现代机械装备长期服役于恶劣多变的工况下,难免故障类型多连级发生进而形成复合故障情形的退化过程,传统健康指标通常聚焦于单一故障退化情形下的状态监测,并不适用于该情形下的装备状态监测。针对以上问题,提出了一种复合故障退化情形下基于自适应非线性状态估计(Adaptive nonlinear state estimation,ANSE)的装备状态监测健康指标(Health indicator,HI)构建方法,包含初期故障瞬态检测和早期故障精准定位两部分。首先,基于希尔伯特奇异值分解算法(Hilbert singular value decomposition,Hilbert-SVD)构建奇异值特征序列作为状态监测模型的输入;然后,利用非线性状态估计(Nonlinear state estimation,NSE)重构误差特性构建HI以放大初始故障样本和正常样本之间的差异程度;其次,为了自适应瞬态检测初期故障,引入峰值超阈值(Peaks over threshold,POT)算法构建ANSE模型实现健康阈值动态更新;最后,对初始故障样本进行共振稀疏分解和最大相关峭度反卷积(Resonance-based sparse signal decomposition and maximum correlation kurtosis deconvolution,RSSD-MCKD)的特征提取,利用功率谱解析故障特征频率实现故障部位精准定位。将所提方法在两个复合故障退化情形下的轴承数据集进行有效性和鲁棒性验证,在风机主轴承数据集上进行工程验证,分析试验结果和对比结果,所提方法能更好检测装备的初期故障,同时还能表征其整个退化过程,表明了所提方法具有较强的状态监测能力。
针对高压断路器分合闸线圈和储能电机的状态诊断过于复杂的问题,提出一种以易于采集的电流信号来对分合闸线圈和储能电机进行故障诊断。通过非线性状态估计法(nonlinear state estimate technology)分别建立分合闸线圈和储能电机的电流...
详细信息
针对高压断路器分合闸线圈和储能电机的状态诊断过于复杂的问题,提出一种以易于采集的电流信号来对分合闸线圈和储能电机进行故障诊断。通过非线性状态估计法(nonlinear state estimate technology)分别建立分合闸线圈和储能电机的电流诊断模型,然后根据常见故障类型建立故障阈值,之后根据电流相似度变化趋势进行诊断,实现及早发现分合闸线圈和储能电机的潜在故障。实验结果表明,该方法对分合闸线圈故障诊断正确率达到100%,对储能电机故障诊断正确率达到99.38%。
针对现阶段在齿轮箱的状态监测方法中遇到的问题,提出一种以易于采集的油温信号来对齿轮箱故障进行预警的分析方法;通过非线性状态估计法(nonlinear state estimate technology)建立齿轮箱的温度预测模型,之后根据统计温度预测残差的变...
详细信息
针对现阶段在齿轮箱的状态监测方法中遇到的问题,提出一种以易于采集的油温信号来对齿轮箱故障进行预警的分析方法;通过非线性状态估计法(nonlinear state estimate technology)建立齿轮箱的温度预测模型,之后根据统计温度预测残差的变化趋势,然后与通过验证集合确定出的残差均值和标准差的故障阈值进行对比,以实现及早发现齿轮箱的潜在故障,优化运行的效果;并且与神经网络预测方法进行对比分析,结果表明非线性状态估计法对风电齿轮箱进行故障预警有着较好的效果。
暂无评论