CN111256993A - 一种风电机组主轴承故障类型诊断方法及系统 - Google Patents
一种风电机组主轴承故障类型诊断方法及系统 Download PDFInfo
- Publication number
- CN111256993A CN111256993A CN201811450798.4A CN201811450798A CN111256993A CN 111256993 A CN111256993 A CN 111256993A CN 201811450798 A CN201811450798 A CN 201811450798A CN 111256993 A CN111256993 A CN 111256993A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- main bearing
- frequency
- angular domain
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000002708 enhancing effect Effects 0.000 claims abstract description 15
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 32
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000010130 dispersion processing Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
Abstract
一种风电机组主轴承故障类型诊断方法及系统，包括：将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率；将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型。本发明基于Teager算子与阶比谱分析的故障特征提取方法，准确获取风电机组变转速工况下主轴承故障微弱信号的频率特征，实现风电机组主轴承故障的精确诊断。
Description
技术领域
本发明涉及新能源发电领域，具体涉及一种风电机组主轴承故障类型诊断方法及系统。
背景技术
随着风电不断发展，主轴承作为风电机组重要部件之一，其复杂生产过程的监控与运维等存在诸多问题：首先是风电机组主轴承振动的难识别性，风电机组主轴承是一类低速重载旋转设备，其振动信号微弱，即使是故障造成的冲击信号也易淹没在各类背景噪声以及其他机械设备传递的振动信号中，如何放大并提取主轴承特征信号，是风电主轴承状态监测与故障诊断工作的重要部分。其次是风电机组主轴承运行的非平稳性，风电机组主轴承是一个非线性、非平稳性的复杂旋转部件。对非平稳性较强的运行过程，如果采用针对准平稳性系统的处理方法，结果将会和预期产生很大的偏差。当风电机组主轴承发生故障时，由于其主轴承振动的难识别性和非平稳性，造成了风电机组故障排除难的问题，无法准确获取主轴承故障的类型，从而对后期的维修和检查工作造成影响。
目前，大部分风电机组运行的转速区间为6～20r/min，主轴以及主轴承都处于低速状态，其故障冲击力对整个重载设备而言十分微弱，难以激发强烈的振动，其冲击信号的幅值小，不易识别；同时，主轴及主轴承运行转速的多变性，也导致频率混叠严重，无法获取准确的信号频率故障特征。
发明内容
为了解决现有技术中所存在的无法准确判断风电机组主轴承故障类型的问题，本发明提供了一种风电机组主轴承故障类型诊断方法及系统。
本发明提供的技术方案是：
一种风电机组主轴承故障类型诊断方法，包括：
将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；
将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率；
将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型。
优选的，所述将预先采集的故障信号通过Teager能量算子算法增强故障峰值信号，得到放大信号，包括：
将预先采集的故障信号进行时间离散处理，得到故障离散信号；
将所述故障离散信号通过Teager能量算子公式进行增强，得到放大信号。
优选的，所述Teager能量算子公式，如下所示：
ψ(y(n))＝y2(n)-y(n-1)y(n+1)
其中，n为第n个采样周期点；y(n)为第n个采样点信号能量幅值。
优选的，所述将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率，包括：
将所述放大信号由时域序列转换为等角度采样角域序列；
将所述等角度采样角域序列利用插值法进行转换，得到平稳角域信号；
将所述平稳角域信号进行阶比谱分析，得到主轴承特征频率。
优选的，所述将所述角域序列利用插值法进行转换，得到平稳角域信号，包括：
将所述等角度采样角域序列和预先获取的等时间间隔采样角域序列，按照预设判断条件计算式，筛选出构建平稳角域信号的等角度采样角域序列；
根据所述等角度采样角域序列构建平稳角域信号。
优选的，所述预设判断条件计算式，如下式所示：
(θ′j-θi)×(θ′j-θi+1)<＝0；
其中，
表示为等时间间隔采样下的角度序列，θ′j为重构的等角度间隔采样下的角度序列。
优选的，所述根据所述等角度采样角域序列构建平稳角域信号，如下式所示：
式中，y′i表示平稳角域信号；
表示为等时间间隔采样下的角度序列，θ′j为重构的等角度间隔采样下的角度序列，yi表示为等时间采用线性插值的方法重构等角度间隔采样下的角域信号。
