CN105738102A - 一种风电齿轮箱故障诊断方法 - Google Patents

Abstract

本发明提供了一种风电齿轮箱故障诊断方法，旨在解决现有技术中齿轮箱运行时，很难检测到故障信息的问题。齿轮箱存在故障时其振动信号具有两个特点：1、故障信号比较微弱，容易被其他的信号所淹没。2、故障信号会因为故障冲击产生调制现象。本发明分别应用EEMD分解和希尔伯特平方解调技术解决以上两个问题。首先应用EEMD分解将原始振动信号分解为一系列的本征模态函数IMF，在这些IMF中，峭度值最大的那个IMF通常对应的就是故障特征分量；而后利用希尔伯特平方解调对IMF_c进行解调，对解调后的信号做频谱分析；最后将频谱分析结果与齿轮箱各回转部件的回转频率对比，确定故障位置。

Description

一种风电齿轮箱故障诊断方法

技术领域

本发明涉及一种风电齿轮箱故障诊断方法，尤其涉及一种风力发电机齿轮箱故障诊断方法。

背景技术

风力发电机组大多安装在戈壁滩、海岛、高山等风口处，自然条件恶劣，再加上气流的不稳定性，导致风电机组长期处于复杂的交变载荷下工作，机组故障时有发生。故障统计结果显示，齿轮箱是风电机组中故障率最高的部件，所占比重超过60％。另外，风电机组的安装位置交通不便，而齿轮箱更是安装在70～100米的塔顶上，空间狭小，如果没有及时检测到故障，很容易导致风电齿轮箱的损坏，维修十分困难，往往需要下塔处理，吊装维修费用高，并且会严重影响风场的经济效益，因此，风电齿轮箱故障诊断具有重要的意义。

现代风电齿轮箱传递功率大、结构复杂，故障信号为非平稳瞬态信号，并且故障特征量容易被齿轮的啮合信号及其他的噪音所淹没。此外，当齿轮箱存在故障时，会产出冲击振动，引起信号的调幅调制现象，对振动信号直接进行频谱分析时，频谱图上一般都会出现调制载波频率而没有相应的故障频率，因此无法提取到故障信息。

发明内容

本发明提供了一种风电齿轮箱故障诊断方法，旨在解决现有技术中齿轮箱运行时，很难检测到故障信息的问题。

为了解决以上技术问题，本发明通过以下技术方案实现。一种风电齿轮箱故障诊断方法，包括以下步骤：

A、通过采集模块对风电齿轮箱的振动信号进行采集，采集到振动信号x(t)；

B、利用EEMD对信号x(t)进行分解，得到一系列的本征模态函数IMF；

C、计算上述各IMF的峭度值，并选出峭度值最大的IMF分量IMF_c；

D、利用希尔伯特平方解调对IMF_c进行解调；

E、对解调后的信号做频谱分析，将频谱分析结果与齿轮箱各回转部件的回转频率对比，确定故障位置。

进一步，所述采集模块包括压电式加速度传感器、信号采集卡和控制器机箱，信号采集卡与传感器采用导线相连，信号采集卡通过插拔接口插接在控制器机箱上。

进一步，压电式加速度传感器布置在箱体外壳、输出轴的前侧轴承、齿轮箱输入轴的前侧轴承和后侧轴承上。将压电式加速传感器安装在这些位置或其它重要位置上，方便检测出重要部位是否存在故障。

进一步，齿轮箱中存在故障时会出现信号的调至现象，调制信号具有式(1)所示的形式：

c(t)＝s(t)f(t)(1)

其中，s(t)为故障产生的低频冲击信号，f(t)为运行中正常的高频振动信号；

采用样希尔伯特平方解调对调制信号进行解调处理，具体过程如下：

构造函数Z(t)如式(2)所示：

Z(t)＝c²(t)+H²[c(t)](2)

