针对风电机组滚动轴承工作环境恶劣、工况多变且振动信号成分复杂等特点,将33项时域和频域特征参数及其特性应用于风电机组滚动轴承状态监测和故障诊断中,利用奇异值分解重构法(Singular Value Decomposition,SVD)将滚动轴承振动故障信...针对风电机组滚动轴承工作环境恶劣、工况多变且振动信号成分复杂等特点,将33项时域和频域特征参数及其特性应用于风电机组滚动轴承状态监测和故障诊断中,利用奇异值分解重构法(Singular Value Decomposition,SVD)将滚动轴承振动故障信号中的噪声等干扰成分去除,降噪重构后的信号经过基于经验模式分解法(Empirical Mode Decomposition,EMD)的希尔伯特-黄变换,实现故障冲击信号的共振解调处理,将低频周期故障调制信号筛选出来,最终结合滚动轴承各部件故障特征频率、振动信号时频分析结果和时频特征参数诊断结果实现滚动轴承的状态监测和故障识别。并通过振动测试信号分析,验证了该方法对提取风电机组滚动轴承故障特征的有效性。展开更多
文摘针对风电机组滚动轴承工作环境恶劣、工况多变且振动信号成分复杂等特点,将33项时域和频域特征参数及其特性应用于风电机组滚动轴承状态监测和故障诊断中,利用奇异值分解重构法(Singular Value Decomposition,SVD)将滚动轴承振动故障信号中的噪声等干扰成分去除,降噪重构后的信号经过基于经验模式分解法(Empirical Mode Decomposition,EMD)的希尔伯特-黄变换,实现故障冲击信号的共振解调处理,将低频周期故障调制信号筛选出来,最终结合滚动轴承各部件故障特征频率、振动信号时频分析结果和时频特征参数诊断结果实现滚动轴承的状态监测和故障识别。并通过振动测试信号分析,验证了该方法对提取风电机组滚动轴承故障特征的有效性。
文摘针对滚石运动特征参数间关系模糊等问题,在开展其敏感性分析的基础上,构建准确、快捷的滚石运动特征参数预测系统。首先引入灰色关联法(grey relation analysis,GRA),以水平运动距离、弹跳高度和碰撞能量等滚石运动特征为目标参数,研究了初始速度、边坡摩擦角、滚石质量、法向恢复系数和切向恢复系数等滚石运动影响因素的敏感性和显著性。随后,使用高斯过程回归模型,建立水平运动距离、弹跳高度和碰撞能量等滚石运动特征参数的预测模型,避免了传统的滚石运动数值模拟软件繁琐的建模计算过程。研究表明,高斯过程回归(Gaussian process regression,GPR)模型对滚石的水平距离和总动能的预测精度最高。因此,文中所构建的滚石运动特征参数敏感性分析及预测模型能够快速得出滚石运动特征参数,对支挡结构的设计和施工有重要的参考价值。
