CN117723303B - 一种风力发电机组轴承声学监测方法 - Google Patents
一种风力发电机组轴承声学监测方法 Download PDFInfo
- Publication number
- CN117723303B CN117723303B CN202410139624.5A CN202410139624A CN117723303B CN 117723303 B CN117723303 B CN 117723303B CN 202410139624 A CN202410139624 A CN 202410139624A CN 117723303 B CN117723303 B CN 117723303B
- Authority
- CN
- China
- Prior art keywords
- bearing
- acoustic
- fault
- signal
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000009434 installation Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000005236 sound signal Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000010408 sweeping Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000005316 response function Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于风力发电机组故障检测技术领域，公开了一种风力发电机组轴承声学监测方法。方法包括构建风力发电机组轴承声学监测装置，设备启动触发模块、声学定位模块、声学信号采集模块、数据存储传输模块、声学信号分析处理模块、状态监测及故障诊断模块。通过分析采集的声学信号，过滤掉不相关信息，提取信号特征频率，实现故障定位；记录测点的基础信息以及不同时刻不同转速下的时域特征指标，进行趋势分析；根据部件尺寸参数计算理论特征频率，设定分级阈值并根据不同的阈值进行不同程度的故障预警，判定诊断结果。本发明适用于风力发电机组轴承结构的狭小空间的故障检测，可适用于检测出轴承的早期故障，利于在故障影响未扩大前及时得到处理。
Description
技术领域
本发明风力发电机组故障检测技术领域，特别涉及风力发电机组轴承声学监测方法。
背景技术
轴承在风力发电机组中属于核心零部件，特别是主轴轴承需要承担整个风力发电机的巨大震动冲击，一旦发生故障则影响整个风力发电机的运行安全。大型风力发电机组的发电机、主轴、齿轮箱等主要传动部件都采用滚动轴承，而旋转机械故障中有不少是由滚动轴承引起的，风电机组传动链的主要故障很大一部分是由滚动轴承出现磨损、裂纹、疲劳、腐蚀、胶合、保持架损坏等问题造成的，因此及时准确开展轴承状态监测和故障诊断能够有效提高风电机组的安全稳定性。
风力发电机组包括多个轴承，如偏航轴承、变桨轴承、主轴轴承、变速箱轴承、发电机轴承等。目前风力发电机组的状态监测方法有温度监测、振动监测、超声波监测、声发射监测等。
然而，超声波探伤监测较难实现轴承的动态监测。声发射监测、温度监测、振动监测对风力发电机组轴承故障发生早期不敏感，且需要在轴承上安装大量传感器，不适用于布置在风力发电机组旋转机械机构的狭小空间内。
现有技术有将声学监测应用到故障监测中，基于风力发电机组的多类轴承分布的分散性，以及同一风力发电机组轴承具有多类型，现有的声学监测方法并不适用。
发明内容
为了解决以上问题，本发明提供一种风力发电机组轴承声学监测方法，适用于位于封闭狭小空间的风电机组的具有分布分散性、多类型的轴承同时故障监测。
一种风力发电机组轴承声学监测方法，所述方法包括步骤：
S0.构建风力发电机组轴承声学监测装置；所述装置包括：声学定位模块，采集风电机组不同轴承测点的位置信息；声学信号采集模块，采集风电机组轴承声学信号数据；设备启动触发模块，通过监测风电机组启动叶片转动情况，触发声学定位模块、声学信号采集模块开始工作；数据存储传输模块，存储位置信息、声学信号数据，并传送至声学信号分析处理模块；声学信号分析处理模块，分析采集的声学信号，过滤掉不相关信息，提取信号特征频率，实现故障定位；记录测点的基础信息以及不同时刻不同转速下的时域特征指标，进行声学信号的趋势分析；状态监测及故障诊断模块，根据部件尺寸参数计算理论特征频率，设定分级阈值并根据不同的阈值进行不同程度的故障预警，判定诊断结果；
S1.获取风力发电机组的监测数据，所述监测数据包括风电机组转速、机舱加速度、轴承位置信息、声学信号数据；
S2.对监测数据进行分析及信号特征提取，包括进行以下处理：
在风电机组转速处于稳定状态下，将原始轴承声学信号数据通过解卷积滤波器，过滤掉风噪声及风电机组叶片的扫风声，提高数据的脉冲冲击成分；
对解卷积滤波后的时域信号进行去均值处理；
计算希尔伯特包络时域数据和能量算子时域数据的互相关数列；
选择互相关数列的后半段区间的数据，进行傅里叶变换，得到互相关谱；
S3.提取步骤S2中互相关谱数据中的特征信息，进行数据降维；
S4.根据风力发电机组各轴承关键部件尺寸参数，计算不同部件的理论特征频率，确定故障分级阈值，区分不同程度的故障；
根据采集信号对应的声波频率判断故障声源，结合声学定位模块事先测得的轴承测点位置信号，定位故障轴承测点；所述故障轴承测点为偏航轴承测点、变桨轴承测点、主轴轴承测点、变速箱轴承测点、发电机轴承测点的一种或多种；
将降维后的互相关谱中出现的特征谱线频率和轴承故障特征频率进行比对，确定轴承故障发生的部位；其中，轴承故障特征频率包括所有类别的轴承的内圈故障频率、外圈故障频率、外环外滚道故障频率、内环内滚道故障频率、滚动体故障频率、外圈故障频率、保持架内环故障频率、保持架内环故障频率；
根据声学信号数据中的特征信息确定故障类型与故障程度。
进一步地，所述步骤S4中，在计算理论特征频率过程中，根据轴承的声音产生特点，采用点源辐射的简化模型模拟声音在各个接触点的产生情况，可将运转的轴承声源简化为脉动球声源与点声源，考虑声音在空间的辐射关系，计算出空间测点的声压，得到轴承声场的变化情况；分别分析单个、多个滚子在内圈施加周期激励、外圈固定情况下的声压变化，在此基础上采用正常信号与高斯噪声叠加的方法，模拟在噪声环境下的轴承声音信号。本方案使得模拟轴承声音更加符合现实轴承声音，使得理论特征频率计算更加精准。
进一步地，所述步骤S4中，所述声学信号采样频率大于44100Hz，数据样本采样时长大于0.5s。
进一步地，所述步骤S3中，采用主元成分分析法提取数据中主要的特征信息。
进一步地，所述方法还包括步骤：判断轴承故障后，通过弹窗、警铃、邮件短信推送的一种或多种方式进行报警强制提醒。
进一步地，所述声学定位模块采用磁钢、射频识别技术、工业相机的一种或多种方式进行定位。
进一步地，所述声学定位模块安装在风力发电机组轴承的固有设备旁边，不与其接触。
进一步地，所述声学信号采集模块包括类型为心形指向的声学传感器，声学传感器的安装方式为点平面阵列方式，安装高度接近风电机组主轴轴心高度。
与现有技术相比，上述技术方案之一或多个技术方案能达到至少以下有益效果之一：
本监测装置为非接触式测量装置，可解决旋转机械结构中狭小空间内难以布置监测传感器、信息获取困难的问题，一定程度上能降低监测传感器的数量，防止风电机组固有结构被干扰与破坏；
本监测方法通过声学监测能够在轴承故障早期的时候及时发现，利于在故障影响未扩大前及时得到处理；克服了现有技术无法检测出轴承早期故障，只能在故障发生到一定程度后才检测出轴承故障，导致风电机组长期运行在亚健康状态下，影响到风电机组的性能和运行寿命的缺陷。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为实施例1的风力发电机组轴承声学监测装置示意图。
图2 为实施例1的风力发电机组轴承声学监测方法示意图。
图3为实施例1的风力发电机组轴承声学信号数据处理示意图，其中（3a）为轴承的时域信号图，（3b）为解卷积滤波后的时域信号图，（3c）为时域信号傅里叶变化得到互相关谱图。
图4为声学仿真结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本实施例提供一种风力发电机组轴承声学监测装置。声学监测装置整体功能包含轴承声学信号的采集和定位、数据存储传输、数据分析处理、诊断结果输出。
装置诊断监测对象为风力发电机组的多个轴承，包括：偏航轴承、变桨轴承、主轴轴承、变速箱轴承、发电机轴承。每台风力发电机组用偏航轴承1套、变桨轴承3套、发电机轴承3套、主轴轴承2套，共计9套。轴承在发电机组中属于核心零部件，特别是主轴轴承需要承担整个风力发电机的巨大震动冲击，其健康状态的实时监测直接影响到风力发电机组的平稳运行。考虑安装的合理性与可靠性，监测装置的布置安装不触碰风电机组机舱内的固有设备。
