基于AFMD和SVDD的风电机组变桨轴承损伤识别

王晓龙; 张博文; 金韩微; 付锐棋; 杨秀彬; 吴鹏

doi:10.19912/j.0254-0096.tynxb.2023-1743

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于AFMD和SVDD的风电机组变桨轴承损伤识别

更新时间：2025-10-18

- 基于AFMD和SVDD的风电机组变桨轴承损伤识别
- DAMAGE IDENTIFICATION OF WIND TURBINE PITCH BEARING BASED ON AFMD AND SVDD
- 太阳能学报 2025年46卷第3期页码：514-523
- 作者机构：
  
  1. 华北电力大学机械工程系,保定 071003
  2. 华北电力大学工程训练与创新创业教育中心,保定 071003
- 作者简介：
- 基金信息：
  
  国家自然科学基金（52005180）;河北省自然科学基金（E2022502003）;河北省高等学校科学技术研究项目（QN2022190）;中央高校基本科研业务费专项资金（2023MS127）
- DOI：10.19912/j.0254-0096.tynxb.2023-1743
  中图分类号： TH17
- 网络出版：2025-04-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
王晓龙, 张博文, 金韩微, 付锐棋, 杨秀彬, 吴鹏. 基于AFMD和SVDD的风电机组变桨轴承损伤识别[J]. 太阳能学报, 2025, 46(3): 514-523.

Wang Xiaolong, Zhang Bowen, Jin Hanwei, et al. DAMAGE IDENTIFICATION OF WIND TURBINE PITCH BEARING BASED ON AFMD AND SVDD[J]. 2025, 46(3): 514-523.
王晓龙, 张博文, 金韩微, 付锐棋, 杨秀彬, 吴鹏. 基于AFMD和SVDD的风电机组变桨轴承损伤识别[J]. 太阳能学报, 2025, 46(3): 514-523. DOI： 10.19912/j.0254-0096.tynxb.2023-1743.

Wang Xiaolong, Zhang Bowen, Jin Hanwei, et al. DAMAGE IDENTIFICATION OF WIND TURBINE PITCH BEARING BASED ON AFMD AND SVDD[J]. 2025, 46(3): 514-523. DOI： 10.19912/j.0254-0096.tynxb.2023-1743.

摘要

针对风电机组变桨轴承损伤识别问题，提出基于自适应特征模态分解和奇异值分解降噪的损伤识别方法。该方法首先利用龙格库塔优化策略对特征模态分解算法中的频带数量及滤波器长度参数进行搜索，确定最优参数组合后对原始振动信号进行自适应特征模态分解，从中提取出蕴含丰富特征信息的模态分量；继而计算出所提取模态分量的包络信号并做进一步奇异值分解降噪处理，从而增强包络信号的信噪比；最后对比理论损伤特征频率及包络谱中幅值突出的频率成分，用于判断变桨轴承的故障损伤。实验数据分析结果表明，所提方法能从复杂原始振动信号中有效提取出微弱特征信息，实现变桨轴承损伤部位的准确甄别，具有一定工程参考借鉴价值。

Abstract

Aiming at the problem of damage identification of pitch bearings of wind turbine

a damage identification method based on adaptive feature mode decomposition and singular value decomposition denoising is proposed. Firstly

Runge kutta optimization is used to search for the frequency band number and the filter length parameters of the feature mode decomposition algorithm

then the optimal combination of influencing parameters is determined and the original vibration signal is processed by adaptive feature mode decomposition

and the mode component containing rich feature information is extracted. Subsequently

the envelope signal of the extracted mode component is calculated and the singular value decomposition denoising is further operated to enhance the signal-to-noise ratio of the envelope signal. Finally

the theoretical damage characteristic frequency and the frequency component with prominent amplitude in the envelope spectrum are compared to judge the fault damage of the pitch bearing. Experimental data analysis results show that the proposed method can effectively extract weak feature information from complex original vibration signal and accurately identify the damage part of pitch bearing

which has certain engineering reference value.

关键词

Keywords

references

孙欣宇, 向东, 丁伟, 等. 基于麻雀搜索算法的风电机组独立变桨控制研究[J]. 太阳能学报, 2023, 44(10): 266-274.

马振国, 邓巍, 赵勇, 等. 风力机变桨轴承故障诊断的冲击链检测法[J]. 机械科学与技术, 2020, 39(9): 1426-1431.

李婷, 付德义, 薛扬. 基于AE与STFT的变桨轴承裂纹诊断研究[J]. 振动测试与诊断, 2021, 41(2): 299-303, 412.

赵阳, 陈捷, 洪荣晶, 等. EMD和独立分量分析在转盘轴承故障诊断中的应用[J]. 轴承, 2015(7): 54-59.

杨杰, 陈捷, 洪荣晶, 等. PCA和自相关包络分析在转盘轴承故障诊断中的应用[J]. 轴承, 2014(10): 54-58.

王晓龙, 唐贵基, 何玉灵, 等. 变转速工况下基于改进奇异谱分解和1.5维包络阶次谱的风电机组轴承损伤识别[J]. 太阳能学报, 2021, 42(1): 240-247.

MIAO Y H, ZHANG B Y, LI C H, et al.Feature mode decomposition: new decomposition theory for rotating machinery fault diagnosis[J]. IEEE transactions on industrial electronics, 2023, 70(2): 1949-1960.

AHMADIANFAR I, HEIDARI A A, GANDOMI A H, et al.RUN beyond the metaphor: an efficient optimization algorithm based on Runge Kutta method[J]. Expert systems with applications, 2021, 181: 115079.

张龙, 熊国良, 黄文艺. 复小波共振解调频带优化方法和新指标[J]. 机械工程学报, 2015, 51(3): 129-138.

王丽婕, 刘田梦, 王勃, 等. 基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测[J]. 太阳能学报, 2022, 43(12): 392-398.

王海山. 轴对称静电场电位导数计算的数值方法探究[J]. 长春光学精密机械学院学报, 1994, 17(3): 23-27.

陈剑, 刘圆圆, 黄凯旋, 等. 基于奇异值分解和独立分量分析的滚动轴承故障诊断方法[J]. 计量学报, 2022, 43(6): 777-785.

DYBAŁA J. Diagnosing of rolling-element bearings using amplitude level-based decomposition of machine vibration signal[J]. Measurement, 2018, 126: 143-155.

PANG B, NAZARI M, TANG G J.Recursive variational mode extraction and its application in rolling bearing fault diagnosis[J]. Mechanical systems and signal processing, 2022, 165: 108321.

杨栋, 黄民, 马超. 基于WOA-VMD和快速谱峭度的轴承故障诊断[J]. 北京信息科技大学学报(自然科学版), 2023, 38(2): 16-22.

王振亚, 伍星, 刘韬, 等. 奇异谱分解联合互信息的主轴轴承故障特征提取研究[J]. 振动与冲击, 2023, 42(15): 23-30, 47.

李妍, 赵艳杰, 李怀金. 一种SSB信号频域信噪比估计算法[J]. 通信技术, 2009, 42(3): 19-21.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据