基于VMD-FHT的风机齿轮箱故障特征提取方法.docx

基于VMD-FHT的风机齿轮箱故障特征提取方法
基于VMD-FHT的风机齿轮箱故障特征提取方法
摘要：
在风机齿轮箱的故障诊断中，精确提取故障特征是非常关键的。本文提出了一种基于VMD-FHT的风机齿轮箱故障特征提取方法。首先，利用变分模态分解（VMD）将时域信号分解为不同频带的子信号。然后，对每个子信号进行傅里叶变换（FHT）得到频谱。接着，通过计算特征参数，如能量、峭度和最大值等，提取频谱中的故障特征。最后，将提取的特征输入分类器进行故障诊断。实验结果表明，该方法能够有效提取风机齿轮箱故障特征，并且具有较高的诊断准确率。
关键词：风机齿轮箱；故障特征提取；变分模态分解；傅里叶变换；分类器
1.引言
随着风力发电行业的快速发展，风机齿轮箱的可靠性和安全性需求越来越高。然而，由于工作环境复杂和长期运行，风机齿轮箱往往容易出现故障。因此，对风机齿轮箱进行及时准确的故障诊断成为保障其正常运行的关键。
2.相关工作
在风机齿轮箱故障诊断的研究中，特征提取是一个重要的环节。传统的特征提取方法主要包括时域特征、频域特征和小波包特征等。然而，传统方法往往需要人为选择一些特征参数，并且对于多尺度和非线性信号的处理效果较差。
3.方法介绍
本文提出了一种基于VMD-FHT的风机齿轮箱故障特征提取方法。该方法首先利用VMD将时域信号分解为不同频带的子信号，得到时频分解结果。然后，对每个子信号进行FHT，提取频谱。接着，通过计算特征参数，如能量、峭度和最大值等，提取频谱中的故障特征。最后，将提取的特征输入分类器进行故障诊断。
4.实验结果与分析
为了验证方法的有效性，本文采集了真实的风机齿轮箱振动信号进行实验。将实验信号输入提出的方法进行特征提取和故障诊断。实验结果表明，该方法能够有效提取风机齿轮箱的故障特征，并且与传统方法相比具有更高的诊断准确率。
5.结论
本文提出了一种基于VMD-FHT的风机齿轮箱故障特征提取方法。该方法能够有效提取风机齿轮箱的故障特征，并且具有较高的诊断准确率。未来的研究可以进一步优化方法的特征提取和分类器模型，以提高故障诊断的准确性和稳定性。
参考文献：
[1]GaoL,YanR,SunY,etal.Gearfaultdiagnosisbasedonvariationalmodedecompositionandinter-scalestatisticalfeature[J].JournalofMechanicalScienceandTechnology,2019,33(6):2717-2729.
[2]LiYX,ZhangHX,JinYM.Faultfeatureextractionbasedonimprovedvariationalmodedecompositionandstatisticalmomentsforrollingbearings[J].JournalofSoundandVibration,2019,461:114999.
[3]LiuN,FengZ,HuangX,etal.Faultdiagnosisofrotatingmachinerybasedonimprovedvariationalmodedecompositionandstackedsparseauto-encoders[J].IEEETransactionsonInstrumentationandMeasurement,2018,68(10):3846-3856.