CN117725539B - 一种复杂工况下风机旋转部件的故障特征提取及分析方法 - Google Patents
一种复杂工况下风机旋转部件的故障特征提取及分析方法 Download PDFInfo
- Publication number
- CN117725539B CN117725539B CN202410172543.5A CN202410172543A CN117725539B CN 117725539 B CN117725539 B CN 117725539B CN 202410172543 A CN202410172543 A CN 202410172543A CN 117725539 B CN117725539 B CN 117725539B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- spectrum
- self
- expected
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 230000001052 transient effect Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于风机故障诊断技术领域,涉及一种复杂工况下风机旋转部件的故障特征提取及分析方法,该方法以自谱趋势为基础提出自适应的变分模态提取方法,解决了风机在复杂工况下故障特征提取问题并提出无需转速传感器的阶次分析方法。工业试验结果表明,该方法可成功分离存在不同共振带的混合故障并且在此基础上准确提取瞬态频率,从而为风电机组中旋转部件的故障诊断提供了有力工具。
Description
技术领域
本发明属于风机故障诊断技术领域,涉及一种复杂工况下风机旋转部件的故障特征提取及分析方法。
背景技术
风力发电作为一种清洁能源在政策上受到我国大力支持。但是风机制造成本十分高昂,仅叶片、齿轮箱、发电机和主轴承等大部件占风机总制造成本的44%,这类大部件一旦发生损坏将导致大量经济损失。而轴承、齿轮等旋转部件是构成上述各类大部件的关键零件。但是随着风机运行时间逐渐增加,风机逐渐暴露出传动系统性能下降和机组频繁故障停机等问题。据统计我国风机故障停机中齿轮箱及轴承等旋转部件损坏造成的故障停机至少占全部故障停机的70%。因此研究复杂工况下风电机组旋转部件的故障诊断方法对风电机组的运行维护具有重要意义。
受风资源不确定性影响,风机主轴的转速时刻变化,从而引起传动系统中相配合的各类部件转速不断变化,同时旋转部件故障的产生通常会引起各零件间配合关系发生变化,进而引起其他零件发生故障。最终造成采集的风机传动系统加速度信号中常表现出混合故障特征且存在较大的频谱泄露问题,导致旋转部件发生故障时加速度信号中难以表现出清晰的故障特征,进而导致无法依据采集的加速度信号准确判断出旋转部件的运行状态。因此提取复杂工况下混合的复合故障并分析出相应的故障类型是当前亟需解决的重要问题。
发明内容
针对复杂工况下风电机组传动系统采集的加速度信号存在各类部件的干扰以及频谱泄露问题,提出一种复杂工况下风机旋转部件的故障特征提取及分析方法。
本发明提供一种复杂工况下风机旋转部件的故障特征提取及分析方法,包括:
步骤1:在指定测点采集风机旋转部件的加速度信号;
步骤2:计算加速度信号的自谱;
步骤3:计算加速度信号的自谱趋势;
步骤4:以自谱趋势中波峰显著度和的99.9%为阈值,剔除显著度低于阈值的波峰;
步骤5:以自谱趋势中波峰的频率为训练样本,采用K-means算法聚类出K个蔟,计算每个簇频带的带宽;
步骤6:计算出带宽与惩罚因子α间的关系式;
步骤7:将每个簇对应的带宽带入步骤6的关系式,计算每个簇的惩罚因子的初始值;以蔟的质心为中心频率,将惩罚因子和中心频率作为变分模态提取算法的两个关键参数,搜寻各带宽范围内变分模态提取算法提取出的峭度值最大的期望信号;
步骤8:从搜寻的K个期望信号中筛选出峭度值最大的优选期望信号;
步骤9:选择所述优选期望信号的包络自谱中功率谱密度最大值对应的频率,将优选期望信号的包络信号降采样到该频率的3倍以上;
步骤10:由短时傅里叶变换计算降采样期望信号的包络信号的时频谱,由脊线检测算法提取时频谱的幅值最大频率随时间变化的瞬态频率曲线,并对瞬态频率曲线做平滑处理;
步骤11:以脊线检测算法提取出的瞬态频率为初始瞬态频率,由ACMD算法得到转频的瞬态频率或与转频相关频率的瞬态频率;
步骤12:对转频或与转频相关频率的瞬态频率进行线性插值处理,得到与加速度信号维度相同的最终瞬态频率;
步骤13:以最终瞬态频率为依据对K个期望信号做角域重采样,分别对K个期望信号进行阶次分析,统计各个期望信号在阶次包络自谱中表现出的特征识别相应的故障类型。
本发明的一种复杂工况下风机旋转部件的故障特征提取及分析方法,至少具有以下有益效果:
1、本发明方法综合考虑了风电机组运行过程中复杂工况引起的干扰信号和变转速运行问题。解决了风机在复杂工况下故障特征提取及频谱泄露问题。
2、本发明方法采用一种新型的频域分离算法。改进了原始变分模态提取算法中必须已知两个关键参数才能较好的提取出期望信号的问题。本发明提出一种能有效表征自谱变化趋势的方法,首次将聚类算法用于辅助分离频率区间,使得本发明能够自适应提取出自谱中存在共振带的期望信号,以此解决了复杂工况下振动信号存在各类部件频率干扰的问题。
3、本发明方法采用一种无需转速传感器的阶次分析方法,能够从采集的加速度信号中有效提取瞬态频率,进而进行阶次分析。
4、本发明方法采用一种先降采样提取低频瞬态频率再由线性插值使瞬态频率的维度与原始信号保持一致的瞬态频率提取方法,能够解决原始瞬态频率提取过程中易受相邻频率干扰的问题。在提出的自适应变分模态提取基础上,最大程度上的避免了邻近频率成分的干扰。解决了变工况下,采集的加速度信号存在频谱泄露无法精准辨别故障频率的问题。
附图说明
图1是本发明的一种复杂工况下风机旋转部件的故障特征提取及分析方法的流程图;
图2为仿真信号时域图;
图3为带宽与惩罚因子间的拟合曲线。
具体实施方式
如图1所示,本发明的一种复杂工况下风机旋转部件的故障特征提取及分析方法,包括:
步骤1:在指定测点采集风机旋转部件的加速度信号;
步骤2:计算加速度信号的自谱;
步骤3:计算加速度信号的自谱趋势;
步骤4:以自谱趋势中波峰显著度和的99.9%为阈值,剔除显著度低于阈值的波峰,所述步骤S4具体步骤如下:
步骤4.1:计算自谱趋势中所有的波峰的显著度;
步骤4.2:根据下式计算波峰的显著度的阈值:
其中,τ表示波峰的显著度的阈值,H表示自谱趋势中波峰的个数;qh表示自谱趋势中第h个波峰的显著度,h表示自谱趋势中波峰的序号。
步骤5:以自谱趋势中波峰的频率为训练样本,采用K-means算法聚类出K个蔟,计算每个簇频带的带宽;
步骤6:计算出带宽与惩罚因子α间的关系式,所述步骤6具体为:
步骤6.1:建立风机旋转部件的故障仿真模型;
g(t)=∑sBsr(t-sT);
r(t)=cos(2πfnt)e-Ct;
Bs=1+B0(2πfrt);
以风机旋转部件中的轴承为例,g(t)表示轴承的仿真信号;s表示产生冲击振荡的序号,Bs表示第s次冲击振荡产生的幅值,B0设为0.3;r(t)表示故障产生的某次冲击振荡。转频fr设为30Hz,衰减系数C设为700;固有频率fn设为4000Hz;轴承内圈故障信号产生的冲击信号间隔设为1/120s;采样频率为16KHz;采样点数为5210;仿真信号的时域图形如图2所示。
步骤6.2:设置等值递增的多个惩罚因子;
具体实施时,惩罚因子从50开始以50为间隔等值递增,共取800个值。
步骤6.3:设风机旋转部件的固有频率为中心频率,采用变分模态提取算法计算故障仿真模型的仿真信号在各个惩罚因子下的期望信号,并计算相应期望信号的自谱趋势;
步骤6.4:计算各期望信号的自谱趋势在功率谱密度为Q时得到两个交点的频率为P1和P2;
具体实施时,本实施例中,Q取值0.004g2/Hz。
步骤6.5:计算各期望信号在功率谱密度为Q的带宽BW|PSD=Q=||P1-P2||;
步骤6.6:由幂函数拟合所得到各个惩罚因子与带宽BW|PSD=Q之间的关系,如图3所示,其关系式如下:
步骤6.7:推导并泛化为已知带宽计算惩罚因子的计算公式:
其中,a、b、c都是常数。本实施例中,a=6660,b=-0.281,c=157.5。
具体实施时,所述步骤3或步骤6.3中计算自谱趋势具体为:
1)由如下公式建立信号F(t)的滑动均方根包络Srms(F):
其中,n表示信号F(t)的频率,N表示信号F(t)的自谱长度,W表示矩形窗函数,APS(F)为信号F(t)的自谱;D表示窗函数长度;
2)对均方根包络平滑处理并以横轴为基准使均方根包络下移同时取其绝对值以得到自谱趋势,计算公式如下。
其中,表示平滑处理后的均方根包络;/>表示平滑处理后均方根包络末端点的值;Trend(F)表示信号F(t)自谱趋势,信号F(t)表示步骤3中的加速度信号或者步骤6.3中的期望信号。
步骤7:将每个簇对应的带宽带入步骤6的关系式,计算每个簇的惩罚因子的初始值;以蔟的质心为中心频率,将惩罚因子和中心频率作为变分模态提取算法的两个关键参数,搜寻各带宽范围内变分模态提取算法提取出的峭度值最大的期望信号,所述步骤7具体为:
步骤7.1:将每个簇对应的带宽带入步骤6的关系式,计算每个簇的惩罚因子的初始值,初始化最大迭代次数及惩罚因子的步长;
步骤7.2:以蔟的质心为中心频率,将惩罚因子和中心频率作为变分模态提取算法的两个关键参数,由变分模态提取算法提取加速度信号的期望信号;
步骤7.3:判断提取的期望信号的自谱趋势中的最大波峰是否在该蔟所分布的带宽内,若是则将其作为备选的期望信号,并执行步骤7.4,若否则执行步骤7.5;
步骤7.4:判断备选的期望信号的峭度值是否开始降低,若是则终止迭代,并将上一次备选的期望信号作为输出的期望信号;否则执行步骤7.5;
步骤7.5:更新惩罚因子,返回步骤7.2。
具体实施时,所述步骤6.3或步骤7.2中采用的变分模态提取算法算法具体为:
(1)设原始信号x(t)由期望信号ud(t)及残余信号xr(t)构成;
(2)将期望信号约束在中心频率附近,构建如下目标函数:
其中,J1和J2分别表示目标函数及其约束项,α为惩罚因子,ωd为中心频率,β(t)表示滤波器的脉冲响应,j表示虚数;δ(t)表示狄克拉函数,t表示时间;执行以下步骤求解满足该目标函数的期望信号;
(3)初始化期望信号ud(t)的傅里叶变换为迭代次数为m;
(4)更新迭代次数,执行以下循环:
其中,表示第m+1次更新后期望信号的傅里叶变换;/>表示第m次更新后期望信号的傅里叶变换;/>表示第m+1次更新后的中心频率;/>表示第m次更新后的中心频率;/>表示原始信号的傅里叶变换;/>为拉格朗日乘子的傅里叶变换;
直至满足下式后,终止循环并输出期望信号;
其中,φ表示精度值,原始信号x(t)表示步骤6.3中的仿真信号或步骤7.2中的加速度信号。
步骤8:从搜寻的K个期望信号中筛选出峭度值最大的优选期望信号;
步骤9:选择所述优选期望信号的包络自谱中功率谱密度最大值对应的频率,将优选期望信号的包络信号降采样到该频率的3倍以上;
步骤10:由短时傅里叶变换计算降采样期望信号的包络信号的时频谱,由脊线检测算法提取时频谱的幅值最大频率随时间变化的瞬态频率曲线,并对瞬态频率曲线做平滑处理,所述步骤10中具体为:
步骤10.1:由短时傅里叶变换计算降采样包络信号的时频谱;
步骤10.2:确定时频谱中幅值最高点的位置TF(t0,f0),t0和f0分别是幅值最高点所对应的时间和频率;
步骤10.3:以TF(t0,f0)为起始点,分别向前向和后向追踪Δf范围内时频谱中的最高值并遍历整个采样时段,提取时频谱的幅值最大频率随时间的瞬态频率曲线,其中Δf表示频率差;
步骤10.4:对瞬态频率曲线做平滑处理。
步骤11:以脊线检测算法提取出的瞬态频率为初始瞬态频率,由自适应调频模态分解算法(ACMD算法)得到转频的瞬态频率或与转频相关频率的瞬态频率,所述步骤11具体为:
步骤11.1:设降采样期望信号的包络信号y(t)是多个调幅、调频分量的组合,如下式所示:
其中,Al(t)表示瞬态幅值,fl(t)表示瞬态频率;表示初始相位;L表示构成降采样期望信号的包络信号分量的个数,l表示构成降采样期望信号的包络信号分量的序号,yl(t)表示第l个构成降采样期望信号的包络信号分量,ε表示[0,t]范围内的积分变量,fl(ε)表示被积分的瞬态频率函数。
步骤11.2:如下式所示,采用解调算子重构降采样期望信号的包络信号y(t)的表达式:
其中,pl(t)及ql(t)表示为两个解调信号;表示具有高度非线性解调算子的频率函数;
步骤11.3:建立如下目标函数,通过最小化pl(t)及ql(t)的带宽,估计优选期望信号的瞬态频率:
其中,η表示为惩罚因子;和/>用于估计信号的带宽;/>表示L2范数;
步骤11.4:将步骤11.3的目标函数离散化,执行以下公式,计算满足目标函数转频的瞬态频率或与转频相关频率的瞬态频率:
其中,表示第l个分量信号经第i+1次迭代后的瞬态频率;/>表示频率增量矩阵;I表示为单位矩阵;Ω表示为二阶差分矩阵。
步骤12:对转频或与转频相关频率的瞬态频率进行线性插值处理,得到与加速度信号维度相同的最终瞬态频率;