装置包括设备启动触发模块101、声学定位模块102、声学信号采集模块103、数据存储传输模块104、声学系统监测平台模块105，所述声学系统监测平台模块105包括服务器、声学信号分析处理模块106、状态监测及故障诊断模块107。
设备启动触发模块101，通过监测风电机组启动叶片转动情况，触发声学定位模块102、声学信号采集模块103开始工作。
声学定位模块102采集风电机组不同轴承不同测点位置信息，并将位置信息传输至数据存储传输模块104，定位模块可采用磁钢、射频识别技术、工业相机等方式进行定位，定位装置安装在风力发电机组固有设备旁边，不与其接触。
数据存储传输模块104包括信号存储机箱、信号存储卡及信号传输总线，数据传输采用TCP/IP协议，数据通过无线网络传输至数据服务器，传输速度不小于144 Mbps。
声学信号采集模块103包括高精度声学传感器、传感器连接线、传感器安装固定保护装置及数据采集机箱等。作为较佳的实施方式，声学传感器的类型为心形指向，声学传感器的安装方式为点平面阵列方式，安装高度接近风电机组主轴轴心高度，满足不同海拔高度及温度应用场景。声学信号数据采集后自动存储至数据存储传输模块104，数据存储格式为标准数字音频文件格式wav格式，单次采集原始未压缩数据大小不超过3 MB。
声学信号分析处理模块106，分析采集的声学信号，对声学信号进行降噪处理以提高该模块的鲁棒性，过滤掉不相关信息，提取信号特征频率，实现故障定位，自动记录测点的基础信息，记录不同时刻不同转速下的时域特征指标以进行趋势分析，状态监测及故障诊断模块107，根据部件尺寸参数计算理论特征频率，设定分级阈值根据不同的阈值进行不同程度的故障预警，自动判定诊断结果实现故障定位与故障程度辨识。
作为一种具体实施方式，针对声学监测设备安全和使用可靠性，将声学监测装置安置在风电机组机舱内部，解决因天气影响和使用标准等问题的限制，实现信号的稳定、精准、高可靠性采集。
本实施例提供一种风力发电机组轴承声学监测方法，监测方法步骤如下：
S0.构建上述风力发电机组轴承声学监测装置。
S1.获取风力发电机组的监测数据：风力发电机组声学监测装置采集的监测数据包括风电机组转速、机舱加速度、轴承位置信息、声学信号数据。
本实施例中声学信号采样频率大于44100Hz，数据样本采样时长大于0.5s，实现准确地采样和重构信号。所有采集的数据经数据传输模块104传输到声学系统监测平台模块105。
S2.如图3所示，对监测数据进行分析及信号特征提取，包括进行以下处理：在风电机组转速处于稳定状态下，将原始轴承声学数据通过解卷积滤波器，过滤掉风噪声及风电机组叶片的扫风声，提高数据的脉冲冲击成分，对解卷积滤波后的时域信号进行去均值处理，并计算希尔伯特包络时域数据和能量算子时域数据的互相关数列；选择互相关数列的后半段区间的数据，进行傅里叶变换，得到互相关谱。具体过程如下所述。
S21.声学信号的解卷积滤波过程涉及将混合信号通过逆滤波器以消除系统或通道的影响，使得输出信号更接近原始信号。以下是解卷积滤波过程：
S211.系统模型：假设混合信号是由输入信号/>通过系统的脉冲响应函数形成的，加上噪声/>：
其中，表示卷积操作。在频域中，上述表达式可以表示为：
其中，是混合信号的频谱，/>是输入信号的频谱，/>是系统脉冲响应的频谱，/>是噪声的频谱。
S212.逆滤波器估计：逆滤波器的估计可以通过以下公式得到：
逆滤波器的目的是在频域上消除系统对信号的影响。
S213.解卷积滤波：将估计得到的逆滤波器应用于混合信号/>，通过傅里叶变换的反操作，即解卷积，在时域中得到估计的原始信号/>：
在频域中，可以表示为，其中/>是估计的原始信号的频谱，是混合信号的频谱，/>是逆滤波器的频谱。
S22.去均值处理：对解卷积滤波后的时域信号进行平均值的计算，通过减去计算得到的平均值，将信号中的直流分量去除。
S23.计算希尔伯特包络时域数据和能量算子时域数据的互相关数列：对于一个时域信号，其希尔伯特包络/>可以通过计算原始信号的解析信号/>的模得到。其能量算子/>可以通过信号的瞬时能量/>计算得到，瞬时能量/>可以定义为信号在一小时间窗口内的平方和。互相关数列/>可以表示为/>。
S24.进行傅里叶变化得到互相关谱：选择互相关数列的后半段区间的数据，进行傅里叶变换，得到互相关谱，DFT（离散傅里叶变换）是傅里叶变换在离散序列上的应用。
S3.根据声学传感器的安装情况及各轴承故障位置及故障程度等因素，步骤S2得到的互相关谱中含有部分不敏感信息，采用主元成分分析法提取数据中主要的特征信息，进行数据降维。
S4.根据特征谱线频率确定故障发生的部位，根据声学信号数据中的特征信息确定故障类型与故障程度。
