CN107907327A - 一种风电机组行星齿轮箱故障诊断方法 - Google Patents

Abstract

本发明涉及一种风电机组行星齿轮箱故障诊断方法，包括以下步骤：1、利用奇异值差分谱法对采集的振动信号中的高频冲击信号和噪声信号的复合分量进行提取；S2、对采集的振动信号添加白噪声进行N次EEMD分解，得到一系列本征模态函数，其中，白噪声的添加准则为：3、计算步骤2得到的本征模态函数的分形维数，得到对应的分形维数曲线；4、将分形维数曲线与正常信号和不同实际故障曲线对比，根据曲线相似度判定振动信号所属的故障位置和故障类型。与现有技术相比，本发明使EEMD方法分解过程可以自适应设定白噪声大小和分解次数，解决了传统EEMD模态混叠和参数设定的盲目性问题，具有分解效果好、分解效率高等优点。

Description

一种风电机组行星齿轮箱故障诊断方法

技术领域

本发明涉及风电机组故障检测领域，尤其是涉及一种风电机组行星齿轮箱故障诊断方法。

背景技术

行星齿轮箱是风电机组中重要部件。由于其本身结构复杂，且经常处在复杂多变的运行工况下。导致风电机组的行星齿轮箱是风电机组中故障率最高的部件之一，且其故障引起停机时间最长。所以对于该部件实现准确、迅速的故障定位具有极大研究意义。

在众多故障检测方法中，EMD方法作为一种全新的、创造性的信号时频处理方法，对于非线性、非平稳信号的分析的效果显著，所以在风电故障检测中使用率极高，并且取得了较好的实际应用效果。但当信号的极值点分布不均匀时，EMD分解易导致“过冲”、“欠冲”现象，进而造成模态混叠现象。

为了解决模态混叠问题针对上述缺陷，研究人员提出了EEMD方法，从解决极值点分布问题出发，通过在初始信号中添加高斯白噪声来使极值点分布均匀化，以达到减小模态混叠影响提高分解效果的目地。该方法在一定程度上改善了模态混叠现象，但添加噪声所需两个重要参数即白噪声标准差和总体平均次数均需人为经验选择，由于掺杂了人为经验干预，大大影响了分解效果以及方法的自适应性。另一方面，分形维数作为衡量信号分形特征的手段，与信号的频率和振幅关系密切，该方法在传统的使用中均用于故障严重程度的分析中，在故障定位中鲜有应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电机组行星齿轮箱故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种风电机组行星齿轮箱故障诊断方法，包括以下步骤：

S1、利用奇异值差分谱法对采集的振动信号中的高频冲击信号和噪声信号的复合分量进行提取；

S2、对采集的振动信号添加白噪声进行N次EEMD分解，得到一系列本征模态函数，其中，白噪声的添加准则为：

e表示添加白噪声的标准差，表示经过奇异值差分谱法提取出的高频冲击分量和噪声分量信号复合分量的标准差；

S3、计算步骤S2得到的本征模态函数的分形维数，得到对应的分形维数曲线；

S4、将分形维数曲线与正常信号和不同故障实际曲线对比，根据曲线相似度判定振动信号所属的故障位置和故障类型。

优选的，所述白噪声e的添加准则为：

优选的，所述EEMD分解的次数N为：

其中，ε表示允许分解误差。

优选的，所述允许分解误差ε为2％。

优选的，所述分形维数的计算方法为通过最小二乘法计算信号的网格维数。

优选的，所述步骤S4具体包括：

S41、将第一层分形维数曲线与正常信号和表示不同故障位置的实际曲线对比，若与第一层分形维数曲线最相似的实际曲线为故障曲线，则将其对应的故障位置作为振动信号所属的故障位置，进行步骤S42，否则判定振动信号为正常信号，结束判定；

S42、将第二层分形维数曲线与已确定故障位置的不同故障类型的实际曲线对比，将最相似的实际曲线对应的故障类型作为振动信号所属的故障类型。

优选的，所述故障位置包括：行星轮和太阳轮。

优选的，所述故障类型包括：断齿、点蚀、磨损和缺齿。

与现有技术相比，本发明具有以下优点：

1、利用奇异值差分谱法对信号进行分解重构，增加了预先滤波来确定分解参数的预处理步骤，使EEMD方法分解过程可以自适应设定白噪声大小和分解次数，解决了传统EEMD模态混叠和参数设定的盲目性问题，改善了分解效果，提高了分解效率。

2、使用分层的分形维数实现先判定故障位置、再判定故障类型，提高了故障诊断的精确度。

附图说明

图1为本发明方法流程图；

图2为本发明中分层分形维数判定的流程示意图；

图3为实施例中仿真信号示意图；

图4为实施例中采用传统EEMD分解结果图；

图5为实施例中采用本发明提出的EEMD分解结果图；

图6为实施例中实际信号与一层分形维数曲线对比图；

图7为实施例中实际信号与二层分形维数曲线对比图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

在EMD分解过程中高频冲击信号是造成模态混叠现象的最主要因素，噪声信号则是次要因素。传统EEMD添加白噪声辅助分解方法的目的在于均匀信号极值点分布，但在高频冲击信号和噪声信号多变的实际工况下，传统EEMD方法无法自适应地调整分解参数值，这将直接影响分解效果，进而影响对于运行工况的诊断和分析。

本申请提出的自适应EEMD分解中添加白噪声标准差的准则如下：

其中，表示经过奇异值差分谱法提取出的高频冲击分量和噪声分量信号复合分量的标准差，为原始信号的标准差，e表示添加白噪声的标准差。

因为添加的是白噪声，所以e>0，且应同时保证e的上限为不改变高频冲击信号极值点分布的白噪声n(t)的标准差上限。由置信区间概念可知，对于参数θ，如果统计量分别为满足给定的T∈(0,1)则可以得到则分别为θ的置信下限和置信上限，1-T为θ的置信水平

因此，根据正态分布函数的概率分布P(-3e＜x＜+3e)＝99.73％。如果取则添加的白噪声n(t)幅值分布在-3e＜n(t)＜3e区间内的概率为99.73％，即离散白噪声的幅值的绝对值小于高频冲击信号标准差的概率为99.73％，因此可以保证添加的白噪声不会影响高频冲击信号的极值点分布。由上述过程可知添加白噪声的准则为：

当上式取等号时可以取得良好的分解效果。

由上式可得EEMD分解的次数N为：

其中，ε表示允许分解误差，一般设定为2％。

如图1所示，一种风电机组行星齿轮箱故障诊断方法，包括以下步骤：

S1、利用奇异值差分谱法对采集的振动信号中的高频冲击信号和噪声信号的复合分量进行提取；

S2、对采集的振动信号添加白噪声进行N次EEMD分解，得到一系列本征模态函数(IMF)，其中，白噪声的添加准则为：

EEMD分解的次数N为：

S3、计算步骤S2得到的本征模态函数的分形维数，得到对应的分形维数曲线；

S4、将分形维数曲线与正常信号和不同故障实际曲线对比，根据曲线相似度判定振动信号所属的故障位置和故障类型。

本实施例中分形维数的计算方法为通过最小二乘法计算信号的网格维数。因为分形维数对信号识别和分类具有良好效果，可以根据不同的分量求出其特有的分形维数，以达到故障诊断的效果。两个信号越相似，其分形维数值越接近；反之当两信号差别较大时，其分形维数将有很大差距。但经过分解的实际信号往往不会像仿真信号一样为单一频率，更多情况下分解后的信号仍然是复合信号。此时分形维数不仅受频率变化的影响，同时受到不同频率信号振幅变化的影响。如果要用一层分形维数区分多种类型故障的不同严重程度将十分困难，而且容易出现误判断。所以本申请提出了一种分层的分形维数来解决故障的准确定位问题，为传动系统保养和设备更换提供合理依据，其判定逻辑结构如图2所示。根据第一层分形维数判定故障位置：行星轮故障、太阳轮故障以及正常情况。本实施例中，第一层判定中行星轮故障和太阳轮故障具体选择点蚀故障。由第二层分形维数在故障位置基础上判定具体的故障严重程度，即故障类型，包括：断齿、点蚀、磨损和缺齿。

所以步骤S4具体包括：

S41、将第一层分形维数曲线与正常信号和表示不同故障位置的实际曲线对比，若与第一层分形维数曲线最相似的实际曲线为故障曲线，则将其对应的故障位置作为振动信号所属的故障位置，进行步骤S42，否则判定振动信号为正常信号，结束判定；

S42、将第二层分形维数曲线与已确定故障位置的不同故障类型的实际曲线对比，将最相似的实际曲线对应的故障类型作为振动信号所属的故障类型。

下面通过仿真实验对本方法进行验证。在风电机组运行中，行星齿轮箱正常工作时一般周期性地运转，所以可以使用正弦信号代表正常的旋转振动信号；行星轮本身运转具有通过效应，将对啮合信号产生调制作用形成调制信号；当齿轮箱出现故障时，通常表现为高频冲击信号，呈现的特性为冲击和调制；实际运行中通常伴随大量噪声的存在，所以噪声信号必不可少。因此，本实施例中，仿真一组由高频冲击信号、调制信号、周期信号以及噪声信号组成的模拟故障信号，如图3的分量1～4所示。

经过传统EEMD和本方法提出的EEMD分解的结果分别如图4和图5所示。可以看出本方法提出的EEMD分解结果中的imf1、imf2、imf3分别与仿真信号中的分量1、2、3相似，而传统EEMD分解结果中是imf2、imf4、imf6分别与仿真信号中分量1、2、3相似，说明本方法所提出的自适应EEMD方法不仅很好的解决了EEMD本身的模态混叠问题，同时提高了分解效果并缩短了分解所用时间，很大程度上提高EEMD的综合性能，为后续的信号识别打下基础。

如图6所示，本实施例将得到的第一层分形维数曲线与正常信号、太阳轮点蚀和行星轮点蚀曲线对比，可以清楚的对待诊断信号进行定位，所以根据曲线变化趋势和数值的相似性将故障定位为太阳轮故障。

如图7所示，将第二层分形维数曲线与太阳轮点蚀信号、太阳轮均匀磨损信号、太阳轮断齿信号、太阳轮缺齿信号曲线对比。由于四种故障类型的故障特征接近，所以四条曲线的形状相似度很高，无法通过曲线变化趋势进行识别，而选择通过比较曲线两两间的平均距离来对待诊断信号进行识别，从局部放大图中可以看出待诊断信号与太阳轮断齿信号分形维数曲线接近重合，而与太阳轮其他类型故障则差别较大，所以可以确定故障类型为太阳轮断齿。

使用两层分形维数方法，成功对仿真实验中待诊断信号进行了故障识别与诊断，证明了本方法能有效定位故障位置、确定故障类型。

Claims (8)

1.一种风电机组行星齿轮箱故障诊断方法，其特征在于，包括以下步骤：

S1、利用奇异值差分谱法对采集的振动信号中的高频冲击信号和噪声信号的复合分量进行提取；

S2、对采集的振动信号添加白噪声进行N次EEMD分解，得到一系列本征模态函数，其中，白噪声的添加准则为：

<mrow> <mn>0</mn> <mo>&lt;</mo> <mi>e</mi> <mo>&amp;le;</mo> <mfrac> <msub> <mo>&amp;part;</mo> <mi>c</mi> </msub> <mn>3</mn> </mfrac> </mrow>

e表示添加白噪声的标准差，表示经过奇异值差分谱法提取出的高频冲击分量和噪声分量信号复合分量的标准差；

S3、计算步骤S2得到的本征模态函数的分形维数，得到对应的分形维数曲线；

S4、将分形维数曲线与正常信号和不同故障实际曲线对比，根据曲线相似度判定振动信号所属的故障位置和故障类型。

2.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述白噪声e的添加准则为：

<mrow> <mi>e</mi> <mo>=</mo> <mfrac> <msub> <mo>&amp;part;</mo> <mi>c</mi> </msub> <mn>3</mn> </mfrac> <mo>.</mo> </mrow>

3.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述EEMD分解的次数N为：

<mrow> <mi>N</mi> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mi>e</mi> <mi>&amp;epsiv;</mi> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

其中，ε表示允许分解误差。

4.根据权利要求3所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述允许分解误差ε为2％。

5.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述分形维数的计算方法为通过最小二乘法计算信号的网格维数。

6.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述步骤S4具体包括：

S41、将第一层分形维数曲线与正常信号和表示不同故障位置的实际曲线对比，若与第一层分形维数曲线最相似的实际曲线为故障曲线，则将其对应的故障位置作为振动信号所属的故障位置，进行步骤S42，否则判定振动信号为正常信号，结束判定；

S42、将第二层分形维数曲线与已确定故障位置的不同故障类型的实际曲线对比，将最相似的实际曲线对应的故障类型作为振动信号所属的故障类型。

7.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述故障位置包括：行星轮和太阳轮。

8.根据权利要求1所述的一种风电机组行星齿轮箱故障诊断方法，其特征在于，所述故障类型包括：断齿、点蚀、磨损和缺齿。