基于振动信号能量谱的风力发电机故障识别方法

© 2013年。出版社：Elsevier B.V.由美国应用科学研究所负责选择和/或同行评审可在www.sciencedirect.com在线获取ScienceDirectAASRI Procedia 4（2013）223 - 2292013年AASRI智能系统与控制基于振动信号能量谱对齐的风力发电机组机械故障识别潘海宁a， *，秦明b，张军b，潘磊aa国电联合电力技术有限公司，风电装备与控制国家重点实验室，北京市海淀区，邮编：100039b西城区国电新能源技术研究院，邮编：100034摘要风力发电机组机械系统的故障识别是状态监测系统的一项基本任务，它依赖于监测信号的时频特征。提出了一种基于希尔伯特-黄谱匹配的振动信号识别方法。故障识别是制定为一个调整过程，转移振动的HHS匹配预定义的故障模式，使用ICP。考虑到HHS的持续时间和初始频率特性可能导致不同的对齐结果，设置具有多个时间尺度和位置的迭代参数。在模拟中，一个机械故障的识别和有效性进行了比较。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。由美国应用科学研究所负责选择和/或同行评审关键词：风力发电机;故障识别;电感耦合等离子体;希尔伯特-黄光谱1. 介绍随着风电场规模的不断扩大，许多风电机组过早失效，维护成为风电场面临传动链的振动信号通常是主要的振动源* 通讯作者。联系电话：电话：010 - 57657457传真：010 - 57659200电子邮件地址：panhaining@126.com2212-6716 © 2013作者由Elsevier B. V.在CC BY-NC-ND许可下开放获取。美国应用科学研究所负责的选择和/或同行评审doi：10.1016/j.aasri.2013.10.034224Haining Pan等人/ AASRI Procedia 4（2013）223我们用来诊断机械故障。重载荷、阵风和粉尘腐蚀等可能引起的损伤一般都反映在振动的频率特性上，并可能导致整个风力发电机组的灾难性故障。因此，机械振动的识别和评估是风力发电机组可靠性评估的重要课题，而时频分析方法是目前广泛应用的方法。由于所测量的振动通常在时频域中是非平稳的，因此已采用成熟的小波变换方法[1]、经验模式分解和希尔伯特-黄变换（HHT）[2]来检测旋转机械的齿轮和其他机械部件的缺陷。故障识别是时频分析的后续过程，是将振动特征映射到故障模式的关键环节。采用支持向量机对传动链系统中的轴和齿轮进行故障分类[3]。C.C. Wang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]。Lei和Zuo使用加权最近邻分类算法来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来选择敏感特征[5]。 迭代最近点（Iterative Closest Point）在应用视觉技术中用于对齐采样数据云，包括数据选择、距离迭代和特征匹配[6]。本文结合HHT分析，介绍了ICP匹配法，作为机器视觉领域中可靠性评估中的一种连续故障识别方法。本研究的目的是研究ICP过程应用于机械故障识别的效果。该方法首先对振动信号的固有分量进行分解，然后利用HHT技术进行归一化处理，得到振动信号的幅值和瞬时频率，再对幅值和瞬时频率进行计算和积分，绘制出Hilbert-Huang谱（HHS）。考虑到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。这种新方法的原理将在以下章节中描述。2. 机械振动机械系统的振动信号中包含了大量与频率啮合过程动力学特性相关的信息，如系统固有频率以及齿轮故障或劣化等。EMD的主要缺点是模式混合，这通常是由信号中的混叠引起的。因此，EEMD，噪声辅助的方法来克服这个缺点。对于EEMD得到的任意IMFc（t），首先确定数据绝对值的所有局部极大值，然后用三次样条曲线连接这些极大值点。该样条曲线被指定为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，我们就可以通过重复以下步骤来归一化IMF，yi（t）yi 1（t）ei（t）（一）如果所有的值y n（t）小于或等于1。然后，经验频率调制F（t），以及IMF的幅度调制A（t）为：F（t）yn（t），A（t）e1（t）e2（t）en（t）（二）然后IMFf（t）由A（t）和F（t）是f（t） A（t） F（t）A（t）cos（t）（三）Haining Pan等人/ AASRI Procedia 4（2013）223225实际上，瞬时频率不能从实时信号中导出，因为相位是非线性的并且有噪声。