基于谱峭度的风电机组轴承故障诊断 技术及应用

《基于谱峭度的风电机组轴承故障诊断 技术及应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

2020基于谱峭度的风电机组轴承故障诊断技术及应用潘巧波，曹力华电电力科学研究院有限公司，浙江杭州310030FaultDiagnosisTechnologyandApplicationofWindTurbineBearingBasedonSpectralKurtosisPanQiaoboCaoLiHuadianElectricPowerResearchInstituteCo.,Ltd.,Hangzhou310030.摘要：谱峭度本质是谱线峭度值的高阶统计量，能有效在复杂的背景噪声中识别冲击成分及其在频带中的分布。针对风电机组的发电机振动信号，自适应选择最佳带通滤波频带，进而确定暂态成分的位置。现场案例的研究，验证了谱峭度分析在风电机组轴承故障诊断及故障位置确定中的有效性和准确性。关键词：谱峭度；冲击成分；风力发电；带通滤波；故障诊断ABSTRACT:Spectralkurtosisisessentiallyahigh-orderstatisticofspectralkurtosis,whichcaneffectivelyidentifytheimpactcomponentsandtheirdistributioninthefrequencybandinthecomplexbackgroundnoise.Accordingtothegeneratorvibrationsignalofwindturbine,theoptimalbandpassfilterfrequencybandisselectedadaptively,andthenthepositionoftransientcomponentisdetermined.Fieldcasestudyverifiestheeffectivenessandaccuracyofspectralkurtosisanalysisinfaultdiagnosisandfaultlocationdeterminationofwindturbinebearings.KEYWORD:spectralkurtosis；impactcomponent；windpower；band-passfilter；faultdiagnosis0引言出软阈值方法中小波系数存在偏差以及硬阈值方法存在的不连续缺陷。文献[6]、文献[7]提出了一轴承在工作中需要承受风轮产生的巨大推种小波阈值除噪方法。Huang提出了一种经验模力，承担着减小旋转摩擦及确保回转精度的作用，式分解（Empiricalmodedecomposition，EMD）是主传动链中的关键部件，在不规则或重载的循方法，能将信号分离为本征模式分量，进而提取环应力的恶劣工况下，容易发生点蚀、磨损、变关键特征[8]。Smith研究并提出了一种局部均值形等故障，严重时会影响整机的安全可靠工作。分解（Localmeandecomposition，LMD）方法，另外，发电机是风电机组的重要大部件，轴承的该方法分解精度高[9]。文献[10]论述了盲源分离，健康状态直接关系到发电机的运行性能，因而很该预处理方法能排除对先验知识的依赖，在分离有必要对轴承故障诊断技术进行探索并予以工程[1-3]多类型故障耦合的信号方面有着良好表现。运用。谱峭度（SpectralKurtosis，SK）诊断的本质现行的主流诊断技术主要通过振动信号分析是将SK方法里计算的最大峭度值作为状态监测实现，比如频谱分析、包络谱分析等。由于轴承的关键指标，根据最大峭度值所在SK曲线确定复杂的工况导致信号干扰成分过多，故障特征往滤波器的中心频率及带宽，将信号滤波后进行分往淹没于背景噪声中，这时需要通过降噪处理或[11-12]析。因而笔者采用此方法对生产实际中风电增强特征进行识别。长期以来大量科研人员针对机组振动信号进行处理分析，以得出相关诊断结轴承振动故障诊断开展了相关研究，对不同信号果。分析方法都进行了一定程度的改进。文献[4]、文献[5]研究了小波分析中的不同阈值确定方法，指1基于SK的轴承故障诊断方法-1-

12020[13]谱峭度在1983年由Dwyer首次提出，它是信噪比高的频带有KZ(f)≈KX(f)。峭度指标的改善，通过计算所有谱线上信号的非以此体现了谱峭度方法在信号预处理中良好平稳性来确定非平稳特征所在的位置，这样能很的滤波效果，即某处信噪比高，就表示实测振动好的消除噪声背景的影响。设信号X(t,f)为信号x(t)信号的谱峭度和故障信号的谱峭度大致相同，从的短时傅里叶变换，其阶谱矩为：而确定最佳滤波频带。nSX(t,f)(1)2风机发电机轴承故障分析nX选取的研究对象为中国华电集团内蒙古区域式中，〈·〉表示时间平均算子，t和f分别为时所属某风场机组。由于振动厂家监测报告无法确间和频率。定23#机组和173#机组故障部位，笔者对两台机组进一步地，将谱峭度定义为能量归一化的四进行着重分析。23#机组和173#机组型号为华锐阶谱矩，可得：SL1500/82，双馈机型，叶轮直径为82m。S(f)K(f)4X2(2)2.123#机组故障分析X2S(f)2X系统采集的23#风电机组发电机驱动端原始振动信号如图1所示，采样频率为5120Hz。式中，S4X(f)为信号x(t)的四阶谱累积量；S2X(f)为信号x(t)的二阶谱累积量。谱峭度反映了信号偏离高斯过程的情况，谱峭度越大，说明偏离高斯越大。平稳高斯背景噪声信号占主要频率段的谱峭度很小，而暂态冲击信号占主要频率段的谱峭度相对较大。这也是通过谱峭度检验实现暂态冲击故障信号识别的原理。假定实测振动信号为z(t)，它由故障信号图123#风机发电机驱动端原始振动信号及噪声信号n(t)组成。Fig.1Originalvibrationsignalof23#unitwindturbinez(t)y(t)n(t)(3)generatoratdriveend从原始信号图中无法识别发电机轴承的有关当滚动轴承发生局部故障时会发生冲击，整故障频率特征。对信号进行谱峭度分析后得到三个系统发生共振，故障信号y(t)的一般模型可表示维谱峭度图如图2所示。为：01峭度图表示选取不同的窗口长度Nw=2，2，y(t)kAkh(tk)(4)22计算得到的峭度分布。由图2可知当f=1920，c式中，h(t)为单个脉冲的脉冲响应；Ak和τk分别代Nw=2.6时取得最大峭度值k=4.77。根据此参数设计滤波器对原始信号进行滤波处理，得到相关结表第k个脉冲的幅值和出现时间。果如图3所示。实测振动信号z(t)的谱峭度为：K(f)XK(f)(5)Z21(f)S(f)2n(f)(6)S(f)2y式中，ρ(f)为信噪比倒数，用噪声n(t)的二阶谱矩S2n(f)与故障信号y(t)的二阶谱矩S2y(f)比表示；在-2-

22020系统采集的173#风电机组发电机驱动端原始振动信号如图4所示，采样频率为5120Hz。图223#机组振动信号谱峭度图Fig.2Spectralkurtosisof23#unitvibrationsignal图4173#风机发电机驱动端原始振动信号Fig.4Originalvibrationsignalof173#unitwindturbinegeneratoratdriveend原始波形中除了能看见少量毛刺成分以外不能看出其他明显故障特征。进行峭度分析并绘制分析图如图5所示。图323#机组振动信号频谱图、包络图、滤波信号、滤波信号包络图Fig.3Frequencyspectrum、envlope、filteredsignalanditsenvelopeof23#unit对比原始信号，滤波后的信号可以看到明显特征：滤波后时域波形中冲击间隔约为0.13s，滤波后的包络谱中明显存在以73.75Hz为基频的谱图5173#机组振动信号谱峭度图线，刚好对应发电机轴承外圈特征频率，表明冲Fig.5Spectralkurtosisof173#unitvibrationsignal击可能由发电机轴承外圈损伤引起。振动厂家监由图5可知当fc=1440，Nw=3时取得最大峭度测报告如表1，表明23#风机发电机轴承出现早期值k=3.29。根据上述数据设计滤波器对原始信号磨损。可看出传统信号分析一定程度也能诊断某进行处理，结果如图6所示。些轴承类故障，但是无法定位故障发生的位置。对比原始信号，滤波后的信号可以看到明显表1风电机组振动在线监测分析报告（23#机组部分）特征：滤波后时域波形中冲击间隔约为0.04s，滤Tab.1Onlinevibrationmonitoringandanalysisreportof波后的包络谱中明显存在以28Hz为基频的谱线，windturbine转频3.x与4.x倍处存在高幅值谱线及其倍频，刚好序编对应发电机轴承滚动体特征频率，表明发电机轴异常部件诊断结论运行建议检修建议号号承滚动体可能发生磨损。而上述特征在原始信号轴承出现检查轴承的包络谱中并不明显。振动厂家监测报告如表2，423#发电机无早期磨损润滑系统表明173#风机发电机轴承可能出现早期磨损但并2.2173#机组故障分析未具体定位故障位置。说明谱峭度方法相比传统-3-

32020分析方法更准确，不易受复杂背景噪声的影响。机组故障诊断工作中具有一定的推广意义。表2风电机组振动在线监测分析报告（173#机组部分）参考文献[1]陈果，李爱．航空器检测与诊断技术导论[M]．北京：航空工业出版社，2012.ChenGuo，LIAi．Introductiontoaircraftdetectionanddiagnosistechnology[M]．Beijing：AviationIndustrialPublishing，2012.[2]杜胜磊，高庆水，潘巧波，等．风电机组在线智能故障诊断技术发展趋势[J]．黑龙江电力，2017，39(2)：173-177.DuShenglei，GaoQingshui，PanQiaobo，etal．Developmenttrendofon-lineintelligentfaultdiagnosisofwindturbines[J]．HeilongjiangElectricPower，2017，39(2)：173-177.[3]黄志东．基于谱峭度的滚动轴承故障诊断方法研究[D]．广州：华南理工大学，2013.HuangZhidong．Researchonfaultdiagnosisforrollingelementbearingbasedonspectralkurtosis[D]．Guangzhou：SouthChina图6173#机组振动信号频谱图、包络图、滤波信号、滤波UniversityofTechnology，2013.信号包络图[4]DonohoDL，JohnstoneIM．Idealspatialadaptationbywaveletshrinkage[J]．Biometrika，1994，81(12)：425-455.Fig.6Frequencyspectrum、envlope、filteredsignalandits[5]DonohoDL．De-noisingbysoft-thresholding[J]．IEEEenvelopeof173#unitTransacionsonInformationTheory，1995，41(3)：613-627.对比原始信号，滤波后的信号可以看到明显[6]张维强，宋国乡．基于一种新的阈值函数的小波域信号去噪[J]．西安电子科技大学学报，2004，31(2)：296-299.特征：滤波后时域波形中冲击间隔约为0.04s，滤ZhangWeiqiang，SongGuoxiang．Signalde-noisinginwavelet波后的包络谱中明显存在以28Hz为基频的谱线，domainbasedonanewkindofthresholdingfunction[J]．Journalof转频3.x与4.x倍处存在高幅值谱线及其倍频，刚好XIDIANUniversity，2004，31(2)：296-299.[7]赵瑞珍，宋国乡，王红．小波系数阈值估计的改进模型[J]．西对应发电机轴承滚动体特征频率，表明发电机轴北工业大学学报，2001，19(4)：625-628.承滚动体可能发生磨损。而上述特征在原始信号ZhaoRuizhen，SONGGuoxiang，WANGHong．Betterthreshold的包络谱中并不明显。振动厂家监测报告如表2，estimationofwaveletcoefficientsforImprovingdenoising[J]．JournalofNorthwesternPolytechnicalUniversity，表明173#风机发电机轴承可能出现早期磨损但并2001，19(4)：625-628.未具体定位故障位置。说明谱峭度方法相比传统[8]HuangNE，ShenZ，LongSR.Anewviewofnonlinearwater分析方法更准确，不易受复杂背景噪声的影响。waves:theHilbertspectrum[J]．AnnualReviewofFluidMechanics，1999，31(5)：417-457.表2风电机组振动在线监测分析报告（173#机组部分）[9]Smith，JonathanS．ThelocalmeandecompositionanditsTab.2OnlinevibrationmonitoringandanalysisreportofapplicationtoEEGperceptiondata[J]．JournalofTheRoyalSocietywindturbineInterface，2005，2(5)：443-454.[10]AntoniJ．Blindseparationofvibrationcomponents：Principlesand序编demonstrations[J]．MechanicalSystemsandSignalProcessing，异常部件诊断结论运行建议检修建议号号2005，19(6)：1166-1180.[11]AntoniJ.Thespectralkurtosis：ausefultoolforcharacterising173轴承出现检查轴承29发电机无non-stationarysignals[J]．MechanicalSystemsandSignal#早期磨损工作情况Processing，2006，20(2)：282-307.[12]AntoniJ，RandallRB．Thespectralkurtosis：applicationtothe3结束语vibratorysurveillanceanddiagnosticsofrotatingmachines[J]．MechanicalSystemsandSignalProcessing，2006，20(2)：在利用谱峭度对风机振动信号进行分析的过308-331.程中，确定合适滤波器的有关参数并对原始振动[13]DwyerR．Detectionofnon-gaussiansignalsbyfrequencydomain信号进行预处理，滤波后的信号表现出明显的故Kurtosisestimation[C]//ICASSP'83.IEEEInternationalConferenceonAcoustics，SpeechandSignalProcessing，April障特征。现场案例研究研究表明，在风机发电机14-16，1983，Boston，USA.轴承故障诊断中，使用谱峭度分析方法能准确、有效地找到故障原因和故障部位。该技术在风电-4-