由于风能制冷机的振动信号受到背景白噪声和短期干扰噪声的影响，因此难以及早提取出默认的默认特征频率。出了经验模态分解（EMD），相关分析和小波包变换相结合的方法。WPT）方法，用于消除振动信号中的噪声并提取故障特征频率（与EMD相关的衰减-WPT）。一步，EMD分解振动信号以获得可以表征不同频率的本征模式函数（IMF），然后选择表征特征故障频率的MFI并重建故障特征信号。使用自相关分析来消除重构信号。后，噪声的影响与小波包变换（WPT）相结合，使得有可能在通过降噪重构的振动信号中提取特征频率。了验证该方法的有效性，以实测和模拟的双馈风冷机组的轴承故障振动信号，小波振动变换（WPT），冷库安装与EMD相关的降噪和刚性小波阈值分别用于轴承的振动信号。-WPT方法执行特征的频率提取分析。不同特征频率提取方法的比较表明，EMD提出的EMD去噪频率提取方法可以有效抑制背景白噪声和短期干扰噪声的影响，并进行提取。期低缺陷特征。于中国风能行业的快速发展和大规模风力发电的运行，研究如何将监测技术应用于风能储能单元的状况以解决这一问题非常令人担忧。少风能存储单元的故障频率以及运行和维护成本，并增加其能源生产。中，准确，完整地提取故障信号和弱信号是状态监测和故障诊断的关键。于风速的随机性和不确定性以及存储单元的恒频和变速能量产生的控制特性，因此在监控过程中会产生振动信号。

　　态会受到各种噪声的干扰，这使得提取特征频率变得很困难，并直接影响状态的监视。早检测系统，故障警报和生命周期管理。此，研究有效地提取来自风能存储单元的振动信号的特征故障频率以提高风能状况监测的准确性具有十分重要的现实意义。能存储单元。于振动信号的特征频率提取，国内外一些研究者进行了一些研究，其中小波包变换（WPT）具有良好的局部特征分解能力，可能适合信号处理。线性非平稳的。压开关，水电冷库，旋转轴承等的频率提取特性故障然而，显着的背景噪声会影响小波包中弱缺陷特征的早期提取精度，因此通常有必要使用去噪算法来解开原始信号（例如李华）。适应小波来衰减信号。武军等。然使用了经验模式分解（EMD）降噪算法，但是上述方法主要基于背景白噪声的特性，具有独特的噪声处理能力，并且可能会比较短在风冷存储单元的振动信号中。
　　扰噪声很小。管相关的个体降噪方法可以抑制非平稳信号和背景白噪声（例如短期干扰噪声），但是当单独使用相关降噪来处理信号时，在背景噪声高的环境中，有用信号非常弱，自相关系数会变小，并且去噪后信号频谱可能会变形。此，近年来，相关分析和各种频谱分析方法已经应用于信号去噪，例如，张文文及其合作者提出了一种基于小波的窗口相关算法。关降噪和模极大值最大模块降噪算法，但是该算法具有计算量大，计算过程不稳定，收敛速度慢的缺点。阳森及其合作者向东阳及其合作者将相关分析与小波原理相结合，构建了一种小波系数相关降噪算法，但在计算相关系数时，会产生偏移尺度之间的小波系数将影响算法的准确性。文可以通过分解EMD来获得不同频率的固有模式函数（IMF）的特征，并采用EMD方法来重建振动信号的异常特征，然后对振动信号进行分析。相关相结合以消除不需要的噪声。此基础上，风冷机组的振动信号受到背景白噪声和短期干扰噪声的影响，难以提取早期的低故障特征。出了基于EMD和WPT相关分析的振动信号和故障特征。率提取方法（EMD-WPT相关降噪）。先，在现有的小波包变换（WPT）频率提取方法上，提出了EMD的自相关去校正预处理部分，并提出了EMD的频率提取方法特性建立了通过与EMD链接的WPT抑制冷风能注销单元的振动信号。后以风冷库测得并模拟的轴承故障振动信号为例，分析风冷库振动信号的噪声特性和水平。
　　析并比较了不同方法的噪声抑制。了有效抑制噪声干扰并提取振动信号的频谱，通过EMD分解获得不同频率的本征模式函数（IMF），并能够表征默认频率的特征频率。择来重建故障特征信号。过自相关分析，突出了故障特征，消除了重构信号中的噪声影响，提出了一种基于分组小波变换特征（WPT）的频率提取方法。动信号的实现。障特征的去噪和频率提取，如图l所示。

　　相关分析。信号S2（t）进行无偏自相关分析，以消除噪声，即减少或什至消除背景白噪声和短期干扰噪声的影响，并获得噪声信号S3（t）（如第1.3节所示）。波包特征的频率提取。先，选择小波函数并确定小波包分解数IV，然后通过N层小波包分解信号S3（t）以获得小波系数。据故障特征的频带选择每一层的小波和相应的小波包系数。后，对重构信号进行快速傅立叶变换（FFT）以获得重构信号的幅度谱。EMD使用本地信号特征的时间标度来提取IMF的几个阶次和原始信号的残余量，IMF的分解分量突出了数据的局部特征，而残余分量反映了信号的缓慢变化。号。过分析每个MFI，可以更准确，更有效地捕获有关原始数据特征的信息。了验证所提出的频率提取方法的有效性，NI cRI0-9025（NI模块）设计并开发了风能存储单元采集和分析系统。9234和NI 9401，如图2所示。态监视系统从两个1.5 MW双馈冷库中收集滚动故障振动信号。力发电场，采样频率为25600Hz，采样点为16384。中，第一台风机的转速为1811.32 rpm，相应的发电机频率为30.18 Hz，2号风扇发电机的速度为1819.91 rpm，相应的发电机频率为30.33 Hz。合这种类型的发电机的托辊数量（7），频率卡拉克可以使用经验滚动失效公式（如表1所示）计算两个风能冷库的轴承失效特性。图3中示出了两个收集的发电机轴承的原始振动信号。

　　图3的初始信号的振动幅度可以看出，两个风冷单元的轴承当然振动，并且状态监控系统显示滚动故障警报。了分析上述测得的振动信号的频率分布特性，本节首先使用FFT变换从两个风能冷库提取滚动振动信号的频谱。图4所示，可以看出，两个风能冷库的振动信号的能量主要集中在大于2500 Hz的高频段，发电机轴承的固有频率范围。虑到滚动缺陷的频率和两个风能冷库的倍频都在350 Hz以下的低频范围内，本节首先分析了通过特征小波包（WPT）频率提取方法在低频带，然后截获0-350 Hz频率，该范围内的频谱如图5所示。5显示，对于发电机的频率（接近理论计算频率30.18 Hz）及其2个八度音阶，在1号风扇的中心点1和1'处的特征频率为30 Hz。间点5和2号风扇的点。'处的特征频率对应于发电机29.7 Hz的频率转换（接近理论设计频率30.33 Hz）。t处于其两倍的频率，这可能是由于风能的冷藏单元的两个联轴器的角度未对准引起的；中点3和3'处的特征频率是143.8 Hz发电机的内部环形故障的特征频率（接近表1中的理论计算频率141.8 Hz）及其双倍频率，表明在1号风扇中仍然有一个内环承载着发电机。障。而，风扇＃1的第二和第四点处的频带以及点3'附近的频带以及风扇＃2的第六，第七，第八，第九和第十点处的频带较宽并且不匹配。表1中将规定的故障特征频率分类为风能冷库的振动信号的短期干扰噪声。外，低频背景白噪声在两个风能存储单元的拾取信号的频率范围内均匀地分布。了比较不同信号处理方法对上述风冷式存储单元的滚动振动信号中的噪声抑制的效果，冷库安装本节采用了特性退役频率提取方法。WPT与EMD和小波硬阈值预处理相关，在小波包处理之前进行预处理。较了变换提取方法（WPT）（小波硬阈值-WPT）。一号风扇的振动信号为例，通过与EMD相关的特征性WPD选频提取方法对原始振动信号进行处理的过程如下：首先，EMD用于分解发电机振动信号以获得14组MFI；分析表明，小额信贷机构的能量主要集中在500 Hz左右的频率范围内，IMF4的能量主要集中在1000 Hz左右的频率范围内。MFI随着其阶数的增加，选择并累积与缺陷相关的信号IMF5〜IMF14，以获得重构信号S2（t），然后进行无偏自相关分析以获得降噪信号S3（t）。后，采用小波变换特征（WPT）频率提取方法。信号S3（t）执行频谱分析。
　　6是通过EMD系统的背景处理提取的两个风能冷库的滚动振动信号的频谱图，考虑了无偏自相关分析后的振动信号，物理意义已使用“相对幅度”进行了更改。征其纵坐标为了更好地证明所提出方法的有效性，使用小波WPT振动阈值分析来获得两个冷藏单元的滚动振动信号的频谱。能，如图7所示。图5，图6或表2进行比较，可以看出与EMD相关的WO计价方法可以大大抑制短期干扰噪声。
　　个风能储能单元中的一个，但是采用WPT硬阈值提取方法提取了两个风能储能单元的短期干扰点2、4、6、7和8频谱中的风能（图7）没有消除，因为考虑了有用信号和白噪声，考虑了小波硬阈值的滤波。小波系数分布的差异中，阈值是挑战可以消除白噪声，但是冷风储能单元的振动信号中存在的短期干扰噪声无能为力。外，由于有用信号在使用硬小波阈值进行去噪期间必须损失一定量的功率，因此还抑制了图7的点3'处的故障特性的频率。此，与小波WPT硬阈值降噪特征频率提取方法相比，本文提出的与EMD相关的衰减抑制WPT噪声提取方法可以有效地抑制噪声。期内干扰噪声的影响。测量的缺陷轴承处于明显的缺陷特征阶段，以进一步验证与EMD EMD相关消息有关的噪声消除和噪声抑制方法在抑制低缺陷特征方面的有效性。音提取，此部分模拟了发电机的轴承。动信号。中，振动信号的来源考虑了以下成分：100Hz及其默认成分带有2x频率发生器，150Hz的短期干扰噪声成分，特定于800的频带成分-850Hz，模拟环境干扰的高斯白噪声分量。样频率为25600 Hz，仿真时间设置为1 s，即采样点数为25600。8和9分别显示了采样信号。拟发电机轴承的振动和FFT提取的0-1500 Hz频谱。了进一步获得模拟故障特征的低频频率分布，仅使用分组小波变换（WPT）函数的频率提取方法，并获得低频频谱，如图所示。图。上述模拟轴承振动信号相对应，在图10中可以看出，点1和1'是模拟交流发电机轴承特征频率100 Hz及其频率的2倍，而点2是150 Hz的模拟干扰噪声信号；一些背景白噪声强度在频谱上均匀分布。图清楚地表明，仅使用WPT特征频率提取方法，并且将模拟的100Hz低频信号及其相乘信号浸入了强烈的背景噪声和短期干扰噪声中，并且缺陷不明显。除背景白噪声和短期干扰噪声的影响，并比较不同信号处理方法对设备发电机早期早期故障特征提取的影响在风能存储方面，本节还使用基于EMD的基于WPT的频率提取方法。外，使用WPT刚性小波阈值方法分析发电机轴承的模拟振动数据，频谱结果分别如图11和12所示。通过EMD相关降噪（图11）提取的频谱中的背景白噪声和点2处的短期干扰噪声与仅使用小波包变换（WPT）提取的频谱进行比较。（图10）。很大程度上，点1和点1'处的缺陷的初始特征频率是清楚的，但是在由冷阈值的硬阈值提取的频谱中，风冷存储单元的短期干扰噪声。波-WPT（图12）未删除。外，与图11和图12相比，可以看出白背景抑制效果比WPT脱墨所提出的硬小波-WPT阈值更明显。文件中提出的EMD。此，通过仿真发电机辅助振动信号的特征频率提取过程，可以进一步验证EMT和EMD噪声消除和噪声消除方法可以更有效地抑制背景白噪声和短期干扰噪声的影响。
　　开始时提取弱默认特性。于风能存储单元的振动信号受到背景白噪声和短期干扰噪声的影响，因此一开始很难提取较弱的默认特性。出了一种基于EMD相关降噪的噪声提取与频率提取方法。征频率提取和实测风冷机组轴承故障振动信号分析表明，风冷机组的振动信号包括背景白噪声和持续时间短的干扰噪声。过实测和仿真对风能存储单元的轴承故障信号进行特征频率提取和分析，表明难以提取风能存储单元的早期弱默认特性。通过传统的小波包变换（WPT）方法比较大噪声，而不是刚性小波阈值特征噪声WPT频率提取方法，与WPT故障提取方法相关的本文提出的EMD可以更有效地抑制背景白噪声和短期干扰噪声，并提取出较低的早期默认特性。管该文件以从风能存储单元中提取发电机轴承的振动特性为例，但是，基于噪声的提取振动噪声和故障特征频率的方法与EMD相关的降噪也可以用于分析冷藏单元其他元件的振动信号缺陷。东。
　　本文转载自
　　冷库安装 https://www.iceage-china.com