-
题名基于VEITD和OSMHD的风电机组轴承损伤识别
被引量：1
- 1
-
-
作者
唐贵基
朱星皓
王晓龙
薛贵
徐振丽
周威
-
机构
华北电力大学机械工程系
华北电力大学河北省电力机械装备健康维护与失效预防重点实验室
-
出处
《电力自动化设备》
EI
CSCD
北大核心
2023年第6期101-107,共7页
-
基金
国家自然科学基金资助项目(52005180)
中央高校基本科研业务费专项资金资助项目(2023MS127)
+1 种基金
河北省自然科学基金资助项目(E2022502003)
河北省高等学校科学技术研究项目(QN2022190)。
-
文摘
针对风力发电机轴承损伤信号易被强噪声干扰导致损伤特征提取困难的问题,提出了一种基于可变熵加权融合的固有时间尺度分解和优化稀疏最大谐波噪声比解卷积法相结合的风力发电机轴承损伤识别方法。采用固有时间尺度分解方法对原始信号进行分解,得到若干个固有旋转分量。利用可变熵对固有旋转分量进行加权融合。使用优化稀疏最大谐波噪声比解卷积法对加权融合信号进行处理,提取轴承损伤特征频率。试验台数据和风力发电机现场数据分析结果表明,所提方法对轴承损伤信号中的噪声抑制效果明显,能够准确提取风力发电机轴承损伤特征频率,实现风力发电机轴承的损伤识别。
-
关键词
风力发电机组
滚动轴承
损伤识别
固有时间尺度分解
稀疏最大谐波噪声比解卷积
-
Keywords
wind turbine
rolling bearing
damage identification
intrinsic time scale decomposition
sparse maximum harmonic-noise-ratio deconvolution
-
分类号
TM315
[电气工程—电机]
-
-
题名OVME结合SMHD的风电机组变桨轴承损伤识别
- 2
-
-
作者
唐贵基
薛贵
王晓龙
-
机构
华北电力大学机械工程系
华北电力大学河北省电力机械装备健康维护与失效预防重点实验室
-
出处
《动力工程学报》
CAS
CSCD
北大核心
2023年第8期1039-1046,共8页
-
基金
国家自然科学基金资助项目(52005180)
河北省自然科学基金资助项目(E2022502003)
+1 种基金
河北省高等学校科学技术研究资助项目(QN2022190)
中央高校基本科研业务费专项资金资助项目(2023MS127)。
-
文摘
针对风电机组变桨轴承的损伤识别问题,提出一种优化变分模态提取结合稀疏最大谐波噪声比解卷积的新颖损伤识别方法,旨在从复合信号中提取特定信号分量。首先,以能量特征指标为适应度函数,利用白鲨优化算法对变分模态提取算法的最优影响参数组合进行搜索,确定变分模态提取的平衡因子和中心频率的最优值;其次,利用变分模态提取从振动信号中提取特定信号分量,并对提取的信号分量进行稀疏最大谐波噪声比解卷积处理,提高信号的信噪比,得到解卷积信号;最后,对解卷积信号进行包络谱分析,从中提取轴承损伤特征频率。结果表明:该方法能准确识别风电机组变桨轴承的损伤特征,具有一定的实际工程参考价值。
-
关键词
风电机组
变桨轴承
损伤识别
白鲨优化
变分模态提取
稀疏最大谐波噪声比解卷积
-
Keywords
wind turbine
pitch bearing
damage identification
white shark optimization
variational mode extraction
SMHD
-
分类号
TH212
[机械工程—机械制造及自动化]
TH213.3
-
-
题名参数自适应SMHD滚动轴承IAS信号特征提取方法
- 3
-
-
作者
钟辉
郭瑜
高国泽
-
机构
昆明理工大学机电工程学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2023年第12期10-17,共8页
-
基金
国家自然科学基金(5216507)
云南省重点领域科技计划项目(202002AC080001)资助。
-
文摘
针对编码器瞬时角速度(IAS)信号中滚动轴承故障特征提取困难的问题,结合稀疏最大谐波噪声比解卷积(SMHD)算法可在没有先验周期情况下提取信号中周期性脉冲故障分量的优势提出一种参数自适应SMHD滚动轴承IAS信号特征提取方法。首先,利用向前差分法估计IAS信号;然后,利用故障特征(FC)作为自适应选取SMHD优化滤波器长度的评判指标,实现SMHD滤波器长度的自适应确定;再将优化选取的滤波器长度代入SMHD算法对IAS信号进行增强。最后,通过包络分析揭示滚动轴承故障特征。通过对仿真和实测数据进行分析,验证了所提方法的有效性。
-
关键词
滚动轴承
瞬时角速度
稀疏最大谐波噪声比解卷积
参数自适应
-
Keywords
rolling bearing
instantaneous angular speed
sparse maximum harmonics-to-noise-ratio deconvolution
parameter adaptation
-
分类号
TN762
[电子电信—电路与系统]
TH165.3
[机械工程—机械制造及自动化]
-
