CN102778354A - 基于小波分析的风电回转支承故障诊断方法 - Google Patents

Abstract

一种基于小波分析的风电回转支承故障诊断方法，其特征是包括以下步骤：a）通过加速度传感器和扭矩传感器提取早期风电回转支承的故障的加速度信号及扭矩信号；b）将扭矩信号经过变送器变送，将变送过的扭矩信号及加速度信号再经过电流和电压转换板转换；c）进入NI数据采集模块，选择合适的小波基函数，用小波分析的方法对故障信号进行多尺度分解；d）从各尺度分解重构波形及其频谱图提取故障信号微细特征；e）从而确定故障类型或故障发生时间。本发明技术首先提出用加速度信号和扭矩信号作为特征参量，采集风电回转支承的故障信号，解决以往认为振动信号在低速情况下存在局限性的问题。

Description

基于小波分析的风电回转支承故障诊断方法

技术领域

本发明涉及回转支承故障诊断方法，特别是风电回转支承这样的低速重载回转支承的故障诊断方法，具体是一种基于小波分析的风电回转支承故障诊断方法。

背景技术

风电回转支承一般为大型回转支承，而大型回转支承机械尺寸大（其直径通常在0。4－10米，也有的直径大至40米），转速低（通常在30转/分钟以下），承载重量大，还要承受动态载荷。由于风力发电机在野外高空（40~60m）环境中工作，且回转支承工作在风沙、雨水、盐雾、潮湿等环境下，给其安装、润滑及维修都带来不便。为此不仅要求回转支承具有足够的强度和承载能力，还要求其运行平稳、安全可靠、寿命长(一般要求20年)、润滑、防腐及密封性能良好，一旦发生故障将造成严重损失。以低速重载回转支承为例，常见的故障有疲劳剥落、磨损、压痕、腐蚀、裂纹和断裂等。常规的诊断及信号处理方法，很难实现对风电回转支承的早期诊断，故存在如下问题：

(1)风电回转支承对产生的振动不敏感，一些故障不易被发现。所测得的包含背景噪声的回转支承故障信号，若用时域方法进行诊断，针对不同类型的回转支承时域阀值指标难以确定；若直接用频谱分析方法，由于冲击成分的能量占总能量的比值较低，也很难对回转支承故障进行有效识别。

(2)目前对于回转支承的故障信号处理可借鉴的经验非常少，主要借鉴其他回转支承以及旋转机械的诊断方法，寻找适合风电回转支承的故障诊断方法。对于已成功应用于中、高速旋转机械的现代信号处理方法，是否适合风电回转支承的信号处理。

发明内容

本发明的目的是针对上述技术中存在的不足，提供一种基于小波分析的风电回转支承故障诊断方法，为了彻底解决风电回转支承故障诊断的难题，提供了加速度和扭矩的故障信号，作为特征参数，解决了振动信号不能作为判断依据的偏见和风电回转支承信号处理中的问题，采用本方法能够直接检查出系统早期故障，提出治理方案，将经济损失降到最小。

本发明是这样实现的：

本发明提供一种基于小波分析的风电回转支承故障诊断方法，其主要技术特征是，通过加速度传感器和扭矩传感器提取早期故障的加速度信号和扭矩信号，主要解决加速度数据采集、扭矩据采集、噪声抑制、信号特征提取和故障识别与定位等问题。小波分析是针对加速度信号特征选择合适的小波基函数，将故障信号进行多尺度分解，从各尺度分解重构波形及其频谱图提取故障信号微细特征，从而确定故障类型提出治理方案；针对扭矩信号特征选择合适的小波基函数，将故障信号进行多尺度分解，从各尺度分解重构波形中提取奇异点，从而确定故障发生时间。其优点是能够直接检查出系统早期故障，提出治理方案，将经济损失降到最小。

一种基于小波分析的风电回转支承故障诊断方法，包括以下步骤：

a）通过加速度传感器和扭矩传感器提取早期风电回转支承的故障的加速度信号及扭矩信号；

b）将扭矩信号经过变送器变送，将变送过的扭矩信号及加速度信号再经过电流和电压转换板转换；

c）进入NI数据采集模块，选择合适的小波基函数，用小波分析的方法对故障信号进行多尺度分解；

d）从各尺度分解重构波形及其频谱图提取故障信号微细特征；

e）从而确定故障类型或故障发生时间。

步骤c中所述选择合适的小波基函数包括以下步骤：

(1)选择紧支性且衰减性小的小波：

紧支性与衰减性是小波的重要性质，紧支宽度越窄或衰减越快，小波的局部化特性越好；紧支小波不需要做人为的截断，应用精度很高。

(2)选择具有正交性的小波：正交性表现为小波基的可微性。连续可做得小波基对于在小波变换中有效地发现信号的奇异点是必要的，对于大部分正交小波基正则性越高就意味着更高的消失矩。

(3)选择具有对称性的小波：

对称或反对称的尺度函数和小波函数是非常重要的，因为可以构造紧支的正则小波基，而且具有线性相位。

(4)选择足够高的消失矩：

称小波ψ(t)具有M阶消失矩,如果对所有的0≤m≤M,m,M∈Z则有

∫_Rt^mψ(t)dt＝0         （1）

为了构造一个具有p阶消失矩的小波基,尺度滤波器组的长度不能少于2p；分析突变信号时,为了能够有效地检测出奇异点,所选的小波基必须具有足够高的消失矩；

(5)小波基的时频窗及其面积：

小波基的时间—频率窗口为

$[b+{\mathrm{at}}^{*}-\mathrm{a\Δ\ψ},b+{\mathrm{at}}^{*}+\mathrm{a\Δ\ψ}]\×[\frac{{\mathrm{\ω}}^{*}}{a}-\frac{1}{a}\mathrm{\Δ}\widehat{\mathrm{\ψ}},\frac{{\mathrm{\ψ}}^{*}}{a}+\frac{1}{a}\mathrm{\Δ}\widehat{\mathrm{\ψ}}]---\left(2\right)$

其宽度为2aΔψ,窗面积为

这里t^*,Δψ分别是母小波ψ(t)的时窗中心和半径,ω^*,Δψ分别是对应的的频窗中心和半径，时频窗面积只与小波母函数ψ(t)有关，而与参数（a,b）毫无关系，窗面积的值愈小，ψ(t)的时频域局部化能力愈强，亦即其聚焦能力愈强；小波变换的时频窗虽然面积不变，但时窗和频窗的宽度是可变的，它在高频时使用短时窗和宽频窗，在低频时使用宽时窗和短频窗，故小波具有自适用分辨分析性能；

(6)选择线性相位性的小波

L²(R)中的函数ψ(t)具有线性相位，如果它的Fourier变换满足

$\widehat{\mathrm{\ψ}}\left(\mathrm{\ω}\right)=\±\left|\widehat{\mathrm{\ψ}\left(\mathrm{\ω}\right)}\right|e^{\mathrm{ja\ω}}a\·e---\left(3\right)$

其中a是某个实常数，而±号与a无关。如果

$\mathrm{\ψ}\left(\mathrm{\ω}\right)=\widehat{\mathrm{\φ}\left(\mathrm{\ω}\right)}{e}^{i(\mathrm{a\ω}+b)}a\·e---\left(4\right)$

其中φ是某个实值函数而a、b是实常数，则称函数ψ(t)具有广义线性相位；式（3）和（4）中的a称为的相位，我们知道，对称的实函数具有线性相位，

(7)选择具有斜对称性的小波：

L²(R)中的函数ψ(t)具有广义线性相位，当且仅当

t∈R则称ψ(t)是关于a斜对称的；

在信号分析中，尺度函数和小波能够作为滤波函数，如果滤波器具有线性相位或至少具有广义线性相位，则能够避免信号在小波分解和重构时的失真。

根据以上标准，本专利采用Haar小波对加速度信号进行8层分解；采用Db02小波对扭矩信号进行8层分解。

步骤c中所述用小波分析的方法对故障信号进行多尺度分解包括以下步骤：

(1)将信号的频率段先分好，确定分解几层能够得到故障频率层；

(2)将信号分解为高频和低频两段；

(3)将低频段信号再分解为高频和低频段，以后重复(2)步骤，分解公式为：

为尺度函数，ψ(t)为小波函数；

(4)直到分解到所算好的层次为止。

步骤d中所述从各尺度分解重构波形及其频谱图提取故障信号微细特征包括以下步骤：

(1)找到故障频率所在的小波分解层；

(2)将找到的故障频率层的小波重构波形进行功率谱分析；

(3)将所得到的功率谱和理论故障频率作比较，提取出故障信号微细特征。

步骤e中所述从而确定故障类型或故障发生时间包括以下步骤：

(1)将提取出得故障信号微细特征与正常回转支承的相同层的信号特征做比较；

(2)分析故障轴承是否发生故障且找到与正常轴承不相同的频率；

(3)将此故障频率发生的时间与实际做试验时间相比较，看是否相同，得到故障发生时间。

本发明的有益效果是：

本发明能够直接检查出系统早期故障，提出治理方案，将经济损失降到最小。

本发明技术首先提出用加速度信号和扭矩信号作为特征参量，采集风电回转支承的故障信号，解决以往认为振动信号在低速情况下存在局限性的问题。用小波分析进行故障特征提取，提取加速度信号和扭矩信号的微细特征解决传统时域和频域中无法同时兼顾信号在时域和频域中的全貌和局部化特征问题和无法消除背景噪声问题，可以解决其他方法对风电回转支承故障识别不准确的问题。

附图说明

图1是本发明的工作原理示意图。

图2是本发明的工作流程示意图。

图3a是本发明实现的回转支承滚珠破碎故障加速度信号的原始信号图。

图3b是本发明实现的回转支承滚珠破碎故障加速度信号及小波分解各尺度的重构波形和其a8层频谱图。

图4a是本发明实现的回转支承滚珠破碎故障扭矩信号的原始信号图。

图4b是本发明实现的回转支承滚珠破碎故障扭矩信号及小波分解各尺度的重构波形示意图之一。

图4c是本发明实现的回转支承滚珠破碎故障扭矩信号及小波分解各尺度的重构波形示意图之二。

图5为本发明的总体技术路线图。

图6为本发明的小波分析部分的技术路线图。

具体实施方式

一种基于小波分析的风电回转支承故障诊断方法，包括以下步骤：

a）通过加速度传感器和扭矩传感器提取早期风电回转支承的故障的加速度信号及扭矩信号；

b）将扭矩信号经过变送器变送，将变送过的扭矩信号及加速度信号再经过电流和电压转换板转换；

c）进入NI数据采集模块，选择合适的小波基函数，用小波分析的方法对故障信号进行多尺度分解；

d）从各尺度分解重构波形及其频谱图提取故障信号微细特征；

e）从而确定故障类型或故障发生时间。

步骤c中所述选择合适的小波基函数包括以下步骤：

(1)选择紧支性且衰减性小的小波：

紧支性与衰减性是小波的重要性质，紧支宽度越窄或衰减越快，小波的局部化特性越好；紧支小波不需要做人为的截断，应用精度很高。

(2)选择具有正交性的小波：正交性表现为小波基的可微性。连续可做得小波基对于在小波变换中有效地发现信号的奇异点是必要的，对于大部分正交小波基正则性越高就意味着更高的消失矩。

(3)选择具有对称性的小波：

对称或反对称的尺度函数和小波函数是非常重要的，因为可以构造紧支的正则小波基，而且具有线性相位。

(4)选择足够高的消失矩：

称小波ψ(t)具有M阶消失矩,如果对所有的0≤m≤M,m,M∈Z则有

∫_Rt^mψ(t)dt＝0（1）

为了构造一个具有p阶消失矩的小波基,尺度滤波器组的长度不能少于2p；分析突变信号时,为了能够有效地检测出奇异点,所选的小波基必须具有足够高的消失矩；

(5)小波基的时频窗及其面积：

小波基的时间—频率窗口为

$[b+{\mathrm{at}}^{*}-\mathrm{a\Δ\ψ},b+{\mathrm{at}}^{*}+\mathrm{a\Δ\ψ}]\×[\frac{{\mathrm{\ω}}^{*}}{a}-\frac{1}{a}\mathrm{\Δ}\widehat{\mathrm{\ψ}},\frac{{\mathrm{\ψ}}^{*}}{a}+\frac{1}{a}\mathrm{\Δ}\widehat{\mathrm{\ψ}}]---\left(2\right)$

其宽度为2aΔψ,窗面积为

这里t^*,Δψ分别是母小波ψ(t)的时窗中心和半径,ω^*,Δψ分别是对应的

的频窗中心和半径，时频窗面积只与小波母函数ψ(t)有关，而与参数（a,b）毫无关系，窗面积的值愈小，ψ(t)的时频域局部化能力愈强，亦即其聚焦能力愈强；小波变换的时频窗虽然面积不变，但时窗和频窗的宽度是可变的，它在高频时使用短时窗和宽频窗，在低频时使用宽时窗和短频窗，故小波具有自适用分辨分析性能；

(6)选择线性相位性的小波

L²(R)中的函数ψ(t)具有线性相位，如果它的Fourier变换满足

$\widehat{\mathrm{\ψ}}\left(\mathrm{\ω}\right)=\±\left|\widehat{\mathrm{\ψ}\left(\mathrm{\ω}\right)}\right|e^{\mathrm{ja\ω}}a\·e---\left(3\right)$

