基于自适应波形分解与时频转换的风机工况诊断方法

摘要

目前针对风力发电机工况诊断方法的研究较为匮乏。为此,本文提出一种基于自适应波形分解和时频转换的诊断方法。该方法的算法采用了滑动间隔样本扩充、基于改进CEEMDAN的自适应波形分解方法、希尔伯特时频变换、VGG16神经网络。过程中,利用风机的振动加速度信号,通过自适应分解方法对信号进行分解降噪,将处理后信号进行变换生成二维时频谱,利用VGG16模型对时频谱样本集进行分类以达到诊断目的。为了评估该方法的有效性,将本文方法分别与传统模态分解、CNN模型进行对比,并对模型分类效果进行评估,结果表明,该方法具有更好的准确性。