本进行诊断,从而实现故障的识别与分类。
本发明的有益效果是,本发明主要针对风力发电机组故障信号非线性、非平稳性的特点,将变分模态分解与支持向量机相结合,提出了一种变分模态分解和基于遗传算法优化支持向量机相结合的故障诊断方法,能够充分凸显信号特征。本发明适合于风力发电机组的故障诊断,且诊断结果精度较高,为机组运行维护人员提供了可靠地诊断结果,方便其及时快速的处理故障,保障了机组运行的安全性与经济性。
附图说明
图1为滚动轴承滚动体剥落、内圈剥落和外圈剥落的原始信号;
图2为滚动轴承滚动体剥落第一段信号的时域与频域图;
图3为滚动体剥落信号变分模态分解的时域与频域图;
图4为基于遗传算法优化支持向量机的流程图;
图5为滚动轴承的故障诊断结果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明,但本发明并不限于这些实施方式。
将本发明风力发电机组振动故障诊断方法应用于实验室模拟的风力发电机组主轴轴承故障诊断中。首先,采用振动传感器采集风力发电机组振动故障信号;继而利用变分模态分解对原始振动信号进行分解,得到包含不同频段信息的IMF分量;然后,采用能量特征法提取IMF的能量,并经归一化处理,得到故障诊断模型输入的特征向量;最后,将特征向量输入到诊断模型中,进行故障的识别与诊断,从而完成故障的诊断。
具体按照以下步骤实施:
步骤1,利用振动传感器分别采集滚动轴承在内圈剥落、外圈剥落和滚动体剥落三种典型故障下的4组数据,共采集12组数据,每组数据采集8196个点,采样频率为20KHz。图1为实验采集的滚动轴承在内圈剥落、外圈剥落和滚动体剥落时的第一组信号。
步骤2,将滚动轴承在内圈剥落、外圈剥落和滚动体剥落三种故障下的各组数据分别分成8段,每段1024个点,每种故障信号共分为32段,共96段。
步骤3,以滚动轴承滚动体剥落信号为例,利用变分模态分解方法对滚动轴承在三种典型故障下的各段振动信号进行分解,得到包含不同频段信息的IMF分量。图2为滚动体剥落时第一段信号的时域与频域图,图3为滚动体剥落时第一段信号变分模态分解的时域与频域图。
具体步骤如下:
步骤3.1,估计IMF分量频率带宽的目标。在利用变分模态分解求解每个IMF分量时,将信号的分解引入到变分模型中进行求解,通过搜索约束变分模型最优解来实现信号的分解,在此过程中,每个IMF分量的中心频率和带宽不断更新,最后自适应的分解为K个带宽之和最小的IMF分量,且K个IMF分量之和为输入信号f。通过以下方法估计IMF分量频率带宽的目标:
(1)对每个模态函数uk(t)进行Hibert变换,得到每个模态函数uk(t)的解析信号,如式(1)所示:
(2)利用指数修正,将每个模态函数的频谱调制到各自估算的中心频率,如式(2)所示:
(3)计算以上解调信号的梯度的平方L2范数,估算出各模态函数的带宽。
对应的约束变分问题为:
式中,uk={u1,u2,…uK}为各模态函数集;wk={w1,w2,…wK}为各模态中心频率;为对函数求时间t的偏导数;δt为单位脉冲函数;j为虚数单位;*表示卷积。
步骤3.2,将上述约束变分问题转化为非约束变分问题,引入增广拉格朗日函数L,如下式所示:
式中,α为带宽参数;λ(t)为拉格朗日乘子。
步骤3.3,采用交替方向乘子算法求取式(4)扩展的拉格朗日函数,具体的实现步骤如下:
(1)初始化n;
(2)执行循环n=n+1;
(3)对所有的w≥0,更新泛函
更新泛函wk:
(4)更新λ:
式中,τ为噪声容限参数。
(6)重复(2)~(4),直到满足迭代约束条件:
结束迭代,得到K个IMF分量。
步骤4,计算振动信号经变分模态分解得到的各个IMF分量的能量,并经归一化处理,得到该信号的故障特征向量。
具体步骤如下:
步骤4.1,计算各个IMF分量的能量,计算公式如下:
步骤4.2,构建IMF能量的特征向量,并经归一化处理,令:
从而,得到表征信号的特征向量如下式所示:
采用上述能量特征法提取的滚动轴承故障信号特征向量结果见表1。
表1 滚动轴承故障信号的特征向量
步骤5,利用遗传算法优化支持向量机,构建基于遗传算法优化的支持向量机的故障诊断模型。
支持向量机故障诊断模型的建立需要的主要参数为惩罚因子C和径向基核函数的宽度σ2,该诊断技术利用遗传算法的全局随机搜索能力对其参数C和σ2进行优化调整。其主要思路是先对SVM的两个参数C和σ2编码生成染色体,继而对染色体根据适用度函数值进行复制、交叉和变异操作,使其不断进化,最后得到使SVM分类精度达到最优的染色体。具体步骤参照图4,如下:
步骤5.1,对参数惩罚因子C和径向基核函数的宽度σ2进行编码,产生两个参数的初始化种群,并设置初始参数;
步骤5.2,计算适应度函数值,采用3折交叉验证方法评估粒子的适应度,适应度函数如下式所示:
式中,CV(c,σ2)表示校验分类精度,ξt,ξf分别表示正确分类与错误分类的个数;
在3-CV折交叉验证中,训练样本集被随机分为三个互不重叠的子集,其中两个子集作为训练集,剩下一个子集作为测试集,上述过程重复三次,以使每个子集被校验;
步骤5.3,根据适应度函数值,进行复制、交叉和变异遗传操作,产生新的一代种群;
步骤5.4、检验是否满足结束条件,若满足,则结束寻优过程,否则转至第5.2步重复运行,结束条件为寻优过程达到最大进化代数。
步骤6,将表1中的特征向量输入到遗传算法优化支持向量机的诊断模型中进行训练。
具体步骤如下:
步骤6.1,从表1中的特征向量中随机选取16组作为训练样本,剩余16组作为测试样本,
步骤6.2,利用训练样本对故障诊断模型进行训练,然后再对测试样本进行故障识别与诊断。
图5中(a)、(b)和(c)分别为滚动轴承在滚动体剥落、内圈剥落和外圈剥落三种故障下的诊断结果,图中的纵坐标样本类别0、1、2分别代表滚动体剥落、内圈剥落和外圈剥落故障。从图中可以看出,在滚动轴承滚动体剥落故障情况下,16组测试样本均诊断正确,故障诊断的正确率达到了100%,在滚动轴承内圈剥落和外圈剥落两种故障情况下,各有一组数据发生了误判,故障诊断的正确率达到了93.75%,平均诊断正确率达到了95.83%。
仿真结果表明本发明的诊断精度较高,在风力发电机组中的应用效果较好,为风力发电机组的振动故障诊断提供了一种新思路,方便机组维护人员及时解决机组的故障问题,提高了机组运行的安全性与经济型。同时,该故障诊断方法同样适用于风力发电机组以外的其它机械振动故障的识别与诊断,具有一定的推广性。
Claims (5)
1.一种风力发电机组振动故障诊断方法,其特征在于,包括以下步骤:
步骤1,采用振动传感器采集风力发电机组振动故障信号;
步骤2,利用变分模态分解方法对振动信号进行分解,得到包含不同频段信息的IMF分量;
