CN102798529B - 大型风力机组轴承故障诊断方法及系统 - Google Patents

Abstract

本发明公开一种大型风力机组轴承故障诊断方法及系统，先对测量风电机组主轴轴承振动信号，进而采用自适应谱峭度技术自动提取轴承故障的共振频带，在此基础上采用窄带滤波和包络解调技术得出故障特征频率，最后与理论计算值对比定位识别出轴承故障类型。本发明克服风电机组的非平稳工况和工况噪声影响，适合于实际风电机组实际运行条件；不需人为参与能够自动识别出轴承故障引起的共振频带；并能自动且快速地识别轴承故障类型。

Description

大型风力机组轴承故障诊断方法及系统

技术领域

本发明属于机械结构故障诊断领域，具体涉及一种大型风力机组轴承故障诊断方法及系统。

背景技术

随着绿色能源越来越受重视，近年来世界风电得到高速发展。2009年中国的风电新装机容量已位居全球第一，总装机容量仅落后美国居全球第二，但是我国风机的正常工作时间和发电量都与装机容量不成比例，远低于世界平均水平，原因就是风机传动系统的主要组件如齿轮箱、轴承等故障率较高。最近几年风力机组朝着兆瓦级的大机型发展，它们一旦出现故障将造成更大的经济损失。因此，开展对大型风力机组传动系统的监测与诊断，提高机组的可靠性，减少故障率和降低维修成本刻不容缓。

机械故障诊断过程包含信号采集、处理、特征提取和故障识别等几个阶段。在这一过程中信号处理与特征提取是故障诊断过程中的一个重要环节。它通过对所采集的信号进行有效的分析和处理，提取出信号中反映设备运行状态的故障特征信息，然后对设备进行设备运行状态判断和故障分析。目前对风力机组轴承的状态监测与故障诊断研究大多采用传统的信号处理和特征提取方法，比如共振解调、小波分析等技术。这些方法很难适应大型风力机组的自身实际结构与运行的特点，因此方法这些方法往往不能很好达到诊断的目的。共振解调和小波分析的前提是要预先知道共振频带的位置，因此在实际应用中受到限制。另外，有研究人员基于短时傅里叶变换提出了谱峭度技术，但是该技术采用的是固定的窗函数，缺乏自适应性。大型风力机组结构与运行特点以及实际监测诊断要求主要体现在以下几个方面：不同于普通机械设备，大型风力机组结构复杂，传动系统的振动设计轴承、轴等多个关键部件，加之受到背景噪声的干扰影响振动信号多呈现周期非平稳特性；同时由于风速的不平稳性，交变载荷作用到轴承，又使得轴承振动信号呈现高斯噪声混杂及非线性特性。这些因素增加对大型风力机组轴承的振动信号处理和特征提取的难度，本发明便是针对这一问题所提出的一种针对大型风力发电机组的自适应谱峭度轴承诊断方法。

发明内容

本发明所要解决的技术问题是提出一种大型风力机组轴承故障诊断方法及系统，其能够对高效、可靠地诊断大型风力机组变工况运行的轴承故障。

为解决上述问题，本发明是通过以下方案实现的：

本发明一种大型风力机组轴承故障诊断方法，包括如下步骤：

（1）在待测风力机组的轴承座上安装加速度传感器，拾取主轴轴承的原始振动信号；

（2）对原始振动信号进行快速傅里叶变换；

（3）对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波；即

（3.1）设定初始窗函数、初始窗口宽度N_w和初始窗口滑动步长Δ；

（3.2）将初始窗函数认定为当前窗函数，分别以当前窗函数、当前平移一步窗函数和两者合并后的窗函数作为滤波器对变换后的振动信号进行滤波，即对频域信号进行加窗和快速傅里叶逆变换；

（3.3）分别计算当前窗函数滤波后振动信号的谱峭度值当前平移一步窗函数滤波后振动信号的谱峭度值和合并后的窗函数滤波后振动信号的谱峭度值

（3.4）比较上述3个滤波后振动信号的谱峭度值，

若满足条件时，则保存当前窗函数滤波后振动信号的谱峭度值以及以r_iΔ+rΔ/2为中心，宽度为N_w+Δ·r的窗口函数，其中r_i为第一个窗的第i次合并操作索引，r为窗合并数目；

当不满足条件时，则以当前平移一步窗函数为新的初始窗函数重复步骤（3.2）-（3.4）；

（4）对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，进行故障模式识别诊断。

上述步骤（3.3）中所述谱峭度值的计算公式为

$\mathrm{\κ}\left(y\left(t\right)\right)=\frac{E{(y\left(t\right)-\stackrel{\‾}{y}\left(t\right))}^4}{{\left(E(y\left(t\right)-\stackrel{\‾}{y}\left(t\right))\right)}^2}-2$ ①

式中，y(t)为振动信号，为振动信号均值，E代表计算数学期望算子。

上述步骤（4）中所述故障模式识别诊断采用计算机自动识别诊断和人工识别诊断相配合的过程，即将提取出的轴承故障特征频率与预先存储在计算机特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，计算机自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，计算机将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。

本发明一种大型风力机组轴承故障诊断系统，包括加速度传感器、快速傅里叶变换模块、自适应谱峭度分析模块和包络分析模块；

加速度传感器，安装在待测风力机组的轴承座上，拾取主轴轴承的原始振动信号；

快速傅里叶变换模块，对原始振动信号进行快速傅里叶变换；

自适应谱峭度分析模块，对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波；

包络分析模块，对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，用于进行故障模式识别诊断。

上述大型风力机组轴承故障诊断系统还进一步包括模式识别模块，该模式识别模块将提取出的轴承故障特征频率与预先存储在其内部特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，其内部自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，其内部将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。

与现有技术相比，本发明具有如下特点：

（1）本发明克服风电机组的非平稳工况和工况噪声影响，适合于实际风电机组实际运行条件；不需人为参与能够自动识别出轴承故障引起的共振频带；并能自动识别轴承故障类型。

（2）本发明识别的轴承损伤速度快，适合于风电机组工作状态下实时故障巡检和在线监控；避免突发性事故发生。

（3）本发明不依赖于具体轴承型号，可根据不同型号风电机组主轴轴承的基本几何参数和旋转转速，预先提供轴承故障的理论计算特征值即可应用。因此，可在风电机组轴承故障诊断中广泛推广使用。

附图说明

图1为一种大型风力机组轴承故障诊断方法的流程图；

图2为自适应谱峭度分析方法流程图；

图3（a）为拾取的原始振动信号；

图3（b）为快速傅里叶变换后的振动信号；

图3（c）为自适应谱峭度分析加窗过程结果；

图3（d）为在图3（c）加窗条件得到自适应谱峭度图；

图3（e）为自适应谱峭度分析后得到的最优带通滤波器；

图3（f）为利用最优带通滤波器进行窄带滤波解调结果；

图3（g）为图3（f）的包络信号；

图3（h）为图3（g）的包络谱分析结果。

具体实施方式

参见图1，本发明一种大型风力机组轴承故障诊断方法，包括如下步骤：

（1）在待测风力机组的轴承座上安装加速度传感器，拾取主轴轴承的原始振动信号。

本发明通过对典型的非平稳运行信号进行角域重采样，得到稳态信号。在本实例中，风力发电机组型号为NEG-MiconNM1000/60，额定功率为1070kw，最大旋转速度为1500rpm。受工作环境的影响，风力发电机组常工作在交变载荷的影响下呈现运行的非平稳、非线性等特性；这些对轴承故障特征提取带来诸多困难。在本实例中轴承的轴承座正下方分别安装轴向和径向两个压电加速度振动传感器，以采集主轴轴承的振动信号。在实际操作中，可以根据振动敏感性，只安装一个方向的振动传感器。在转轴上安装转速计，为轴承故障特征频率的理论计算提供依据。转速计是为前期计算轴承故障特征频率所安装的。采样频率设定为12kHz，本例风机主轴平均主轴工作转速为1000转/分即16.65Hz，如轴承外圈理论故障特征频率为16.65×3.052=50.82Hz，其中3.052为计算的轴承外圈系数，该值由轴承的几何参数所确定，具体计算可用下式得到

