下载掌阅APP，畅读海量书库
立即打开
故障分析与诊断的关键问题是从动态信号中提取故障特征。由于风力发电机滚动轴承振动信号的强干扰、非线性、非平稳特性，一般的高通滤波或低通滤波等方法难以从背景噪声中提取振动信号的有用成分及有效故障特征。尤其在故障早期，噪声信号的幅值高于故障信号，且二者的频谱相互重叠，传统的时频分析方法难以将其区分开来，从而影响故障特征提取及故障分类识别，给整个故障诊断过程造成困难。
在机械故障诊断过程中，信号的时域信息与频率信息同等重要，科学家们提出了很多时频域分析方法对信号进行处理，如短时傅里叶变换、伽柏变换、小波变换等。近年来，小波分析法发展迅速，被广泛应用于信号处理、数值分析、图像处理、语音识别、地震勘探、机械故障诊断等领域。小波变换继承发展了傅里叶变换局部化思想，克服了傅里叶变换窗口大小不能随频率变化的缺陷，具有可调节的时频窗口，窗口的宽度随频率变化，通过平移和伸缩运算对信号进行多尺度分解与细化，实现高频时的时间细分、低频时的频率细分，从而更细致地进行频域的局部特性分析。小波分析兼具时、频域分析能力，且具有可变时频分辨率，对于非平稳信号，特别适用于采用小波分析。
许多研究者采用小波变换法对信号进行消噪处理 [22-32] ，但传统小波消噪方法存在小波基选择、分解层数选取困难的问题，需要通过大量实验对比来最终确定，计算量大、耗时长；软、硬阈值小波变换消噪法，采用单一的阈值进行消噪处理，效果不理想。本章针对风电滚动轴承振动信号的强干扰、非线性、非平稳特性，提出一种自适应阈值小波变换的消噪方法，克服传统小波消噪方法的不足，以适应风电滚动轴承振动信号的消噪处理。