没有合适的资源?快使用搜索试试~ 我知道了~
基于对齐振动信号能量谱的风电机组机械故障识别
0AASRI Procedia 4 ( 2013 ) 223 – 22902212-6716 © 2013 The Authors. Published by Elsevier B.Vunder responsibility of American Applied Science Research Institute doi:10.1016/j.aasri.2013.10.0340ScienceDirect02013 年智能系统与控制国际学术会议0基于对齐的风力发电机机械故障识别0振动信号的能量谱0潘海宁a, *, 秦明b , 张军b , 潘磊a0a 国电联合动力技术股份有限公司,风电设备与控制国家重点实验室,海淀区,北京0中国1000390b 国电新能源技术研究院,西城区,北京1000340摘要0风力发电机机械系统的故障识别是条件监测系统的基本任务,依赖于监测信号的时频特征。本文提出了一种通过匹配振动信号的希尔伯特-黄变换谱 (HHS)进行故障识别的方法。故障识别被形式化为一种对齐过程,通过使用ICP将振动的HHS移动到与预定义的故障模式匹配。鉴于HHS的持续时间和初始频率特征可能导致不同的对齐结果,设置多个时间尺度和位置的迭代参数。在模拟中,识别了一种机械故障并进行了有效性比较。© 2013.Elsevier B.V. 下载自 American Applied Science Research Institute 关键词:风力发电机;故障识别;ICP;希尔伯特-黄变换谱01. 引言0随着风电场的扩建,维护成为主要问题之一0驱动链的振动信号通常是风力发电机主要故障源0*通讯作者。电话:+86 01057657457;传真:+8601057659200。邮箱:panhaining@126.com0可在线获取:www.sciencedirect.com0© 2013 The Authors. Published by Elsevier B.V.responsibility of American Applied Science Research Institute0开放获取,采用 CC BY-NC-ND 许可。0开放获取,采用 CC BY-NC-ND 许可。0224 Haining Pan et al. / AASRI Procedia 4 ( 2013 ) 223 – 2290我们用来诊断机械故障。由于重负载、风力阵风和尘埃腐蚀可能导致的所有潜在损害通常都反映在振动的频率特性中,并可能导致整个风力发电机的灾难性故障。因此,机械振动的识别和评估是风力发电机可靠性评估的重要课题,而时频分析现在被广泛应用。由于测量振动在时频域中通常是非平稳的,已经采用了一些成熟的方法,如小波变换 [1]、经验模态分解和希尔伯特-黄变换 (HHT)[2],来检测齿轮和其他旋转机械部件的缺陷。故障识别作为时频分析的后续程序,是将振动特性映射到故障模式的关键环节。支持向量机被用于分类驱动链系统中轴和齿轮的故障[3]。王彩虹使用神经网络对齿轮系统的故障进行分类,涉及时间序列分析[4]。潘磊和左利采用加权最近邻分类算法评估齿轮箱的损坏程度,并采用两阶段特征选择和加权技术选择敏感特征 [5]。在应用视觉技术中,迭代最近点法常用于对采样数据云进行对齐,包括数据选择、距离迭代和特征匹配[6]。本文将ICP匹配引入HHT分析,作为可靠性评估和机器视觉领域中连续故障识别方法。本研究的目的是研究将ICP过程应用于机械故障识别的效果。首先将振动信号的内在分量进行分解,然后使用HHT技术对其进行归一化,得到振幅和瞬时频率,并计算并整合这些值以绘制希尔伯特-黄变换谱(HHS)。鉴于分量分解和频率计算方法可能导致不同的HHS,设置了几个不同的变换参数。本文将在下面的章节中描述这种新方法的原理。02. 机械振动的分解及其希尔伯特-黄变换谱0机械系统的振动信号涉及与频率网格过程的动力特性相关的丰富信息,如固有系统固有频率以及由于齿轮缺陷或劣化而引起的齿轮系统的故障。经验模态分解存在一个主要缺点,即模态混合,这通常是由信号中的间歇性引起的。因此,采用噪声辅助方法EEMD来克服这一缺点。对于由EEMD产生的任何 IMF ( ) c t,首先识别出所有数据的绝对值的局部极大值,然后将所有这些极大值点通过三次样条曲线连接起来。这个样条曲线被称为IMF的经验包络 ( ) e t。通过使用绝对值拟合,归一化数据将关于零轴对称。一旦通过样条拟合获得经验包络,我们可以通过重复以下步骤对IMF进行归一化,01 ( ) ( ) ( ) i i i y t y t e t (1)0如果 n y ( ) t 的所有值都小于等于1,则IMF的经验频率调制 ( ) F t 和幅值调制 ( ) A t 为:0( ) n ( ) F t y t , 1 2 ( ) ( ) ( ) n ( ) A t e t e t e t (2)0然后由 ( ) A t 和 ( ) F t 表示的IMF即为:0( ) ( ) ( ) ( ) cos ( ) f t A t F t A t t (3) (4) 0225 Haining Pan et al. / AASRI Procedia 4 ( 2013 ) 223 – 2290实际上,瞬时频率无法从实时信号中推导出来,因为相位是非线性且带有噪声的。直接正交是一种计算 ( ) t的新方法,即:0)0F t t0F t0因此瞬时频率是相位 ( ) t 的微分。即:0( ) ( ) t d t dt (5)0振动信号的时频能量分布,即时频希尔伯特谱,最终可以表示为:0H t A t t dt (6)03. 基于ICP的希尔伯特-黄变换谱故障识别程序0大多数评估方法预先定义了几个以频率和时间信息为特征的故障模式,然后找出测量条件属于哪个故障模式,因此关键是如何评估齿轮箱的当前工作条件与预定义故障模式的相似性。这里介绍了基于ICP的模式匹配来评估这种相似性。由于能量水平可以被视为第三个维度,因此2DHHS可以被表示为增强的三维数据云,这对于对齐HHS的特征并找出它们的相似性更有帮助。该过程接受两个HHS作为输入。一个是用EEMD方法从测量的齿轮箱振动计算得到的真实HHS,另一个是我们使用经验构建的参考HHS模式。当然,还包括时间和频率的信号范围以及相应的信号能量。输出是两个HHS的旋转和平移位移。修改后的ICP具有以下形式:0[ , , , ] ( , , ) m d R T p e ICP HHS HHS iter (7)0其中m HHS是从测量振动信号计算得到的HHS,d HHS是预定义的故障模式,R和T分别是m HHS和dHHS之间的旋转和平移,p是每个HHS中匹配得相当好的良好点的百分比,e是迭代完成时的残差误差,iter是ICP过程的迭代次数。假设要匹配的两个HHS可以描述为Eq.8的点集。01 , 2 , m n HHS p p p , 1 , 2 , d n HHS q q q (8)0其中n是HHS的点数,对于两个HHS是相同的。ICP算法从初始的注册参数开始,然后形成一系列逐渐减小误差的估计序列。重复以下最小化问题(Eq.9)并相对于参考HHS更新HHS。010002000300040005000600070008000900010000-10010 0200040006000800010000-100100200040006000800010000-5050200040006000800010000-2020200040006000800010000-1010200040006000800010000-0.500.50200040006000800010000-0.200.20200040006000800010000-0.200.20200040006000800010000-0.100.10200040006000800010000-0.100.10200040006000800010000-0.100.10200040006000800010000-0.0500.050200040006000800010000-0.0200.02 0226 Haining Pan等 / AASRI Procedia 4 ( 2013 ) 223 – 2290arg min , i i d q q Rp T q HHS (9)0显然,R、T、p和e决定了m HHS和dHHS之间的相似性。在立体视觉领域,R和T非常重要,因为它们响应相邻采样时间之间的运动。但在这里,由于这两个HHS的相对位置没有相对旋转,所以R几乎没有用处。p和e表示两个HHS中有多少数据匹配以及匹配得有多好。因此,我们选择p和e作为评估机械系统工作状态的指标。如果p较大且e较小,则两个HHS相互匹配,也就是说,由m HHS表示的测量条件属于由d HHS表示的预定义故障模式。04. 通过与多个时间尺度的信号HHS对齐进行机械故障评估0在Matlab环境中使用ICP对振动信号的参考故障模式的HHS进行匹配和计算。硬件为一台CPU主频为2.6GHz、内存为2G的PC。原始信号如图1顶部所示。为了计算原始测量振动信号的HHS,将有限振幅的白噪声添加到信号中,提供时间-频率空间中的均匀参考框架,并扰动信号在其真实解附近的邻域。这使得不同尺度的信号分量可以在适当的IMF中相互校正。在足够多次试验的集合平均中,噪声将被平均掉,因为它在单独的试验中是不同的。有关详细的EEMD,请参阅[7]。振动信号被分解为几个IMF,如图2所示。该模拟以一个真实的HHS作为输入,该HHS是通过使用EEMD方法从测量的振动中计算得到的2维空间中的信号能量级别的数据结构。能量根据其在相应时间和频率上的强度进行颜色编码(图2左侧)。红色的能量较高,洋红色的能量较低。0加速度(m/s²)0采样点0图1 测量的振动信号及其分解的IMFs00.20.40.60.811.21.41.650010001500200025003000 0227 Haining Pan等 / AASRI Procedia 4 ( 2013 ) 223 – 2290tw t00图2 振动信号的HHS和预定义故障模式0如果将能量水平视为第三个维度,HHS将被表示为三维空间中的数据集,其中x轴是时间域,y轴是振幅,z轴是归一化能量水平。我们定义了一个破碎的故障HHS,它是变速箱主轴外侧的一个轴承故障,如图2右侧所示。它们分别在约160Hz和330Hz处具有两个基频带。请注意,图2左侧的频率轴的刻度是右侧的三倍。从0t开始的长度为w t的HHS子集,我们可以使用ICP将该子集与预定义的故障模式对齐并找出它们的差异。使用0t和wt的组合集,依次将HHS的相应子集与预定义的子集匹配。通过最小化Eq.9,T,p和e都被决定并列在表1中。由于这两个3DHHS几乎没有相对旋转,在表1中的R值非常小,因此在这里被忽略。因为p和e表示两个输入HHS的数据匹配程度,我们将p和e作为评估故障的指标。从中我们可以看出,wt越大,与预定义模式的对齐性越好。这是因为这里的轴承故障具有约0.35秒的振动调制周期。0w t的值为0.4秒和0.5秒大于该周期,因此具有更丰富的特征。不同的0 t可能会影响平移向量T。以w t = 0.4为例,当0 t = 0.6时,x轴上的平移为0.1129,当0 t = 0.2时为0.0231,当0 t =1.0时为0.0225。这取决于故障模式的定义方式。由于此处的模式在0.3秒处具有峰值能量,因此它看起来像是从0 t = 0.2开始的测量信号的HHS的子集,因此可以在此时间内通过小的平移与故障模式对齐。0.3 0.2 -- [0.0342; 3.36; 0.12] 80.57 0.5494 0.3 0.6 -- [0.1021; 4.19; 0.09] 84.28 0.4653 0.3 1.0 -- [0.0261; 4.16; 0.08] 82.10 0.5002 0.4 0.2 -- [0.0231; 4.32; 0.02] 90.87 0.3319 0.4 0.6 -- [0.1129; 4.09; 0.06] 91.32 0.3648 0.4 1.0 -- [0.0225; 3.14; 0.06] 91.06 0.3363 0.5 0.2 -- [0.0315; 3.36; 0.02] 91.08 0.3319 0.5 0.6 -- [0.1048; 3.56; 0.06] 90.48 0.3648 0.5 1.0 -- [0.0223; 3.61; 0.06] 91.23 0.3363 0228 Haining Pan等 / AASRI Procedia 4 ( 2013 ) 223 – 2290表1. 使用不同时间尺度进行HHS匹配的结果0w t 0 t R T p (%) e (RMS)05. 结论0针对风力涡轮机的机械故障诊断和分类,我们开发了一种通过匹配振动的HHS进行条件评估的方法。我们得出结论,对于模拟中的特定振动信号,通过实施梯度下降ICP过程,原始振动信号的HHS与定义的模式匹配得很好。结果表明,当振动能量分布存在明显差异时,基于ICP的机械评估方法适用,这对ICP来找到HHS特征是有利的。测量的振动信号最好具有比其振动调制周期更长的周期。如果信号复杂或带宽混合,还应引入其他规则来分类故障模式。06. 致谢0本研究得到了中国国家重点基础研究发展计划(973计划)2012CB215205的财务支持0参考文献0[1] Tsai CS,Hsieh CT,Huang SJ。基于连续小波变换的风力发电机叶片损伤检测方法的改进。IEEE Transactions on Energy Conversion2006; 21:776-782 [2] Wu TY,Chen JC,WangCC。利用Hilbert-Huang变换和瞬时无量纲频率归一化特征的方法对变速旋转齿轮故障进行表征。机械系统和信号处理2012; 30: 103-122 [3]Hua Q,He ZJ,Zhang ZS。基于改进小波包变换和支持向量机集成的旋转机械故障诊断。机械系统和信号处理2007; 688-694 [4] WangCC,Kang Y和Shen PC。利用神经网络进行时间序列分析的旋转机械故障诊断应用。专家系统应用2010; 37:1696-17010229 Haining Pan等/AASRI Procedia 4(2013)223 – 2290[5] Lei Y,Zuo MJ。基于加权K最近邻分类算法的齿轮裂纹级别识别。Mech. Syst. Signal Process 2009; 23:1535-1541 [6] RusinkiewiczS,Levoy,M。改进的ICP算法的高效变体。第三届3D数字成像和建模国际会议2001: 21-27 [7] Penga ZK,Tsea PW,ChuFL。改进的Hilbert-Huang变换和小波变换的比较研究:用于滚动轴承故障诊断的应用。机械系统和信号处理2005; 19: 974-988
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功