优选的，所述将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率，之前还包括：
将所述故障信号与转速信号进行同步采集，得到旋转周期内振动数据点固定的故障信号。
优选的，所述将所述平稳角域信号进行阶比谱分析，得到主轴承特征频率，包括：
将所述平稳角域信号进行快速傅里叶变换，得到所述平稳角域信号的阶比频谱；
根据所述阶比频谱中的阶比振幅关系，得到主轴承特征频率。
优选的，所述故障特征频率的设定，包括：
基于风电机组主轴承结构和振动机理，确定冲击类故障集合；
针对风电主轴承结构特点，解析轴承振动特征与所述冲击类故障之间的关联性；
利用动力学建模分析风电主轴承振动机理，确定各冲击类故障特征频率；
其中所述冲击类故障特征频率包括：内圈故障平率、外圈故障频率、滚动体故障频率和保持架相对轴心的旋转频率。
优选的，所述内圈故障平率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述外圈故障频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述滚动体故障频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述保持架相对轴心的旋转频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频。
一种风电机组主轴承故障类型诊断系统，所述系统，包括：
放大模块：将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；
分析模块：将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率；
故障诊断模块：将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型。
优选的，所述放大模块，包括：
离散处理子模块：将预先采集的故障信号进行时间离散处理，得到故障离散信号；
信号增强子模块：将所述故障离散信号通过Teager能量算子公式进行增强，得到放大信号。
优选的，所述信号增强子模块中利用Teager能量算子公式进行信号增强，如下所示：
ψ(y(n))＝y2(n)-y(n-1)y(n+1)
其中，n为第n个采样周期点；y(n)为第n个采样点信号能量幅值。
与现有技术相比，本发明的有益效果为：本发明提供的技术方案，包括：将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率；将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型。本发明提供的技术方案，将低速重载的大型机械设备的不易识别的微弱振动信号引入了Teager能量算子，利用Teager算子对频率的敏感性，可对微弱冲击信号进行放大，有效实现主轴承故障特征提取，解决了由于风电机组运行工况复杂多变，无法精确诊断风电机组主轴承故障的问题。
附图说明
图1为本发明的风电机组主轴承故障类型诊断方法流程图；
图2为本发明的微弱冲击故障的精确诊断整体流程图；
图3为本发明的阶比谱分析流程；
图4为本发明的等时间间隔内脉冲产生示意图；
图5为本发明实施例的时域频谱-角域频谱-阶比分析对比示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：
图1为本发明的风电机组主轴承故障类型诊断方法流程图，本发明提供的技术方案如图1所示。
S1：将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；
在低转速条件下，风电主轴承由于转速低导致故障激起的振动能量小，故障特征微弱。此外，风电主轴承一般尺寸较大，导致故障信号在传播过程中，能量损失严重。因此，传感器采集的故障信号峰值冲击极其微弱，无法通过常规的频谱分析等方法实现故障特征的提取。本专利提出利用Teager能量算子增强故障信号中的峰值冲击，增强瞬时冲击信号。
Teager能量算子是一种非线性算子，是计算信号能量的一种方法。对于连续信号y(t)，其Teager能量算子的定义如下
式中:
和
分别表示信号y(t)对时间t的一阶和二阶导数。
假设有质量为m的质量块和刚度为k的弹簧组成的线性无阻尼振动系统，其运动方程为
式中：g(t)为质量块相对于平衡位置的位移；A为质量块的振幅；
为系统的固有频率；
为系统振动初始相位角。
在任意时刻，上述简谐振动系统的总能量为质量块动能与弹簧势能之和，即
将g(t)代入Teager能量算子的定义式，得:
对比式(3)和式(4)可知，通过Teager能量算子计算得到的能量与简谐振动瞬时能量只相差一个常数。因此，Teager能量算子能很好地跟踪系统的能量。
传统的信号能量通常定义为信号幅值的平方，这种定义能量方式当信号冲击幅值比较微弱时，容易导致冲击成分被淹没，相比较于传统能量定义(传统能量定义为信号幅值的平方)，Teager能量算子在计算能量时增加了频率平方的乘积，由于冲击成分的频率通常较高，因此，Teager算子能有效地突出信号中的冲击成分。
对于离散信号y(n)，Teager能量的定义调整为
ψ(y(n))＝y2(n)-y(n-1)y(n+1)
其中：n-第n个采样点；y(n)-第n个采样点信号能量幅值。
可知，对于离散时间信号，只需要三个样本数据就能计算信号的Teager能量。
S2：将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率
风电机组由于转速和载荷上的波动性造成振动信号具有明显的非线性、非平稳性，尽管风电主轴承微弱冲击成分通过Teager算子方式得到增强，但仍无法通过频谱分析获得精确的故障诊断结果。
得到Teager算子处理的信号后，该信号相对原始时域信号，冲击频率成分的幅值得到了加强，这一步克服低速重载轴承冲击故障特征微弱问题，该加强信号则为下一步阶比分析模型的输入信号，阶比模型用来解决变转速频谱混叠问题。
阶比分析流程见图3。
时域序列转角域序列
将振动数据与转速信号同步采集，使轴系在旋转周期内采集的振动数据点数保持固定，实现将等时间间隔采样的振动时域信号转换成等角度采样的角域信号。借此实现变转速工况条件下振动信号由非平稳特性向准平稳特性的转变。
假设机组在某小段时间内δt(一般取单位时间1s)转速恒定，则推断发电机末端的角度编码器在该时间内输出等间隔高低电位脉冲，到实时脉冲数目序列{m1,m2,…mi,…mn}，i表示时间序列的序号，mi表示单位时间内脉冲数，见图4。在已知角度编码器码盘孔个数的前提下，可通过计算高低电位周期数来换算平均转速。码盘孔个数决定了转轴每转一圈高低电位个数，即高低电位个数可推算转轴转过的角度。第i秒风电机组平均转速ni＝mi×Δθ/360°×60r/min，Δθ表示一个脉冲内转轴转过的角度。根据每秒平均转速，将等时间间隔序列{t1,t2,…ti,…tn}转为角度序列{θ1,θ2,…θi,…θn}。
角域序列等角度间隔化
由于转速的变化，由等时间间隔时域信号计算获得的角度序列并非等角度间隔下的振动信号，利用插值算法获得等角度间隔下的平稳角域信号。
阶比谱分析
阶比是指时域振动信号的频率成分与转频的比值。阶比谱分析是对进行阶比重采样信号重构后的准平稳角域信号进行快速傅里叶变换，得到阶比与振动幅值的关系。在进行风电主轴承故障振动频率特征提取时，发现轴承特征频率与转速具有一定的比例关系，并且这个比例倍数为常数。因此，可用快速傅里叶变换准确获得故障信号的阶比特征，关于时域频谱-角域频谱-阶比关系见图5。
S3：将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型
将待识别信号的特征阶比值与风电主轴承冲击故障特征频率库中各特征频率相对转速的比例倍数值进行匹配，可识别风电主轴承微弱冲击故障并确定故障位置，实现风电主轴承微弱冲击故障诊断。
分析风电机组主轴承结构和振动机理，确定主要冲击类故障集合。风电主轴承为滚动轴承，其中轴承内外圈、滚动体以及保持架的表面损伤、开裂等不均匀故障会产生冲击信号。针对风电主轴承结构特点，解析轴承振动特征与典型冲击故障之间的关联性，利用动力学建模分析风电主轴承振动机理，得到轴承外圈、内圈、滚动体和保持架的不同冲击故障特征频率。故障特征频率与部件实际结构和设计参数相关，风电主轴承冲击故障特征频率计算值如下表1。
表1风电主轴承冲击故障特征频率
实施例2：
基于同一种发明思想，本发明还提供了一种风电机组主轴承故障类型诊断系统，包括：
放大模块：将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；
分析模块：将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率；
故障诊断模块：将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型。
所述放大模块，包括：
离散处理子模块：将预先采集的故障信号进行时间离散处理，得到故障离散信号；
信号增强子模块：将所述故障离散信号通过Teager能量算子公式进行增强，得到放大信号。
所述分析模块，包括：
第一转换子模块：将所述放大信号由时域序列转换为等角度采样角域序列；
第二转换子模块：将所述等角度采样角域序列利用插值法进行转换，得到平稳角域信号；
阶比谱分析子模块：将所述平稳角域信号进行阶比谱分析，得到主轴承特征频率。
所述第二转换子模块，包括：
序列筛选单元：将所述等角度采样角域序列和预先获取的等时间间隔采样角域序列，按照预设判断条件计算式，筛选出构建平稳角域信号的等角度采样角域序列；
平稳角域信号构建单元：根据所述等角度采样角域序列构建平稳角域信号。
所述序列筛选单元中的预设判断条件计算式，如下式所示：
(θ′j-θi)×(θ′j-θi+1)<＝0；
其中，
表示为等时间间隔采样下的角度序列，θ′j为重构的等角度间隔采样下的角度序列。
所述平稳角域信号构建单元中据所述等角度采样角域序列构建平稳角域信号，按照下式构建：
式中，y′i表示平稳角域信号；
表示为等时间间隔采样下的角度序列，θ′j为重构的等角度间隔采样下的角度序列，yi表示为等时间采用线性插值的方法重构等角度间隔采样下的角域信号。
所述分析模块，还包括：
同步采集子模块：将所述故障信号与转速信号进行同步采集，得到旋转周期内振动数据点固定的故障信号。
所述阶比谱分析子模块，包括：
阶比频谱获取单元：将所述平稳角域信号进行快速傅里叶变换，得到所述平稳角域信号的阶比频谱；
特征频率获取单元：根据所述阶比频谱中的阶比振幅关系，得到主轴承特征频率。
所述故障诊断模块，包括：故障频率设定子模块；
所述故障频率设定子模块，包括：
故障集合获取单元：基于风电机组主轴承结构和振动机理，确定冲击类故障集合；
关联性分析单元：针对风电主轴承结构特点，解析轴承振动特征与所述冲击类故障之间的关联性；
特征频率设定单元：利用动力学建模分析风电主轴承振动机理，确定各冲击类故障特征频率；
其中所述冲击类故障特征频率包括：内圈故障平率、外圈故障频率、滚动体故障频率和保持架相对轴心的旋转频率。
所述内圈故障平率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述外圈故障频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述滚动体故障频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述保持架相对轴心的旋转频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (14)
1.一种风电机组主轴承故障类型诊断方法，其特征在于，包括：
将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；
将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率；
将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型。
2.如权利要求1所述的方法，其特征在于，所述将预先采集的故障信号通过Teager能量算子算法增强故障峰值信号，得到放大信号，包括：
将预先采集的故障信号进行时间离散处理，得到故障离散信号；
将所述故障离散信号通过Teager能量算子公式进行增强，得到放大信号。
3.如权利要求2所述的方法，其特征在于，所述Teager能量算子公式，如下所示：
ψ(y(n))＝y2(n)-y(n-1)y(n+1)
其中，n为第n个采样周期点；y(n)为第n个采样点信号能量幅值。
4.如权利要求1所述的方法，其特征在于，所述将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率，包括：
将所述放大信号由时域序列转换为等角度采样角域序列；
将所述等角度采样角域序列利用插值法进行转换，得到平稳角域信号；
将所述平稳角域信号进行阶比谱分析，得到主轴承特征频率。
5.如权利要求4所述的方法，其特征在于，所述将所述角域序列利用插值法进行转换，得到平稳角域信号，包括：
将所述等角度采样角域序列和预先获取的等时间间隔采样角域序列，按照预设判断条件计算式，筛选出构建平稳角域信号的等角度采样角域序列；
根据所述等角度采样角域序列构建平稳角域信号。
6.如权利要求5所述的方法，其特征在于，所述预设判断条件计算式，如下式所示：
(θj'-θi)×(θj'-θi+1)<＝0；
其中，θi表示为等时间间隔采样下的角度序列，θj'为重构的等角度间隔采样下的角度序列。
7.如权利要求5所述的方法，其特征在于，所述根据所述等角度采样角域序列构建平稳角域信号，如下式所示：
式中，y'i表示平稳角域信号；θi表示为等时间间隔采样下的角度序列，θ'j为重构的等角度间隔采样下的角度序列，yi表示为等时间采用线性插值的方法重构等角度间隔采样下的角域信号。
8.如权利要求4所述的方法，其特征在于，所述将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率，之前还包括：
将所述故障信号与转速信号进行同步采集，得到旋转周期内振动数据点固定的故障信号。
9.如权利要求4所述的方法，其特征在于，所述将所述平稳角域信号进行阶比谱分析，得到主轴承特征频率，包括：
将所述平稳角域信号进行快速傅里叶变换，得到所述平稳角域信号的阶比频谱；
根据所述阶比频谱中的阶比振幅关系，得到主轴承特征频率。
10.如权利要求1所述的方法，其特征在于，所述故障特征频率的设定，包括：
基于风电机组主轴承结构和振动机理，确定冲击类故障集合；
针对风电主轴承结构特点，解析轴承振动特征与所述冲击类故障之间的关联性；
利用动力学建模分析风电主轴承振动机理，确定各冲击类故障特征频率；
其中所述冲击类故障特征频率包括：内圈故障平率、外圈故障频率、滚动体故障频率和保持架相对轴心的旋转频率。
11.如权利要求10所述的方法，其特征在于，所述内圈故障平率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述外圈故障频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述滚动体故障频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频；
所述保持架相对轴心的旋转频率，如下式表示：
其中，D为轴承节圆直径；d为滚动体直径；α为接触角大小；Z为滚动体个数；fr为轴的转频。
12.一种风电机组主轴承故障类型诊断系统，其特征在于，所述系统，包括：
放大模块：将预先采集的故障信号通过Teager能量算子公式增强故障峰值信号，得到放大信号；
分析模块：将所述放大信号作为输入量进行阶比分析，并得到主轴承特征频率；
故障诊断模块：将所述主轴承特征频率与预先设定的故障特征频率进行比对，确定故障类型。
13.如权利要求12所述的系统，其特征在于，所述放大模块，包括：
离散处理子模块：将预先采集的故障信号进行时间离散处理，得到故障离散信号；
信号增强子模块：将所述故障离散信号通过Teager能量算子公式进行增强，得到放大信号。
14.如权利要求13所述的系统，其特征在于，所述信号增强子模块中利用Teager能量算子公式进行信号增强，如下所示：
ψ(y(n))＝y2(n)-y(n-1)y(n+1)
其中，n为第n个采样周期点；y(n)为第n个采样点信号能量幅值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811450798.4A CN111256993A (zh) | 2018-11-30 | 2018-11-30 | 一种风电机组主轴承故障类型诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811450798.4A CN111256993A (zh) | 2018-11-30 | 2018-11-30 | 一种风电机组主轴承故障类型诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111256993A true CN111256993A (zh) | 2020-06-09 |
