风电机组齿轮箱故障一直是风电场主要机械故障之一,其故障信息多是混有噪声的非平稳信号。为避免陷入对复杂的非线性信号求解,提出多种算法融合下的数字信息频率筛查处理方法。首先利用小波分析对高频信号的敏感性进行消噪,然后充分利用Hilbert-Huang变换对非平稳信号的分解和时频变换能力进行信号特征挖掘,在被干扰的非平稳信号里面找出故障对应频率。充分利用多种算法融合有效去除与主频率不相关的高频噪声,找出时域变换的边际谱。避免了直接分解含有高频信号的不确定性,降低了信号分解过程中回流成分,避免发生反射现象,完成对风电机组齿轮箱故障的非平稳信号频率筛查比对。通过对某机组进行故障实验,验证数字信息频率筛查方法的有效性。

非平稳信号的分析方法是信号分析领域中的一个重要问题。以风洞试验获得的非平稳风压信号和升力系数信号为研究对象,采用HHT方法对信号进行时频分析。HHT（Hilbert-Huang transform）方法可以获得有意义的瞬时频率,从而给出频率随时间变化的精确表达;信号最终被表示为时频平面上的能量分布,成为Hilbert谱;该方法适用于分析生活中普遍存在的大量频率随时间变化的非线性、非平稳信号,可将复杂的信号直接分离成从高频到低频的若干阶固有模态函数。分析结果虽然没有表现出明显的频谱分布特性,但与以往HHT分析结果提取的固有模态函数不同,如果对该试验获得的非平稳信号提取的固有模态是低频部分的残余信号,忽略其他高频信号,则风压时程和升力系数时程的残余信号曲线就可以分别回归为一个线性函数和一个正弦函数。这也说明,该非平稳信号的主成分

文章中把LMS时延估计算法用于地下管网的泄漏检测和漏点定位,避免了经典时延估计算法-广义互相关法(GCC方法)需要知道信号和噪声统计特性等先验知识的不足,但是泄漏检测应用中,管道外在环境造成的突发性强干扰,导致了传感器接收到的信号是非平稳的,而非平稳信号对LMS的时延估计性能有不利影响,文章中分析了这种由突发性强干扰导致的非平稳信号对LMS时延估计收敛性、收敛速度和时延估计值的影响,提出了消除突发干扰的方法.实验表明,在地下管网泄漏检测应用中,该方法能够有效地消除强突发干扰噪声,使得估计性能得到显著的改善.

提出了一种模糊神经网络的纸机变量泵故障诊断方法。针对纸机变量泵运行时转速变化的特点,采用基于数字重采样的阶比分析方法对变量泵振动信号进行预处理,将非平稳信号转换成平稳信号以利于有效提取信号特征。以变量泵振动信号阶比波谱各频段上的能量为特征参数,通过模糊神经网络模型诊断其转子不平衡、油膜振动、轴与轴承不对中故障。该方法充分发挥了模糊神经网络强大的自学习能力和知识表达能力的优点,有效提高了故障诊断的精度和效率。

通过典型信号的MATLAB仿真,针对滚动轴承故障信号的非平稳性特点,结合峭度直方图和小波函数的时-频分析方法,对包含滚动轴承故障信息的信号进行了小波分解和重构,对重构后的细节信号作Hilbert包络并进行谱分析,从而有效地把轴承中的故障信息成分识别出来。