步骤3,计算振动信号经变分模态分解得到的各个IMF分量的能量,并经归一化处理,得到该信号的故障特征向量;
步骤4,利用遗传算法优化支持向量机,构建基于遗传算法优化的支持向量机故障诊断模型;
步骤5,将提取的故障特征向量输入到步骤4建立的诊断模型中进行故障的识别与诊断。
2.根据权利要求1所述的风力发电机组振动故障诊断方法,其特征在于,所述步骤2具体包括以下子步骤:
步骤2.1,估计IMF分量频率带宽的目标,
(1)对每个模态函数uk(t)进行Hibert变换,得到每个模态函数uk(t)的解析信号,如式(1)所示:
(2)利用指数修正,将每个模态函数的频谱调制到各自估算的中心频率,如式(2)所示:
(3)计算以上解调信号的梯度的平方L2范数,估算出各模态函数的带宽,得到其对应的约束变分问题:
式中,uk={u1,u2,…uK}为各模态函数集;wk={w1,w2,…wK}为各模态中心频率;为对函数求时间t的偏导数;δt为单位脉冲函数;j为虚数单位;*表示卷积;
步骤2.2,将上述约束变分问题转化为非约束变分问题,引入增广拉格朗日函数L,如下式所示:
式中,α为带宽参数;λ(t)为拉格朗日乘子;
步骤2.3,采用交替方向乘子算法求取式(2)扩展的拉格朗日函数,得到K个IMF分量。
3.根据权利要求1所述的风力发电机组振动故障诊断方法,其特征在于,所述步骤3具体包括以下子步骤:
步骤3.1,计算各个IMF分量的能量;
步骤3.2,构建IMF能量的特征向量,并经归一化处理,令:
从而,得到表征信号的特征向量如下式所示:
4.根据权利要求1所述的风力发电机组振动故障诊断方法,其特征在于,所述步骤4具体包括以下子步骤:
步骤4.1,对参数惩罚因子C和径向基核函数的宽度σ2进行编码,产生两个参数的初始化种群,并设置初始参数;
步骤4.2,计算适应度函数值,采用3折交叉验证方法评估粒子的适应度;
步骤4.3,根据适应度函数值,进行复制、交叉和变异遗传操作,产生新的一代种群;
步骤4.4、检验是否满足结束条件,若满足,则结束寻优过程,否则转至第4.2步重复运行,结束条件为寻优过程达到最大进化代数。
5.根据权利要求1所述的风力发电机组振动故障诊断方法,其特征在于,所述步骤5具体包括以下子步骤:
步骤5.1,将多组故障特征向量平均分成两组,分别作为遗传算法优化支持向量机的诊断模型的训练样本和测试样本;
步骤5.2,利用训练样本对故障诊断模型进行训练,然后再对测试样本进行诊断,从而实现故障的识别与分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611071559.9A CN106596116A (zh) | 2016-11-29 | 2016-11-29 | 一种风力发电机组振动故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611071559.9A CN106596116A (zh) | 2016-11-29 | 2016-11-29 | 一种风力发电机组振动故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106596116A true CN106596116A (zh) | 2017-04-26 |
Family
ID=58593565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611071559.9A Pending CN106596116A (zh) | 2016-11-29 | 2016-11-29 | 一种风力发电机组振动故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596116A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN107563403A (zh) * | 2017-07-17 | 2018-01-09 | 西南交通大学 | 一种高速列车运行工况的识别方法 |
CN108072517A (zh) * | 2017-11-30 | 2018-05-25 | 西安理工大学 | 一种旋转机械微弱故障信号检测方法 |
CN108106717A (zh) * | 2017-12-04 | 2018-06-01 | 中国水利水电科学研究院 | 一种基于声音信号识别机组状态的方法 |
CN108152025A (zh) * | 2017-12-19 | 2018-06-12 | 苏州大学 | 自适应变分模式分解的机械微弱故障诊断方法 |
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
CN108760305A (zh) * | 2018-06-13 | 2018-11-06 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障检测方法、装置及设备 |
CN109238712A (zh) * | 2018-09-12 | 2019-01-18 | 温州大学 | 一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 |
CN109323832A (zh) * | 2018-09-12 | 2019-02-12 | 温州大学 | 一种冷镦成型机模具冲击状态的监测方法 |
CN109543858A (zh) * | 2018-11-30 | 2019-03-29 | 青海电研科技有限责任公司 | 一种水电机组在线监测数据分析评估方法 |
CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
CN109682561A (zh) * | 2019-02-19 | 2019-04-26 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
CN109738056A (zh) * | 2019-01-04 | 2019-05-10 | 红相股份有限公司 | 一种有载分接开关机械状态信号特征提取方法 |
CN109993183A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团四川有限公司 | 网络故障评估方法、装置、计算设备及存储介质 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
CN110057587A (zh) * | 2019-05-06 | 2019-07-26 | 江苏联能电子技术有限公司 | 一种核电用泵轴承智能故障诊断方法及系统 |
CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
CN110334562A (zh) * | 2018-03-30 | 2019-10-15 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN110727908A (zh) * | 2019-09-27 | 2020-01-24 | 宁夏凯晨电气集团有限公司 | 解决复杂电气故障的模态解析方法 |
CN111753260A (zh) * | 2020-06-29 | 2020-10-09 | 武汉科技大学 | 升降机固定装置松动状态检测方法、计算机设备及升降机 |
CN111795826A (zh) * | 2020-06-29 | 2020-10-20 | 南京航空航天大学 | 一种小型二冲程活塞发动机喷油异常的故障诊断方法 |
CN112132069A (zh) * | 2020-09-27 | 2020-12-25 | 中国特种设备检测研究院 | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及系统 |
CN113837251A (zh) * | 2021-09-10 | 2021-12-24 | 国家石油天然气管网集团有限公司华南分公司 | 一种基于ga-svm的石油管道振动检测装置及其控制方法 |
CN113887322A (zh) * | 2021-09-08 | 2022-01-04 | 安徽建筑大学 | 基于光输出时频特征的led灯具电源驱动故障诊断方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066390A1 (en) * | 2013-08-30 | 2015-03-05 | National Central University | Error measuring method of gear |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
-
2016
- 2016-11-29 CN CN201611071559.9A patent/CN106596116A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066390A1 (en) * | 2013-08-30 | 2015-03-05 | National Central University | Error measuring method of gear |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN107563403B (zh) * | 2017-07-17 | 2020-07-31 | 西南交通大学 | 一种高速列车运行的工况识别方法 |
CN107563403A (zh) * | 2017-07-17 | 2018-01-09 | 西南交通大学 | 一种高速列车运行工况的识别方法 |
CN108072517A (zh) * | 2017-11-30 | 2018-05-25 | 西安理工大学 | 一种旋转机械微弱故障信号检测方法 |
CN108072517B (zh) * | 2017-11-30 | 2020-03-27 | 西安理工大学 | 一种旋转机械微弱故障信号检测方法 |
CN108106717A (zh) * | 2017-12-04 | 2018-06-01 | 中国水利水电科学研究院 | 一种基于声音信号识别机组状态的方法 |
CN108106717B (zh) * | 2017-12-04 | 2019-07-02 | 中国水利水电科学研究院 | 一种基于声音信号识别机组状态的方法 |
CN108152025A (zh) * | 2017-12-19 | 2018-06-12 | 苏州大学 | 自适应变分模式分解的机械微弱故障诊断方法 |
CN108152025B (zh) * | 2017-12-19 | 2019-08-06 | 苏州大学 | 自适应变分模式分解的机械微弱故障诊断方法 |
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN108171263B (zh) * | 2017-12-26 | 2019-08-30 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN108197648B (zh) * | 2017-12-28 | 2020-06-05 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
CN109993183B (zh) * | 2017-12-30 | 2022-12-27 | 中国移动通信集团四川有限公司 | 网络故障评估方法、装置、计算设备及存储介质 |
CN109993183A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团四川有限公司 | 网络故障评估方法、装置、计算设备及存储介质 |
CN110334562B (zh) * | 2018-03-30 | 2022-10-28 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN110334562A (zh) * | 2018-03-30 | 2019-10-15 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN108760305A (zh) * | 2018-06-13 | 2018-11-06 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障检测方法、装置及设备 |
CN109323832A (zh) * | 2018-09-12 | 2019-02-12 | 温州大学 | 一种冷镦成型机模具冲击状态的监测方法 |
CN109238712A (zh) * | 2018-09-12 | 2019-01-18 | 温州大学 | 一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 |
CN109543858A (zh) * | 2018-11-30 | 2019-03-29 | 青海电研科技有限责任公司 | 一种水电机组在线监测数据分析评估方法 |
CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
CN109738056A (zh) * | 2019-01-04 | 2019-05-10 | 红相股份有限公司 | 一种有载分接开关机械状态信号特征提取方法 |
CN109682561A (zh) * | 2019-02-19 | 2019-04-26 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
CN110044623B (zh) * | 2019-04-15 | 2020-09-22 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
CN110057587A (zh) * | 2019-05-06 | 2019-07-26 | 江苏联能电子技术有限公司 | 一种核电用泵轴承智能故障诊断方法及系统 |
CN110727908A (zh) * | 2019-09-27 | 2020-01-24 | 宁夏凯晨电气集团有限公司 | 解决复杂电气故障的模态解析方法 |
CN111753260A (zh) * | 2020-06-29 | 2020-10-09 | 武汉科技大学 | 升降机固定装置松动状态检测方法、计算机设备及升降机 |
CN111795826B (zh) * | 2020-06-29 | 2021-12-21 | 南京航空航天大学 | 一种小型二冲程活塞发动机喷油异常的故障诊断方法 |
CN111795826A (zh) * | 2020-06-29 | 2020-10-20 | 南京航空航天大学 | 一种小型二冲程活塞发动机喷油异常的故障诊断方法 |
CN112132069A (zh) * | 2020-09-27 | 2020-12-25 | 中国特种设备检测研究院 | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及系统 |
CN113887322A (zh) * | 2021-09-08 | 2022-01-04 | 安徽建筑大学 | 基于光输出时频特征的led灯具电源驱动故障诊断方法及其系统 |
CN113837251A (zh) * | 2021-09-10 | 2021-12-24 | 国家石油天然气管网集团有限公司华南分公司 | 一种基于ga-svm的石油管道振动检测装置及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
Ma et al. | Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox under nonstationary running conditions | |
Chen et al. | Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform | |
Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
Wu et al. | Intelligent fault diagnosis of rotating machinery based on one-dimensional convolutional neural network | |
Zhang et al. | Research on bearing fault diagnosis of wind turbine gearbox based on 1DCNN-PSO-SVM | |
CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
Hu et al. | A novel fault diagnosis technique for wind turbine gearbox | |
Sun et al. | Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
Wu et al. | Rub-impact fault diagnosis of rotating machinery based on 1-D convolutional neural networks | |
CN105628425A (zh) | 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法 | |
CN105354587A (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
Deng et al. | An improved deep residual network with multiscale feature fusion for rotating machinery fault diagnosis | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
Xie et al. | Learning features from high speed train vibration signals with deep belief networks | |
CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
CN109765054A (zh) | 一种滚动轴承故障诊断方法 | |
Pang et al. | Design and implementation of automatic fault diagnosis system for wind turbine | |
Zhong et al. | Pre-trained network-based transfer learning: A small-sample machine learning approach to nuclear power plant classification problem | |
Lima et al. | Wavelet‐artificial immune system algorithm applied to voltage disturbance diagnosis in electrical distribution systems | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |