CN107192524A - 一种考虑强谐波干扰的风电结构工作模态参数识别方法 - Google Patents
一种考虑强谐波干扰的风电结构工作模态参数识别方法 Download PDFInfo
- Publication number
- CN107192524A CN107192524A CN201710216210.8A CN201710216210A CN107192524A CN 107192524 A CN107192524 A CN 107192524A CN 201710216210 A CN201710216210 A CN 201710216210A CN 107192524 A CN107192524 A CN 107192524A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- matrix
- harmonic
- harmonic wave
- 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
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种考虑强谐波干扰的风电结构工作模态参数识别方法，通过假设风机在特定时间段内受到的谐波激励在频域上具有恒定时不变特性，明确振动信息中包含的谐波成分，在SSI中将一种或多种与干扰谐波相对应的恒定谐波信息矩阵加入到原有结构系统特征矩阵中固定位置上，重构并推导建立HM‑SSI进行模态识别，保证系统分解后的特征值矩阵对角线上包含有已知的谐波信息，间接地使结构固有模态成分在矩阵对角线信息上与干扰谐波成分实现区分，实现风电结构工作模态参数信息的精确识别。该方法不仅解决了强谐波干扰下风电结构工作模态识别难题，也为风机实时在线监测与运行安全性评估提供必要的方法支撑与技术支持，具有很好的工程适用性与应用价值。
Description
技术领域
本发明属于风电工程技术领域，涉及一种考虑强谐波干扰的风电结构工作模态参数识别方法，是一种在风机运行状态下消除叶轮强谐波激励影响而精确识别结构工作模态参数的方法与理念。
背景技术
面对国际能源供应持续紧张及生物化石能源造成环境污染等诸多问题，世界各国纷纷加大对清洁可再生能源的开发力度。风能因其蕴藏量大、可再生、清洁无污染等特点，已经成为新能源中具有极大发展潜力的一个领域，受到世界各国越来越大的重视。结构工作模态参数可用于表征结构处于运行工况时所体现出的与该工作状态相匹配的动态特性，是判断结构运行安全性的重要动态指标。对于配有旋转机械设备的运行结构来说，结构工作模态与其固有模态间存在一定的差别。因此，正确掌握结构工作模态特性有助于提高激振力与结构间共振问题判断的准确程度，进而避免结构运行安全隐患的出现。风力发电机是典型的具有旋转机械设备的运行结构，由于其布置的特殊性，结构在较高转速运行时会受到明显的叶轮转频及其倍频谐波激励作用，导致结构振动中的谐波成分往往占据响应中的大部分能量。同时，由于风电结构工作模态频率和转频谐波成分通常较为接近，因此结构受持续环境荷载激励下产生的模态信息则会淹没于谐波信号中，从而大大影响工作模态识别的精度。目前，对运行状态下结构工作模态识别中谐波干扰问题的处理，现有技术中的方法主要从对信号中谐波成分进行滤除，利用随机信号与谐波信号统计特征差异，改进传统模态识别方法等三个方面进行研究，但以上方法在工程应用上均存在一定的不足与缺陷。
对于高转速运行状态下风电结构工作模态的识别，主要难点在于如何既能剔除与结构模态频率相临近的谐波成分在结构系统特征矩阵中产生的干扰，又能保证表征风机自身振动特性的有用信息不受损失。为此，本发明提出了一种考虑强谐波干扰的风电结构工作模态参数识别方法，该方法充分考虑风机在实际运行过程中所受谐波激励对结构的作用效应与影响，通过将已知谐波信息输入到风机系统矩阵中从而识别获得未知结构工作模态参数的目的，在明确风电结构复杂条件下工作状态特性与判别结构运行安全性方面具有明显且突出的优势，在未来可推广应用在风电结构实时在线监测与快速安全评估领域，具有较好的工程适用性与工程应用价值。
发明内容
本发明的目的旨在消除风电结构运行过程中，特别是高转速运行条件下产生的强谐波激励对识别结构工作模态参数的影响，实现风机运行状态下工作模态信息识别准确度与精度的显著提高。该方法突破了现有方法在模态识别方面的束缚，将结构谐波干扰模态与工作模态有效分离，为风电结构实时在线监测与运行安全性评估提供必要的方法支撑与技术支持，在工程上也具有较好的推广应用价值。
为了达到上述目的，本发明采用的技术方案是：
一种考虑强谐波干扰的风电结构工作模态参数识别方法，基于现场原型观测获得风机振动响应数据来完成，通过假设风机在特定时间段内所受到的谐波激励在频域上具有恒定时不变特性，即认为实际激励在频域与幅值上为恒定或者较小变化范围内可由平均值代替，通过谱分析方法明确振动信息中包含的谐波成分，并在传统识别方法随机子空间法(SSI)中将一种或多种与干扰谐波相对应的恒定谐波信息矩阵加入到原有结构系统特征矩阵中固定位置上，基于SSI 法基本原理重构并推导建立考虑谐波修正的SSI方法(HM-SSI)以进行模态识别，严格保证系统分解后的特征值矩阵对角线上包含有已知的谐波信息，从而间接地使得结构固有模态成分在矩阵对角线信息上与干扰谐波成分实现区分，实现风电结构工作模态参数信息的精确识别。
进一步的，其步骤如下：
1)对原型观测获得振动响应信号进行降噪处理，保证分析信号中体现自身振动特性的有用信息无损与完整，以降低周边噪声干扰对工作模态参数识别精度的影响；
2)对实测振动信号进行谱分析，并结合现场测试获得风机叶轮转速信息，确定运行状态下风电结构强谐波激励影响的主要干扰频率成分，作为谐波修正模态识别方法的重要输入条件；
3)根据SSI方法通过实测响应数据构造结构动力系统的特征矩阵，基于原型观测数据构造风电结构系统矩阵，其行空间分成“过去”行空间和“将来”行空间，如下式：
上式，yi表示第i时刻所有测点的响应；Y0/i-1和Yi/2i-1分别表示系统矩阵中前i 块和后i块所有测点数据组成的矩阵；Yp和Yf分别表示矩阵的“过去”和“将来”行空间；
4)基于在2)步骤中明确的一种或多种谐波干扰频分，构造与其频率相对应的针对“过去”和“未来”行空间的i时刻延伸谐波矩阵，如下式：
上式中，Yph与Yfh分别为结构系统矩阵中表征“过去”和“未来”行空间的谐波延伸矩阵；h为响应中包含已知谐波频率的成分；ωh为第h个谐波的圆频率；
5)得到延伸后的系统矩阵“过去”与“未来”的行空间，如下式：
得到扩展后的整体结构系统矩阵，如下式：
6)根据步骤3)原理，再构造得到i+1时刻的结构系统矩阵与针对“过去”和“未来”行空间的i+1时刻的延伸谐波系统矩阵，如下式：
7)根据步骤3)至步骤6)，基于SSI方法重新推导考虑谐波成分影响的谐波修正SSI方法，求得系统矩阵Are和输出矩阵Cre，如下式：
或
8)经步骤7)得到扩展后系统特征矩阵，再根据特征值分解得到结构相关的模态信息，其中既包括固有模态成分也包括有谐波模态成分。
本发明有益效果是：
本发明从根本上颠覆了传统模态参数识别基本方法中仅考虑结构系统矩阵的理念与处理方式，突破了传统方法中对外部荷载激励条件的规定与限制，解决了高转速运行状态下风电结构工作模态识别过程中的谐波模态干扰与虚假模态混叠问题。该方法巧妙地通过在识别结构系统矩阵中加入已知的谐波矩阵，将待剔除之“毒”——谐波成分在矩阵中固定位置进一步放大明确，这种方法不仅克服了现有大多数基于滤波原理的模态识别方法因滤波器选取不当造成有用振动信息损失问题，而且通过“以毒攻毒”的方式将传统处理方法中易与真实模态信息混叠的谐波模态成分分离开来，最终达到风电结构工作模态精确识别的目的。该方法的提出不仅解决了强谐波干扰下风电结构工作模态识别难题，同时也为未来风机实时在线监测与运行安全性评估提供必要的方法支撑与技术支持，具有很好的工程适用性与应用价值。
附图说明
图1一种考虑强谐波干扰的风电结构工作模态参数识别方法实现流程图。
图2叶轮转速18rpm时各测点振动位移功率谱曲线图。
图3叶轮转速18rpm时识别工作模态频率稳定图。
具体实施方式
下面结合附图对本发明做进一步说明。
本发明是基于现场原型观测获得风机振动响应数据来完成的，该方法基本理念是通过假设风机在特定时间段内所受到的谐波激励在频域上具有恒定时不变特性，即认为实际激励在频域与幅值上为恒定或者较小变化范围内可由平均值代替，通过谱分析方法明确振动信息中包含的谐波成分，并在传统识别方法随机子空间法(SSI)中将一种或多种与干扰谐波相对应的恒定谐波信息矩阵加入到原有结构系统特征矩阵中固定位置上，基于SSI法基本原理重构并推导建立考虑谐波修正的SSI方法(HM-SSI)以进行模态识别，在机理上严格保证系统分解后的特征值矩阵对角线上包含有已知的谐波信息，从而间接地使得结构固有模态成分在矩阵对角线信息上与干扰谐波成分得以区分，实现风电结构工作模态参数信息的精确识别。
本发明实现流程如下：
1)对原型观测获得振动响应信号进行降噪处理，保证分析信号中体现自身振动特性的有用信息无损与完整，以降低周边噪声干扰对工作模态参数识别精度的影响；
2)对实测振动信号进行谱分析，并结合现场测试获得风机叶轮转速信息，确定运行状态下风电结构强谐波激励影响的主要干扰频率成分，作为谐波修正模态识别方法的重要输入条件；
3)SSI法的基本思路是通过实测响应数据构造结构动力系统的特征矩阵，即可通过特征值求解结构系统的模态信息。故基于原型观测数据构造风电结构系统矩阵，其行空间分成“过去”行空间和“将来”行空间，如下式：
上式，yi表示第i时刻所有测点的响应；Y0/i-1和Yi/2i-1分别表示系统矩阵中前i 块和后i块所有测点数据组成的矩阵；Yp和Yf分别表示矩阵的“过去”和“将来”行空间。
4)基于在2)步骤中明确的一种或多种谐波干扰频分，构造与其频率相对应的针对“过去”和“未来”行空间的i时刻延伸谐波矩阵，如下式：
上式中，Yph与Yfh分别为结构系统矩阵中表征“过去”和“未来”行空间的谐波延伸矩阵；h为响应中包含已知谐波频率的成分；ωh为第h个谐波的圆频率。
5)则延伸后的系统矩阵“过去”与“未来”的行空间，如下式：
因此，扩展后的整体结构系统矩阵，如下式：
6)根据步骤3)原理，再构造得到i+1时刻的结构系统矩阵与针对“过去”和“未来”行空间的i+1时刻的延伸谐波系统矩阵，如下式：
7)根据步骤3)至步骤6)，基于SSI方法基本原理重新推导考虑谐波成分影响的谐波修正SSI方法，可以求得系统矩阵Are和输出矩阵Cre，如下式：
或
8)经上式求解，即可以得到扩展后系统特征矩阵，再根据特征值分解即可得到结构相关的模态信息，其中既包括固有模态成分也包括有谐波模态成分。
实施例：
下面通过实际原型观测获得风电结构振动响应数据来实现本方法。该实施例中风电机组为直驱式风力发电机组，额定转速18rpm，运行转速范围为 9～18rpm，叶轮叶片长度47.5m，风机塔筒高度77.5m，风机轮毂高度80m。现场测试时在塔筒由上往下布置5个测点，振动信号采样频率为200Hz，每组工况在叶轮转速稳定的条件下测试60s。
根据本发明考虑强谐波干扰的风电结构工作模态参数识别方法的具体实现流程来实现最佳实施方式。
1)对原型观测获得振动响应信号进行降噪处理，降噪后实测信号信噪比为13.54；
2)对实测振动信号进行谱分析，根据现场测试获得风机叶轮转速信息为额定转速18rpm，故确定运行状态下风电结构强谐波激励影响的主要干扰频率成分为0.30Hz，见图2所示；
3)由步骤2)中确定谐波干扰频分0.30Hz，根据圆频率计算公式：ω＝2πf，计算获得干扰圆频率为2×π×0.30＝1.884Hz，根据公式(2)、(3)、(7)、(8)构建与其频率相对应的针对“过去”和“未来”行空间的i与i+1时刻延伸谐波矩阵；
4)基于现场实测5个振动信号数据，根据公式(1)、(6)构建i与i+1时刻的风电结构系统矩阵，根据HM-SSI法机理将谐波修正矩阵分别加入到i与i+1时刻结构系统矩阵中；
5)基于SSI方法基本原理重新推导考虑谐波成分影响的谐波修正SSI方法，可以求得系统矩阵和输出矩阵，由此根据特征值分解即可得到风电结构相关的工作模态信息，见图3所示。
由图2与图3中可以看出，原型观测获得风电结构振动信息中主要频分为 0.30Hz，与风机额定功率运行时对应转频完全一致，说明实测响应收到谐波成分干扰严重，原本的结构模态信息被淹没在谐波信息中，传统方法无法直接识别。而通过本发明方法处理识别后，结构工作模态信息与谐波频分在较近频域内可以实现完全分离，识别模态信息与实际工程模态信息一致，验证本方法在工程上的合理性与实用性。
Claims (2)
1.一种考虑强谐波干扰的风电结构工作模态参数识别方法，其特征是：通过假设风机在特定时间段内所受到的谐波激励在频域上具有恒定时不变特性，即认为实际激励在频域与幅值上为恒定或者较小变化范围内可由平均值代替，通过谱分析方法明确振动信息中包含的谐波成分，并在传统识别方法随机子空间法(SSI)中将一种或多种与干扰谐波相对应的恒定谐波信息矩阵加入到原有结构系统特征矩阵中固定位置上，基于SSI法基本原理重构并推导建立考虑谐波修正的SSI方法(HM-SSI)以进行模态识别，严格保证系统分解后的特征值矩阵对角线上包含有已知的谐波信息，从而间接地使得结构固有模态成分在矩阵对角线信息上与干扰谐波成分实现区分，实现风电结构工作模态参数信息的精确识别。
2.根据权利要求1所述的考虑强谐波干扰的风电结构工作模态参数识别方法，其特征是步骤如下：
1)对原型观测获得振动响应信号进行降噪处理，保证分析信号中体现自身振动特性的有用信息无损与完整，以降低周边噪声干扰对工作模态参数识别精度的影响；
2)对实测振动信号进行谱分析，并结合现场测试获得风机叶轮转速信息，确定运行状态下风电结构强谐波激励影响的主要干扰频率成分，作为谐波修正模态识别方法的重要输入条件；
3)根据SSI方法通过实测响应数据构造结构动力系统的特征矩阵，基于原型观测数据构造风电结构系统矩阵，其行空间分成“过去”行空间和“将来”行空间，如下式：
上式，yi表示第i时刻所有测点的响应；Y0/i-1和Yi/2i-1分别表示系统矩阵中前i块和后i块所有测点数据组成的矩阵；Yp和Yf分别表示矩阵的“过去”和“将来”行空间；
4)基于在2)步骤中明确的一种或多种谐波干扰频分，构造与其频率相对应的针对“过去”和“未来”行空间的i时刻延伸谐波矩阵，如下式：
上式中，Yph与Yfh分别为结构系统矩阵中表征“过去”和“未来”行空间的谐波延伸矩阵；h为响应中包含已知谐波频率的成分；ωh为第h个谐波的圆频率；
5)得到延伸后的系统矩阵“过去”与“未来”的行空间，如下式：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>Y</mi>
<mrow>
<mi>p</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Y</mi>
<mi>p</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mo>+</mo>
<mn>2</mn>
<mi>h</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>f</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>Y</mi>
<mrow>
<mi>f</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Y</mi>
<mi>f</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mo>+</mo>
<mn>2</mn>
<mi>h</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
得到扩展后的整体结构系统矩阵，如下式：
<mrow>
<msub>
<mi>Y</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>Y</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Y</mi>
<mrow>
<mi>f</mi>
<mi>e</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>m</mi>
<mi>i</mi>
<mo>+</mo>
<mn>4</mn>
<mi>h</mi>
<mo>)</mo>
<mo>&times;</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
6)根据步骤3)原理，再构造得到i+1时刻的结构系统矩阵与针对“过去”和“未来”行空间的i+1时刻的延伸谐波系统矩阵，如下式：
7)根据步骤3)至步骤6)，基于SSI方法重新推导考虑谐波成分影响的谐波修正SSI方法，求得系统矩阵Are和输出矩阵Cre，如下式：
或
8)经步骤7)得到扩展后系统特征矩阵，再根据特征值分解得到结构相关的模态信息，其中既包括固有模态成分也包括有谐波模态成分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710216210.8A CN107192524A (zh) | 2017-04-05 | 2017-04-05 | 一种考虑强谐波干扰的风电结构工作模态参数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710216210.8A CN107192524A (zh) | 2017-04-05 | 2017-04-05 | 一种考虑强谐波干扰的风电结构工作模态参数识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107192524A true CN107192524A (zh) | 2017-09-22 |
Family
ID=59871360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710216210.8A Pending CN107192524A (zh) | 2017-04-05 | 2017-04-05 | 一种考虑强谐波干扰的风电结构工作模态参数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107192524A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318129A (zh) * | 2018-02-01 | 2018-07-24 | 石家庄铁道大学 | 桥梁结构模态参数真假甄别方法及终端设备 |
| CN109100103A (zh) * | 2018-07-06 | 2018-12-28 | 哈尔滨工业大学（深圳） | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
| CN116358864A (zh) * | 2023-06-01 | 2023-06-30 | 西安因联信息科技有限公司 | 一种旋转机械设备故障类型诊断方法及系统 |
| CN117268676A (zh) * | 2023-11-17 | 2023-12-22 | 西南交通大学 | 一种基于模态分析的振动试验装置及分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656449A (zh) * | 2015-01-20 | 2015-05-27 | 天津大学前沿技术研究院有限公司 | 一种风电结构体系运行减振的偏权重控制设计方法 |
| CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
| CN106250660A (zh) * | 2016-08-31 | 2016-12-21 | 上海交通大学 | 一种海上风电场谐振分析方法 |
-
2017
- 2017-04-05 CN CN201710216210.8A patent/CN107192524A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656449A (zh) * | 2015-01-20 | 2015-05-27 | 天津大学前沿技术研究院有限公司 | 一种风电结构体系运行减振的偏权重控制设计方法 |
| CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
| CN106250660A (zh) * | 2016-08-31 | 2016-12-21 | 上海交通大学 | 一种海上风电场谐振分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 董霄峰: "海上风机结构振动特性分析与动态参数识别研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
| 董霄峰: "谐波干扰下海上风机结构工作模态识别", 《振动与冲击》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318129A (zh) * | 2018-02-01 | 2018-07-24 | 石家庄铁道大学 | 桥梁结构模态参数真假甄别方法及终端设备 |
| CN109100103A (zh) * | 2018-07-06 | 2018-12-28 | 哈尔滨工业大学（深圳） | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
| WO2020007375A1 (zh) * | 2018-07-06 | 2020-01-09 | 哈尔滨工业大学（深圳） | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
| CN109100103B (zh) * | 2018-07-06 | 2020-04-14 | 哈尔滨工业大学（深圳） | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 |
| CN116358864A (zh) * | 2023-06-01 | 2023-06-30 | 西安因联信息科技有限公司 | 一种旋转机械设备故障类型诊断方法及系统 |
| CN116358864B (zh) * | 2023-06-01 | 2023-08-29 | 西安因联信息科技有限公司 | 一种旋转机械设备故障类型诊断方法及系统 |
| CN117268676A (zh) * | 2023-11-17 | 2023-12-22 | 西南交通大学 | 一种基于模态分析的振动试验装置及分析方法 |
| CN117268676B (zh) * | 2023-11-17 | 2024-03-01 | 西南交通大学 | 一种基于模态分析的振动试验装置及分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gong et al. | Imbalance fault detection of direct-drive wind turbines using generator current signals | |
| Liu et al. | Interference reduction of high-energy noise for modal parameter identification of offshore wind turbines based on iterative signal extraction | |
| Liu et al. | Status and problems of wind turbine structural health monitoring techniques in China | |
| CN107192524A (zh) | 一种考虑强谐波干扰的风电结构工作模态参数识别方法 | |
| CN103940611B (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
| CN103343732B (zh) | 一种基于归一化功率谱密度的湍流风速频率比较方法 | |
| Li et al. | Imbalance fault detection based on the integrated analysis strategy for variable-speed wind turbines | |
| CN106055734A (zh) | 一种风电齿轮箱故障诊断方法 | |
| Loh et al. | Vibration‐based system identification of wind turbine system | |
| CN103712792A (zh) | 一种针对风电齿轮箱的故障诊断方法 | |
| Gong | Online nonintrusive condition monitoring and fault detection for wind turbines | |
| Zhou et al. | Investigation of dynamic characteristics of a monopile wind turbine based on sea test | |
| CN115048708A (zh) | 一种海上风机单桩基础的易损性评估方法及装置 | |
| CN105065212A (zh) | 一种风电场风电机组校验方法及系统 | |
| Tcherniak et al. | Output-only modal analysis on operating wind turbines: application to simulated data | |
| CN106990002B (zh) | 混流式水轮机承重支架疲劳寿命测试分析方法 | |
| Amin et al. | Condition monitoring in a wind turbine planetary gearbox using sensor fusion and convolutional neural network | |
| Rosenow et al. | Operational modal analysis of a wind turbine mainframe using crystal clear SSI | |
| Kia et al. | Development of a test bench dedicated to condition monitoring of wind turbines | |
| Zhao et al. | Wind turbine gearbox fault diagnosis based on multi-sensor signals fusion | |
| Manzato et al. | Wind turbine model validation by full-scale vibration test | |
| El Makdah et al. | The scaling of rotor inertia under dynamic inflow conditions | |
| CN103500267A (zh) | 利用状态信息判定螺栓连接设备装配可靠度的方法 | |
| Liu et al. | Bispectrum analysis for feature extraction of pitting fault in wind turbine gearbox | |
| Sutherland et al. | Fatigue life prediction for wind turbines: A case study on loading spectra and parameter sensitivity |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170922 |