摘要
随着风力发电机装机容量的逐年增加，对其主传动链轴承、齿轮等关键零部件进行振动监测和故障诊断的重要性日益凸显。在实际运行中，由于风速的变化导致转频波动，风机的振动信号呈现出典型的多组分和非平稳特征，加之现场强噪声的干扰，导致对风机的故障诊断存在着故障特征辨识困难、时频脊线能量集中性差等问题。针对上述难点，本文的研究以同步压缩变换为基础，以小波变换为切入点，对同步压缩小波变换算法的改进方法进行深入研究，实现对复杂振动信号时变特征的高分辨率表征和准确提取，并将其应用到风机故障诊断中。 论文的主要研究工作包括如下几方面的内容: (1)提出自适应二阶同步压缩小波变换(AdaptiveSecond-orderSynchro-squeezingWaveletTransform，AWSST2)并将其应用于风机齿轮故障诊断。针对小波变换存在参数不能自适应调整的问题，引入短时窗的概念，在每个加窗片段中利用小波变换中心频率和缩放因子对短时窗口宽度进行自适应优化，在同步压缩变换的理论框架下，利用二阶偏导数进行瞬时频率估计，获得了能够自适应进行参数调节、脊线清晰的时频分布，实现了对试验台的转频估计及风机齿轮箱齿轮的断齿故障诊断。 (2)提出同步压缩超小波变换(SynchrosqueezingSuperletsTransform，SSLT)并将其应用于风机滚动轴承故障诊断。 针对小波变换存在的依赖母函数选择问题，受多分辨率思想的启发，对小波进行了修正，以一系列小波集代替传统小波母函数，对小波进行阶数选择及循环数缩放，得到能够在时频面有着较高分辨率的超小波变换结果。更进一步地，利用二阶瞬时频率估计及同步压缩操作，形成了同步压缩超小波变换算法，其在时频细节刻画上具有明显优势，获得了脊线能量高度集中的高分辨率时频表达，实现了故障试验台及海装风电机组滚动轴承的故障诊断。 (3)提出联合时频分析与卷积神经网络(ConvolutionalNeuralNetwork，CNN)的故障分类方法，并将其应用于机械故障的模式分类。 针对时频分析方法依赖于经验知识的判断和对特征深度提取能力较弱的问题，结合工业现场大数据分析的实际需要，提出了基于SSLT与CNN的故障分类方法。首先利用SSLT对信号进行高分辨率时频刻画，获得细节丰富、特征明显的二维时频图作为模型的输入，然后进行CNN的多层卷积特征提取和模型训练，学习不同类型故障的特征，最后采用主成分分析对最后一级卷积层的输出特征进行降维聚类，可视化表达分类结果。通过对试验台不同类型轴承故障的实验分析，验证了提出方法的有效性。
NETL