根据风力发电机组各轴承关键部件尺寸参数，计算不同部件的理论特征频率，确定分级阈值并根据不同的阈值进行不同程度的故障区分，设置多种轴承零部件故障类型，完成多种工况下声学数据的采集，根据数据处理算法提取声学数据中的特征信息，确定故障类型与故障程度。如图4所示，在计算理论特征频率过程中，根据轴承的声音产生特点，采用点源辐射的简化模型模拟声音在各个接触点的产生情况，可将运转的轴承声源简化为脉动球声源与点声源，考虑声音在空间的辐射关系，计算出空间测点的声压，得到轴承声场的变化情况。分别分析单个、多个滚子在内圈施加周期激励、外圈固定情况下的声压变化，在此基础上采用正常信号与高斯噪声叠加的方法，模拟在噪声环境下的轴承声音信号。根据声学信号数据中的特征信息，确定故障类型与故障程度。通过声音分析处理模块对声音信号 “静态采集，动态播放”，而后从所得信号中分离出各部件信号，提取其有效特征，完成故障辨别。
根据采集信号对应的声波频率判断故障声源，结合声学定位模块事先测得的轴承测点位置信号，定位故障轴承测点。故障轴承测点为偏航轴承测点、变桨轴承测点、主轴轴承测点、变速箱轴承测点、发电机轴承测点的一种或多种。
将降维后的互相关谱中出现的特征谱线的频率和轴承故障特征频率进行比对，确定轴承故障发生的部位，如故障在轴承的内圈、外圈、外环外滚道还是内环内滚道等。
如表1所示，声学数据频域分析特征指标为所有类别的轴承的内圈故障频率、外圈故障频率、外环外滚道故障频率、内环内滚道故障频率、滚动体故障频率、外圈故障频率、保持架内环故障频率、保持架内环故障频率。
表1 风电机组轴承故障发生表
| 轴承类别 | 故障位置 | 故障类型 |
| 齿轮箱轴承、发电机轴承、低速轴承、主轴轴承 | 轴承内圈、轴承外圈、轴承外环外滚道、轴承内环内滚道、轴承滚动体、轴承保持架内环、轴承保持架外环 | 剥离、断裂、点蚀、锈蚀、润滑不良 |
S5.监测装置发现轴承故障，自动通过弹窗、警铃、邮件短信推送等方式进行报警强制提醒。
显然，上述实施例仅仅是为清楚地说明本发明的技术方案所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护之内。
Claims (7)
1.一种风力发电机组轴承声学监测方法，其特征在于，所述方法包括步骤：
S0.构建风力发电机组轴承声学监测装置；所述装置包括：声学定位模块，采集风电机组不同轴承测点的位置信息；声学信号采集模块，采集风电机组轴承声学信号数据；设备启动触发模块，通过监测风电机组启动叶片转动情况，触发声学定位模块、声学信号采集模块开始工作；数据存储传输模块，存储位置信息、声学信号数据，并传送至声学信号分析处理模块；声学信号分析处理模块，分析采集的声学信号，过滤掉不相关信息，提取信号特征频率，实现故障定位；记录测点的基础信息以及不同时刻不同转速下的时域特征指标，进行声学信号的趋势分析；状态监测及故障诊断模块，根据部件尺寸参数计算理论特征频率，设定分级阈值并根据不同的阈值进行不同程度的故障预警，判定诊断结果；
S1.获取风力发电机组的监测数据，所述监测数据包括风电机组转速、机舱加速度、轴承位置信息、声学信号数据；
S2.对监测数据进行分析及信号特征提取，包括进行以下处理：
在风电机组转速处于稳定状态下，将原始轴承声学信号数据通过解卷积滤波器，过滤掉风噪声及风电机组叶片的扫风声，提高数据的脉冲冲击成分；
对解卷积滤波后的时域信号进行去均值处理；
计算希尔伯特包络时域数据和能量算子时域数据的互相关数列；
选择互相关数列的后半段区间的数据，进行傅里叶变换，得到互相关谱；
所述步骤S2具体包括：
S21.在风电机组转速处于稳定状态下，将原始轴承声学信号数据通过解卷积滤波器，过滤掉风噪声及风电机组叶片的扫风声，提高数据的脉冲冲击成分；
S211.系统模型：假设混合信号是由输入信号/>通过系统的脉冲响应函数 />形成的，加上噪声/>：
其中，表示卷积操作；在频域中，上述表达式表示为：
其中，是混合信号的频谱，/>是输入信号的频谱，/>是系统脉冲响应的频谱，是噪声的频谱；
S212.逆滤波器估计：逆滤波器通过以下公式得到：
逆滤波器的目的是在频域上消除系统对信号的影响；
S213.解卷积滤波：将估计得到的逆滤波器应用于混合信号/>，通过傅里叶变换的反操作，即解卷积，在时域中得到估计的原始信号/>：
在频域中，表示为 ，其中/>是估计的原始信号的频谱，/>是混合信号的频谱，/>是逆滤波器的频谱；
S22.去均值处理：对解卷积滤波后的时域信号进行平均值的计算，通过减去计算得到的平均值，将信号中的直流分量去除；
S23.计算希尔伯特包络时域数据和能量算子时域数据的互相关数列：对于一个时域信号，其希尔伯特包络/>通过计算原始信号的解析信号/>的模得到；其能量算子通过信号的瞬时能量/>计算得到，瞬时能量/>定义为信号在一小时间窗口内的平方和；互相关数列/>表示为/>；
S24.进行傅里叶变化得到互相关谱：选择互相关数列的后半段区间的数据，进行傅里叶变换，得到互相关谱；
S3.提取步骤S2中互相关谱数据中的特征信息，进行数据降维；
S4.根据风力发电机组各轴承关键部件尺寸参数，计算不同部件的理论特征频率，确定故障分级阈值，区分不同程度的故障；
根据采集信号对应的声波频率判断故障声源，结合声学定位模块事先测得的轴承测点位置信号，定位故障轴承测点；所述故障轴承测点为偏航轴承测点、变桨轴承测点、主轴轴承测点、变速箱轴承测点、发电机轴承测点的一种或多种；
将降维后的互相关谱中出现的特征谱线频率和轴承故障特征频率进行比对，确定轴承故障发生的部位；其中，轴承故障特征频率包括所有类别的轴承的内圈故障频率、外圈故障频率、外环外滚道故障频率、内环内滚道故障频率、滚动体故障频率、外圈故障频率、保持架内环故障频率、保持架内环故障频率；根据声学信号数据中的特征信息确定故障类型与故障程度；
所述步骤S4中，在计算理论特征频率过程中，根据轴承的声音产生特点，采用点源辐射的简化模型模拟声音在各个接触点的产生情况，将运转的轴承声源简化为脉动球声源与点声源，考虑声音在空间的辐射关系，计算出空间测点的声压，得到轴承声场的变化情况；分别分析单个、多个滚子在内圈施加周期激励、外圈固定情况下的声压变化，在此基础上采用正常信号与高斯噪声叠加的方法，模拟在噪声环境下的轴承声音信号。
2.根据权利要求1所述的风力发电机组轴承声学监测方法，其特征在于，所述声学信号采样频率大于44100Hz，数据样本采样时长大于0.5s。
3.根据权利要求1所述的风力发电机组轴承声学监测方法，其特征在于，所述步骤S3中，采用主元成分分析法提取数据中主要的特征信息。
4.根据权利要求1所述的风力发电机组轴承声学监测方法，其特征在于，所述方法还包括步骤：判断轴承故障后，通过弹窗、警铃、邮件短信推送的一种或多种方式进行报警强制提醒。
5.根据权利要求1所述的风力发电机组轴承声学监测方法，其特征在于，所述声学定位模块采用磁钢、射频识别技术、工业相机的一种或多种方式进行定位。
6.根据权利要求1所述的风力发电机组轴承声学监测方法，其特征在于，所述声学定位模块安装在风力发电机组轴承的固有设备旁边，不与其接触。
7.根据权利要求1至6任一项所述的风力发电机组轴承声学监测方法，其特征在于，所述声学信号采集模块包括类型为心形指向的声学传感器，声学传感器的安装方式为点平面阵列方式，安装高度接近风电机组主轴轴心高度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410139624.5A CN117723303B (zh) | 2024-02-01 | 2024-02-01 | 一种风力发电机组轴承声学监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410139624.5A CN117723303B (zh) | 2024-02-01 | 2024-02-01 | 一种风力发电机组轴承声学监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117723303A CN117723303A (zh) | 2024-03-19 |
| CN117723303B true CN117723303B (zh) | 2024-05-10 |
Family
ID=90201901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410139624.5A Active CN117723303B (zh) | 2024-02-01 | 2024-02-01 | 一种风力发电机组轴承声学监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117723303B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
| CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