其中a是某个实常数，而±号与a无关。如果

$\mathrm{\ψ}\left(\mathrm{\ω}\right)=\widehat{\mathrm{\φ}\left(\mathrm{\ω}\right)}{e}^{i(\mathrm{a\ω}+b)}a\·e---\left(4\right)$

其中φ是某个实值函数而a、b是实常数，则称函数ψ(t)具有广义线性相位；式（3）和（4）中的a称为

的相位，我们知道，对称的实函数具有线性相位，

(7)选择具有斜对称性的小波：

L²(R)中的函数ψ(t)具有广义线性相位，当且仅当

t∈R

则称ψ(t)是关于a斜对称的；

在信号分析中，尺度函数和小波能够作为滤波函数，如果滤波器具有线性相位或至少具有广义线性相位，则能够避免信号在小波分解和重构时的失真。

根据以上标准，本专利采用Haar小波对加速度信号进行8层分解；采用Db02小波对扭矩信号进行8层分解。

步骤c中所述用小波分析的方法对故障信号进行多尺度分解包括以下步骤：

(1)将信号的频率段先分好，确定分解几层能够得到故障频率层；

(2)将信号分解为高频和低频两段；

(3)将低频段信号再分解为高频和低频段，以后重复(2)步骤，分解公式为：

为尺度函数，ψ(t)为小波函数；

(4)直到分解到所算好的层次为止。

步骤d中所述从各尺度分解重构波形及其频谱图提取故障信号微细特征包括以下步骤：

(1)找到故障频率所在的小波分解层；

(2)将找到的故障频率层的小波重构波形进行功率谱分析；

(3)将所得到的功率谱和理论故障频率作比较，提取出故障信号微细特征。

步骤e中所述从而确定故障类型或故障发生时间包括以下步骤：

(1)将提取出得故障信号微细特征与正常回转支承的相同层的信号特征做比较；

(2)分析故障轴承是否发生故障且找到与正常轴承不相同的频率；

(3)将此故障频率发生的时间与实际做试验时间相比较，看是否相同，得到故障发生时间。

图1为数据采集过程，首先扭矩信号要经过扭矩变送器变送，再与加速度信号共同送入电流和电压转换板，最后进入NI数据采集模块中进行采集。采集后进入PC机中进行小波处理。

图2是应用本方法进行风电回转支承故障诊断的具体实施方案，这里主要解决加速度和扭矩信号数据采集、噪声抑制、信号特征提取和故障识别与定位问题。小波分析是针对不同的信号特征选择合适的小波基函数，将故障信号进行多尺度分解，从各尺度分解重构波形或其频谱图提取故障信号微细特征，从而确定故障类型或故障发生时间提出治理方案。

以风电回转支承滚珠破碎为例，对于加速度而言，如果滚珠破碎，则在相应的层的功率谱图中会出现与之相对应的频率，其信号图及小波分解和频率谱图见图3a、3b,。对于扭矩信号而言，如果滚珠破碎，则在小波分解的各层中，相同时间点都会出现一个奇异点，从而判断出故障产生时间，其信号图及小波分解图见图4a、图4b、图4c。

如图5、图6，一部分是正常时回转支承的信号分析，另一部分是发生故障时的回转支承信号分析，然后对其两部分的特征进行比较，得出异常的故障形式与频率，最后锁定故障轴承，找出确切的故障位置。

本发明用加速度信号和扭矩信号作为特征参量，采集风电回转支承的故障信号，解决传统认为振动在低速情况下是不可行的问题及提出扭矩也可以作为故障诊断的判断标准。

本发明用小波分析进行故障加速度信号和扭矩信号的特征提取，提取加速度和扭矩信号的微细特征，解决传统的时域分析和频域分析方法无法同时兼顾信号在时域和频域中德全貌和局部化特征问题和无法消除背景噪声问题。

上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计构思前提下，本领域中普通工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容已经全部记载在权利要求书中。

Claims (5)

