互补集合平均经验模态分解(complementary ensemble empirical model decomposition,CEEMD)作为一种时频特征分析方法,可以较好地提取复杂非线性非平稳信号的故障特征,但其存在虚假分量,很大程度限制诊断过程中的准确性。针对该问题,提...互补集合平均经验模态分解(complementary ensemble empirical model decomposition,CEEMD)作为一种时频特征分析方法,可以较好地提取复杂非线性非平稳信号的故障特征,但其存在虚假分量,很大程度限制诊断过程中的准确性。针对该问题,提出一种基于KL散度(Kullback-Leibler divergence,KLD)的CEEMD虚假分量识别方法(KL-CEEMD)。该方法在原有CEEMD方法基础之上,进一步计算各分量IMF与原信号之间的KL散度值,从而量化各分量与原信号之间的相关性。最后通过对各个IMF的KL散度值进行聚类分析,找出虚假分量和真实分量,最终解决CEEMD的虚假分量问题。为验证KL-CEEMD的有效性,研究搭建风力机传动系统振动试验台,基于该方法对实验台实验数据以及仿真数据进行验证性研究,最终证明所提方法可以很好改善CEEMD的虚假分量问题,能够有效提取出故障信号的真实特性。展开更多
针对风力机振动信号采集过程中易受噪声影响的问题,提出基于过完备原子库的匹配追踪算法对风机振动信号进行处理。该算法能自适应提取和原子相关的信号结构,从而可实现噪声抑制。在匹配追踪算法处理过程中,利用结合梯度信息的改进的粒...针对风力机振动信号采集过程中易受噪声影响的问题,提出基于过完备原子库的匹配追踪算法对风机振动信号进行处理。该算法能自适应提取和原子相关的信号结构,从而可实现噪声抑制。在匹配追踪算法处理过程中,利用结合梯度信息的改进的粒子群优化算法来寻找最佳原子。仿真结果表明,该算法比标准匹配追踪算法具有更快的运算效率及更高的重构精度。利用该算法对风力发电机齿轮箱振动信号进行去噪处理实验。实验结果表明,去噪后信号信噪比可提高5 d B以上,波形特征更加清晰,并且可以在降噪的同时有效保留故障信息。展开更多
文摘针对风力机振动信号采集过程中易受噪声影响的问题,提出基于过完备原子库的匹配追踪算法对风机振动信号进行处理。该算法能自适应提取和原子相关的信号结构,从而可实现噪声抑制。在匹配追踪算法处理过程中,利用结合梯度信息的改进的粒子群优化算法来寻找最佳原子。仿真结果表明,该算法比标准匹配追踪算法具有更快的运算效率及更高的重构精度。利用该算法对风力发电机齿轮箱振动信号进行去噪处理实验。实验结果表明,去噪后信号信噪比可提高5 d B以上,波形特征更加清晰,并且可以在降噪的同时有效保留故障信息。
文摘辨识模态参数是准确获得风机塔架结构动态特性的基础。由于风力机叶片上的重力和风切变引起的气动载荷都会周期性地改变大小和方向及受到桨叶螺距等周期载荷的影响,运行中的风力机表现为线性时间-周期(Linear time-periodic)系统。提出一种基于响应信号的运行中风机塔架工作模态分析辨识方法。以长度为60 m的风机塔架结构为研究对象,利用Periodic past output multivariable output-error state space(简称Periodic PO-MOESS)算法,对受到周期激励信号作用的结构进行模态辨识,并比较辨识结果和仿真结果的差异。讨论周期激励下该算法辨识结构模态参数的可行性,并分析在白噪声工况下的辨识结果精度,结果表明该算法可以有效识别运行中风力机系统的模态参数,且具有良好抗噪性能。
