针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。

柱塞马达压力信号是液压系统重要的信号源，其中压力脉动的特征变化能够反映系统局部乃至全局的运行状态。为从多成分混叠的压力信号中有效分离压力脉动成分，重构时域特征，提出基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）与小波包分解的压力脉动信号时域特征提取方法。首先，利用EEMD将压力信号与干扰信号分离；其次，根据柱塞泵和柱塞马达压力脉动信号的时频特性，利用小波包分解并重构得到柱塞马达压力脉动信号，提取时域特征；最后，结合实验分析脉动特征随工况的变化规律。该方法经实验验证可行有效，且结果表明：压力脉动幅度随转速的升高而减小，随压力的增大而增大，与压力脉动变化机理一致。研究成果可为柱塞马达的运行状态监测提供方法支撑。