基于變分模態(tài)分解的風(fēng)力發(fā)電機(jī)組軸承故障檢測方法研究

摘 要：為實現(xiàn)對軸承故障的精準(zhǔn)檢測，引進(jìn)變分模態(tài)分解技術(shù)，以某風(fēng)力發(fā)電機(jī)組為例，開展軸承故障檢測方法的設(shè)計研究。先進(jìn)行模態(tài)信號的轉(zhuǎn)換，將處理后的信號與變分模態(tài)預(yù)估中心頻率進(jìn)行混合，將信號調(diào)制到與中心頻率相匹配的基頻帶上，實現(xiàn)基于變分模態(tài)分解的采樣模態(tài)信號帶寬計算;根據(jù)風(fēng)力發(fā)電機(jī)組軸承信號的變化周期、變化方式，提取異常信號峭度，將其作為風(fēng)力發(fā)電機(jī)組軸承異常信號特征;提取軸承在常規(guī)運(yùn)行條件下、內(nèi)圈故障運(yùn)行條件下、外圈故障運(yùn)行條件下的振動信號序列，對采樣信號進(jìn)行VMD分解，將分解后的信號錄入計算機(jī)與軸承運(yùn)行信號進(jìn)行適配，根據(jù)匹配結(jié)果，掌握軸承當(dāng)前所處的工況與狀態(tài)，以此實現(xiàn)風(fēng)力發(fā)電機(jī)組軸承故障檢測。對比實驗結(jié)果表明，設(shè)計的方法可以在排除外界環(huán)境與相關(guān)因素干擾的條件下，實現(xiàn)對發(fā)電機(jī)組軸承故障信號的精準(zhǔn)識別。

關(guān)鍵詞：風(fēng)力發(fā)電機(jī)組;軸承故障;變分模態(tài)分解;檢測方法

中圖分類號：TH165+.3" " 文獻(xiàn)標(biāo)志碼：A" " 文章編號：1671-0797（2024）04-0024-03

DOI：10.19514/j.cnki.cn32-1628/tm.2024.04.005

0" " 引言

風(fēng)能是電力市場上使用范圍最廣的清潔、可再生能源，現(xiàn)階段已經(jīng)成為世界上最具開發(fā)價值和應(yīng)用機(jī)遇的能源之一[1]。深入研究可以發(fā)現(xiàn)，風(fēng)能也是推動能源低碳經(jīng)濟(jì)的核心動力。隨著近年來國家對新能源關(guān)注度的不斷提升，具有清潔、高效、可再生等優(yōu)勢的風(fēng)能得到了快速發(fā)展，根據(jù)國家能源局公布的數(shù)據(jù)，截至2022年12月底，我國累計發(fā)電裝機(jī)容量約25.6億kW，其中，風(fēng)電裝機(jī)容量約3.7億kW。盡管隨著風(fēng)能產(chǎn)業(yè)的迅猛發(fā)展，與之相關(guān)工作的建設(shè)規(guī)模加大，風(fēng)力發(fā)電也日益成為業(yè)界關(guān)注的焦點(diǎn)，但風(fēng)力發(fā)電并沒有形成系統(tǒng)有效的解決方案[2]。隨著風(fēng)電裝機(jī)容量的持續(xù)增加，風(fēng)能設(shè)備的失效問題日益突出，風(fēng)力發(fā)電的安全問題必須受到重視[3]。相比常規(guī)的發(fā)電機(jī)組，風(fēng)力發(fā)電機(jī)組的制造工藝十分復(fù)雜、現(xiàn)場安裝較為煩瑣、設(shè)備實際工作環(huán)境惡劣，導(dǎo)致風(fēng)機(jī)運(yùn)行中極易出現(xiàn)故障。軸承是風(fēng)力發(fā)電機(jī)組的核心部件，承受著復(fù)雜的載荷，同時，大部分機(jī)組軸承在特殊環(huán)境中作業(yè)，所以軸承是風(fēng)電機(jī)組中發(fā)生故障最多、導(dǎo)致停機(jī)時間最長的部件之一，其性能的優(yōu)劣對整個機(jī)組的運(yùn)行有著巨大影響。針對軸承故障，技術(shù)人員如未能及時采取有效措施進(jìn)行排查與處理，嚴(yán)重時甚至可能引起連鎖反應(yīng)，導(dǎo)致難以預(yù)料的嚴(yán)重后果。因此，開展風(fēng)力發(fā)電機(jī)主軸承故障的診斷與預(yù)報研究意義重大。

1" " 基于變分模態(tài)分解的采樣模態(tài)信號帶寬計算

為實現(xiàn)對軸承故障的檢測，設(shè)計方法前，引進(jìn)變分模態(tài)分解算法，進(jìn)行采樣模態(tài)信號帶寬的計算。在此過程中，應(yīng)明確引進(jìn)的算法屬于一種新型非遞歸信號分解算法，該算法可以實現(xiàn)將復(fù)雜的信號離散成為若干種信號分量[4]。為滿足上述需求，先進(jìn)行模態(tài)信號的轉(zhuǎn)換，此過程計算公式如下：

uk（t）=δ（t）+

（1）

式中：uk（t）表示t時刻下發(fā)電機(jī)組軸承運(yùn)行模態(tài)信號的轉(zhuǎn)換，其中k表示變分模態(tài)分量值;δ（t）表示Hilbert變換;j表示解析信號。

完成上述處理后，將處理后的信號與變分模態(tài)預(yù)估中心頻率進(jìn)行混合，將信號調(diào)制到與中心頻率相匹配的基頻帶上，此過程計算公式如下[5]：

uk，1（t）=uk（t）×e-jwt" " " " " " " " " （2）

式中：uk，1（t）表示信號調(diào)制;e表示基頻帶寬;w表示預(yù)估中心頻率。

在上述處理的基礎(chǔ)上，根據(jù)調(diào)制信號的梯度，計算每個模態(tài)信號的帶寬，通過該方式將變分模態(tài)處理過程轉(zhuǎn)換為構(gòu)造變分問題。計算公式如下：

f=min

?δ（t）+

×uk，1（t）×uk（t） ×e-jwt2（3）

式中：f表示采樣模態(tài)信號帶寬;?表示循環(huán)頻率。

按照上述流程，完成基于變分模態(tài)分解的采樣模態(tài)信號帶寬計算。

2" " 風(fēng)力發(fā)電機(jī)組軸承異常信號特征提取與故障檢測

完成上述計算后，根據(jù)風(fēng)力發(fā)電機(jī)組軸承信號的變化周期變化方式，提取異常信號峭度，將其作為風(fēng)力發(fā)電機(jī)組軸承異常信號特征。此過程計算公式如下：

C=" " " " " " " " " " " "（4）

式中：C表示風(fēng)力發(fā)電機(jī)組軸承異常信號峭度;N表示信號位移數(shù);x表示沖擊信號周期。

在此基礎(chǔ)上，當(dāng)發(fā)電機(jī)組軸承在運(yùn)行中出現(xiàn)故障時，傳感器采集到對應(yīng)的振動信號可以表示如下：

y（n）=C（n）h（n）x（n）e（n）" " " （5）

式中：y（n）表示傳感器采集到對應(yīng)的振動信號;h表示峭度信號;x表示沖激響應(yīng)信號;e表示序列信號。

提取y（n），將其作為異常信號特征。在此基礎(chǔ)上，提取軸承在常規(guī)運(yùn)行條件下、內(nèi)圈故障運(yùn)行條件下、外圈故障運(yùn)行條件下的振動信號序列，對采樣信號進(jìn)行VMD分解，從而得到不同狀態(tài)下的振動數(shù)據(jù)樣本與信號模態(tài)分量。計算不同尺度下模態(tài)信號的特征序列排序熵，將其作為高維度向量錄入計算機(jī)，將錄入的信號與軸承運(yùn)行信號進(jìn)行適配，根據(jù)匹配結(jié)果，掌握軸承當(dāng)前所處的工況與狀態(tài)。按照上述方式，完成風(fēng)力發(fā)電機(jī)組軸承異常信號特征提取與故障檢測，實現(xiàn)基于變分模態(tài)分解的檢測方法設(shè)計。

3" " 對比實驗

上文引進(jìn)變分模態(tài)分解算法完成了軸承故障檢測方法的設(shè)計。為驗證該方法在實際應(yīng)用中的故障檢測效果，下面將以某地區(qū)大型風(fēng)力發(fā)電廠為例，展開實地測試。

為確保實驗結(jié)果的可靠性，實驗前，對所選的風(fēng)力發(fā)電機(jī)技術(shù)參數(shù)進(jìn)行分析，如表1所示。

掌握風(fēng)力發(fā)電機(jī)組的技術(shù)參數(shù)后，使用本文設(shè)計的方法進(jìn)行機(jī)組軸承故障檢測。在此過程中，需要先明確風(fēng)力發(fā)電機(jī)組軸承在無故障狀態(tài)下的反饋信息，如圖1所示。

從圖1可以看出，在無故障條件下，風(fēng)力發(fā)電機(jī)組軸承的故障信號頻率lt;10 Hz。

在使用本文方法進(jìn)行軸承故障檢測時，需要先引進(jìn)變分模態(tài)分解算法，計算采樣模態(tài)信號帶寬。在此基礎(chǔ)上，提取風(fēng)力發(fā)電機(jī)組軸承異常信號特征，以此為依據(jù)進(jìn)行軸承故障檢測與診斷。

同時，引進(jìn)基于改進(jìn)AFSA的故障檢測方法、基于PSO-SVM的故障檢測方法，即傳統(tǒng)方法1與傳統(tǒng)方法2，使用本文方法與傳統(tǒng)方法進(jìn)行軸承故障的檢測。現(xiàn)已知待檢測的機(jī)組軸承存在故障，且故障信號頻率如圖2所示。

從圖2中可以看出，待測的故障軸承存在4個高峰故障信號，信號頻率均gt;20 Hz。

在已知故障形式的基礎(chǔ)上，使用本文方法與傳統(tǒng)方法進(jìn)行機(jī)組軸承故障的檢測。將檢測結(jié)果按照圖2所示的方式進(jìn)行展示，如圖3～5所示。

從圖3～5可以看出，采用本文提出的方法故障檢測結(jié)果與風(fēng)力發(fā)電機(jī)組軸承故障狀態(tài)下的反饋信息幾乎一致。而傳統(tǒng)方法1故障檢測結(jié)果中包含了圖2所展示的4個故障點(diǎn)，但也存在部分故障信號頻率在10～20 Hz范圍內(nèi)，此部分信號無法作為非故障信號，但也不能直接將其判定為故障信號，還需要在后續(xù)的研究中根據(jù)具體情況進(jìn)行信號的判定。因此，可以認(rèn)為傳統(tǒng)方法1的故障檢測結(jié)果受到外部環(huán)境影響，存在一定的干擾。再對圖5進(jìn)行分析，發(fā)現(xiàn)傳統(tǒng)方法2的故障檢測結(jié)果中不存在干擾信息，即檢查結(jié)果可以排除外界因素的影響，但顯而易見的是，該方法的故障檢測結(jié)果與風(fēng)力發(fā)電機(jī)組軸承故障狀態(tài)下的反饋信息存在差異，即檢測結(jié)果與真實情況存在偏差。

綜合上述結(jié)果，得到如下結(jié)論：相比傳統(tǒng)方法，本文設(shè)計的基于變分模態(tài)分解的檢測方法應(yīng)用效果良好，該方法可以在排除外界環(huán)境與相關(guān)因素干擾的條件下，實現(xiàn)對發(fā)電機(jī)組軸承故障信號的精準(zhǔn)識別，實現(xiàn)軸承故障的精準(zhǔn)檢測。

4" " 結(jié)束語

風(fēng)電機(jī)組運(yùn)行過程中如果出現(xiàn)了滾動軸承故障，其振動信號在初期到故障嚴(yán)重的這段時間內(nèi)常常呈現(xiàn)出強(qiáng)噪聲、非線性和非平穩(wěn)的特點(diǎn)，使得其故障特征很難提取出來。因此，如何對故障信號進(jìn)行有效提取，是故障診斷與檢測的關(guān)鍵。為落實此項工作，本文引進(jìn)變分模態(tài)分解算法，通過采樣模態(tài)信號帶寬計算、風(fēng)力發(fā)電機(jī)組軸承異常信號特征提取、軸承故障檢測與診斷，設(shè)計了一種針對風(fēng)電發(fā)電機(jī)組的軸承故障診斷方法，通過此種方式，能夠及時發(fā)現(xiàn)軸承運(yùn)行中的故障。為檢驗該方法的可行性設(shè)計了對比實驗，實驗表明，本文所提的方法可以在實際應(yīng)用中發(fā)揮預(yù)期效果。因此，在后續(xù)的研究中，可以將本文研究成果作為依據(jù)，在此基礎(chǔ)上，提出相應(yīng)的改進(jìn)措施，以預(yù)防軸承可能出現(xiàn)的嚴(yán)重故障，進(jìn)一步減少機(jī)組軸承維護(hù)費(fèi)用，提高機(jī)組的工作可靠性。

[參考文獻(xiàn)]

[1] 徐衛(wèi)曉，井陸陽，孫顯斌，等.基于MDFF和DCNN-SVM混合網(wǎng)絡(luò)的滾動軸承故障診斷研究[J].制造技術(shù)與機(jī)床，2023（5）：13-20.

[2] 于飛，樊清川，宣敏.結(jié)合振動特征優(yōu)選和GWOA-XGBoost的電機(jī)軸承故障診斷[J].國防科技大學(xué)學(xué)報，2023，45（3）：99-107.

[3] 楊森，王恒迪，崔永存，等.基于改進(jìn)AFSA的參數(shù)優(yōu)化VMD和ELM的軸承故障診斷[J].組合機(jī)床與自動化加工技術(shù)，2023（4）：67-70.

[4] 李德奧，秦政，李強(qiáng)，等.D-SSAE與PSO-SVM在轉(zhuǎn)子-滑動軸承系統(tǒng)故障診斷中的應(yīng)用[J].化工設(shè)備與管道，2023，60（2）：59-67.

[5] 齊詠生，鞏育瑞，高勝利，等.基于中心損失-改進(jìn)卷積自編碼器的滾動軸承半監(jiān)督故障診斷[J].振動與沖擊，2023，42（7）：301-311.

收稿日期：2023-10-31

作者簡介：沈定超（1993—），男，浙江嘉善人，助理工程師，研究方向：風(fēng)電運(yùn)維、風(fēng)電檢修、風(fēng)機(jī)狀態(tài)監(jiān)測分析。