Family
ID=70946424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811450798.4A Pending CN111256993A (zh) | 2018-11-30 | 2018-11-30 | 一种风电机组主轴承故障类型诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111256993A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111917360A (zh) * | 2020-06-30 | 2020-11-10 | 中国电力科学研究院有限公司 | 基于级数分解确定伺服电机定子故障状态指标的方法及系统 |
| CN112098094A (zh) * | 2020-09-27 | 2020-12-18 | 上海数深智能科技有限公司 | 一种低速重载轴承故障振动诊断的方法 |
| CN112665712A (zh) * | 2020-12-22 | 2021-04-16 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 一种用于列车走行部监测的广域阶次跟踪方法及系统 |
| CN113295417A (zh) * | 2021-05-21 | 2021-08-24 | 中国人民解放军国防科技大学 | 一种轴承故障特征频率计算方法及装置 |
| CN114486254A (zh) * | 2022-02-09 | 2022-05-13 | 青岛迈金智能科技股份有限公司 | 一种基于时/频双域分析的自行车轴承检测方法 |
| CN114509159A (zh) * | 2022-01-17 | 2022-05-17 | 烟台杰瑞石油服务集团股份有限公司 | 阶比跟踪分析方法、系统及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04194412A (ja) * | 1990-11-27 | 1992-07-14 | Yamamoto Denki Kogyo Kk | ころがり軸受の故障検出方法 |
| CN104634571A (zh) * | 2015-02-06 | 2015-05-20 | 北京航空航天大学 | 一种基于lcd-mf的滚动轴承故障诊断方法 |
| CN105806613A (zh) * | 2015-11-24 | 2016-07-27 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 |
| CN107831012A (zh) * | 2017-10-11 | 2018-03-23 | 温州大学 | 一种基于Walsh变换与Teager能量算子的轴承故障诊断方法 |
-
2018
- 2018-11-30 CN CN201811450798.4A patent/CN111256993A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04194412A (ja) * | 1990-11-27 | 1992-07-14 | Yamamoto Denki Kogyo Kk | ころがり軸受の故障検出方法 |
| CN104634571A (zh) * | 2015-02-06 | 2015-05-20 | 北京航空航天大学 | 一种基于lcd-mf的滚动轴承故障诊断方法 |
| CN105806613A (zh) * | 2015-11-24 | 2016-07-27 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 |
| CN107831012A (zh) * | 2017-10-11 | 2018-03-23 | 温州大学 | 一种基于Walsh变换与Teager能量算子的轴承故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| 丁雪娟等: "基于阶次窄带包络分析的直驱风机轴承微弱故障诊断", 《噪声与振动控制》 * |
| 于善平等: "变工况滚动轴承故障诊断方法研究", 《大连民族学院学报》 * |
| 于永军等: "变工况下的风电机组轴承故障诊断研究", 《仪器仪表与分析监测》 * |
| 唐贵基等: "基于时时能量阶比谱的变转速工况滚动轴承微弱故障诊断研究", 《振动工程学报》 * |
| 柯燕亮等: "基于Teager峰值能量的低转速轴承故障特征提取方法", 《振动与冲击》 * |
| 王天金等: "基于Teager 能量算子的滚动轴承故障诊断研究", 《振动与冲击》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111917360A (zh) * | 2020-06-30 | 2020-11-10 | 中国电力科学研究院有限公司 | 基于级数分解确定伺服电机定子故障状态指标的方法及系统 |
| CN111917360B (zh) * | 2020-06-30 | 2023-05-05 | 中国电力科学研究院有限公司 | 基于级数分解确定伺服电机定子故障状态指标的方法及系统 |
| CN112098094A (zh) * | 2020-09-27 | 2020-12-18 | 上海数深智能科技有限公司 | 一种低速重载轴承故障振动诊断的方法 |
| CN112665712A (zh) * | 2020-12-22 | 2021-04-16 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 一种用于列车走行部监测的广域阶次跟踪方法及系统 |
| CN113295417A (zh) * | 2021-05-21 | 2021-08-24 | 中国人民解放军国防科技大学 | 一种轴承故障特征频率计算方法及装置 |
| CN114509159A (zh) * | 2022-01-17 | 2022-05-17 | 烟台杰瑞石油服务集团股份有限公司 | 阶比跟踪分析方法、系统及计算机可读存储介质 |
| CN114486254A (zh) * | 2022-02-09 | 2022-05-13 | 青岛迈金智能科技股份有限公司 | 一种基于时/频双域分析的自行车轴承检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111256993A (zh) | 一种风电机组主轴承故障类型诊断方法及系统 | |
| Wang et al. | Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis | |
| Cui et al. | Double-dictionary matching pursuit for fault extent evaluation of rolling bearing based on the Lempel-Ziv complexity | |
| Zhao et al. | A tacho-less order tracking technique for large speed variations | |
| Gong et al. | Application of tentative variational mode decomposition in fault feature detection of rolling element bearing | |
| CN103575523A (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
| CN110763462B (zh) | 一种基于同步压缩算子的时变振动信号故障诊断方法 | |
| CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
| Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
| Wei et al. | Time-varying envelope filtering for exhibiting space bearing cage fault features | |
| CN111120388A (zh) | 一种风机状态联合监测方法及系统 | |
| CN113586177B (zh) | 基于单叶端定时传感器的叶片固有频率识别方法 | |
| Zhang et al. | Feature extraction under bounded noise background and its application in low speed bearing fault diagnosis | |
| Huang et al. | Bearing fault diagnosis based on EMD and PSD | |
| CN109635399A (zh) | 一种振动加速度信号的加窗积分转换方法 | |
| CN112327957B (zh) | 转子低频振动多阶线谱的控制方法及装置 | |
| Li et al. | Gear fault detection based on Teager-Huang transform | |
| CN110219816A (zh) | 用于风机故障诊断的方法和系统 | |
| Wang et al. | A hybrid approach to bearing defect diagnosis in rotary machines | |
| Zhang | Hilbert-Huang transform and marginal spectrum for detection of bearing localized defects | |
| Castellani et al. | Analyzing wind turbine flow interaction through vibration data | |
| Zhou et al. | Gear fault diagnosis under the run-up condition using fractional fourier transform and hilbert transform | |
| JP6305303B2 (ja) | 回転機器の振動診断装置、方法及びプログラム | |
| Feng et al. | Filter realization of the time-domain average denoising method for a mechanical signal | |
| Wang et al. | Research on rolling element bearing fault diagnosis based on singular value decomposition and kurtosis criterion |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |