基于階次分析的風機增速箱故障診斷

陳長征,王海童,孫自強

(沈陽工業(yè)大學 機械工程學院,遼寧 沈陽 110178)

·故障診斷·

基于階次分析的風機增速箱故障診斷

陳長征,王海童,孫自強

(沈陽工業(yè)大學 機械工程學院,遼寧 沈陽 110178)

風力發(fā)電機組工作環(huán)境惡劣，振動信號往往具有非平穩(wěn)的特性。為了提取故障信息的特征頻率，提出了基于重采樣的階次分析和小波閾值去噪相結合的診斷方法。該方法與經(jīng)典的計算階次跟蹤算法(COT)相比較，提高了重采樣精度，與傳統(tǒng)的FFT方法相比較，消除了因轉速不穩(wěn)定引起的“頻率模糊”現(xiàn)象。并通過風場實驗表明該方法有效，具有工程應有價值。

風力發(fā)電機；小波去噪；階次分析；重采樣

0 前言

齒輪箱作為風機最主要的結構之一，其發(fā)生故障的頻率最高，造成的停機時間也最長。同時由于受風機自身結構和風速時刻變化的雙重影響，所采集到風機齒輪箱的故障信號往往具有非平穩(wěn)的特性，而傳統(tǒng)的基于FFT的普通頻譜分析方法只能提取機械在轉速穩(wěn)定狀況下的特征頻率。若將此方法用于提取風機故障時的特征頻率，則將出現(xiàn)難以辨認的“頻率模糊”現(xiàn)象[1-6]。階次分析是以角域采樣的理論為基礎建立起來的，其重要的思想就是將振動信號從時域轉換到角域，因此階次分析的關鍵技術就是實現(xiàn)等角度采樣[7]。要實現(xiàn)對風機旋轉不穩(wěn)定狀態(tài)下的角域采樣，可利用階次跟蹤的方法，常用的階次跟蹤方法有兩種：一種是硬件階次跟蹤方法，一種是計算階次跟蹤方法[8]。硬件階次跟蹤不僅成本高而且在風機上安裝比較困難。計算階次跟蹤可利用數(shù)值插值的方法實現(xiàn)角域采樣，降低了成本。而基于等角度重采樣的階次分析是最常用的一種階次跟蹤方法但在實際工程中，由于受各種因素的影響，所采集到振動信號信息不可避免的會存在各種噪聲，從而會影響重采樣的精度，本文采用小波硬閾值去噪的方法對其重采樣后的角域信號進行去噪處理,再進行FFT變換得到階次譜，通過和經(jīng)典的階次跟蹤方法(COT)相比較，提高了其重采樣精度。

1 基于階次分析和小波閾值去噪處理非平穩(wěn)信號的原理

1.1 階次分析和經(jīng)典的計算階次跟蹤(COT)

(1)

式中，O為階次；F為振動信號的頻率；n為參考軸的轉速。

為了能得到等間隔角度的時間采樣點，假定在短時間內，轉軸的角加速度是保持不變的，轉過的角度和時間的關系可表示為

φ(t)=b0+b1t+b2t2

式中，t為時間點；并假設每2個脈沖之間的相位差為Δφ；b0～b2表示未知系數(shù)，則

由式(2)、式(3)可得

(4)

式中，Δφ為采樣角度；k為插值系數(shù)，其與采樣階次之間的關系為

(5)

根據(jù)式(4)求出的時間點，可得到等角度間信號序列，從而實現(xiàn)時域信號到角域信號的轉變，對重采樣后的信號進行FFT變換，得到信號的階次譜，并依據(jù)齒輪階次和頻率的關系，可以得出故障信號幅值與階次的函數(shù)關系[9]。

在定量選礦廢水中加入次氯酸鈣粉末、次氯酸鈉溶液、雙氧水、高錳酸鉀、氯酸鉀等氧化劑各水體的COD濃度變化情況見表2。

1.2 小波閾值去噪

小波閾值去噪算法是一種對小波系數(shù)進行非線性處理的方法，通過設置一個適當?shù)拈撝担_到濾除噪聲信號的目的。目前閾值的選取方式包括硬閾值法和軟閾值法兩種。其中硬閾值函數(shù)為

(6)

軟閾值函數(shù)

(7)

2 風機增速箱故障信號重采樣的實現(xiàn)及采樣率的設置

重采樣需要通過同步采集振動信號與參考軸的轉速信號的方式實現(xiàn)，并通過對鍵相信號的計算和插值，實現(xiàn)對振動信號的等角度采樣。計算鍵相脈沖到達時刻通常有兩種方法：一種是在上升沿設定一個觸發(fā)閾值;一種是在下降沿設定一個觸發(fā)閾值。在定好觸發(fā)閾值之后，至少選取靠近閾值的一點作為鍵相時標。其觸發(fā)閾值的取值范圍為

(8)

式中,fh為鍵相脈沖的高電平穩(wěn)態(tài)值；fi為鍵相脈沖的低電平穩(wěn)態(tài)值;fmax和fmin分別表示觸發(fā)閾值的最大值和最小值。在其范圍內選取一個觸發(fā)閾值f，并設靠近觸發(fā)閾值前后的兩點分別記為fj和fj+1,與之對應的時間標記為tj和tj+1,采樣的周期為T，則可利用兩點線性插值法計算鍵相脈沖觸發(fā)閾值處的時標ti為

(9)

由式(9)可得出觸發(fā)閾值處的時標，由此可求得每段脈沖間隔的平均轉速[11]

(10)

式中，k為每轉的脈沖數(shù)。

由于重采樣過程中角域信號受時域采樣頻率性質的影響以及采樣后仍然需要經(jīng)過FFT變換得到階次譜，為了避免階次混疊，在滿足奈奎斯特采樣定律的同時，角域采樣的階次應滿足：

σs≥2 omax

(11)

式中,omax表示需要分析的最大階次。即采樣的角度間隔為

(12)

在對角域進行采樣時，角域的采樣率隨轉速的變化而變化，設某一時域信號X(ω,t)的采樣率為fs,則依據(jù)采樣定律，可得抗混濾波器的最大頻率：

(13)

在角域可將此信號看作是隨時域ω變化的變采樣率采樣信號,即

(14)

由式(11)～(13)可得與角域對應的時域抗混濾波最大階次

(15)

(16)

綜上所述，在時域內若想保留信息，依據(jù)式(16)及采樣定理可得fs滿足：

(17)

在角域采樣時，若不進行抗混濾波，由式(10)、(15)可得

(18)

由式(17)、(18)可知重采樣率是由時域采樣頻率和最小轉速共同決定的，所以為了避免混疊現(xiàn)象，最終采樣頻率要比預設值大。

3 診斷實例分析

為了驗證上述方法的優(yōu)越性和可行性，對瓦房店某風場存在潛在故障的1.5MW風機(CCWE-1500/70.DF)增速箱進行了長時間的數(shù)據(jù)采集，在其增速箱的低速端和高速端安裝加速度傳感器，并采用Matlab軟件對所測到的故障信號進行處理對比分析。其風機增速箱的結構簡圖如圖1所示。

圖1 增速箱的結構簡圖Fig.1 Structural diagram of gearbox

由圖1可知，此型號的增速箱由一級行星輪系加二級平行軸組成。此次采集的振動信號以輸入軸為參考軸，采樣頻率為2 048 Hz,采樣時間5 s,依據(jù)主軸轉速和各部件的嚙合情況[12]，可計算出二級齒輪額定工作狀態(tài)下的1倍頻、2倍頻、3倍頻分別為97.39 Hz、194.78 Hz、389.56 Hz，轉動頻率為9.8 Hz。此處齒輪點蝕的明顯故障特征就是齒輪齒面磨損嚴重時會出現(xiàn)高階振動，且隨轉軸頻率的增大，振動能量也會明顯增大。在增速箱的輸出軸徑向安裝加速度傳感器，其采集的故障振動信號的時域波形如圖2所示。

圖2 故障齒輪的原始信號Fig.2 Original signal of failure gear

由圖2的時域信號可以看出，振動沖擊比較明顯，且信號中含有大量的噪聲信號，由于轉速的不平穩(wěn)造成齒輪振動信號具有非平穩(wěn)性，沖擊的時間間隔也不均勻。對其先進行FFT分析，得到頻譜圖，如圖3所示。

圖3 故障齒輪振動信號的FFT頻譜Fig.3 FFT spectrum of fault gear vibration signal

圖3中該信號在275 Hz處波動，F(xiàn)FT譜是非常模糊的，無法有效判斷其故障特征。本文分別利用經(jīng)典計算階次跟蹤(COT)、階次分析和小波閾值去噪相結合的方法對該故障信號進行處理分析。對原始信號進行sinc插值，得到等角度采樣信號如圖4所示，但由于得到的等角度采樣信號同樣會受噪聲和調制的雙重影響，使得階次分析產生的分析效果不是太明顯，所以對含有噪聲信號的重采樣信號選用db4小波對其進行分解，分解層數(shù)為5層，采用硬閾值方法去噪，所得的等角度采樣信號如圖5所示，可見去噪后的信號逼近程度高，無相位失真和信號損失，頻譜更加清晰。

圖4 等角度采樣信號Fig.4 Angle sampling signal

圖5 硬閾值去噪后的等角度采樣信號Fig.5 The Angle sampling signal after the hard threshold de-noising

得到等角度采樣信號后，對其分別進行FFT變換，得到了故障信號的階次譜，如圖6、7所示。

圖6 基于COT重采樣的階次譜Fig.6 Order spectrum of re-sampling based on the COT

圖7 硬閾值去噪后基于COT重采樣的階次譜Fig.7 Order spectrum of re-sampling based on the COT after the hard threshold de-noising

圖8 故障信號階次細化譜Fig.8 Zoom spectrum of fault signal order

由圖4～7可以看出等角度重采樣的信號比較穩(wěn)定，得到的階次譜與FFT譜相比較，消除了頻譜的模糊現(xiàn)象。由圖7可知，信號在10.84階次處有明顯的波峰，邊頻帶少且稀疏，對應嚙合頻率的1倍頻，故依據(jù)此處齒輪的故障特征初步定為磨損或點蝕。為進一步明確故障類型，將5～20階次處的邊頻帶局部細化，所得細化譜如圖8所示，由細化譜可知，在嚙合階次10.84兩端的變頻較小，幅值的下降趨勢比較明顯，再結合時域波形的沖擊振動比較明顯來看，此故障應為點蝕故障。在本次的檢修過程中，對風機齒輪箱進行了拆卸，發(fā)現(xiàn)風機齒輪箱內部太陽輪軸的齒輪齒面有金屬塊脫落的現(xiàn)象。此外為了驗證階次分析和小波閾值去噪相結合的方法與經(jīng)典階次跟蹤方法(COT)重采樣精度的差別，利用均方根誤差來評價重采樣精度。

(19)

由式(19)可以求出基于經(jīng)典階次跟蹤方法重采樣的均方根誤差為0.9526,，基于小波閾值去噪和階次分析相結合的方法重采樣的均方根誤差為0.3728，由此可知對信號進行經(jīng)典階次跟蹤的重采樣，再對其重采樣后的信號進行小波閾值去噪，所得的重采樣精度更高。

4 結論

大型風力機齒輪箱在實際運行過程中，由于受環(huán)境和自身結構的雙重影響，對其所采集到的時域信號往往具有非平穩(wěn)特性且含有大量的噪聲信號，為了能更好的改善分析效果，提取故障信號的有效特征頻率，本文將階次分析和小波閾值去噪的診斷方法相結合，解決了因轉速波動引起的頻率模糊和階次分析不適合在強噪聲環(huán)境條件下工作的問題，并提高了重采樣的精度，通過實踐工程中的應用和理論上的對比分析，證明了此方法在處理旋轉機械故障中的有效性，且能快速準確的診斷出風機齒輪箱的故障類型，在實際的故障診斷中具有廣闊的工程前景和意義。

[1]JacekUrbanek,TomaszBarszcz,NaderSawalhi,etal.Comparisonofamplitude-basedandphase-basedmethodsforspeedtrackinginapplicationtowindturbines[J].MetrologyAndMeasurementSystems, 2011,XVIII(2): 295-304.

[2]BartelmusW. ,ZimrozR.Anewfeatureformonitoringtheconditionofgearboxesinnon-stationaryoperatingconditions[J].MechanicalSystemsandSignalProcessing, 2009, 23(5):1528-1534.

[3] 張磊，陳長征，劉杰.自適應EEMD法提取大型風機主軸承早期故障特征[J].重型機械，2015(3)：5-8.

[4] 彭富強，于德介，武春燕.基于自適應時變?yōu)V波階比跟蹤的齒輪箱故障診斷[J].機械工程學報，2012，48(7)：77-85.

[5] 陳向民，于德介，羅潔思.基于線調頻小波路徑追蹤階比循環(huán)平穩(wěn)解調的齒輪故障診斷[J].機械工程學報，2012，48(3)：95-101.

[6] 程軍圣，李寶慶，楊宇.基于廣義解調時頻分析和瞬時頻率計算的階次譜方法在齒輪故障診斷中的應用[J].振動與沖擊，2011，30(9)：30-34.

[7] 叢華，吳廣平，繞國強，等.計算階次分析中避免階次混疊的濾波定階方法及其應用[J].振動與沖擊，2012，31(12)：42-45.

[8] 宋寶玉，解志杰，張鋒，等.基于角度同步平均和階次分析的低速斜齒輪故障診斷[J].吉林大學學報，2015,45(2)：454-459.

[9] 岳曉峰，朱成偉.階次分析在變速箱故障診斷中的應用及研究[J].自動化儀表，2015,36(6)：8-11.

[10]景新幸，冼燦嬌，楊海燕.基于改進小波閾值去噪算法的確定[J].電聲技術，2015,39(5)：80-83.

[11]李蓉，于德介，陳向民，等.基于階次分析與循環(huán)平穩(wěn)解調的齒輪箱復合故障診斷方法[J].中國機械工程，2013，24(10)：1320-1326.

[12]Amirat Y, Choqueuse V, Benbouzid M.EEMD-based wind turbine bearing failure detection using the generator stator current homopolar component[J] Mechanical Systems and Signal Processing,2013,41(1):667-678.

Fault diagnosis of wind turbine gearbox based on order analysis

CHEN Chang-zheng, WANG Hai-tong, SUN Zi-qiang

(School of Mechanical Engineering, Shenyang University of Technology, Shenyang 110178, China)

Wind turbine run under the poor working conditions, vibration signals often have the character of non-stationary. In order to extract the characteristic frequency of fault information, a new diagnosis algorithm is proposed based on the re-sampling order analysis and wavelet threshold de-noising. Compared with the algorithm of classical calculation order tracking (COT), the accuracy of re-sampling is improved, and compared with the methods of traditional FFT to eliminate the phenomenon of “frequency aliasing” cased by speed instability. Then through the wind field experiment shows that the method is effective and valuable in engineering.

wind turbines; wavelet de-noising; order analysis; re-sampling

2015-08-21；

2015-09-25

遼寧省自然科學基金(2014028017)

陳長征(1964)，男，遼寧省沈陽市，教授，博士生導師，主要從事振動噪聲的研究。

王海童(1988-),男，沈陽工業(yè)大學碩士研究生。

TH132.46

A

1001-196X(2016)02-0086-05