CN106769031B - 一种基于自相关零点计数的风机轴承阶变信号识别方法 - Google Patents
一种基于自相关零点计数的风机轴承阶变信号识别方法 Download PDFInfo
- Publication number
- CN106769031B CN106769031B CN201611001154.8A CN201611001154A CN106769031B CN 106769031 B CN106769031 B CN 106769031B CN 201611001154 A CN201611001154 A CN 201611001154A CN 106769031 B CN106769031 B CN 106769031B
- Authority
- CN
- China
- Prior art keywords
- signal
- zero point
- rank
- bearing
- fan bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Abstract
一种基于自相关零点计数的风机轴承阶变信号识别方法,首先对信号进行去均值和工频陷波预处理,然后根据轴承转频范围选取合适的截止频率对预处理信号进行低通滤波,之后计算滤波信号的自相关序列并在序列中段区间进行零点计数,最后设置零点阈值,比较完成信号识别,本发明识别方法复杂度低、识别率高,极大的提高了信号的利用率,可嵌入风力发电机监测系统作可用数据预筛选工具使用。
Description
技术领域
本发明属于风机状态监测技术领域,具体涉及一种基于自相关零点计数的风机轴承阶变信号识别方法。
背景技术
风机是将风能转化为机械功,机械功带动电机转子旋转输出电能的电力设备。作为风电产业的核心,风机具有不可替代的地位,对其运行状态的监测具有重要意义,而轴承是风力发电机结构中的典型薄弱的环节,对风机轴承的监测尤为重要。风机往往在复杂变工况环境下运行,致使其轴承监测信号中包含大量的不可用或弱可用信号:停机空采信号和阶变信号。停机空采信号为无风情况下风机停转时采集获得,幅值水平普遍偏低,完全不含任何有用信息,可以通过对比平均绝对幅值予以识别和剔除;阶变信号即局部统计特性发生阶变的监测信号,该信号因外部冲击或风速突变而产生,可用性远低于正常监测信号,但信号中仍含有部分信息可以利用,具有弱可用特性,在信号源匮乏的情形中,弱可用的阶变信号具有重要价值。阶变信号的信号特性区别于正常监测信号,需要识别后采用特殊的方法进行处理,但现有的风电设备监测技术并未针对阶变信号给出有效的识别方法。通过绘制监测信号的自相关序列图形发现,可用监测信号,即非阶变信号,其自相关序列在零延时附近出现峰值,且在零线上下高频振荡;阶变信号自相关序列同样在零延时附近取峰值且具有振荡特点,但零延时附近的振荡中心严重偏离零线,致使过零点次数明显低于非阶变信号的自相关序列。因此通过进行自相关序列零延时附近区间零点计数,可以简单快速地实现阶变信号的识别。
发明内容
为了克服上述现有技术的缺点,本发明提供一种基于自相关零点计数的风机轴承阶变信号识别方法,实现风机轴承阶变信号的快速有效识别。
为了达到上述目的,本发明采取的技术方案为:
一种基于自相关零点计数的风机轴承阶变信号识别方法,包括以下步骤:
1)获取风机轴承振动信号并进行预处理,预处理包括去均值、50Hz工频陷波,得到预处理振动信号其中N为信号长度;
2)统计获得轴承转频fr的范围,最小值记为frmin,最大值记为frmax;
3)对预处理信号进行低通滤波,滤波截止频率fc选择为轴承最大转频frmax的5~10倍,即fc=(5~10)frmax;
4)计算低通滤波后信号的自相关序列
5)采用移动平均方法对自相关序列进行平滑,窗宽选择为100;
6)在自相关序列的中段区间进行零点计数,计数区间为[X9N/10,X11N/10]:
6.1)令s=9N/10,初始化零点计数器P(s)=0;
6.2)若Xs·Xs+1≤0,则P(s+1)=P(s)+1,否则P(s+1)=P(s);
6.3)s的值增大1,返回步骤6.2)直到s≥11N/10,输出计数结果P(s);
7)设定零点计数阈值其中表示向下取整,η为可靠系数,fs为采样频率;
8)完成风机轴承阶变信号识别:若P(s)<Pε,则认为该风机轴承信号具有阶变特性;若P(s)≥Pε,则认为该风机轴承信号不具有阶变特性。
本发明的有益效果:本发明首先对待识别信号进行去均值和工频陷波预处理,然后根据轴承转频范围设定截止频率并进行低通滤波,之后计算滤波信号的自相关序列并在序列中段区间进行零点计数,最后设置零点阈值,比较完成信号识别。该识别方法复杂度低、识别率高,极大的提高了信号的利用率,可嵌入风力发电机监测系统作可用数据预筛选工具使用。
附图说明
图1为本发明流程图。
图2为实施例SL1500型风力发电机结构简图。
图3为实施例一组风机轴承非阶变信号和一组阶变信号的时域波形及自相关序列对比图:图3(a)为非阶变信号时域波形;图3(b)为阶变信号时域波形;图3(c)为非阶变信号自相关序列;图3(d)为阶变信号自相关序列。
图4为实施例某机组一段时间内监测信号的零点计数结果及阈值。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述。
如图1所示,一种基于自相关零点计数的风机轴承阶变信号识别方法,包括以下步骤:
1)获取风机轴承振动信号并进行预处理,包括去均值、50Hz工频陷波,得到预处理振动信号其中N为信号长度;
2)统计获得轴承转频fr的大致范围,最小值记为frmin,最大值记为frmax;
3)对预处理信号进行低通滤波,滤波截止频率fc选择为轴承最大转频的5~10倍,即fc=(5~10)frmax;
4)计算低通滤波后信号的自相关序列
5)采用移动平均方法对自相关序列进行平滑,窗宽选择为100;
6)在自相关序列的中段区间进行零点计数,计数区间为[X9N/10,X11N/10]:
6.1)令s=9N/10,初始化零点计数器P(s)=0;
6.2)若Xs·Xs+1≤0,则P(s+1)=P(s)+1,否则P(s+1)=P(s);
6.3)s的值增大1,返回步骤6.2)直到s≥11N/10,输出计数结果P(s);
7)设定零点计数阈值其中表示向下取整,η为可靠系数,fs为采样频率;
8)完成风机轴承阶变信号识别:若P(s)<Pε,则认为该风机轴承信号具有阶变特性;若P(s)≥Pε,则认为该风机轴承信号不具有阶变特性。
实施例:从某企业SL1500型风机采集监测信号对本发明进行验证,其结构简图如图2所示。该型号风机将叶片传入的动力经由两级行星轮系和一级定轴轮系增速后输入发电机,完成风能到电能的转化。监测信号通过加速度传感器采集,安装在图2所示的发电机驱动端轴承支座上,采样频率为25600Hz,信号长度为102400,即4s,监测时间为2014年9月25日至2015年4月10日,共获取81组驱动端轴承监测信号。选取其中的一组非阶变信号及一组典型阶变信号绘制时域波形和自相关序列如图3。由图可以看出,非阶变信号时域振动平稳、幅值均匀,自相关序列在零延时附近出现峰值,并且在零线上下高频振荡;阶变信号时域幅值水平与非阶变信号相似,但出现明显的阶变断裂,自相关序列同样在零延时附近取峰值,但零延时附近的振荡中心严重偏离零线,致使过零点次数明显低于非阶变信号的自相关序列。因此可以通过计数自相关序列零延时附近区间的零点个数,简单快捷地实现阶变信号的识别。
对从机组获取的81组驱动端轴承监测信号进行阶变信号识别验证。首先对比绝对均值剔除停机空采数据,之后采用本发明方法对剩余信号进行识别:依次进行预处理、轴承转频范围统计、低通滤波、自相关序列计算、零点计数、自相关序列平滑、零点阈值设定和比较识别。统计本实验中轴承的转频范围约为18-30Hz,因此设定低通滤波截止频率fc=200Hz,安全系数η=0.9,相应的零点阈值计算为Pε=25。将所有驱动端轴承监测信号的零点计数结果和阈值绘制图形如图4,由图可以看出,第18、28和34组数据为停机空采数据,第30、48、50、55、71和77组信号零点计数结果小于零点阈值Pε=25,根据判断规则识别为阶变信号。将81组数据的实际可用性情况统计填入表1中,对比图4和表1发现,除了第26组识别出错外,其余各组识别均符合事实,识别率为85.7%,能够满足工程实际的需求。该实验证明了本发明方法的有效性。
使用本发明方法对机组的81组信号进行识别耗时统计如表2所示,识别平均耗时为35.78s,单个信号平均耗时为0.44s,对4s长度的数据识别仅消耗大约数据时长1/10的时间,充分证明了本方法简单、快速的特点。另外实验用计算机配备2.4GHz主频的双核CPU,若采用更高配置的服务器运行本发明,运行耗时将更短。
表1风机监测信号可用性统计
注:A表示可用监测信号,H表示停机空转信号,S表示阶变信号
表2风机监测信号耗时统计
本发明提供一种基于自相关零点计数的风机轴承阶变信号识别方法,适用对象为风力发电机轴承,但通过调整低通滤波截止频率、阈值并对方法做出修正后同样适用于风力发电机齿轮阶变信号的识别,因此通过更换参数或修正本方法等将本方法应用于风力发电机齿轮阶变信号的识别并未脱离本发明的构思,也应视为本发明的保护范围。
Claims (1)
1.一种基于自相关零点计数的风机轴承阶变信号识别方法,其特征在于,包括以下步骤:
1)获取风机轴承振动信号并进行预处理,预处理包括去均值、50Hz工频陷波,得到预处理振动信号其中N为信号长度;
2)统计获得轴承转频fr的范围,最小值记为frmin,最大值记为frmax;
3)对预处理信号进行低通滤波,滤波截止频率fc选择为轴承最大转频frmax的5~10倍,即fc=(5~10)frmax;
4)计算低通滤波后信号的自相关序列
5)采用移动平均方法对自相关序列进行平滑,窗宽选择为100;
6)在自相关序列的中段区间进行零点计数,计数区间为[X9N/10,X11N/10]:
6.1)令s=9N/10,初始化零点计数器P(s)=0;
6.2)若Xs·Xs+1≤0,则P(s+1)=P(s)+1,否则P(s+1)=P(s);
6.3)s的值增大1,返回步骤6.2)直到s≥11N/10,输出计数结果P(s);
7)设定零点计数阈值其中表示向下取整,η为可靠系数,fs为采样频率;
8)完成风机轴承阶变信号识别:若P(s)<Pε,则认为该风机轴承信号具有阶变特性;若P(s)≥Pε,则认为该风机轴承信号不具有阶变特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001154.8A CN106769031B (zh) | 2016-11-14 | 2016-11-14 | 一种基于自相关零点计数的风机轴承阶变信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001154.8A CN106769031B (zh) | 2016-11-14 | 2016-11-14 | 一种基于自相关零点计数的风机轴承阶变信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106769031A CN106769031A (zh) | 2017-05-31 |
CN106769031B true CN106769031B (zh) | 2019-03-26 |
Family
ID=58973508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611001154.8A Active CN106769031B (zh) | 2016-11-14 | 2016-11-14 | 一种基于自相关零点计数的风机轴承阶变信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106769031B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101749256A (zh) * | 2010-01-08 | 2010-06-23 | 浙江大学 | 基于自相关的大型轴流风机不平衡量的识别方法 |
CN102834701A (zh) * | 2010-03-03 | 2012-12-19 | 旭化成工程株式会社 | 滑动轴承的诊断方法和诊断装置 |
CN103115668A (zh) * | 2013-01-22 | 2013-05-22 | 重庆大学 | 轧机振痕振动信号的故障特征提取方法及识别方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110131411A (ko) * | 2010-05-31 | 2011-12-07 | 자동차부품연구원 | 허브 베어링 검사 방법 |
CN104655380B (zh) * | 2015-03-16 | 2017-10-24 | 北京六合智汇技术有限责任公司 | 一种旋转机械设备故障特征提取方法 |
CN105527077A (zh) * | 2015-11-15 | 2016-04-27 | 长兴昇阳科技有限公司 | 一种基于振动信号的通用旋转机械故障诊断与检测的方法 |
-
2016
- 2016-11-14 CN CN201611001154.8A patent/CN106769031B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101749256A (zh) * | 2010-01-08 | 2010-06-23 | 浙江大学 | 基于自相关的大型轴流风机不平衡量的识别方法 |
CN102834701A (zh) * | 2010-03-03 | 2012-12-19 | 旭化成工程株式会社 | 滑动轴承的诊断方法和诊断装置 |
CN103115668A (zh) * | 2013-01-22 | 2013-05-22 | 重庆大学 | 轧机振痕振动信号的故障特征提取方法及识别方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106769031A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gong et al. | Imbalance fault detection of direct-drive wind turbines using generator current signals | |
CN109376801B (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
CN102748217B (zh) | 一种风电机组动态最优桨距角控制方法和装置 | |
CN110131109A (zh) | 一种基于卷积神经网络的风力机叶片不平衡检测方法 | |
CN102352824B (zh) | 一种基于电气信息的风力发电机健康状态监测系统和方法 | |
CN105065212A (zh) | 一种风电场风电机组校验方法及系统 | |
CN103825298B (zh) | 一种定速风电机组驱动系统参数辨识方法 | |
CN107588947B (zh) | 考虑运行工况和信息简化的风电机组传动链状态监测方法 | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN105654239A (zh) | 用于风力发电机组极端风况的识别方法、装置及系统 | |
CN111412114B (zh) | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 | |
CN111610024A (zh) | 一种基于振动信号的齿轮裂纹故障诊断方法 | |
CN108278184A (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
CN106769031B (zh) | 一种基于自相关零点计数的风机轴承阶变信号识别方法 | |
CN113009338A (zh) | 海上风电变桨电机定子匝间短路故障诊断方法 | |
CN112986821A (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
CN107300467B (zh) | 一种低速重载传动装置故障诊断方法 | |
CN105649896A (zh) | 风电机组智能监控运行控制系统及其控制方法 | |
Mahmoud et al. | Model identification and analysis of small-power wind turbines | |
Kadali et al. | Evaluation of Energy in Wind Turbine System Using Probability Distribution | |
CN113982863B (zh) | 一种基于机舱加速度监测机组湍流和载荷的方法及系统 | |
Nguyen et al. | Fault diagnosis of induction motor using decision tree with an optimal feature selection | |
Fu et al. | Research on fault diagnosis of planetary gearbox based on MPGA-BP neural network | |
CN116499748B (zh) | 基于改进smote和分类器的轴承故障诊断方法、系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |