申请/专利权人：东北大学

申请日：2024-02-07

公开（公告）日：2024-03-19

公开（公告）号：CN117725539A

主分类号：G06F18/2433

分类号：G06F18/2433;G06F18/214;G06F18/213;G06F18/23

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明属于风机故障诊断技术领域，涉及一种复杂工况下风机旋转部件的故障特征提取及分析方法，该方法以自谱趋势为基础提出自适应的变分模态提取方法，解决了风机在复杂工况下故障特征提取问题并提出无需转速传感器的阶次分析方法。工业试验结果表明，该方法可成功分离存在不同共振带的混合故障并且在此基础上准确提取瞬态频率，从而为风电机组中旋转部件的故障诊断提供了有力工具。

主权项：1.一种复杂工况下风机旋转部件的故障特征提取及分析方法，其特征在于，包括：步骤1：在指定测点采集风机旋转部件的加速度信号；步骤2：计算加速度信号的自谱；步骤3：计算加速度信号的自谱趋势；步骤4：以自谱趋势中波峰显著度和的99.9%为阈值，剔除显著度低于阈值的波峰；步骤5：以自谱趋势中波峰的频率为训练样本，采用K-means算法聚类出K个蔟，计算每个簇频带的带宽；步骤6：计算出带宽与惩罚因子α间的关系式；步骤7：将每个簇对应的带宽带入步骤6的关系式，计算每个簇的惩罚因子的初始值；以蔟的质心为中心频率，将惩罚因子和中心频率作为变分模态提取算法的两个关键参数，搜寻各带宽范围内变分模态提取算法提取出的峭度值最大的期望信号；步骤8：从搜寻的K个期望信号中筛选出峭度值最大的优选期望信号；步骤9：选择所述优选期望信号的包络自谱中功率谱密度最大值对应的频率，将优选期望信号的包络信号降采样到该频率的3倍以上；步骤10：由短时傅里叶变换计算降采样期望信号的包络信号的时频谱，由脊线检测算法提取时频谱的幅值最大频率随时间变化的瞬态频率曲线，并对瞬态频率曲线做平滑处理；步骤11：以脊线检测算法提取出的瞬态频率为初始瞬态频率，由ACMD算法得到转频的瞬态频率或与转频相关频率的瞬态频率；步骤12：对转频或与转频相关频率的瞬态频率进行线性插值处理，得到与加速度信号维度相同的最终瞬态频率；步骤13：以最终瞬态频率为依据对K个期望信号做角域重采样，分别对K个期望信号进行阶次分析，统计各个期望信号在阶次包络自谱中表现出的特征识别相应的故障类型。

全文数据：

权利要求：

百度查询： 东北大学 一种复杂工况下风机旋转部件的故障特征提取及分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD