基于FastICA的大型風力機主軸承故障診斷研究

(沈陽工業大學機械工程學院，遼寧沈陽 110870)

(沈陽工業大學機械工程學院，遼寧沈陽 110870)

文章提出了基于FastICA大型風力機主軸承故障診斷方法。根據大型風力機的運行特點，采用負熵最大化判據和牛頓迭代原理實現FastICA算法并將其應用于大型風力機主軸承的故障診斷中。診斷結果表明，該方法可有效地將大型風力機主軸承和軸流風機的振動信號進行分離，從而清晰地看出主軸承的振動特征頻率，實現對風力機主軸承的故障診斷。

大型風力機;主軸承;FastICA;故障診斷

0 前言

大型風力機由于其運行工況復雜、環境惡劣、保養周期長、維修成本高，要求風力機的機械系統具有較高的可靠性［1］。在大型風力機的各組成部件中，滾動軸承是最容易損壞的部件之一。與風力機的其它部件相比，滾動軸承有一個突出的特點，就是其壽命離散性大。即同樣的一批滾動軸承，有的大大超過設計壽命而依然完好無損地工作，而有的遠未達到設計壽命就出現故障。而風力機組關鍵部位的滾動軸承一旦出現故障，將會影響整個風力機組的運行，甚至造成嚴重的安全事故［2］。因此，及時有效地對大型風力機的滾動軸承進行狀態監測和故障診斷，對保證風力機健康安全地運行，提高風力機的運行壽命具有十分重要的意義。

盲源分離是在沒有先驗知識的前提下，基于統計獨立的思想從線性混合的觀測信號中分離出獨立的信號源［3-4］。該方法是信號處理領域的一個熱點問題，有著廣闊的應用空間。獨立分量分析(Independent Component Analysis，ICA)是近期迅速發展起來的一種非常有效的盲源分離技術。目前已提出了多種ICA算法，并且采用這些算法對原始信號進行提取已獲得了比較理想的研究結果［5］。FastICA是一種比較有效、實用的ICA擴展算法，與其他擴展的ICA算法相比，既具有比較快的收斂速度，也不要求非常復雜的矩陣運算［6］。本文擬采用FastICA算法對大型風力機主軸承故障信號進行特征提取，以達到對其實現狀態監測和故障診斷的目的。

1 獨立分量分析(ICA)

ICA問題可簡單描述為:假定從m個通道獲得m個觀測信號，每個觀測信號是由n個獨立的源信號線性混合而成，即

式中，x(t)=［x1(t)，x2(t)，…，xm(t)］T為m維觀測信號，s(t)=［s1(t)，s2(t)，…，sn(t)］T為n維源信號，n(t)=［n1(t)，n2(t)，…，nm(t)］T為m維噪聲干擾信號，且m≥n，A為混合矩陣。ICA在混合矩陣A和源信號未知的情況下，只根據觀測數據向量x(t)確定線性變換分離矩陣W，使得變換后的輸出y(t)是源信號s(t)的拷貝或估計，即

式中，y(t)=［y1(t)，y2(t)，…，ym(t)］T表示分離后的輸出。如果yi(t)之間盡可能保持獨立，那么y(t)就近似認為是s(t)的估計。

2 快速獨立分量分析(FastICA)

FastICA是一種基于牛頓固定點迭代原理以及負熵最大化準則的分離算法，通過重復地迭代來尋找分離矩陣W的非高斯性最大值。

在FastICA中，首先要對分離的信號進行預處理，主要包括中心化和白化處理兩個過程。

中心化就是使每個混合變量與原始的獨立成分都分別具有0均值，其實現過程為

預白化是尋找白化矩陣D，使得變換后的輸出z=xD不相關，即

根據中心極限定理，如果一個隨機量是許多相互獨立的隨機量之和，只要各獨立的隨機量具有有限的均值和方差，無論各獨立隨機量為何種分布，混合后的隨機變量將接近高斯分布。因此，如果觀測信號是源信號的線性混疊，那么源信號的非高斯性比觀測信號的非高斯性更強。根據這個原理，可以通過對分離信號的非高斯性判斷來確定其相互獨立性。當分離信號的非高斯性最大時，可以認為達到了分離。衡量信號非高斯性的標準有很多，其中以負熵最為常見。隨機變量y的負熵定義為

式中，yi是一個與y具有相同方差的高斯隨機變量。因為具有相同方差的隨機變量中，高斯隨機變量的熵最大，隨機變量y的非高斯性越強，越偏離高斯分布，它的熵H(y)越小，所以它的負熵N(y)越大。因此，當負熵極大時，非高斯性最強，各分離信號之間達到最大獨立。

負熵的計算比較復雜，難以直接應用，通常采用的逼近方程為

式中，G(·)為一非線性函數。

FastICA算法的最終目的就是計算W，使得Ng(y)取得最大值，也就是滿足

其中，對G(x)進行求導得到g(x)。再通過牛頓迭代定理得

如果結果不收斂，則重復進行計算過程，直到最后收斂為止。該算法是假設只提取一個獨立分量，如果要分離提取多個獨立分量，可重復進行上述計算過程，但每分離提取一個獨立分量后，必須從混疊信號中去掉這個獨立分量，也就是對混疊信號進行縮減，如此不斷重復進行提取和縮減，直到混疊信號中所含有的獨立分量被全部提取分離出來為止。

3 基于FastICA的大型風力機故障診斷研究

黑龍江佳木斯太陽山風場某1.5 MW風機于2012年投入運行，2013年8月發現該風電機組有明顯的不正常振動，現場發現，引起該振動的來源是給發電機冷卻用的軸流風機運行時發出的，因此于2013年9月對該風電機組的軸流風機兩側的振動信號進行了數據采集，兩采集到信號的時域波形和頻譜分別如圖1和圖2所示。

從圖1和圖2可以看出，兩傳感器采集到的信號出現頻率混疊現象，無法判斷風力機的真正故障。采用FastICA算法對信號進行分離，分離結果分別如圖3和圖4所示。

從圖3和圖4的分離結果可以看出，圖3中出現風力機軸承故障頻率64 Hz及其倍頻成分，說明圖3為分離出的風力機主軸承故障頻率。與風力機主軸承的故障特征頻率相比較可知，風力機主軸承外環出現故障。而圖4為80 Hz的恒定特征頻率，由此可以判斷圖4為風力機軸流風機的振動信號。停機維護時發現風力機主軸承外環確實存在故障，從而證明了診斷結果的正確性。

4 結論

針對大型風力機滾動軸承的振動特性，采用FastICA算法對黑龍江某風場風力機的實測數據進行分離。結果表明，該方法可有效分離大型風力機主軸承和軸流風機的振動信號，實現對主軸承的故障診斷。

［1］Amirat Y，Benbouzid M，Ahmer E，et al.A Brief Status on Condition Monitoring and Fault Diagnosis in Wind Energy Conversion Systems［J］.Renewable and Sustainable Energy Reviews，2009，13(9):2629 -2636.

［2］蔣東翔，洪良友，黃乾，等.風力機狀態監測與故障診斷技術研究［J］.電網與清潔能源，2008，24 (3):40-44.

［3］Gelle G，Cloas M，Serviere C.Blind source separation:a new pre-processing tool for rotating machines monitoring［J］.IEEE.Transactions on Instrumentation and Measurement，2003，52:790-795.

［4］Serviere C，Fabry P.Blind source separation of noisy harmonic signals for rotating machine diagnosis［J］.Journal of Sound and Vibration，2004，272:317 -339.

［5］季策，于洋，于鵬.改進的獨立分量分析算法［J］.東北大學學報:自然科學版，2010，31(8): 1086-1088.

［6］姚俊良，楊小牛，李建東，等.一種消除誤差累積的多級快速獨立分量分析算法［J］.電子與信息學報，2009，31(11): 2643-2648.

基于FastICA的大型風力機主軸承故障診斷研究

周昊，陳長征，劉歡，孫鮮明

Fault diagnosis research on large wind turbine main bearing based on FastICA

ZHOU Hao，CHEN Chang-zheng，LIU Huan，SUN Xian-ming
(School of Mechanical Engineering，Shenyang University of technology;Shenyang 110870，China)

In this paper，a model for fault diagnosis of large wind turbine main bearing based on FastICA is presented.According to the operating characteristics of large wind turbine，FastICA is achieved by negentropy maximization criterion and Newton iteration theory，which is applied in fault diagnosis of large wind turbine main bearing.Diagnosis results show that，this method can separate vibration signals collected from large wind turbine main bearing and axial flow blower effectively.Characteristics vibration frequency can be seen clearly from the separated signal，which can achieve fault diagnosis of large wind turbine main bearing.

large wind turbine;main bearing;FastICA;fault diagnosis

TH39

A

1001-196X(2014)05-0037-04

2014-05-16;

2014-07-10

周昊(1985-)男，博士研究生，主要研究方向為故障診斷，盲信號處理。