其中H[·]是对信号进行希尔伯特变换。

根据Bedrosian定理：

H[c(t)]＝H[s(t)f(t)]＝s(t)H[f(t)](3)

将式(3)带入式(2)可得：

Z(t)＝s²(t){f²(t)+H²[f(t)]}(4)

令r(t)＝f²(t)+H²[f(t)]，高频振动信号f(t)的结构如式(5)所示：

f(t)＝a₁cos(2πf₁t)(5)

则f(t)的希尔伯特变换为：

H[f(t)]＝a₁sin(2πf₁t)(6)

则可得r(t)：

r(t)＝f²(t)+H²[f(t)]＝a₁ ²cos²(2πf₁t)+a₁ ²sin²(2πf₁t)＝a₁ ²(7)

将式(7)带入式(4)可得：

Z(t)＝a₁ ²s²(t)(8)

由此，函数Z(t)中仅有低频部分s(t)，对其进行频谱分析就可以得到调制信号中的故障频率；上述式(1)至式(8)中，t表示时间，f₁表示频率。

齿轮箱存在故障时其振动信号具有两个特点：1、故障信号比较微弱，容易被其他的信号所淹没。2、故障信号会因为故障冲击产生调制现象。

针对故障信号的上述两个特点，本发明分别应用EEMD分解和希尔伯特平方解调技术解决以上两个问题。首先应用EEMD分解将振动信号分解为一系列的本征模态函数IMF，在这些IMF中，峭度值最大的那个IMF通常对应的就是故障特征分量；利用希尔伯特平方解调对IMF_c进行解调，对解调后的信号做频谱分析，将频谱分析结果与齿轮箱各回转部件的回转频率对比，确定故障位置。通过本发明方法可以及时且方便地检测出故障信息，及时对齿轮箱进行维修。

本发明中采用的EEMD是一种数据驱动式的自适应信号处理方法。其分解过程是从信号本身的特征时间尺度出发，基函数是由本身分解所得到的，是直观、直接、自适应以及后验的，该方法摆脱了传统信号处理中对平稳信号的假设，从根本上解决了无法处理非平稳信号的束缚。EEMD克服了传统小波变换在处理非线性、非平稳信号时，在分辨率上会出现模糊、不清晰和谱结构精确度低等问题，在处理非线性和非平稳信号方面具有独特的优势。

附图说明

下面结合附图对本发明作进一步说明：

图1为四个信号的时域波形图；

图2为四个信号直接加和后的时域波形图；

图3为EEMD分解后的结果图；

图4为本发明的流程图。

具体实施方式

该齿轮箱故障诊断方法是基于齿轮箱运行过程中所产生的振动信号进行的。齿轮箱在运行过程中无论是否存在故障都会有振动信号的产生，但是无故障和有故障时的振动信号有不同的区别。齿轮箱没有故障时，振动信号的频率成分主要是齿轮的啮合频率和轴承的自身的固有频率。当齿轮箱中的齿轮和轴承存在故障时，其运行过程中会因为故障产生冲击效应，从而使振动信号发生改变，此时振动信号的频率成分不仅有齿轮的啮合频率和轴承自身的固有频率，还会增加故障部件所在部件的回转频率。

通过加速度传感器测得的振动加速度信号是时域信号。如图1所示；图1中的信号是下面四个信号的时域波形图。

$x_1\left(t\right)=e^{-{\mathrm{\αt}}_1}sin\left(2{\mathrm{\πf}}_{1}t\right)t_1=\mathrm{mod}(t,1/f_B)$

x₂(t)＝0.6sin(2fπ₂t)

x₃(t)＝sin(2f₃πt)

x₄(t)＝0.2rand(n,1),n＝length(t)

