基于HHT的风力发电机组滚动轴承故障特征提取

基于HHT的风力发电机组滚动轴承故障特征提取

刘毅力;陶学军;李佳;初永刚;田勇

【摘 要】采用振动信号对风力发电机组滚动轴承的状态进行监测。运用经验模态分解方法对轴承振动信号进行模态分解，获得了振动信号的本征模函数。依据振动信号随轴承磨损的变化特征，采用希尔伯特-黄变换对分解后的本征模函数进行处理，得到了与本征模态函数对应的时频谱和边际谱。研究结果表明在时频谱和边际谱中呈现的特征量与轴承状态之间存在密切联系，根据振动信号的时频谱特征和边际谱特征可实现轴承故障状态的监测。

【期刊名称】《电力系统保护与控制》

【年(卷),期】2012(000)020

【总页数】5页(P79-82,88)

【关键词】经验模态分解;本征模函数;希尔伯特-黄变换;滚动轴承;风力发电机

【作 者】刘毅力;陶学军;李佳;初永刚;田勇

【作者单位】西安工程大学电信学院,陕西 西安 710048;许继电气股份有限公司,河南 许昌 461000;许继电气股份有限公司,河南 许昌 461000;许继电气股份有限公司,河南 许昌 461000;许继电气股份有限公司,河南 许昌 461000

【正文语种】中 文

【中图分类】TM619

0 引言 风能是一种清洁的能源，在自然界中可以不断生成，因此开发利用的潜力巨大[1]。目前世界各国都在加大力度开发风能、太阳能等新能源[2]，特别是在风力发电领域，人们一直想探索一种有效的方法来监测风机的运行状态，而齿轮箱中的轴承作为风机运行过程中至关重要的环节，其完好率、可靠性与整个风机的运营状况及发电量息息相关，然而大型风力发电机组运行环境复杂多变，运行工况具有不可预测和不可重复性[3]，为准确、及时捕捉故障信息带来很大难度。因此，近年来国内外诊断学者针对轴承的监测展开了广泛的研究，提出了诸多监测方法，特别是随着数字信号处理技术的发展，基于间接测量法判断轴承的情况已经发展成为轴承状态监测领域里一类重要手段。文献[4]提出一种基于短时傅里叶变换的能量谱和独立分量分析的抗干扰滚动轴承包络分析新方法。该方法通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性，实现滚动轴承故障的精确监测。文献[5]利用小波变换对检测到的轴承故障信号进行分析，通过分解到各个频段，再经过分析比较故障信号所得出的细节信号，得出基于小波变换的滚动轴承故障诊断方法是可靠准确的，可以应用于轴承的状态检测与故障诊断。但是由于轴承运行环境的复杂性和多样性、受力的多变性和随机性，导致能够准确反应轴承真实状态的有效特征难以提取。因此研究提取风力发电机运行过程中齿轮箱状态特征的新方法势在必行。目前，国内外学者对特征提取方法做了大量的研究工作。

然而，由于风机轴承运行机理复杂，属变载荷、变转速的工况，导致加速度信号往往呈现非线形、非平稳的特征，常规的分析方法主要应用于定转速监测。因此，本文为解决强干扰背景下风机轴承振动信号特征提取的问题，运用 HHT对轴承的振动信号进行处理，提取振动信号特征，为风机运行过程轴承状态监测提供了一种有效的方法。

1 HHT原理

1.1 HHT的原理 HHT由经验模态分解(Empirical Mode Decomposition， EMD)和希尔伯特谱分析(Hilbert Spectral Analysis，HAS)两部分组成，首先把数据序列分解成有限个本征模态函数(Intrinsic Mode Function，IMF)分量；然后对分解得到的每个 IMF分量作Hilbert变换，从而得到信号时频平面上的边际谱图[5-6]。

1.2 Hilbert的边际谱

对 EMD分解后得到的本征模态函数 ci(t)进行Hilbert变换，可以获得Hilbert时频谱和边际谱，算法如下[7-8]：

（1）对ci(t)进行希尔伯特变换

1.3 仿真算例

构造一个频率为26 Hz的正弦信号Y1和一个频率为81~102 Hz的调频信号Y2的叠加信号Y。经过HHT处理后，结果如图1所示，可以看出HHT算法的有效性。

2 轴承振动信号的HHT处理

2.1 滚动轴承的故障频率分析

本文固定滚动轴承的外圈，使内圈随轴转动。轴承故障特征频率如表1所示[9-10]。

表1 滚动轴承故障频率Table 1 Fault-frequency of rolling bearing工作轴转频

s /60 fn=保持架回转频率f = -cp s 1(1 cos)2D af d内圈滚道通过频率Z d f= +i

(1 cos)2D afs外圈滚道通过频率Z d f= -o (1 cos)2D af s滚动体通过频率D d

f= -2 2 rp s[1 ( )cos ]2d D af

表1中，为接触角，为轴承节径，为滚动体直径，为轴的转速，为滚动体个数。

本文是针对许继风电科技有限公司的2 MW双馈风力发电机组进行分析，工况为：1 797 r/min，采样长度N=1 024。内圈故障频率为，则外圈故障频率为 f

o=107 Hz，转频为动体故障频率为 f rp=141 Hz。

2.2 振动信号的EMD分解

本振动信号是基于前处理后的基础上进行的EMD分解，从图2~图4中可以明显地看出来前几个IMF中包含了轴承故障的周期成分。信号的特征信息主要包含在前几个 IMF分量中，即高频成分中。

图2 内圈故障EMD分解图Fig. 2 EMD decomposition diagram of inner-race

fault

图3 外圈故障EMD分解图Fig. 3 EMD decomposition diagram of outer-race

fault

图4 滚动体故障EMD分解图Fig. 4 EMD decomposition diagram of rolling

parts fault

2.3 振动信号的HHT谱分析

2.3.1 边际谱分析

利用Hilbert变换获得的内圈故障、外圈故障和滚动体故障的边际谱如图5~图7，图5中对应频率为160 Hz，近似工况内圈故障频率162 Hz；图6中，边际谱的最高频率为 105 Hz，近似外圈故障频率106 Hz；图7中，边际谱幅值最高频率为140 Hz，近似滚动体故障频率142 Hz；因此可以判断该算法可以真实地反应滚动轴承的故障信息，所得结果与轴承真实故障吻合。

图5 内圈故障HHT边际谱Fig. 5 HHT marginal spectrum of inner-race fault

图6 外圈故障HHT边际谱Fig. 6 HHT marginal spectrum of outer-race fault

图7 滚动体故障HHT边际谱Fig. 7 HHT marginal spectrum of rolling parts

fault

2.3.2 时频谱分析 利用Hilbert变换获得的内圈故障、外圈故障和滚动体故障的时频谱如图8~图10所示，从图8中可以看出，能量主要集中在100~200 Hz之间，这和图5能够保持一致，同时也体现了该算法对时频信号的强分辨特性。以此类推图9、图10能够与图6、图7保持一致。因此可以判断时频谱可以真实地反应滚动轴承的故障信息。

图8 内圈故障HHT谱Fig. 8 HHT spectrum of inner-race fault

图9 外圈故障HHT谱Fig. 9 HHT spectrum of outer-race fault

图10 滚动体故障HHT谱Fig. 10 HHT spectrum of rolling parts fault

3 结论

采用改进的EMD对齿轮箱振动信号进行处理，实现了信号的模态分解，通过分析EMD图、边际谱图和时频图得出：用HHT方法分析滚动轴承故障振动信号，能够得到很好的诊断结果。

参考文献

【相关文献】

[1] 孙勇, 汪玉凤, 赫飞. 风力发电节能技术的设计与应用[J]. 电力系统保护与控制, 2009, 37(12):

79-81.SUN Yong, WANG Yu-feng, HE Fei. Design and application of energy-saving

technology in wind power generation[J]. Power System Protection and Control,2009,

37(12): 79-81.

[2] 冯希科, 邰能灵, 宋凯. 风力发电机对配电网影响的比较分析[J]. 电力系统保护与控制, 2009,

37(21):25-30.FENG Xi-ke, TAI Neng-ling, SONG Kai. Comparative analysis on the impact of

the wind genetator connected to the distribution network[J]. Power System Protection

and Control, 2009, 37(21): 25-30.

[3] 张举良, 陶学军, 贾晓杰, 等. 大型风力发电机组主控测试系研究[J]. 电力系统保护与控制, 2011,

39(22):140-143.ZHANG Ju-liang, TAO Xue-jun, JIA Xiao-jie, et al.Research on the main

control testing system of the large-scale WTGS[J]. Power System Protection and Control, 2011, 39(22): 140-143.

[4] 唐先广, 郭瑜, 丁彦春, 等. 基于短时傅里叶变换和独立分量分析的滚动轴承包络分析[J]. 机械强度, 2012,34(1): 37-41.TANG Xian-guang, GUO Yu, DING Yan-chun, et al.Application of

rolling element bearing envelope analysis based on short time Fourier transition and

independent components analysis[J]. Journal of Mechanical Strength, 2012, 34(1): 37-41.

[5] 范家栋, 程礼, 韩磊, 等. 基于小波变换的滚动轴承故障诊断分析[J]. 微计算机信息, 2008, 24(31):

68-72.FAN Jia-dong, CHENG Li, HAN Lei, et al. Analysis of fault diagnosis of rolling

bearing based on wavelet transform[J]. Control amp; Automation, 2008, 24(31):68-72.

[6] 李琳. HHT时频分析方法的研究与应用[D]. 吉林: 吉林大学, 2006.LI Lin. The research of HHT