| CN109653962A (zh) * | 2018-12-21 | 2019-04-19 | 鲁能新能源(集团)有限公司 | 一种风电机组在线监测系统和监测方法 |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| KR102068446B1 (ko) * | 2019-09-30 | 2020-01-20 | (주)에스엠인스트루먼트 | 자가 학습형 풍력발전시스템 상태 감시 고장 진단 방법 |
| AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
| CN112362348A (zh) * | 2020-10-27 | 2021-02-12 | 华北电力大学（保定） | 一种带式输送机托辊轴承故障声学监测方法 |
| DE102021210349A1 (de) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Verfahren und System zum Durchführen einer Fehlerdiagnose durch Lagergeräuschdetektion |
| CN115628906A (zh) * | 2022-10-08 | 2023-01-20 | 北京理工大学 | 基于ga-vmd与自适应随机共振的轴承故障诊断方法 |
| CN116150585A (zh) * | 2023-01-30 | 2023-05-23 | 西南交通大学 | 基于乘积包络谱的旋转机械故障诊断方法 |
-
2024
- 2024-02-01 CN CN202410139624.5A patent/CN117723303B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
| CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
| CN109653962A (zh) * | 2018-12-21 | 2019-04-19 | 鲁能新能源(集团)有限公司 | 一种风电机组在线监测系统和监测方法 |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| KR102068446B1 (ko) * | 2019-09-30 | 2020-01-20 | (주)에스엠인스트루먼트 | 자가 학습형 풍력발전시스템 상태 감시 고장 진단 방법 |
| DE102021210349A1 (de) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Verfahren und System zum Durchführen einer Fehlerdiagnose durch Lagergeräuschdetektion |
| CN112362348A (zh) * | 2020-10-27 | 2021-02-12 | 华北电力大学（保定） | 一种带式输送机托辊轴承故障声学监测方法 |
| AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
| CN115628906A (zh) * | 2022-10-08 | 2023-01-20 | 北京理工大学 | 基于ga-vmd与自适应随机共振的轴承故障诊断方法 |
| CN116150585A (zh) * | 2023-01-30 | 2023-05-23 | 西南交通大学 | 基于乘积包络谱的旋转机械故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| Incipient bearing fault detection via wind generator stator current and wavelet filter;Gong, Xiang and Qiao, Wei and Zhou, Wei;IECON 2010 - 36th Annual Conference on IEEE Industrial Electronics Society;20101223;2615-2620 * |
| 刘昌杰 ; 段斌 ; 张潇丹.基于BPNN-NCT的风电机组主轴承异常辨识方法.[1]刘昌杰,段斌,张潇丹.基于BPNN-NCT的风电机组主轴承异常辨识方法[J].电力系统保护与控制,2022,50(14):114-122.DOI:10.19783/j.cnki.pspc.211178..2022,第50卷(第14期),114-122. * |
| 基于振动分析的风力发电机故障诊断方法;孔德同;贾思远;王天品;刘庆超;;发电与空调;20170215(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117723303A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Role of signal processing, modeling and decision making in the diagnosis of rolling element bearing defect: a review | |
| He et al. | Health monitoring of cooling fan bearings based on wavelet filter | |
| JP7199608B2 (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
| Shanbr et al. | Detection of natural crack in wind turbine gearbox | |
| CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
| MX2014014577A (es) | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. | |
| CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
| Elforjani et al. | Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator | |
| Meng et al. | Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum | |
| CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
| Singh et al. | A review of vibration analysis techniques for rotating machines | |
| CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
| CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
| CN107702919A (zh) | 基于声发射的滑动轴承润滑状态监测方法 | |
| CN117723303B (zh) | 一种风力发电机组轴承声学监测方法 | |
| WO2022147684A1 (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
| CN111173687B (zh) | 一种风电风机叶片裂纹损伤在线监测装置及方法 | |
| CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
| Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
| CN112945531A (zh) | 风机叶片的裂纹检测方法、装置、设备及计算机存储介质 | |
| CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
| Madhukar et al. | A Machine Learning Based Methodology for Fault Diagnosis in Rotating Machine | |
| CN116499742A (zh) | 一种基于集成学习的旋转机械故障监测方法 | |
| Djemili et al. | A Wind Turbine Bearing Fault Detection Method Based on Improved CEEMDAN and AR-MEDA | |
| CN112036270B (zh) | 一种滚动轴承早期损伤状态的振动监测方法 |
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 |