$\frac{n}{2}X(1-\frac{d}{D_p}\cos \mathrm{\θ})$ ①

类似地，轴承内圈、滚动体和保持架故障系数可分别由下三式计算

$\frac{n}{2}X(1+\frac{d}{D_p}\cos \mathrm{\θ})$ ②

$\frac{D_p}{d}X(1-{\left(\frac{d}{D_p}\cos \mathrm{\θ}\right)}^2)$ ③

$\frac{1}{2}X(1-\frac{d}{D_p}\cos \mathrm{\θ})$ ④

其中，X为回转频率，d为轴承滚动体直径，Dp为轴承节圆直径，n为轴承滚动体个数，θ为轴承压力角。

（2）对采集到的原始振动信号进行模数转换、放大和抗混叠滤波的预处理。

（3）对原始振动信号进行快速傅里叶变换。

（4）首先，对快速傅里叶变换后的振动信号进行自适应谱峭度分析，得到自适应谱峭度向量和相应的自适应窗函数。其次，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器。由于自适应谱峭度与所用的窗口函数对应性，在最大谱峭度处，仅有一个合并的窗函数与之对应。该窗函数经过几次合并操作，形状更像一个矩形的窗函数，因此一个非常优良的带通滤波器。最后，采用得到的最优带通滤波器对原始振动信号进行滤波。该滤波过程同样也是包含了频域信号的加窗处理和逆傅里叶变换过程。

自适应谱峭度是一种对频域信号滑动加窗处理，通过比较后一次加窗计算得到信号峭度值和前一次加窗计算得到的谱峭度值，判断是否满足合并两次加窗条件，如果满足则得到一个较大的窗，反之则继续进行滑动加窗处理。自适应谱峭度技术可有效地、自动地提取振动信号的轴承故障敏感频带。

在本发明中，所述的自适应谱峭度算法具体如下（算法流程如图2所示）：

（4.1）初始化：y(n)表示采集风电机组主轴轴承振动信号，y_n表示y(n)经过快速傅里叶变换后的结果，即。

$y_n\left(\mathrm{\ξ}\right)=\underset{-\∞}{\overset{+\∞}{\∫}}y\left(k\right)e^{-2\mathrm{\πjk\ξ}}\mathrm{dk}$ ⑤

设n=1,r=1，定义原始窗口宽度N_w和窗口滑动步长Δ，进而确定最大窗口合并次数（其中F_s为信号采样频率）。则

对于一个基窗函数w(m)，其右移过程可表示为

T_naw(m)=w(m-na)⑥

其中，w(·)是基窗，T_naw(·)是平移算子，n是平移索引，a是步长。

而r+1个邻近窗合并过程可表示成

$w_r^{r_i}\left(m\right)=\underset{n=r_i}{\overset{r_i+r}{\mathrm{\Σ}}}{T}_{\mathrm{na}}w\left(m\right)=\underset{n=r_i}{\overset{r_i+r}{\mathrm{\Σ}}}w(m-\mathrm{na})$ ⑦

其中，i是合并后窗的索引号，r_i是初始窗的第i步结果，比如r₄=7表示第7个初始窗的第4步合并结果。

（4.2）以分别以当前窗函数、当前平移一步窗函数和两者合并后的窗函数作为滤波器对快速傅里叶变换后的振动信号进行滤波，该滤波过程是对频域信号的加窗和逆傅里叶变换过程，如下式所示