其中，x₁(t)为模拟轴承外圈故障信号和系统结构谐振信号的调制；x₂(t)和x₃(t)为周期性谐波信号成分；x₄(t)为模拟噪声信号；衰减频率(与系统阻尼特性相关)α＝400；结构谐振频率f₁＝800Hz；高速级齿轮的啮合频率f₂＝180Hz；低速级齿轮的啮合频率f₃＝50Hz，故障特征频率f_B＝33Hz。

图2的信号是以上四个信号的合信号，直接加和的结果。

诊断故障需要得到的是振动信号所对应的频率值。对于简单的信号，如上面的x₂(t)和x₃(t)，直接进行傅里叶变换就可以得到振动信号的频率值，但是对振动信号x₁(t)这种较为复杂的调制信号，直接进行傅里叶变换得到频率值是f₁＝800Hz，但是实际中想要得到的是f_B＝33Hz这个频率。对振动信号x₁(t)经过解调后，再进行傅里叶变换后就能得到故障频率f_B＝33Hz。

啮合频率和回转频率：假如一对啮合的齿轮对，主动轮的转速是20r/s，齿数是40，从动轮的齿数是80，那么从动轮的转速可以根据主动轮计算得出，即10r/s。啮合频率是用齿轮对中任意一个齿轮的回转频率乘以齿数，即主动轮啮合频率为20×40＝800Hz，从动轮啮合频率为10×80＝800Hz。回转频率是指单个齿轮的回转频率，如主动轮20Hz，从动轮10Hz。这样如果故障诊断所得结果是20Hz，说明是主动轮故障；如果是10Hz，说明是从动轮故障。

故障诊断的过程就是当齿轮箱中存在故障时，确定故障频率，进而确定出故障位置的过程。

齿轮箱存在故障时其振动信号具有两个特点：

1、故障信号比较微弱，容易被其他的信号所淹没。

2、故障信号会因为故障的原因产生调制现象。

针对故障信号的上述两个特点，故障诊断方法分别应用EEMD分解和希尔伯特平方解调技术解决以上两个问题。首先应用EEMD分解将原始振动信号分解为一系列的本征模态函数IMF，在这些IMF中，峭度值最大的那个IMF通常对应的就是故障特征分量。例如从图2中的合信号很难直接找到故障特征信号，而对其进行EEMD分解后就能得到图3所示的结果。其中IMF2就是故障特征信号，他的峭度值会比其他的IMF分量的大。从而就找到了故障特征分量。然后寻找故障频率，进而确定出故障位置。用到的就是希尔伯特平方解调技术。对信号进行解调后再进行傅里叶变换就能得到故障频率，进而确定出故障位置。

参阅图4右侧，本发明中的方法主要包括：信号采集、信号处理和结果显示。

参阅图4左侧，一种风电齿轮箱故障诊断方法，具体包括以下步骤：

A、通过采集模块对风电齿轮箱的振动信号进行采集，采集到振动信号x(t)；

B、利用EEMD对信号x(t)进行分解，得到一系列的本征模态函数IMF；

C、计算上述各IMF的峭度值，并选出峭度值最大的IMF分量IMF_c；

D、利用希尔伯特平方解调对IMF_c进行解调；齿轮箱中存在故障时出现信号的调制信号具有式(1)所示的形式：

c(t)＝s(t)f(t)(1)

其中，s(t)为故障产生的低频冲击信号，f(t)为运行中正常的高频振动信号；

采样希尔伯特平方解调对调制信号进行解调处理，具体过程如下：

构造函数Z(t)如式(2)所示：

Z(t)＝c²(t)+H²[c(t)](2)

其中H[·]是对信号进行希尔伯特变换。

根据Bedrosian定理：

H[c(t)]＝H[s(t)f(t)]＝s(t)H[f(t)](3)

将式(3)带入式(2)可得：

Z(t)＝s²(t){f²(t)+H²[f(t)]}(4)

令r(t)＝f²(t)+H²[f(t)]，高频振动信号f(t)的结构如式(5)所示：

f(t)＝a₁cos(2πf₁t)(5)

