针对传统风力发电机组故障检测方法受到非平稳振动信号影响,导致检测结果不精准的问题,提出了基于小波变换的风力发电机组故障检测方法。根据风力发电机组轴承非平稳信号特征,使用小波变换降噪技术,分解非平稳信号,获取有限长度离散含...针对传统风力发电机组故障检测方法受到非平稳振动信号影响,导致检测结果不精准的问题,提出了基于小波变换的风力发电机组故障检测方法。根据风力发电机组轴承非平稳信号特征,使用小波变换降噪技术,分解非平稳信号,获取有限长度离散含噪信号。消除噪声项后,利用峭度对非平稳信号的敏感性,提取故障自旋频率特征,实现轴承的故障检测。利用卷积神经网络提取齿轮箱阶次信号时序特征,通过齿轮箱故障时序特征的小波变换平移,利用阶次跟踪分析方法推导不同转速级的故障特征,以此对非平稳工况下齿轮箱故障状态诊断。由实验结果可知,该方法内、外滚道加速度时域信号变化范围分别为-0.3~0.3、-0.06~0.05 m/s 2,小、大齿轮断齿故障幅值为0.2、0.4,轴承故障和齿轮箱故障变化范围均与实际范围一致。展开更多
文摘针对传统风力发电机组故障检测方法受到非平稳振动信号影响,导致检测结果不精准的问题,提出了基于小波变换的风力发电机组故障检测方法。根据风力发电机组轴承非平稳信号特征,使用小波变换降噪技术,分解非平稳信号,获取有限长度离散含噪信号。消除噪声项后,利用峭度对非平稳信号的敏感性,提取故障自旋频率特征,实现轴承的故障检测。利用卷积神经网络提取齿轮箱阶次信号时序特征,通过齿轮箱故障时序特征的小波变换平移,利用阶次跟踪分析方法推导不同转速级的故障特征,以此对非平稳工况下齿轮箱故障状态诊断。由实验结果可知,该方法内、外滚道加速度时域信号变化范围分别为-0.3~0.3、-0.06~0.05 m/s 2,小、大齿轮断齿故障幅值为0.2、0.4,轴承故障和齿轮箱故障变化范围均与实际范围一致。
