准时和准确地发现风扇轴故障对于直接驱动式制冷存储单元的安全和经济运行非常重要。了解决这个问题，本文提出了一种基于能量熵S的直驱式风力发电机储能单元轴承故障诊断方法。方法利用广义S变换来分析直接驱动风扇振动信号的时频特性，从而使信号的主能量比时频收敛性更集中在时频域。号得到改善，并且广义矩阵S由能量的熵实现。征提取是一种故障分析向量，结合VPMCD方法建立故障诊断模型，然后对故障分析向量进行分析和诊断。文的故障诊断方法对信号进行广义S变换，对变换结果采用能量熵提取函数，并通过诊断模型对运行状态进行评估。于VPMCD方法的故障。方法适用于风力发电机冷库机组轴承故障的诊断，实验结果证明了该方法的可行性和有效性。能源领域，随着近期对中国新能源的关注，风力发电的装机容量继续增加[1]。管风能在电力系统中所占的份额不断增加，但必须提高设备的整体质量并降低能源生产成本[2]。
今，风电场中常用的人定期维护这种“被动修正”模式，这种模式在风力涡轮机故障一开始就无法检测或处理，从而造成严重的经济损失[3]。外，风电场通常处于恶劣的环境中，操作条件复杂，干扰因素众多，从而限制了风车制冷机组故障检测技术的发展。换为S是具有高SNR的时频分析工具。多国内外研究人员进行了广泛的研究并改进了算法[4]。于高频区域中S变换的分辨率低，当信号是非平稳复信号时，所获得的S矩阵在时频域中是无序的，没有规律。
而易见，很难选择一个合理的特征提取区域[5]。S变换相比，广义S变换具有更敏感的窗函数，可以通过调整其时频分辨率将主信号能量集中在某个时频域。对集中在时频域。扰因素的分布相对分散[6]。后，通过沿频率方向获得广义矩阵S的熵能，选择相对较大的时频特性，舍弃相对分散的时频特性，并求出向量的分析向量。
立故障是为了达到提取信号特征的目的。文提出的故障诊断方法适用于直接驱动式冷库机组滚动故障的诊断。先，对风扇的振动信号进行广义变换S，使信号的主要能量相对集中在时频域，然后通过能量熵提取信号形成故障分析向量，然后用于建立方法。断模型以对故障分析向量进行故障排除。中：w（t-τ，f）是高斯窗函数，τ是平移参数，f是频率。中：a是采样时间； b，k是频率系数。
短期内的傅立叶变换相比，变换S具有多分辨率的特征。是，冷凝器价格S变换窗口函数的宽度在高频区域太快且太窄，导致高频区域的频率分辨率太低[8]和失真问题产生，从而在处理非平稳信号时导致较低的时频收敛性。此，为了更好地满足实际需要并有效解决时频分辨率的可调特性，有必要改善S的变换。中，α是窗口幅度的拉伸因子。斯和β是频率标度的拉伸因子。选择β的值时，通过调节α的值来控制窗口函数宽度的修改：当α> 0时，随信号频率变化的速度加快，而当α<0时，速度变慢。于时域中的窗函数的减小对应于频域中的拉伸，因此在时间分辨率和频率分辨率之间不兼容。了获得更好的时间分辨率，必须牺牲相对频率分辨率，反之亦然。
[9]。此，有必要根据实际模式损害时频分辨率。用α和β来调整变换S的时频分辨率会增加其灵活性。α=β= 1时，广义变换S是标准变换S，因此广义变换S不会增加额外的计算复杂度。中λ，m，n = 0，1，…，N-1。中p i = E i / E是总能量中第i个正交分量的能量密度。
信息熵的性质，已知熵的值H取决于pi分布的均匀度。此，乳房之间的分布可以表征信号细节，并且可以用于故障识别。用根据等式（5）的信号的广义变换S，获得m行n 1列的复时频矩阵S，该列表示信号的瞬时时间点，该行表示频率瞬时信号的频率差等于fs / N（fs为采样频率）。后，沿频率轴获得矩阵每一行的能量熵，冷凝器价格并获得表征信号细节的特征向量，即分析的向量。障。
VPMCD [12]是一种模式识别方法，用于分析信号数据特征值之间的内在关系。过对信号特征值进行建模，解决了传统分类器参数选择主观性的局限性，大大简化了操作过程，缩短了分析时间。式（11）是Xi的变量预测模型。中Xi是预测变量，Xj是预测变量； b0，bj，bjj，bjk是预测模型的参数，e是预测误差。
VPMCD方法通过VPM分析信号的特征值，以预测信号的状态。故障分析向量的特征值输入预测模型，并将特征值的最小特征值用作评估风扇轴承工作状态故障诊断的基础[13]。于以上分析，本文提出了一种基于S能量熵的直驱风能储能机组滚动缺陷诊断方法。助于风扇振动信号的广义变换S，信号的主能量集中在某个时频域，得到广义矩阵S的频率能量熵，从而形成最后，将故障分析向量的特征值输入到VPMCD诊断中。型被诊断。这种方法实现的流程图如图1所示。体步骤如下。
风扇的每个工作状态下，对轴承的振动信号进行采样，并收集N个样本。收集的信号样本执行广义S变换以获得广义S矩阵。于广义矩阵S，获得每个子频率的能量熵，以形成故障分析矢量。择每个操作状态下的n组故障分析向量作为训练样本，以基于VPMCD建立故障诊断模型。要预测的信号分析矢量的特征值输入VPMCD故障诊断模型中，以诊断轴承故障。了验证所提方法的有效性，将其应用于直接驱动风扇的实验数据。扇测试台的示意图如图2所示。主要包括电动机，主轴，扭矩计和用于发电的蓄冷装置。
中，引擎模拟风对风轮的影响：引擎模型为YZ2132M2-6，平均速度为908 rpm。轴，扭矩计和发电机通过联轴器连接，发电机的输出通过交叉开关通过三相插头连接到实验室电网。验轴安装在电机侧，轴支架装有加速度传感器（型号ADXL001，采样频率为8 kHz）。切割用于在每个故障类别轴上打开一个0.3 mm的小凹槽，以模拟外圈，内圈和轴承的部分故障。这种情况下，分别采样轴承的法线，外圈，内圈和滚动元件这四个状态的振动信号，并为每种状态测量50组数据。
四种状态类型中随机选择30组数据作为训练样本，其余20组数据用作测试样本。例来说，图3是风扇轴承的外圈的故障振动信号样本的时间波形图。于图4的正常状态波形图，可以看出在外环故障波形图中出现了一些波形变化，但是无明显特征。外圆的缺陷样本执行广义变换S，以获得广义S矩阵。据等式（6）获得广义矩阵S的频率驱动能量熵。
5是外圈和滚动元件的破坏的法线的能量熵图S。5清楚地显示了不同类型故障之间的功率分配差异。正常情况下，能量熵的能量峰值S约为10，频率为1 kHz，而外环的能量熵的能量峰值为约7和2.7 kHz的频率。以看出，能量熵S可以直接反映不同状态的特征，并具有更好的可分离性。取样品S的能量熵的特征值以形成失效分析向量。VPMCD方法的使用要求样本的特征值之间具有良好的相关性。此，对四个状态失效分析向量进行相关分析。1是四个状态的特征值的相关系数表，其表明VPMCD的使用与该原理一致。
择线性相互作用模型LI，从方程（8）中，该模型需要11个参数，如b0，bj，bjj，bjk等。个状态从学习样本中随机选择20组进行模型学习，并在VPMCD之间建立方程。计每个参数的值，获得对应于特征值的VPMik并建立故障诊断模型。中，VPM1是普通模型，VPM2是外圈的默认模型，VPM3是内圈的默认模型，VPM4是滚动元件的默认模型。用测试样本测试故障诊断模型，并通过已建立的VPMik（k = 1，2，3，4）预测四种状态类型的测试样本，并求和。据最小原理，计算所有预测值的误差。2中对类别进行了分类，并给出了一些测试结果。验结果表明，在四个州中的其余80个组中，已成功识别出77个组，识别率为96.3％。明了该方法的有效性。文提出了一种基于能量熵S的直驱风能冷库机组故障诊断方法。过对风扇振动信号的变换S进行归纳，可以提高信号高频区域的频率分辨率，并将信号的主要能量集中在时频域中，并与能量-能量聚集进行比较。
理非平稳信号时的时频。好的问题。后，利用能量熵对广义矩阵S进行特征提取，结合VPMCD建立故障诊断模型，建立故障诊断模型。真结果表明，该方法可以提高鼓风机故障识别的准确性，证明了该方法的可行性。
本文转载自
冷凝器价格 http://www.china-iceage.com