热能动力工程

作者：苏欢欢,孙康,赵凯程,李 春,闻 麒,岳敏楠

单位：上海理工大学 能源与动力工程学院,,上海理工大学 能源与动力工程学院,,上海理工大学 能源与动力工程学院,,上海理工大学 能源与动力工程学院,,上海理工大学 能源与动力工程学院,,上海理工大学 能源与动力工程学院,

关键词：风力机;混沌理论;卷积神经网络;相空间重构;故障诊断

基金：国家自然科学基金资助项目(51976131,52006148,52106262)；上海市Ⅳ类高峰学科-能源科学与技术-上海非碳基能源转换与利用研究院建设项目资助Fund-support Project: National Natural Science Foundation of China ( 51976131,52006148,52106262 ) ; shanghai IV peak discipline-Energy Science and Technology-Shanghai Non

复杂工况下风力机机械部件存在振动损伤识别困难,故障信号特征依赖人为经验提取等问题。通过完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法处理原始信号,通过Pearson系数筛选特征信号,基于混沌理论运用相空间重构方法以获取更为纯净信号,将重构信号输入卷积神经网络(Convolutional Neural Network,CNN)实现故障特征提取。结果表明：在不同的信噪比下,该诊断模型与现有方法对比,针对不同类型轴承故障具有更高的识别准确率,且具有良好的泛化性和鲁棒性,可为风力机机械部件的健康监测与管理提供参考。

来源：2024年第12期

《热能动力工程》期刊编辑部

查看热能动力工程杂志2024年第12期