風電軸承多源振動信號故障診斷的數據融合方法研究*

袁 倩,孫冬梅,朱徐東

(南京工業大學電氣工程與控制科學學院,南京 211816)

風電軸承多源振動信號故障診斷的數據融合方法研究*

袁 倩1,孫冬梅2*,朱徐東3

(南京工業大學電氣工程與控制科學學院,南京 211816)

針對風電回轉支承的故障振動信號為低頻信號,不平穩、非線性,難以檢出等難題,提出了基于數據融合的方案:首先提出了B型關聯度加權法和小波去噪相結合的方法,對多源振動信號進行融合去噪,然后以EEMD為基礎對融合后的信號進行分解,此方案不僅提高了融合信號的信噪比,而且抑制了在經驗模態分解中的模式混疊現象,實驗結果表明與理論計算的故障特征頻率相吻合,充分顯示了其應用在回轉支承故障診斷系統中的可行性。

風電軸承;數據融合;B型關聯度;EEMD

風能作為一種無污染和可再生的新能源有著巨大的發展潛力,而風電機組的長期安全運行是開發風能的重要保障。隨著我國大量發展風力發電項目,回轉支承在風電行業的市場需求量越來越大,而且偏航軸承是偏航系統中的重要部件且是風力發電機及時追蹤風向變化的保證[1-2]。然而,由于風力發電機在野外高空環境中工作,惡劣天氣因素給偏航軸承安裝、潤滑及維修都帶來不便。因此不僅要求偏航軸承具有足夠的強度和承載能力,還要求其運行平穩、安全可靠、壽命長、潤滑、防腐及密封性能良好,否則一旦發生故障將造成嚴重損失[2-3]。因此對風電偏航回轉支承進行監測意義重大。

若用時域方法進行診斷,針對不同類型的回轉支承時域閥值指標難以確定;若直接用頻譜分析方法,由于沖擊成分的能量占總能量的比值較低,也很難對回轉支承故障進行有效識別。

1 基于B型關聯度的加權融合算法

通過資料總結分析,風電回轉支承轉速低,受載復雜,其故障信號對產生的振動不敏感,一些故障不易被發現且容易受噪聲影響。在這種復雜的情況下,當噪聲的影響比較大時,如果只是通過簡單的加權算法進行融合,得到的融合信號可能還不如單一信號的分析效果的好。相關系數法可以描述兩個信號之間的相關性,但是仍然存在一些不足的地方,相關系數只能描述兩組信號之間的線性相關性,不能說明他們之間的非線性關系;另外,計算相關系數時,容易受到信號幅值的影響。因此選擇合適的融合算法尤為關鍵。

1.1 B型關聯度

(1)

(2)

B型關聯度大小可反映2個信號之間的關聯性。

1.2 基于B型關聯度加權法的數據融合

在數據采集的過程中,由于傳感器的精度、安裝位置以及周圍環境的影響,采集到的信號不僅會受到不同程度的噪聲的干擾,而且會和實際出現很大的偏差。所以不能按照傳統的按傳感器的精度去分配權值。所以本文根據B型關聯度的相似性和相近性的特性為基準,去實現權值的分配。具體的融合過程如下[5]:

(3)

(2)離散信號的能量計算公式:

(4)

(3)設每個信號分別與其他信號進行B型關聯度的計算所得的信號的能量為Eij,則第i傳感器的信號與其他傳感器采集到的信號總的關聯度的能量為:

(5)

(4)因為關聯度與權值是成正比的[8],所以:

(6)

由上式可以計算出每個信號的權值,所以融合的結果為

S=p1x1+p2x2+…+pnxn

(7)

1.3 模擬分析

為了驗證本章所提的方法具有良好的動態適應性,而且能夠更好地抑制噪聲信號,提高融合信號的信噪比(SNR),在此利用模擬信號進行分析說明。

機械振動信號一般為多組正弦信號組合而成,假設有4個傳感器,測目標振動信號的真實值為X(見式(8)),信號振幅為3。分別模擬產生4種不同的傳感器偏置pj和隨機白噪聲nj(j=1,2,3,4,均值為0),合成模擬測量信號Sj=X+pj+nj。每個信號取6 000個數據進行分析,為了方便圖形的觀察,取200個點描述曲線。

X=x(i)=3+3sin(2π·0.001i+π/6)+3sin(2π×0.003i+

π/4)+3sin(2π·0.003i+5π/13)

(8)

為了驗證該方法能夠對不同含噪信號進行有效地加權分配,分別設置高斯白噪聲的標準差σ1=0.5,σ2=0.6,σ3=2.2,σ4=2.5,獲得的含噪信號如圖1中所示:分別是模擬傳感器1、2、3、4的時域波形圖。顯然,信號3和信號4受到的噪聲干擾較大。

圖1 模擬傳感器的時域波形

分別4組信號的總能量計算根據能量值確定各信號的加權分配值,如表1所示。

表1 各信號相關函數加權值和B型關聯度加權值

由于信號3和4受噪聲干擾大,所以B型關聯度權值對3和4分配較小,而相關系數加權值的分配相差不大。根據以上兩種方法分別對信號進行融合,然后采用軟閾值法對融合后的信號做降噪處理。

原始信號、相關函數加權信號以及B型關聯度加權融合信號的波形圖,如圖2所示。相關系數加權信號的信噪比為26.522 3,而B型關聯度加權融合后的信噪比為29.498 2。由圖2也可以看出,B型關聯度加權信號與原始信號的差值幅度較小,而相關系數加權信號與原始信號間存在一定誤差。

圖2 原始信號、相關系數加權以及 B型關聯度加權融合信號

2 聚合經驗模態分解(EEMD)

EMD分解方法主要優點之一是其分解過程是基于信號自身特性進行的,但過程中可能存在模態混疊現象,文獻[6]提出了一種方法,即聚合經驗模態分解(EEMD)。該方法是多次在待分解信號中加入白噪聲序列,利用其二進尺度分解特性將不同時間尺度的信號自動分布到合適的參考尺度上,并且白噪聲的零均值特性使得噪聲經過多次分解求平均值后相互抵消,從而抑制噪聲的影響[6-7]。EEMD分解步驟如下:

(1)在待分解信號f(t)中多次加入等長度的正態分布的白噪聲序列ni(t),即

fi(t)=f(t)+ni(t)

式中:fi(t)為第i次加入白噪聲后的信號。

(2)對fi(t)分別進行EMD分解,得到的IMF分量cij(t)和余項ri(t),其中cij(t)表示第i次加入白噪聲后分解所得的第j個IMF分量。

(3)利用不相關隨機序列的統計均值為零的原理,將各分量cij(t)進行整體平均以抵消多次加入白噪聲對真實的IMF的影響[8],最終EEMD分解的結果為

式中:N為添加白噪聲序列的數目。

本文所采用的是把時域信號進行聚合經驗模態分解(EEMD),把真實存在的不同尺度的波動或趨勢逐級分解出來,然后對各個IMF進行Hilbert變換,最終得到信號的時頻分布情況。

H(w,t)可以準確地反映信號幅值隨時間和頻率的變化情況。而h(w,t)(邊際譜)則描述了信號幅值在整個頻率段上隨頻率的變化情況。能量譜是指單位頻率的信號能量,記為E(w),在頻帶df內信號的能量可表示為E(w)df,因此在頻率區間[fa,fb]中的能量計算公式為:

(9)

由帕塞瓦爾能量轉變關系可知,E(w)=|h(w)|2,其中h(w)是x(t)經過HHT獲得的邊際譜函數。

3 風電軸承多源振動信號的故障診斷應用

由風電轉盤軸承為試驗平臺進行數據的采集,現場的實驗裝置如圖3所示。

圖3 現場實驗裝置

圖4 傳感器安裝示意圖

由于實驗裝置比較復雜,實驗的難度較大,本文通過在試驗平臺上模擬滾珠故障,對本文的方案進行驗證。對實驗的85個鋼珠進行編號,其中對25號的鋼珠進行認為的割裂紋,然后進行運行,采集振動加速度的信號進行分析,計算出特征頻率然后與理論的故障頻率(1.78 Hz)對比驗證。

采用電容式8310B10加速度傳感器測量軸承軸向的振動加速度信號,將其分別按照上下左右的方向對稱安裝在軸承的內圈,如圖4所示,實時采集軸承外圈的振動信號以進行故障診斷研究。

圖5為4個傳感器采集到的4組故障振動信號,圖6為對應的頻譜。

圖5 4組振動信號

圖6 4組信號頻譜圖

對采集到的4組振動信號做基于B型關聯度的加權融合,融合信號如圖7所示,然后采用小波軟閾值對其進行去噪處理,并畫出其頻譜圖,結果如圖8所示。

圖7 B型關聯度加權融合信號

從頻譜圖8中可以看出,融合后的信號的頻譜基本上包含了4組信號的頻譜,說明信號融合的效果很好。

對融合后的信號進行EEMD分解,分解結果如圖9所示。

圖8 融合信號的頻譜圖

圖9 EEMD處理結果

分析每個IMF的Hilbert譜,根據回轉支承的頻率特點及HHT中的IMF是從高頻到低頻變化的,確定發生故障的大概頻率段在C(5)、C(6)、C(7)之中。然后對可能存在故障的分量做邊際譜分析,如圖10所示。

圖10 C5、C6、C7的邊際譜圖

從邊際譜中可看到,波峰頻率在1.8 Hz處,與之前提到的理論的故障頻率(1.78 Hz)差別不大。說明此方案可很好的獲得故障特征頻率并應用于故障診斷中。

5 結束語

本文針對風電軸承多源振動信號故障診斷提出了基于B型關聯度加權算法與EEMD相結合的數據融合的方案,并對該方法進行了實驗驗證,通過模擬和仿真實驗證明了此方案能有效的提取故障特征,提高了診斷系統的可靠性。

[1] 王思明,許明恒. 風力發電機轉盤軸承微動磨損的試驗研究[J].

中國機械工程,2010,21(20):2430-2433.

[2] Amirat Y,Benbouzid M E H,Al-Ahmar E,et al. A Brief Status on Condition Monitoring and Fault Diagnosis in Wind Energy Conversion Systems[J]. Renewable and Sustainable Energy Reviews,2009,13:2629-2636.

[3] 姚勇. 風力發電設備回轉支承件的熱加工[J]. 金屬加工,2009,17:12-13.

[4] 張健. 基于灰色預測的分布式傳感器網絡故障檢測方法[J]. 傳感技術學報,2015,28(8):1188-1193.

[5] 劉軍. 傳感器陣列中閾上隨機共振現象的仿真研究[J]. 傳感技術學報,2006,19(3):854-857.

[6] Wu Z H,Huang N E. Ensemble Empirical Mode Decomposition:A Noise Assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis,2009,1(1):1-41.

[7] 蔡慧,馬玉良. 基于EMMD和WT的運動想象腦電信號消噪方法[J]. 傳感技術學報,2016,29(5):721-727.

[8] 齊天,裘焱,吳亞峰. 利用聚合經驗模態分解抑制振動信號中的模態混疊[J]. 噪聲與振動制,2010,4(2):103-106.

The Fault Diagnosis Method of Data fusion for the Multi-Source Vibration Signal of Wind Power Bearing*

YUANQian1,SUNDongmei2*,ZHUXudong3

(School of Electrical Engineering and Control science,Nanjing Tech University,Nanjing 211816,China)

Aiming at the disadvantage of wind rotary bearing fault vibration signal,such as low frequency,not smooth,nonlinear,difficult to detect,it puts forward a project based on data fusion. First of all,the combination of methods correlation B weighting method and the wavelet de-noising is proposed,multi-source vibration signals are fused and de-noising and then are decomposed on the basis of the EEMD. The experimental results show that the project tallies with the theoretical calculation of the fault characteristic frequency,it fully shows the effectiveness of the system on the fault diagnosis of magnetic rotor.

wind power bearing;Data Fusion;B type association degree;EEMD

項目來源:國家自然科學基金項目(51277092);江蘇省人事廳江蘇省博士后計劃項目(1201012C)

2016-04-07 修改日期:2016-07-13

TP277

A

1005-9490(2017)03-0568-05

C:6140;7230

10.3969/j.issn.1005-9490.2017.03.010