CN109063387B - 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法 - Google Patents

利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法 Download PDF

Info

Publication number
CN109063387B
CN109063387B CN201811124152.7A CN201811124152A CN109063387B CN 109063387 B CN109063387 B CN 109063387B CN 201811124152 A CN201811124152 A CN 201811124152A CN 109063387 B CN109063387 B CN 109063387B
Authority
CN
China
Prior art keywords
signal
order
wind power
vibration signal
increment
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.)
Active
Application number
CN201811124152.7A
Other languages
English (en)
Other versions
CN109063387A (zh
Inventor
曾智杰
何国林
丁康
刘忠泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201811124152.7A priority Critical patent/CN109063387B/zh
Publication of CN109063387A publication Critical patent/CN109063387A/zh
Application granted granted Critical
Publication of CN109063387B publication Critical patent/CN109063387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，包括以下步骤：步骤S1，将原始振动信号进行带通滤波生成参考信号；步骤S2，搜索参考信号峰值生成等角增量时间序列
Figure DDA0001812023970000011
步骤S3，通过插值重采样将S2所得序列
Figure DDA0001812023970000012
生成细化等角增量时间序列t(mΔθ)；步骤S4，利用细化时间序列t(mΔθ)将源信号y(mΔt)通过插值重采样转换称为角域信号y(mΔθ)：步骤S5，对角域重采样信号y(mΔθ)实施傅里叶变换生成阶次谱，进行阶次谱分析。所述方法有效降低了时间角位移关系函数的误差，使阶次谱能量聚集度和频率特征辨识度明显提高，适用于风电齿轮箱振动信号频谱分析和故障诊断。

Description

利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法
技术领域
本发明涉及动态信号处理领域，具体涉及一种利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法。
背景技术
风力发电是一种节能环保的发电技术，可以一定程度缓解煤炭等化石能源的消耗压力，减少环境污染。风电齿轮箱作为风力发电机组的核心部件，其运行的安全可靠性决定了风力发电机组的使用寿命、维护成本和经济效益。
风电齿轮箱多为行星齿轮系和定轴齿轮系复合传动的齿轮箱，其在高速重载及变速变载的恶劣条件下运行，故障率较高；风电机组体积庞大且安装在偏远地区，维护成本占发电效益的20％以上。为提高机组的可靠性降低维护成本，通过采集风电行星齿轮箱的振动信号进行处理，提取其中的齿轮箱信号特征并与故障特征进行比对的故障诊断的方法应运而生并快速发展。
因风电齿轮箱结构复杂且通常在变速工况下运行，故其振动信号表现出复杂的非平稳性，频谱能量分散、特征模糊，不利于机械状态分析和故障诊断。阶次跟踪方法将时域信号变换到角域或阶次域进行谱分析可提高频谱特征辨识度。域变换过程需要获取时间角位移函数作为域变换的参考函数，现有典型阶次跟踪分析方法获取时间角位移函数包含两个主要中间步骤即通过时频分析方法提取瞬时转速(IAS)和对所提取的瞬时转速积分求取瞬时角位移，而这两个中间步骤容易引入误差，因此对于实际风电现场很多复杂振动信号，通过现有方法得到的阶次谱能量集中度与信号谱特征常不能完全满足谱特征分析的需要。
发明内容
本发明的目的是针对现有技术中阶次跟踪法存在的问题，提供了一种新的利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，所述方法省略了现有阶次分析方法的求取瞬时频率和通过对瞬时频率积分求取角位移的两个容易产生误差的中间步骤，提高了时间角位移函数的精度，降低了阶次跟踪分析域变换过程的误差，因此进一步有效提高了阶次谱能量集中度和信号谱特征辨识度。
本发明的目的可以通过如下技术方案实现：
一种利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，包括以下步骤：
步骤S1、将原始振动信号进行带通滤波生成参考信号；
步骤S2、搜索并采集参考信号各峰值点的时间标签，生成等角增量时间序列
Figure BDA0001812023950000021
等效于时间-角位移关系函数，其中n＝1,2,...,N，N表示单位角位移增量
Figure BDA0001812023950000022
的总个数，
Figure BDA0001812023950000023
为单位角位移增量；
步骤S3、将等角增量时间序列
Figure BDA0001812023950000024
插值重采样生成细化等角增量时间序列t(mΔθ)，其中m＝1,2,...,M，单位角位移增量
Figure BDA0001812023950000025
细化为Δθ，M表示单位角位移增量Δθ的总个数，
Figure BDA0001812023950000026
N<M；并使细化后的等角增量时间序列采样长度与原始振动信号y(mΔt)采样长度相同；
步骤S4、利用细化等角增量时间序列t(mΔθ)将原始振动信号y(mΔt)通过插值重采样转换为角域重采样信号y(mΔθ)；
步骤S5、对角域重采样信号y(mΔθ)实施傅里叶变换生成阶次谱，进行阶次谱分析。
进一步地，步骤S1中，首先对原始振动信号进行频谱分析，以确定带通滤波器的中心频率及带宽后，再进行带通滤波生成参考信号。
进一步地，步骤S1中的带通滤波器选择频率响应曲线较平坦的巴特沃斯滤波器。
进一步地，所述方法中的风电齿轮振动信号采集于风电齿轮箱，所述风电齿轮箱是行星轮系+定轴轮系的多级复合式传动结构，且作为输出轴的高速轴是定轴轮系传动。
进一步地，步骤S1中，在对原始振动信号进行截取或选择时，应选择风电行星齿轮箱转速变化小于30％的时间信号段。
本发明与现有技术相比，具有如下优点和有益效果：
本发明提供的利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，通过对信号的时域操作直接获取时间角位移函数，时域操作包括滤波与峰值搜索。相对于传统阶次跟踪分析方法，所述方法有效降低了时间角位移关系函数的误差，其途径是省略了传统阶次跟踪分析方法利用时频分析提取瞬时转速以及对瞬时转速积分获取时间角位移函数这两个中间步骤，使阶次谱能量聚集度和频率特征辨识度明显提高。
附图说明
图1为本发明实施例利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法的流程图。
图2为本发明实施例中风电齿轮箱的传动结构总图。
图3为本发明实施例中信号采样时间为50秒，采样率24kHz，期间转速变化较平缓时采集到的原始时域信号、带通参考信号及峰值点。
图4为本发明实施例原始信号未经阶次跟踪分析的频谱总览图。
图5为本发明实施例原始信号经过现有典型技术方案即基于短时傅里叶变换(STFT)阶次跟踪方法处理所得阶次谱，该图为按第III级齿轮输入轴转频跟踪所得的阶次谱。
图6为本发明实施例原始信号经过本发明所述时间序列峰值搜索阶次跟踪方法处理所得的阶次谱，该图为按第III级齿轮输入轴转频跟踪所得的阶次谱。
图7为本发明实施例中STFT跟踪重采样图，第II级齿轮2阶啮合频率附近成分谱子集图。
图8为本发明实施例中时间序列峰值搜索阶次跟踪重采样图，第II级齿轮2阶啮合频率附近成分谱子集图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
风电齿轮箱的振动响应信号由齿轮啮合频率及其谐波被齿轮的转频及其谐波进行调制构成，该信号可用式(1)表示：
Figure BDA0001812023950000031
其中式(1)-(a)为角域信号模型，
Figure BDA0001812023950000035
n1、
Figure BDA0001812023950000032
分别为调幅函数的傅里叶级数的各阶幅值系数、阶次、初相位；
Figure BDA0001812023950000033
n2、
Figure BDA0001812023950000034
分别为啮合激励函数的傅里叶级数的各阶幅值系数、阶次、初相位；式(1)-(b)为时间-角位移函数，该函数中第一项稳速角位移由平均转速形成(ωc0为齿轮平均转速)；第二项为变速角位移由波动转速形成并用以傅里叶级数表示，dn、n、φdn分别为傅里叶级数各阶幅值系数、阶次、初相位。
如图1所示，本实施例提供了一种利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，具体利用实测风电齿轮箱工程测试信号验证所述方法的可行性和准确性。
实施例信号来源于现场运行的风电齿轮箱，其传动结构总图如图2所示，该齿轮箱包括三级齿轮，第一级和第二级为行星齿轮系，第三级为定轴齿轮系，齿轮箱参数如表1所示。传感器布置在齿轮箱壳体，源信号采样时间为50秒，采样率24kHz。
Figure BDA0001812023950000041
表1风电行星齿轮箱的结构和特征阶次参数
步骤S1，截取源信号转速负荷变化相对平缓的信号段。第三级齿轮啮合频率成分幅值较高且信噪比较好，故利用第三级齿轮啮合频率作为阶次跟踪的参考信号。滤波器参数设计需合理选取中心频率、带宽、滤波器类型、阶数等，参数取决于原始信号特性，性能要求。经过比较，滤波器设计参数如表2所示。原始时域信号、带通参考信号及峰值点见图3，原始信号未经阶次跟踪的频谱总览见图4，该阶次图按第三级齿轮输入轴转频展开。其谱线分布复杂，能量分散，频率特征难于辨识。
Figure BDA0001812023950000042
表2带通滤波器参数
步骤S2，生成等角增量时间序列
Figure BDA0001812023950000043
时间角位移函数
Figure BDA0001812023950000044
是时域信号函数y(t)重构成为角域信号函数
Figure BDA0001812023950000045
的参考函数。所提出的新方法不进行角位移的计算或测量，利用信号的时域操作提取等角增量时间序列
Figure BDA0001812023950000046
作为时间角位移函数完成信号域变换，其
Figure BDA0001812023950000047
利用原始信号滤波后得到的带通参考信号提取获得。带通滤波器中心频率选为啮合频率，带宽为两倍的一阶调制频率，忽略初相位。该带通参考信号可表示为式(2)调频调幅信号：
Figure BDA0001812023950000048
通过参考信号的峰值检测获得等角增量时间序列，峰值检测可表达为求式(3)的解：
Figure BDA0001812023950000051
运行状态下，必然存在转角变化，即
Figure BDA0001812023950000052
所以求解方程式(3)等价于求解方程式(4)：
Figure BDA0001812023950000053
因风电齿轮箱第三极齿轮齿数Zr通常接近100，式(4)第1项
Figure BDA0001812023950000054
相对其他两项为可忽略小项，因此式(4)可简化为：
Figure BDA0001812023950000055
式(5)的解为
Figure BDA0001812023950000056
该序列为等角增量序列，其间隔为
Figure BDA0001812023950000057
可见由式(3)决定的参考信号峰值对应的时间序列为等角增量时间序列。
将式(6)一般化，如果参考信号表达式(2)的中心频率选为啮合频率的n2倍频(n2＝1,2,3...)成分，则其峰值所处等角增量序列为：
Figure BDA0001812023950000058
其中角增量间隔变为
Figure BDA0001812023950000059
可见角增量间隔与n2Zr呈反比，即选择较高倍频或齿数较多的成分均可使得角增量间隔减小同时降低角度提取误差。
在上述步骤S2中，生成等角增量时间序列
Figure BDA00018120239500000510
直接搜索并采集参考信号各峰值点的时间标签，形成等角增量时间序列，
Figure BDA00018120239500000511
为单位角位移增量。
步骤S3，生成细化等角增量时间序列t(mΔθ)，(m＝1,2,...,M)：角位移增量
Figure BDA00018120239500000512
细化为Δθ，其中
Figure BDA00018120239500000513
N<M。通过样条插值将步骤S2所得时间序列重采样为细化等角增量时间序列，并使细化后的时间序列采样长度与原始信号采样长度相同。
步骤S4，生成角域重采样信号y(mΔθ)，(m＝1,2,...,M)：利用细化等角增量时间序列t(mΔθ)将原始信号y(mΔt)通过样条插值重采样生成y(mΔθ)。
步骤S5，生成阶次谱：对角域信号y(mΔθ)进行傅里叶变换生成阶次谱，进行阶次谱分析。
源信号经过STFT阶次跟踪处理所得阶次谱见图5，源信号经过峰值搜索阶次跟踪处理所得的阶次谱见图6。图5与图6均按第III级齿轮输入轴转频展开成阶次谱。
比较原始信号直接FFT谱图4和经过STFT阶次跟踪重采样处理后谱图5，源信号谱能量集中度明显提高，98阶次为第III级齿轮啮合频率1x成分其幅值从源信号谱的0.015提高到0.13，3.38阶为第I级齿轮啮合频率1x成分其幅值由源信号谱的幅值约0.0056提高到约0.03，35.96阶次为第II级齿轮啮合频率2x成分其幅值由源信号谱的幅值约0.0045提高到约0.03，54.21阶为第II级齿轮啮合频率3x成分其幅值由源信号谱的幅值约0.006提高到约0.03。经过时间序列峰值搜索的阶次跟踪重采样信号(图6)能量聚集度优于STFT阶次跟踪所得到得效果，98阶次幅值提高到0.3；而3.38阶次幅值提高到0.03；35.96阶次幅值提高到0.07；54.21阶次幅值提高到0.077。可见经过STFT阶次跟踪分析及经过时间序列峰值搜索阶次跟踪分析后各级啮合频率及其倍频成分均能较好体现，而经过时间序列峰值搜索阶次跟踪分析的幅值提高更明显。
将图5和图6中35.96阶频带成分子集展开分别如图7和图8，同时将阶次改由第II级齿轮输入轴转频展开。可见，STFT阶次跟踪生成的阶次谱图可凸显部分特征频率成分如201/202/204和201.2/201.6等，但其频谱能量仍分散，细部频率特征不能识别。而由时间序列峰值搜索的阶次跟踪生成的阶次谱中，特征频率细节分明，可见整数频率成分：195,198,199,200,201,202,203,204,207,210；及分数频率成分：196.4,197.4,198.4,199.4,201.6,202.6,203.4,203.6,203.8,204.2,204.6,206.6,209.6。这些频率成分均与行星齿轮箱相应特征频率相对应。
表3为傅里叶变换、STFT阶次跟踪分析及时间序列峰值搜索阶次分析三种方法处理实施例信号所得的相应谱熵值表：
Figure BDA0001812023950000061
表3
其中法1为原始信号直接实施傅里叶变换；法2为原始信号实施基于短时傅里叶变换的阶次跟踪；法3为原始信号实施基于时间序列峰值搜索的阶次跟踪。表中谱熵反映中心频率位于各阶啮合频率的谱子集能量聚集度，较低谱熵值对应于较高的能量聚集度。经过STFT阶次跟踪，第I级齿轮啮合频率的1x、2x、3x、4x阶的阶次谱子集谱熵值比原信号傅里叶谱降低0.194至0.588；第II级啮合频率1x、2x、3x、4x阶的阶次谱子集谱熵值原信号傅里叶谱降低0.271至0.631；第III级啮合频率1x、2x、3x、4x阶子集谱熵值降低0.301至0.938。经时间序列峰值搜索的阶次跟踪后，第I级齿轮啮合频率的1x、2x、3x、4x子集谱熵值比原信号傅里叶谱降低0.301至0.731；第II级啮合频率的1x、2x、3x、4x阶子集谱熵值降低0.651至1.395；第III级啮合频率1x、2x、3x、4x阶子集谱熵值降低0.409至2.026。
可见STFT阶次跟踪分析与时间序列峰值搜索阶次跟踪分析均能有效提高谱能量聚集度以体现谱特征，而时间序列峰值搜索阶次跟踪分析方法优于STFT阶次跟踪分析方法。
综上，本发明提出一种通过时域操作如滤波和峰值搜索提取时间-角位移关系函数进行风电齿轮振动信号阶次跟踪的方法，理论与实例表明该技术能有效提高频谱能量集中度及频谱特征辨识度，可适用于风电行星齿轮箱信号特征分析与故障诊断。相对现有阶次跟踪分析方法，本发明所述方法能有效降低时间角位移函数的误差，进一步提高阶次跟踪分析性能。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (4)

1.一种利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，其特征在于，所述方法不进行角位移的计算或测量，利用振动信号的时域操作提取等角增量时间序列作为时间角位移函数完成信号域的变换，包括以下步骤：
步骤S1、将原始振动信号进行带通滤波生成参考信号，所述带通滤波器为巴特沃斯滤波器，所述巴特沃斯滤波器的中心频率为齿轮啮合频率，带宽为两倍的一阶调制频率；根据齿轮啮合振动的信号特征，所述生成参考信号的相邻峰值之间的角位移间隔相等；
步骤S2、搜索并采集参考信号各峰值点的时间标签，生成等角增量时间序列
Figure FDA0002679546390000011
其中n＝1,2,...,N，N表示单位角位移增量
Figure FDA0002679546390000012
的总个数，
Figure FDA0002679546390000013
为单位角位移增量；
步骤S3、将等角增量时间序列
Figure FDA0002679546390000014
插值重采样生成细化等角增量时间序列t(mΔθ)，其中m＝1,2,...,M，单位角位移增量
Figure FDA0002679546390000015
细化为Δθ，M表示单位角位移增量Δθ的总个数，
Figure FDA0002679546390000016
N＜M；并使细化后的等角增量时间序列采样长度与原始振动信号y(mΔt)采样长度相同；
步骤S4、利用细化等角增量时间序列t(mΔθ)将原始振动信号y(mΔt)通过插值重采样转换为角域重采样信号y(mΔθ)；
步骤S5、对角域重采样信号y(mΔθ)实施傅里叶变换生成阶次谱，分析啮合频率及其谐波对应阶次附近调制边频带特征、共振频率对应阶次的调制边频带特征，进行齿轮故障诊断。
2.根据权利要求1所述的利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，其特征在于，步骤S1中，首先对原始振动信号进行频谱分析，以确定带通滤波器的中心频率及带宽后，再进行带通滤波生成参考信号。
3.根据权利要求1所述的利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，其特征在于，所述方法中的风电齿轮振动信号采集于风电齿轮箱，所述风电齿轮箱是行星轮系+定轴轮系的多级复合式传动结构，且作为输出轴的高速轴是定轴轮系传动。
4.根据权利要求1所述的利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法，其特征在于，步骤S1中，在对原始振动信号进行截取或选择时，应选择风电行星齿轮箱转速变化小于30％的时间信号段。
CN201811124152.7A 2018-09-26 2018-09-26 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法 Active CN109063387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811124152.7A CN109063387B (zh) 2018-09-26 2018-09-26 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811124152.7A CN109063387B (zh) 2018-09-26 2018-09-26 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法

