基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断

发布时间：2021-07-22 10:30

　　针对齿轮箱故障信号的非线性和非平稳性特征,提出基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、关联维数和支持向量机（Support Vector Machine,SVM）的故障诊断方法。将美国国家可再生能源实验室（National Renewable Energy Laboratory,NREL）"Gearbox Reliability Collaborative（GRC）"项目进行测试获得振动信号数据,通过EEMD进行分解得到本征模态函数（Intrinsic Mode Function,IMF）分量,采用G-P算法求取各组本征模态函数分量的关联维数,将各组关联维数输入SVM中进行故障识别及分类。结果表明:振动信号的关联维数与嵌入维数呈正相关,且正常信号和故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类。该方法能有效提取系统故障非线性特征,比传统的基于统计参数的故障诊断方法具有更高的诊断精度,准确率高达100%。 

【文章来源】：热能动力工程. 2020,35(08)北大核心CSCD

【文章页数】：11 页

【部分图文】：

故障诊断流程

所测试齿轮箱安装于NREL实验风场内,在运行期间发生油损事故。之后,NREL将其拆卸,在实验室条件下分别采集其故障信号和正常信号振动加速度数据。箱体上共布置8个传感器,如图2所示。采用AN8号传感器采集信号,AN8传感器位于高速齿轮下方轴承处,此处在损坏齿轮附近,振动较为强烈,信号所含信息更为丰富。采样频率为40 kHz。

图3(a)和图3(b)分别为AN8传感器采集齿轮正常和故障状态下的加速度振动信号。从图中可见,振动信号时域波动呈无序且混乱状态,无法直接判断故障发生与否。将故障和正常加速度振动信号分成300个样本,对各个样本进行EEMD分解,得到一系列IMF分量。图4为某一故障信号样本EEMD分解结果,包含9个IMF分量及1个残差分量,其中前5个IMF蕴含了样本信号绝大多数信息。

【参考文献】：
期刊论文
[1]基于关联维数和线段聚类的滚动轴承故障诊断[J]. 孟宗,邢婷婷,张圆圆,周明军,殷娜.  计量学报. 2019(01)
[2]风速时间序列非线性特征分析[J]. 袁全勇,李春,杨阳,叶柯华.  热能动力工程. 2018(08)
[3]基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法[J]. 张文哲,张为民,林文波.  机械制造. 2018(04)
[4]基于EEMD和能量算子的风机轴承故障诊断[J]. 齐咏生,张二宁,高胜利,高学金,王普.  控制工程. 2017(12)
[5]行星齿轮箱振动信号特征提取新方法[J]. 李伟,王付广,刘聪,徐培民.  噪声与振动控制. 2017(06)
[6]大型风力发电机组故障诊断综述[J]. 曾军,陈艳峰,杨苹,郭红霞.  电网技术. 2018(03)
[7]基于EEMD云模型与SVM的汽轮机转子故障诊断方法[J]. 田松峰,胥佳瑞,王美俊,韩强.  热力发电. 2017(04)
[8]基于EEMD和模糊BP神经网络的滚动轴承故障诊断[J]. 张国银,王雪,王海瑞,郝家骥,宋怡然.  化工自动化及仪表. 2017(01)
[9]风力发电机组中齿轮箱的故障诊断分析[J]. 王志远.  通讯世界. 2016(06)
[10]基于混沌分形理论的滚动轴承微小故障诊断[J]. 张忠云,吴建德,马军,王晓东.  中南大学学报(自然科学版). 2016(02)

博士论文
[1]分形维数特性分析及故障诊断分形方法研究[D]. 郝研.天津大学 2012



本文编号：3296981