基于图像特征提取的风电传动机械故障诊断技术研究

发布时间：2020-08-12 08:42

【摘要】：随着信息理论和图像分析理论的发展,近年来基于图像处理的故障诊断方法研究成为故障诊断领域研究热点。时频图像相比于时域图和频域图包含更加丰富的风电传动机械运行状态信息,更加适合风电传动机械故障分析,但是目前时频图像分析一般需要专业人员分析判别,且一般从时域或频域参数分析,没有充分利用图像几何形状纹理等信息,自动化程度低。因此本文开展基于图像特征提取的风电传动机械故障诊断方法研究,提高故障诊断效率与准确率。主要研究工作包括:(1)为了使图像处理技术应用到故障诊断中,首先研究如何利用振动信号构建合适的参数图像。本文研究短时傅里叶变换、Wigner-Ville分布以及阈值去噪小波变换三种时频分析方法,并对模拟信号进行时频分析得到二维时频图像,对比分析结果表明基于阈值去噪小波变换的时频图像有更好的时频分辨率和抗噪声能力,能够更加清晰反映风电机组故障信息。(2)为了对时频图像进行特征提取并得到统计量特征,研究提取图像特征的灰度共生矩阵方法、Hu不变矩方法及两种方法结合。灰度共生矩阵能精确反映图像纹理的空间复杂度、粗糙程度和重复方向,Hu不变矩能够充分反映图像区域特征。提出利用特征值的相关性进行两种方法的特征结合,新特征向量能够更好表现时频图像特征,有效提取风电机组传动机械故障信息。(3)针对本文所提取的时频图像特征向量,将人工免疫算法中的阴性选择算法应用到风电传动机械故障诊断中,提出适用于振动信号时频图像识别的可变阈值实值阴性选择算法及其故障诊断方法流程。(4)验证所研究的基于图像特征提取技术的风电机组传动机械故障诊断方法,对河北某风场风机齿轮箱正常振动信号和故障振动信号进行数据处理、构建时频图像、提取图像特征并应用人工免疫算法进行故障分析,提高了故障诊断准确率。
【学位授予单位】：北京信息科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM614;TP391.41

【相似文献】