1.一种基于小波分析的风电回转支承故障诊断方法，其特征是包括以下步骤：

A）通过加速度传感器和扭矩传感器提取早期风电回转支承的故障的加速度信号及扭矩信号；

b）将扭矩信号经过变送器变送，将变送过的扭矩信号及加速度信号再经过电流和电压转换板转换；

c）进入NI数据采集模块，选择合适的小波基函数，用小波分析的方法对故障信号进行多尺度分解；

d）从各尺度分解重构波形及其频谱图提取故障信号微细特征；

e）从而确定故障类型或故障发生时间。

2.根据权利要求1所述的基于小波分析的风电回转支承故障诊断方法，其特征是步骤c中所述选择合适的小波基函数包括以下步骤：

(1)选择紧支性且衰减性小的小波；

(2)选择具有正交性的小波；(3)选择具有对称性的小波；

(4)选择足够高的消失矩：

称小波ψ(t)具有M阶消失矩,如果对所有的0≤m≤M,m,M∈Z则有

∫_Rt^mψ(t)dt＝0     （１）

为了构造一个具有p阶消失矩的小波基,尺度滤波器组的长度不能少于2p；分析突变信号时,为了能够有效地检测出奇异点,所选的小波基必须具有足够高的消失矩；

(5)小波基的时频窗及其面积：

小波基的时间—频率窗口为

$[b+{\mathrm{at}}^{*}-\mathrm{a\Δ\ψ},b+{\mathrm{at}}^{*}+\mathrm{a\Δ\ψ}]\×[\frac{{\mathrm{\ω}}^{*}}{a}-\frac{1}{a}\mathrm{\Δ}\widehat{\mathrm{\ψ}},\frac{{\mathrm{\ψ}}^{*}}{a}+\frac{1}{a}\mathrm{\Δ}\widehat{\mathrm{\ψ}}]---\left(2\right)$

其宽度为2aΔψ,窗面积为这里t^*,Δψ分别是母小波ψ(t)的时窗中心和半径,ω^*,Δψ分别是对应的

的频窗中心和半径，时频窗面积只与小波母函数ψ(t)有关，而与参数（a,b）毫无关系，窗面积的值愈小，ψ(t)的时频域局部化能力愈强，亦即其聚焦能力愈强；小波变换的时频窗虽然面积不变，但时窗和频窗的宽度是可变的，它在高频时使用短时窗和宽频窗，在低频时使用宽时窗和短频窗，故小波具有自适用分辨分析性能；

(6)选择线性相位性的小波

L²(R)中的函数ψ(t)具有线性相位，如果它的Fourier变换满足

$\widehat{\mathrm{\ψ}}\left(\mathrm{\ω}\right)=\±\left|\widehat{\mathrm{\ψ}\left(\mathrm{\ω}\right)}\right|e^{\mathrm{ja\ω}}a\·e---\left(3\right)$

其中a是某个实常数，而±号与a无关。如果

$\mathrm{\ψ}\left(\mathrm{\ω}\right)=\widehat{\mathrm{\φ}\left(\mathrm{\ω}\right)}{e}^{i(\mathrm{a\ω}+b)}a\·e---\left(4\right)$

其中φ是某个实值函数而a、b是实常数，则称函数ψ(t)具有广义线性相位；式（３）和（4）中的a称为

的相位，我们知道，对称的实函数具有线性相位，

(7)选择具有斜对称性的小波：

L²(R)中的函数ψ(t)具有广义线性相位，当且仅当

t∈R则称ψ(t)是关于a斜对称的；

在信号分析中，尺度函数和小波能够作为滤波函数，如果滤波器具有线性相位或至少具有广义线性相位，则能够避免信号在小波分解和重构时的失真。

根据以上标准，本专利采用Haar小波对加速度信号进行8层分解；采用Db02小波对扭矩信号进行8层分解。

3.根据权利要求1所述的基于小波分析的风电回转支承故障诊断方法，其特征是步骤c中所述用小波分析的方法对故障信号进行多尺度分解包括以下步骤：

(1)将信号的频率段先分好，确定分解几层能够得到故障频率层；

(2)将信号分解为高频和低频两段；

(3)将低频段信号再分解为高频和低频段，以后重复(2)步骤，分解公式为：

为尺度函数，ψ(t)为小波函数；

(4)直到分解到所算好的层次为止。

4.根据权利要求1所述的基于小波分析的风电回转支承故障诊断方法，其特征是步骤d中所述从各尺度分解重构波形及其频谱图提取故障信号微细特征包括以下步骤：

(1)找到故障频率所在的小波分解层；

(2)将找到的故障频率层的小波重构波形进行功率谱分析；

(3)将所得到的功率谱和理论故障频率作比较，提取出故障信号微细特征。

5.根据权利要求1所述的基于小波分析的风电回转支承故障诊断方法，其特征是步骤e中所述从而确定故障类型或故障发生时间包括以下步骤：

(1)将提取出得故障信号微细特征与正常回转支承的相同层的信号特征做比较；

(2)分析故障轴承是否发生故障且找到与正常轴承不相同的频率；

(3)将此故障频率发生的时间与实际做试验时间相比较，看是否相同，得到故障发生时间。

Images