则f(t)的希尔伯特变换为：

H[f(t)]＝a₁sin(2πf₁t)(6)

则可得r(t)：

r(t)＝f²(t)+H²[f(t)]＝a₁ ²cos²(2πf₁t)+a₁ ²sin²(2πf₁t)＝a₁ ²(7)

将式(7)带入式(4)可得：

Z(t)＝a₁ ²s²(t)(8)

由此，函数Z(t)中仅有低频部分s(t)，对其进行频谱分析就可以得到调制信号中的故障频率；上述式(1)至式(8)中，t表示时间，f₁表示频率。

E、对解调后的信号做频谱分析，将频谱分析结果与齿轮箱个回转部件的回转频率对比，确定故障位置。

采集模块包括压电式加速度传感器、信号采集卡和控制器机箱，信号采集卡与传感器采用导线相连，信号采集卡通过插拔接口插接在控制器机箱上。压电式加速度传感器布置在箱体外壳、输出轴的前侧轴承、输入轴的前侧轴承和后侧轴承等重要位置上。

c(t)＝s(t)f(t)是对希尔伯特平方解调技术进行理论上解释，这里的c(t)是一个泛指，可以指任意一个类似于图1中x₁(t)的调制信号。而IMF_c是实际应用中，齿轮箱故障时所产生的调制信号。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (4)

1.一种风电齿轮箱故障诊断方法，其特征是：包括以下步骤：

A、通过采集模块对风电齿轮箱的振动信号进行采集，采集到振动信号x(t)；

B、利用EEMD对信号x(t)进行分解，得到一系列的本征模态函数IMF；

C、计算上述各IMF的峭度值，并选出峭度值最大的IMF分量IMF_c；

D、利用希尔伯特平方解调对IMF_c进行解调；

E、对解调后的信号做频谱分析，将频谱分析结果与齿轮箱各回转部件的回转频率对比，确定故障位置。

2.根据权利要求1所述的一种风电齿轮箱故障诊断方法，其特征是：所述采集模块包括压电式加速度传感器、信号采集卡和控制器机箱，信号采集卡与传感器采用导线相连，信号采集卡通过插拔接口插接在控制器机箱上。

3.根据权利要求2所述的一种风电齿轮箱故障诊断方法，其特征是：压电式加速度传感器布置在箱体外壳、输出轴的前侧轴承、输入轴的前侧轴承和后侧轴承上。

4.根据权利要求1所述的一种风电齿轮箱故障诊断方法，其特征是：齿轮箱中存在故障时会出现信号的调制现象,调制信号具有式(1)所示的形式：

c(t)＝s(t)f(t)(1)

其中，s(t)为故障产生的低频冲击信号，f(t)为运行中正常的高频振动信号；

采样希尔伯特平方解调对调制信号进行解调处理，具体过程如下：

构造函数Z(t)如式(2)所示：

Z(t)＝c²(t)+H²[c(t)](2)

其中H[·]是对信号进行希尔伯特变换；

根据Bedrosian定理：

H[c(t)]＝H[s(t)f(t)]＝s(t)H[f(t)](3)

将式(3)带入式(2)可得：

Z(t)＝s²(t){f²(t)+H²[f(t)]}(4)

令r(t)＝f²(t)+H²[f(t)]，高频振动信号f(t)的结构如式(5)所示：

f(t)＝a₁cos(2πf₁t)(5)

则f(t)的希尔伯特变换为：

H[f(t)]＝a₁sin(2πf₁t)(6)

则可得r(t)：

r(t)＝f²(t)+H²[f(t)]＝a₁ ²cos²(2πf₁t)+a₁ ²sin²(2πf₁t)＝a₁ ²(7)

将式(7)带入式(4)可得：

Z(t)＝a₁ ²s²(t)(8)

对仅有低频部分s(t)的式(8)进行频谱分析；上述式(1)至式(8)中，t表示时间，f₁表示频率。