步骤13:以最终瞬态频率为依据对K个期望信号做角域重采样,分别对K个期望信号进行阶次分析,统计各个期望信号在阶次包络自谱中表现出的特征识别相应的故障类型。
以上所述仅为本发明的较佳实施例,并不用以限制本发明的思想,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种复杂工况下风机旋转部件的故障特征提取及分析方法,其特征在于,包括:
步骤1:在指定测点采集风机旋转部件的加速度信号;
步骤2:计算加速度信号的自谱;
步骤3:计算加速度信号的自谱趋势;
步骤4:以自谱趋势中波峰显著度和的99.9%为阈值,剔除显著度低于阈值的波峰;
步骤5:以自谱趋势中波峰的频率为训练样本,采用K-means算法聚类出K个蔟,计算每个簇频带的带宽;
步骤6:计算出带宽与惩罚因子α间的关系式;
步骤7:将每个簇对应的带宽带入步骤6的关系式,计算每个簇的惩罚因子的初始值;以蔟的质心为中心频率,将惩罚因子和中心频率作为变分模态提取算法的两个关键参数,搜寻各带宽范围内变分模态提取算法提取出的峭度值最大的期望信号;
步骤8:从搜寻的K个期望信号中筛选出峭度值最大的优选期望信号;
步骤9:选择所述优选期望信号的包络自谱中功率谱密度最大值对应的频率,将优选期望信号的包络信号降采样到该频率的3倍以上;
步骤10:由短时傅里叶变换计算降采样期望信号的包络信号的时频谱,由脊线检测算法提取时频谱的幅值最大频率随时间变化的瞬态频率曲线,并对瞬态频率曲线做平滑处理;
步骤11:以脊线检测算法提取出的瞬态频率为初始瞬态频率,由ACMD算法得到转频的瞬态频率或与转频相关频率的瞬态频率;
步骤12:对转频或与转频相关频率的瞬态频率进行线性插值处理,得到与加速度信号维度相同的最终瞬态频率;
步骤13:以最终瞬态频率为依据对K个期望信号做角域重采样,分别对K个期望信号进行阶次分析,统计各个期望信号在阶次包络自谱中表现出的特征识别相应的故障类型;
所述步骤6具体为:
步骤6.1:建立风机旋转部件的故障仿真模型;
步骤6.2:设置等值递增的多个惩罚因子;
步骤6.3:设风机旋转部件的固有频率为中心频率,采用变分模态提取算法计算故障仿真模型的仿真信号在各个惩罚因子下的期望信号,并计算相应期望信号的自谱趋势;
步骤6.4:计算各期望信号的自谱趋势在功率谱密度为Q时得到两个交点的频率为P1和P2;
步骤6.5:计算各期望信号在功率谱密度为Q的带宽BW|PSD=Q=||P1-P2||;
步骤6.6:由幂函数拟合所得到各个惩罚因子与带宽BW|PSD=Q之间的关系如下:
BW|PSD=Q=aα-b-c;
步骤6.7:推导并泛化为已知带宽计算惩罚因子的计算公式:
其中,a、b、c都是常数;
所述步骤3或步骤6.3中计算自谱趋势具体为:
1)由如下公式建立信号F(t)的滑动均方根包络Srms(F):
其中,n表示信号F(t)的频率,N表示信号F(t)的自谱长度,W表示矩形窗函数,APS(F)为信号F(t)的自谱;D表示窗函数长度;
2)对均方根包络平滑处理并以横轴为基准使均方根包络下移同时取其绝对值以得到自谱趋势,计算公式如下:
其中,表示平滑处理后的均方根包络;/>表示平滑处理后均方根包络末端点的值;Trend(F)表示信号F(t)自谱趋势,信号F(t)表示步骤3中的加速度信号或者步骤6.3中的期望信号;
所述步骤6.3中采用的变分模态提取算法具体为:
(1)设原始信号x(t)由期望信号ud(t)及残余信号xr(t)构成;
(2)将期望信号约束在中心频率附近,构建如下目标函数:
其中,J1和J2分别表示目标函数及其约束项,α为惩罚因子,ωd为中心频率,β(t)表示滤波器的脉冲响应,j表示虚数;δ(t)表示狄克拉函数,t表示时间;执行以下步骤求解满足该目标函数的期望信号;
(3)初始化期望信号ud(t)的傅里叶变换为迭代次数为m;
(4)更新迭代次数,执行以下循环:
其中,表示第m+1次更新后期望信号的傅里叶变换;/>表示第m次更新后期望信号的傅里叶变换;/>表示第m+1次更新后的中心频率;/>表示第m次更新后的中心频率;/>表示原始信号的傅里叶变换;/>为拉格朗日乘子的傅里叶变换;
直至满足下式后,终止循环并输出期望信号;
其中,φ表示精度值,原始信号x(t)表示步骤6.3中的仿真信号。
2.如权利要求1所述的复杂工况下风机旋转部件的故障特征提取及分析方法,其特征在于,所述步骤4具体步骤如下:
步骤4.1:计算自谱趋势中所有的波峰的显著度;
步骤4.2:根据下式计算波峰的显著度的阈值:
其中,τ表示波峰的显著度的阈值,H表示自谱趋势中波峰的个数;qh表示自谱趋势中第h个波峰的显著度,h表示自谱趋势中波峰的序号。
3.如权利要求1所述的复杂工况下风机旋转部件的故障特征提取及分析方法,其特征在于,所述步骤7具体为:
步骤7.1:将每个簇对应的带宽带入步骤6的关系式,计算每个簇的惩罚因子的初始值,初始化最大迭代次数及惩罚因子的步长;
步骤7.2:以蔟的质心为中心频率,将惩罚因子和中心频率作为变分模态提取算法的两个关键参数,由变分模态提取算法提取加速度信号的期望信号;
步骤7.3:判断提取的期望信号的自谱趋势中的最大波峰是否在该蔟所分布的带宽内,若是则将其作为备选的期望信号,并执行步骤7.4,若否则执行步骤7.5;
步骤7.4:判断备选的期望信号的峭度值是否开始降低,若是则终止迭代,并将上一轮备选的期望信号作为输出的期望信号;否则执行步骤7.5;
步骤7.5:更新惩罚因子,返回步骤7.2。
4.如权利要求3所述的复杂工况下风机旋转部件的故障特征提取及分析方法,其特征在于,所述步骤7.2中采用的变分模态提取算法具体为:
(1)设原始信号x(t)由期望信号ud(t)及残余信号xr(t)构成;
(2)将期望信号约束在中心频率附近,构建如下目标函数:
其中,J1和J2分别表示目标函数及其约束项,α为惩罚因子,ωd为中心频率,β(t)表示滤波器的脉冲响应,j表示虚数;δ(t)表示狄克拉函数,t表示时间;执行以下步骤求解满足该目标函数的期望信号;
(3)初始化期望信号ud(t)的傅里叶变换为迭代次数为m;
(4)更新迭代次数,执行以下循环:
其中,表示第m+1次更新后期望信号的傅里叶变换;/>表示第m次更新后期望信号的傅里叶变换;/>表示第m+1次更新后的中心频率;/>表示第m次更新后的中心频率;/>表示原始信号的傅里叶变换;/>为拉格朗日乘子的傅里叶变换;
直至满足下式后,终止循环并输出期望信号;
其中,φ表示精度值,原始信号x(t)表示步骤7.2中的加速度信号。
5.如权利要求1所述的复杂工况下风机旋转部件的故障特征提取及分析方法,其特征在于,所述步骤10中具体为:
步骤10.1:由短时傅里叶变换计算降采样包络信号的时频谱;
步骤10.2:确定时频谱中幅值最高点的位置TF(t0,f0),t0和f0分别是幅值最高点所对应的时间和频率;
步骤10.3:以TF(t0,f0)为起始点,分别向前向和后向追踪Δf范围内时频谱中的最高值并遍历整个采样时段,提取时频谱的幅值最大频率随时间变化的瞬态频率曲线,其中Δf表示频率差;
步骤10.4:对瞬态频率曲线做平滑处理。
6.如权利要求1所述的复杂工况下风机旋转部件的故障特征提取及分析方法,其特征在于,所述步骤11具体为:
步骤11.1:设降采样期望信号的包络信号y(t)是多个调幅、调频分量的组合,如下式所示:
其中,Al(t)表示瞬态幅值,fl(t)表示瞬态频率;表示初始相位;L表示构成降采样期望信号的包络信号分量的个数,l表示构成降采样期望信号的包络信号分量的序号,yl(t)表示第l个构成降采样期望信号的包络信号分量,ε表示[0,t]范围内的积分变量,fl(ε)表示被积分的瞬态频率函数;
步骤11.2:如下式所示,采用解调算子重构降采样期望信号的包络信号y(t)的表达式:
其中,pl(t)及ql(t)表示为两个解调信号;表示具有高度非线性解调算子的频率函数;
步骤11.3:建立如下目标函数,通过最小化pl(t)及ql(t)的带宽,估计优选期望信号的瞬态频率:
其中,η表示为惩罚因子;和/>用于估计信号的带宽;/>表示L2范数;
步骤11.4:将步骤11.3的目标函数离散化,执行以下公式,计算满足目标函数转频的瞬态频率或与转频相关频率的瞬态频率:
其中,fl i+1表示第l个分量信号经第i+1次迭代后的瞬态频率,fl i表示第l个分量信号经第i次迭代后的瞬态频率;表示频率增量矩阵;I表示为单位矩阵;Ω表示为二阶差分矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172543.5A CN117725539B (zh) | 2024-02-07 | 2024-02-07 | 一种复杂工况下风机旋转部件的故障特征提取及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172543.5A CN117725539B (zh) | 2024-02-07 | 2024-02-07 | 一种复杂工况下风机旋转部件的故障特征提取及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725539A CN117725539A (zh) | 2024-03-19 |
CN117725539B true CN117725539B (zh) | 2024-04-26 |
Family
ID=90202026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410172543.5A Active CN117725539B (zh) | 2024-02-07 | 2024-02-07 | 一种复杂工况下风机旋转部件的故障特征提取及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725539B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944199A (zh) * | 2017-12-22 | 2018-04-20 | 浙江工业大学 | 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法 |
CN108458871A (zh) * | 2017-12-22 | 2018-08-28 | 浙江工业大学 | 一种基于改进经验小波变换的齿轮箱故障识别方法 |
CN114216676A (zh) * | 2021-11-30 | 2022-03-22 | 上海海事大学 | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 |
CN114459438A (zh) * | 2022-01-10 | 2022-05-10 | 山东科技大学 | 基于光谱粗糙度信息判断高分辨率多光谱水深反演数据有效性的方法 |
CN114563181A (zh) * | 2022-01-10 | 2022-05-31 | 浙江工业大学之江学院 | 基于改进变分模态提取的旋转机械故障特征提取方法 |
CN114785379A (zh) * | 2022-06-02 | 2022-07-22 | 厦门大学马来西亚分校 | 一种水声janus信号参数估计方法及系统 |
CN116312623A (zh) * | 2023-03-20 | 2023-06-23 | 安徽大学 | 一种鲸类信号重叠分量的方向脊线预测追踪方法及系统 |
-
2024
- 2024-02-07 CN CN202410172543.5A patent/CN117725539B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944199A (zh) * | 2017-12-22 | 2018-04-20 | 浙江工业大学 | 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法 |
CN108458871A (zh) * | 2017-12-22 | 2018-08-28 | 浙江工业大学 | 一种基于改进经验小波变换的齿轮箱故障识别方法 |
CN114216676A (zh) * | 2021-11-30 | 2022-03-22 | 上海海事大学 | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 |
CN114459438A (zh) * | 2022-01-10 | 2022-05-10 | 山东科技大学 | 基于光谱粗糙度信息判断高分辨率多光谱水深反演数据有效性的方法 |
CN114563181A (zh) * | 2022-01-10 | 2022-05-31 | 浙江工业大学之江学院 | 基于改进变分模态提取的旋转机械故障特征提取方法 |
CN114785379A (zh) * | 2022-06-02 | 2022-07-22 | 厦门大学马来西亚分校 | 一种水声janus信号参数估计方法及系统 |
CN116312623A (zh) * | 2023-03-20 | 2023-06-23 | 安徽大学 | 一种鲸类信号重叠分量的方向脊线预测追踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117725539A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Integrating angle-frequency domain synchronous averaging technique with feature extraction for gear fault diagnosis | |
Frei et al. | Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals | |
CN111665051A (zh) | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
Ding et al. | Sparsity-based algorithm for condition assessment of rotating machinery using internal encoder data | |
CN111738068B (zh) | 一种转速波动工况下的传动轴故障诊断方法和系统 | |
Li et al. | Automated and adaptive ridge extraction for rotating machinery fault detection | |
CN110084208B (zh) | 一种自适应降噪并避免阶次混叠的计算阶次跟踪方法 | |
CN112668518A (zh) | 一种对振动故障信号的vmsst时频分析方法 | |
Dziedziech et al. | A novel method for speed recovery from vibration signal under highly non-stationary conditions | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
CN113702043A (zh) | 一种基于povmd和fdtw的时变转速下行星齿轮箱故障诊断方法 | |
Ding et al. | Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations | |
Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
Yu et al. | Adaptive multiple second-order synchrosqueezing wavelet transform and its application in wind turbine gearbox fault diagnosis | |
CN112782421B (zh) | 一种基于音频的转速识别方法 | |
Gong et al. | Application of optimized multiscale mathematical morphology for bearing fault diagnosis | |
CN117725539B (zh) | 一种复杂工况下风机旋转部件的故障特征提取及分析方法 | |
Li et al. | Early weak fault diagnosis of rolling bearing based on multilayer reconstruction filter | |
CN111323227A (zh) | 一种航空发动机转子故障特征的提取方法 | |
CN112903296B (zh) | 一种滚动轴承故障检测方法及系统 | |
CN108917918A (zh) | 一种针对轴承振动信号瞬时频率分析诊断方法 | |
CN114742111A (zh) | 基于参数自适应特征模态分解故障诊断方法和系统 | |
Liu et al. | An Interpretable Multiplication-Convolution Network for Equipment Intelligent Edge Diagnosis | |
Liu et al. | Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm |
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 |