Publications (2)

Publication Number Publication Date
CN109063387A CN109063387A (zh) 2018-12-21
CN109063387B true CN109063387B (zh) 2021-01-19

Family

ID=64765892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811124152.7A Active CN109063387B (zh) 2018-09-26 2018-09-26 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法

Country Status (1)

Country Link
CN (1) CN109063387B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029553B (zh) * 2019-12-24 2023-01-10 国家能源投资集团有限责任公司 齿轮箱轴转速信息提取方法、系统、装置及存储介质
CN112966632B (zh) * 2021-03-19 2023-12-12 浙江中自庆安新能源技术有限公司 一种基于振动信号图像化的故障识别方法及系统
CN113985276B (zh) * 2021-10-18 2024-02-27 上海电气风电集团股份有限公司 风力发电机组的故障诊断方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8411525B2 (en) * 2010-04-29 2013-04-02 Taiwan Semiconductor Manufacturing Company, Ltd. Memory circuits having a diode-connected transistor with back-biased control
CN104077474A (zh) * 2014-06-23 2014-10-01 华南理工大学 基于啮合频率和频谱校正技术的风电齿轮箱阶次跟踪方法

Also Published As

Publication number Publication date
CN109063387A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
Wang et al. Multiscale filtering reconstruction for wind turbine gearbox fault diagnosis under varying-speed and noisy conditions
Pan et al. Nonlinear sparse mode decomposition and its application in planetary gearbox fault diagnosis
CN109063387B (zh) 利用时间序列峰值搜索的风电齿轮振动信号阶次分析方法
Liu et al. A new wind turbine fault diagnosis method based on the local mean decomposition
Yoon et al. On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis
Wang et al. Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis
Daneshi-Far et al. Review of failures and condition monitoring in wind turbine generators
CN103499443B (zh) 一种齿轮故障无键相角域平均计算阶次分析方法
CN102798529A (zh) 大型风力机组轴承故障诊断方法及系统
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
Li et al. Imbalance fault detection based on the integrated analysis strategy for variable-speed wind turbines
CN104865400A (zh) 一种风电机组转速的检测识别方法及系统
Hu et al. A new multiscale noise tuning stochastic resonance for enhanced fault diagnosis in wind turbine drivetrains
CN104407291B (zh) 一种风电机组故障诊断系统与方法
CN105548595A (zh) 一种提取风电齿轮箱各级轴转速检测方法
CN114509159B (zh) 阶比跟踪分析方法、系统及计算机可读存储介质
CN106055734A (zh) 一种风电齿轮箱故障诊断方法
CN111881736A (zh) 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法
CN108278184B (zh) 基于经验模态分解的风电机组叶轮不平衡监测方法
CN202793793U (zh) 大型风力机组轴承故障诊断系统
Luo Physics-based data analysis for wind turbine condition monitoring
Wang et al. Tacholess order-tracking approach for wind turbine gearbox fault detection
Sun et al. Current-Aided Dynamic Time Warping for Planetary Gearbox Fault Detection at Time-Varying Speeds
Si et al. Fault diagnosis of wind turbine planetary gear box based on EMD and resonance remodulation
CN104459186A (zh) 基于稀疏分段拟合与积分逼近的无转速计阶比分析方法

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
GR01 Patent grant
GR01 Patent grant