[發明專利]一種風電機組滾動軸承的振動故障診斷方法

在審

• 申請號: 201710356445.7
• 申請日: 2017-05-19
• 公開（公告）號: CN107192554A
• 公開（公告）日: 2017-09-22
• 發明（設計）人: 賈嶸;李濤濤;武樺;張惠智
• 申請（專利權）人: 西安理工大學
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 西安弘理專利事務所61214
• 代理人: 楊璐

技術領域

本發明屬于故障診斷方法技術領域，涉及一種風電機組滾動軸承的振動故障診斷方法，具體涉及一種基于隨機共振和變分模態分解的風電機組滾動軸承的振動故障診斷方法。

背景技術

隨著時代的進步，能源短缺和環境問題日益凸顯，可再生能源的開發利用受到了世界各國的廣泛關注。風力發電作為一種可再生清潔能源，其技術相對成熟，具有大規模商業開發條件且成本相對較低，近年來受到了各國的重視。然而，風力發電機組長期工作于交變載荷、多工況和大溫差等復雜環境下，機組各設備極易出現各種故障，會嚴重影響風電機組的安全穩定運行。滾動軸承作為風電機組的重要部件，其故障在風電機組故障中占有很高的比例，若能提早發現滾動軸承故障，及時采取維修措施，就能保證機組的安全可靠運行。

由于風電機組結構復雜且設備藕聯性強，滾動軸承早期故障振動信號表現為非線性、非平穩特性和極易淹沒在強噪聲環境中，極大影響了滾動軸承故障特征的提取。近年來，國內外許多學者針對滾動軸承故障信號的檢測與診斷，已做了大量的研究工作。

目前，已經出現了很多相關文獻：(1)采用經驗模態分解(Empirical Modal Decomposition，EMD)與散度指標對風電機組滾動軸承的故障類型和故障程度分別進行了有效的定位和診斷；(2)針對EMD分解存在的模態混疊，提出基于集合經驗模態分解峭度-相關系數準則的滾動軸承故障特征提取方法，并利用支持向量機對提取的故障特征進行了準確的分類和識別；(3)利用局部均值分解(Local Mean Decomposition，LMD)和近似熵對滾動軸承的故障特征進行了提取，并與EMD分解和近似熵提取滾動軸承故障特征的方法進行對比，指出該方法優于EMD分解和近似熵相結合的故障特征提取方法；(4)將隨機共振和局部均值分解相結合的方法應用于滾動軸承早期微弱故障信號的檢測與診斷，取得了較好的診斷結果；(5)針對EMD和LMD這類遞歸模式分解存在的端點效應和模態混疊現象，提出了變分模態分解和奇異值分解相結合的滾動軸承故障特征提取方法，對滾動軸承在變負荷下的故障特征進行了有效的提取。

在現有的文獻中，變分模態分解是Dragomiretskiy等人于2014年提出的一種新型信號分解技術，非常適用于非線性、非平穩信號的處理，可將信號分解為不同頻段的IMF分量，通過求取某個IMF分量的頻譜，能發現故障信號的特征頻率，實現故障類型的識別與診斷。由于風電機組滾動軸承振動故障信號易受強噪聲環境影響，使提取IMF分量的故障特征頻率并不明顯，難以進行故障的準確定位。

發明內容

本發明的目的在于提供一種風電機組滾動軸承的振動故障診斷方法，該方法能提高信號的信噪比，實現對風電機組滾動軸承振動故障的精確診斷。

本發明所采用的技術方案是，一種風電機組滾動軸承的振動故障診斷方法，具體按照以下步驟實施：

步驟1、利用振動傳感器采集風電機組滾動軸承內圈故障振動信號；

步驟2、采用雙穩態系統的模型對步驟1中采集到的風電機組滾動軸承內圈故障振動信號進行降噪處理，輸出降噪信號；

步驟3、對經步驟2輸出的降噪信號進行變分模態分解，得到不同頻段的IMF分量；

步驟4、經步驟3后，對VMD分解得到的各IMF分量進行頻譜分析，找到滾動軸承的故障特征頻率，完成對風電機組滾動軸承的振動故障的診斷。

本發明的特點還在于：

在步驟2中：

雙穩態系統是隨機共振系統常采用的一種非線性系統，通常研究利用朗之萬方程來描述雙穩態系統的模型，該模型具體如下：

在式(1)中：a>0，b>0；f(t)＝ax-bx³是一階非線性系統；s(t)＝Acosθt是輸入的周期信號，A、θ分別是其幅值和相角；Γ(t)是白噪聲，且E[Γ(t)]＝0，E[Γ(t)Γ(t-τ)]＝2Dδ(t)，D是噪聲強度，δ(τ)是均值為0、方差為1的白噪聲。

步驟3具體按照以下步驟實施：

步驟3.1、經步驟2輸出降噪信號后，設定降噪信號被VMD分解為K個帶寬之和最小的IMF分量，每個IMF分量均可以表示為一個調頻-調幅的模態函數u_k(t)，要求K個模態函數u_k(t)的帶寬之和最小，且K個模態函數u_k(t)之和為輸入信號f(t)：