$y_r^{r_i}\left(t\right)=\frac{1}{G(\mathrm{\λ},r)T}\underset{n=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{y}_n{e}^{2\mathrm{\πint}/T}\underset{l=1}{\overset{r}{\mathrm{\Σ}}}w(n-(r_i+l)\mathrm{\Δ})$ ⑧

$y^{r_i}\left(t\right)=\underset{n=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{y}_{n}w(n-(r_i+r+1)\mathrm{\Δ})e^{2\mathrm{\πint}/T}$ ⑨

$y_{r+1}^{r_i}\left(t\right)=\frac{1}{G(\mathrm{\λ},r+1)T}\underset{n=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{y}_n{e}^{2\mathrm{\πint}/T}\underset{l=1}{\overset{r+1}{\mathrm{\Σ}}}w(n-(r_i+l)\mathrm{\Δ})$ ⑩

这里为窗口的重叠比率，G(λ,r)是合并窗滤波器的增益。当采用Hanning窗作为初始窗函数时和叠加次数大于2（一般要叠加一次，故条件很容易满足），此增益函数可表示为

$G(\mathrm{\λ},r)\≅\frac{1}{2(1-\mathrm{\λ})}$

可以看出该增益函数是重叠比率的函数。此处可以采用其他的窗函数，如Hamming、Blackman等，但是其增益函数要相应改变。在本实例中，采用的是Hanning窗为初始窗函数，重叠比率λ＝0.5，相应增益值为1。

（4.3）当n+r<M，计算滤波信号和并根据谱峭度计算公式计算相应的峭度值当前窗函数滤波后振动信号的谱峭度值当前平移一步窗函数滤波后振动信号的谱峭度值和合并后的窗函数滤波后振动信号的谱峭度值其中谱峭度计算公式为

$\mathrm{\&kappa;}\left(y\left(t\right)\right)=\frac{E{(y\left(t\right)-\stackrel{\&OverBar;}{y}\left(t\right))}^4}{{\left(E(y\left(t\right)-\stackrel{\&OverBar;}{y}\left(t\right))\right)}^2}-2$

（4.4）若满足条件时，则保存当前窗函数滤波后振动信号的谱峭度值以及以r_iΔ+rΔ/2为中心，宽度为N_w+Δ·r的窗口函数，其中r_i为第一个窗的第i次合并操作索引，r为窗合并数目；

当不满足条件时，则以当前平移一步窗函数为新的初始窗函数重复步骤（3.2）-（3.4）。

$\mathrm{While\&kappa;}\left(y_{r+1}^{r_i}\left(t\right)\right)\&GreaterEqual;\max \{\mathrm{\&kappa;}\left(y_r^{r_i}\left(t\right)\right),\mathrm{\&kappa;}\left(y^{r_i}\left(t\right)\right)\}$

$\mathrm{If\&kappa;}\left(y_{r+1}^{r_i}\left(t\right)\right)\&GreaterEqual;\max \{\mathrm{\&kappa;}\left(y_r^{r_i}\left(t\right)\right),\mathrm{\&kappa;}\left(y^{r_i}\left(t\right)\right)\}$

保存值，以及以r_iΔ+rΔ/2为中心宽度为N_w+Δ·r的窗信息。

令n=n+r，

Elser＝r+1

End（循环结束）

令r＝1.

End（整个窗函数叠加过程结束）

在此过程中，无需人为干预，因此可以由计算机来实现，便于建立自动诊断系统。

（5）对滤波后的信号进行包络分析和及其谱分析，获得包络信号谱，在包络谱中提取轴承故障特征频率及其各次谐波成分。这些谱图中的特征频率大多具有一定规律分布，可以通过简单的峰值查找方式自动识别出。如前所述，轴承故障特征是与轴承的几何参数和转频相关，其理论值可以采用专门的经验公式可以得出，因此可以将这些理论值实现存储于计算机中。

（6）将提取出的轴承故障特征频率与预先存储在计算机特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，计算机自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，计算机将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。

在本实施例中，采集的振动信号及其频谱如图3（a）和（b）所示。对此振动信号采用自适应谱峭度分析，计算中得到的自适应窗函数和自适应谱峭度如图3（c）和（d）所示。识别自适应谱峭度图上最大峭度处所对应的自适应窗函数并据此作为一个最优的带通滤波器，如图3（e）所示。采用得到的最优滤波器对原始振动信号进行滤波，得到带通滤波结果如图3（f）所示。图3（g）对滤波信号进行包络分析。最后对包络信号谱分析得到如图3（h）所示，从图中可以通过简单的峰值查找方式识别出几条明显的谱线，如图中的f_o,2f_o,,₃f_o……，识别出轴承的外圈的故障特征频率及其各次谐波特征。通过匹配，容易得出识别的特征频率f_o=50.8Hz与轴承理论外圈故障相匹配，因此可以判定轴承出现外圈故障。

根据上述方法所设计的一种大型风力机组轴承故障诊断系统，其主要由加速度传感器、快速傅里叶变换模块、自适应谱峭度分析模块、包络分析模块和模式识别模块构成。

加速度传感器，安装在待测风力机组的轴承座上，拾取主轴轴承的原始振动信号；

快速傅里叶变换模块，对原始振动信号进行快速傅里叶变换；

自适应谱峭度分析模块，对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波；

包络分析模块，对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，用于进行故障模式识别诊断。

模式识别模块，该模式识别模块将提取出的轴承故障特征频率与预先存储在其内部特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，其内部自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，其内部将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此，如本发明还可以应用到其他领域的轴承检测上。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (3)

1.大型风力机组轴承故障诊断方法，其特征是包括如下步骤：

(1)在待测风力机组的轴承座上安装加速度传感器，拾取主轴轴承的原始振动信号；

(2)对原始振动信号进行快速傅里叶变换；

(3)对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波；即

(3.1)设定初始窗函数、初始窗口宽度N_w和初始窗口滑动步长Δ；

(3.2)将初始窗函数认定为当前窗函数，分别以当前窗函数、当前平移一步窗函数和两者合并后的窗函数作为滤波器对变换后的振动信号进行滤波，即对频域信号进行加窗和快速傅里叶逆变换；

(3.3)分别计算当前窗函数滤波后振动信号的谱峭度值当前平移一步窗函数滤波后振动信号的谱峭度值和合并后的窗函数滤波后振动信号的谱峭度值

(3.4)比较上述3个滤波后振动信号的谱峭度值，

若满足条件时，则保存当前窗函数滤波后振动信号的谱峭度值以及以r_iΔ+rΔ/2为中心，宽度为N_w+Δ·r的窗口函数，其中r_i为第一个窗的第i次合并操作索引，r为窗合并数目；

当不满足条件时，则以当前平移一步窗函数为新的初始窗函数重复步骤(3.2)-(3.4)；

(4)对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，进行故障模式识别诊断。

2.根据权利要求1所述的大型风力机组轴承故障诊断方法，其特征是：步骤(3.3)中所述谱峭度值的计算公式为

$\mathrm{\&kappa;}\left(y\left(t\right)\right)=\frac{E{(y\left(t\right)-\stackrel{\&OverBar;}{y}\left(t\right))}^4}{{\left(E(y\left(t\right)-\stackrel{\&OverBar;}{y}\left(t\right))\right)}^2}-2$                ①

式中，y(t)为振动信号，为振动信号均值，E代表计算数学期望算子。

3.根据权利要求1所述的大型风力机组轴承故障诊断方法，其特征是：步骤(4)中所述故障模式识别诊断采用计算机自动识别诊断和人工识别诊断相配合的过程，即

将提取出的轴承故障特征频率与预先存储在计算机特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，计算机自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，计算机将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。