风电机组齿轮箱故障发展进程中早期劣化特征信息微弱,采用传统的奇异值分解(Singular Value Decomposition,SVD)降噪方法容易造成有用信息的丢失。针对这一问题提出基于μ-SVD和LMD的弱特征信息提取方法,根据累积贡献率确定降噪阶次进...风电机组齿轮箱故障发展进程中早期劣化特征信息微弱,采用传统的奇异值分解(Singular Value Decomposition,SVD)降噪方法容易造成有用信息的丢失。针对这一问题提出基于μ-SVD和LMD的弱特征信息提取方法,根据累积贡献率确定降噪阶次进行信号重构,提取出带噪部分信号,对其进行局部均值分解(Local Mean Decomposition,LMD)和μ-SVD降噪处理,叠加得到降噪后的信号。试验研究结果表明,该方法能够明显削弱信号噪声,有效提取早期故障微弱特征信息,有利于实现早期故障预警及动态预知维护。展开更多
文摘风电机组齿轮箱故障发展进程中早期劣化特征信息微弱,采用传统的奇异值分解(Singular Value Decomposition,SVD)降噪方法容易造成有用信息的丢失。针对这一问题提出基于μ-SVD和LMD的弱特征信息提取方法,根据累积贡献率确定降噪阶次进行信号重构,提取出带噪部分信号,对其进行局部均值分解(Local Mean Decomposition,LMD)和μ-SVD降噪处理,叠加得到降噪后的信号。试验研究结果表明,该方法能够明显削弱信号噪声,有效提取早期故障微弱特征信息,有利于实现早期故障预警及动态预知维护。