直接求积是计算（t）的新方法，其为：反正切F（t）（四）因此，瞬时频率是相位的微分 （t）。即：（t）d（t）dt（5）振动信号的时频能量分布，称为时频希尔伯特谱，最终可以表示为：H（，t）MAk（t）cosK1k（t）dt（6）3. 用于故障识别大多数的评估方法都是预先定义几个以频率和时间信息为特征的故障模式，然后判断出所测量的工况属于哪一种故障模式，因此如何评估齿轮箱当前工况与预先定义的故障模式的相似性是关键。这里引入基于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维，2D HHS可以被呈现为增强的三维数据云，这更有助于对齐HHS该过程采用两个HHS作为输入。一个是用EEMD方法从测量的齿轮箱振动计算出的真实HHS，另一个是我们根据经验建立的参考HHS模式。当然，还包括信号的时间和频率范围以及相应的信号能量。输出是两个HHS的旋转和运输位移。修改后的ICP具有以下形式：[R，T，p，e]ICP（HHSm，HHSd，iter）（七）其中HHSm是来自测量的振动信号的HHS，HHSd是预定义的故障模式R，并且T是旋转和运输之间HHSm和HHSdP是好的百分比，每个HHS中匹配得相当好的点，e是迭代完成时的残差，iter是ICP过程的迭代次数。假设要匹配的给定的两个HHS可以被描述为等式8的点集，HHSmp1，p2，pn 、HHSdq1，q2，qn（八）其中n是HHS的点数，并且对于两个HHS都相同。ICP算法从配准参数的初始估计开始，然后该算法形成逐渐减小误差的估计序列。重复下面的最小化问题（等式9），并根据参考值更新HHS。1F2（t）226Haining Pan等人/ AASRI Procedia 4（2013）223qiargminq RpiT ，q HHSd（九）显然，R、T、p和e决定了HHSm和HHSd的相似性。在立体视觉领域，R和T是非常重要的，因为它们响应于相邻采样时间之间的运动。但这里R几乎是无用的，因为这两个HHS的相对位置没有相对旋转。p和e表示两个HHS中有多少数据匹配，以及匹配程度如何。因此，我们选择p和e作为评价机械系统运行状况的指标。如果我们得到一个大的p和一个小的e，这两个HHS相互匹配，也就是说，由HHSm表示的测量条件属于由HHSd表示的预定义故障模式。4. 基于多时间尺度HHS序列的机械故障诊断在Matlab环境下，使用ICP执行和计算参考故障模式的振动信号的HHS之间的HHS匹配过程。硬件是一台PC机，CPU工作在2.6GHz和2G RAM。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，将具有有限振幅的白噪声添加到信号中，在时间-频率空间中提供统一的参考系，并在其真实解附近扰动信号。这使得不同尺度的信号分量能够整理成适当的IMF。在足够多的试验的集合平均中，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，请参见[7]。振动信号被分解为图2所示的几个IMF。仿真以实际HHS作为输入，HHS是使用EEMD方法从测量的振动计算的二维空间中的信号能量水平的数据结构。能量根据其在相应时间和频率的强度进行颜色编码（图2左侧）。红色的能量高，洋红色的能量低。100-100 1000 2000 3000 4000 5000 6000 70008000900010000100-10020004000600080001000050-5020004000600080001000020-2020004000600080001000010-102000400060008000100000.50-0.502000400060008000100000.20-0.202000400060008000100000.20-0.202000400060008000100000.10-0.102000400060008000100000.10-0.102000400060008000100000.10-0.10.050-0.0502000400060008000100000.020-0.020200040006000800010000样本点0200040006000800010000图1实测振动信号及其分解IMF加速度（m/s2）Haining Pan等人/ AASRI Procedia 4（2013）22322730002500200015001000500电话：+86-021 - 8888888传真：+86-021 - 8888888时间（秒）图2振动信号如果我们将能级视为三维，则HHS表示为三维空间中的数据集，其中x轴是时域，y轴是振幅，z是归一化能级。我们定义了一个断轴故障HHS，它是齿轮箱主轴的外轴承故障，如图2的右边所示。它有两个基本频带，分别在160 Hz和330 Hz左右。注意，图2中右侧频率轴的刻度是左侧的三倍。取从t0开始的HHS的tw长度子集，然后我们可以使用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t0和tw的组合集合，HHS的相应子集依次与预定义子集匹配。通过最小化等式9，T、p和e都被确定，然后在表1中列出。由于这两个3D HHS几乎没有相对旋转，因此表1中的R具有非常小的值并且在此被忽略。由于p和e代表两个输入HHS的数据匹配程度，因此我们将p和e作为评估故障的指标。正如我们所看到的，较大的tw比较小的t w具有更好的对齐性能。这是因为此处的轴承故障具有约0.35s的振动调制周期0.4s和0.5s的t_w大于该周期，具有更丰富的特征。不同t0TW频率（Hz）228Haining Pan等人/ AASRI Procedia 4（2013）223t0可能影响平移向量T。以tw=0.4为例，当t 0 = 0.6时，x轴上的平移为0.1129，当t0=0.2时为0.0231，当t0=1.0时为0.0225。这取决于定义故障模式的方式。由于这里的模式包含0.3s处的峰值能量，因此它看起来像是在t 0 = 0.2附近开始的测量信号的HHS的子集表1.不同时间尺度下HHS匹配过程的结果tw的t0R不p（%）e（RMS）0.30.2--[0.0342; 3.36; 0.12]80.570.54940.30.6--[0.1021; 4.19; 0.09]84.280.46530.31.0--[0.0261; 4.16; 0.08]82.100.50020.40.2--[0.0231; 4.32; 0.02]90.870.33190.40.6--[0.1129; 4.09; 0.06]91.320.36480.41.0--[0.0225; 3.14; 0.06]91.060.33630.50.2--[0.0315; 3.36; 0.02]91.080.33190.50.6--[0.1048; 3.56; 0.06]90.480.36480.51.0--[0.0223; 3.61; 0.06]91.230.33635. 结论针对风力发电机组机械故障诊断与分类问题，提出了一种基于振动HHS匹配的状态评估方法。我们的结论是，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与定义的模式很好地匹配。结果表明，当振动能量分布存在明显差异时，基于ICP的力学评估方法是适用的，这有利于ICP发现HHS特征。被测振动信号的周期最好大于其振动调制周期。如果信号复杂或具有混合带宽，则应引入附加规则来对故障模式进行分类。6. 确认本研究得到国家重点基础研究计划（973计划）2012CB215205的资助。引用[1] 蔡建诚，谢建诚，黄世俊。基于连续小波变换的风力涡轮机叶片损伤检测的改进。IEEE能源转换学报2006; 21：776-782[2] 吴天艳，陈锦春，王传春。基于希尔伯特-黄变换和瞬时无量纲频率归一化的变速齿轮故障特征化。机械系统与信号处理2012; 30：103-122[3] 华勤，何正杰，张志生.基于改进小波包变换和svms集成的旋转机械故障诊断机械系统与信号处理2007; 688-694[4] Wang CC，Kang Y and Shen PC.时间序列分析与神经网络在旋转机械故障诊断中的应用。专家系统应用2010; 37：1696-1701Haining Pan等人/ AASRI Procedia 4（2013）223229[5] 雷毅，左兆杰.基于加权K近邻分类算法的齿轮裂纹等级识别。机械系统信号处理2009; 23：1535-1541[6] Rusinkiewicz S，Levoy，M. ICP算法的有效变体。第三届国际3D数字成像与建模会议2001：21-27[7] 彭高，蔡宝荣，朱福良。改进的希尔伯特-黄变换与小波变换在滚动轴承故障诊断中的应用。机械系统与信号处理2005; 19：974-988