全矢與SGMD-FastICA的軸承故障診斷*

曹亞磊，杜應(yīng)軍，韋 廣，董辛?xí)F，劉 洋

(1.鄭州大學(xué)振動工程研究所，鄭州 450001；2.葉縣國博大石崖風(fēng)力發(fā)電有限公司，平頂山 467000)

0 引言

隨著國家碳中和目標的提出與推進，風(fēng)電機組的新增裝機量已于2020年突破52GW，風(fēng)能變得愈來愈重要[1]。風(fēng)力發(fā)電機主要部件包括葉輪、發(fā)電機及齒輪箱等，一般工作在低速、重載、強陣風(fēng)等惡劣環(huán)境[2]。滾動軸承作為支撐部件在風(fēng)力發(fā)電機傳動系統(tǒng)中被廣泛使用，因此滾動軸承的故障診斷和監(jiān)測是保證風(fēng)電機組正常工作的重要環(huán)節(jié)。當軸承發(fā)生局部故障時，通常會產(chǎn)生非線性和非穩(wěn)態(tài)的振動信號，且這些振動信號被大量的背景噪聲和其它部件的振動信號所淹沒，使得故障診斷結(jié)果和實際情況有偏差[3]。

傳統(tǒng)的故障診斷方法大多針對單通道振動信號，但單通道振動信號的所包含的信息并不全面，并在工程實際中產(chǎn)生誤判和漏判。針對該問題，韓捷教授創(chuàng)建了基于同源信號融合的全失譜技術(shù)[4]，該方法將同源振動信號進行融合，獲取了質(zhì)量更高的振動信號，并在旋轉(zhuǎn)機械故障診斷中成功應(yīng)用。

時間序列分析相關(guān)方法在軸承故障診斷中被廣泛使用[5]，并取得了成功。邢亞航等[6]使用LMD和FastICA方法對軸承故障進行診斷，并有效地提取了故障特征，但是LMD存在一定的模態(tài)混疊和端點效應(yīng)。PAN等[7]提出了一種時間序列分解方法——辛幾何模態(tài)分解(SGMD)，該方法能夠很好地保護相空間結(jié)構(gòu)，模態(tài)混疊、噪聲高敏感性等缺點得到了改善。

盲源分離技術(shù)在振動信號的處理中被廣泛應(yīng)用?！?br>