基于盲源分离和流形学习的转盘轴承故障诊断

• 作 者: 赵阳
• 机 构: 南京工业大学
• 出 处: 南京工业大学
• 发表日期: 2016年期
• 关键词: 风力发电机组 转盘轴承 故障诊断 盲源分离 流形学习

风电转盘轴承是风力发电机组中的关键部件，一般要求其能稳定可靠运行20年以上。但由于风力发电机组的工作环境一般比较恶劣，长期暴露在日晒、盐雾和风沙下，昼夜温差较大，一旦发生故障，将造成机组停机。因此，对风电转盘轴承的状态监测和故障诊断成为近年来业内研究的热点和难点问题。　　风电转盘轴承一般在低速重载工况下运行，其振动信号极其微弱，因此高速轴承信号处理方法并不适用于风电转盘轴承。因此，在本文中，针对风电转盘轴承振动信号的特性，提出了一种基于盲源分离和流形学习的风电转盘轴承故障诊断方法，该方法将盲源分离(Blind Source Separation，BSS)与流形学习(Manifold Learning)相结合，将其引入到风电转盘轴承的故障诊断研究中。　　本次研究提出了一种基于独立分量分析(Independent Component Analysis，ICA)与经验模态分解(Empirical Mode Decomposition，EMD)相结合的源信号提取方法，将其运用于风电转盘轴承的故障信号提取，采用功率谱分析提取出其特征故障频率。通过风电转盘轴承模拟故障实验验证了该方法的有效性。　　针对风电转盘轴承信号非高斯性非线性特征，传统的时域、频域、时频域分析法无法提取其故障特征频率。研究提出了一种基于高阶谱分析的双谱分析故障诊断方法，将其引入风电转盘轴承的故障诊断领域。通过风电转盘轴承模拟故障实验，验证了该方法能够有效抑制振动信号中的非高斯成分，并将该方法与基于ICA与EMD的转盘轴承故障诊断方法进行对比。　　针对多特征融合故障诊断中常见的“数据灾难”问题，研究提出了一种基于流形学习的数据降维方法。在前文故障诊断的基础上，将振动数据组成的高维数组作为拉普拉斯特征映射的输入，将输出作为状态识别的判断依据。由实验可知，与传统的主分量分析法(Principal Component Analysis，PCA)相比该方法具有更好的非高斯数据降维能力，更适用于风电转盘轴承的数据降维处理。