[發明專利]一種軸承故障診斷方法

在審

• 申請號: 201711261692.5
• 申請日: 2017-12-04
• 公開（公告）號: CN108036940A
• 公開（公告）日: 2018-05-15
• 發明（設計）人: 安學利;潘羅平;趙明浩
• 申請（專利權）人: 中國水利水電科學研究院
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 徐寧;孫楠

本發明涉及一種軸承故障診斷方法，其特征在于包括以下步驟：1)獲取風力發電機組主軸軸承不同狀態下的多組振動加速度信號數據，隨機抽取若干組作為標準樣本數據，其余各組作為待檢測樣本數據；2)對標準樣本數據和待檢測樣本數據進行自適應分解，得到一系列固有旋轉分量；3)對標準樣本數據和待檢測樣本數據中第一個固有旋轉分量的瞬時幅值和瞬時相位信息進行時域分析，并提取軸承故障特征向量；4)將提取的標準樣本數據的故障特征向量輸入鄰近距離分類器進行訓練，得到訓練好的故障診斷模型；5)將提取的待檢測樣本數據的軸承故障特征向量輸入訓練好的故障診斷模型進行故障識別，得到軸承的故障狀態。本發明可以廣泛應用于軸承故障診斷中。

技術領域

本發明涉及設備故障診斷技術領域，特別是關于一種軸承故障診斷方法。

背景技術

風能作為最具規模開發潛力的可再生新能源，近年來發展十分迅猛。由于風電機組的運行環境較為惡劣，隨著機組累計運行時間的增加，機組部件極易出現故障。因此，有必要對風力發電機組進行在線監測，以便及時地掌握機組運行狀態，確保安全穩定運行。在風電機組故障中，軸承故障占很高的比例，其振動信號非常復雜。

當滾動軸承發生故障時，其振動信號具有非平穩性。由于時頻分析方法能同時提供振動信號在時域和頻域的局部化信息，因此可以對軸承故障信號進行分析。常用的時頻分析方法包括窗口傅里葉變換、Wigner分布、小波變換和EMD等方法，但是這些方法存在一些局限性。窗口傅里葉變換的時頻窗口大小是固定不變的，Wigner分布對多分量信號進行分析時會產生交叉項。小波變換雖然具有可變的時頻窗口，但它不是一種自適應的信號處理方法。EMD能自適應地將復雜的多分量信號分解為若干個IMF(Intrinsic modefunction)分量之和，但該方法存在過包絡、欠包絡、模態混淆、端點效應及和分解速度慢等問題。

固有時間尺度分解(ITD)是Frei和Osorio提出信號處理方法，它將復雜的非平穩、非線性信號分解成若干個固有旋轉分量(proper rotation component)，能夠準確地提取非平穩信號的動態特性，有較高的拆解效率和頻率分辨率，適合實時分析處理大量具有時變特性的非平穩信號。由于ITD沒有插值和篩選過程，它獲得的瞬時幅值和瞬時相位能實時反映信號的時頻信息。

發明內容

針對上述問題，本發明的目的是提供一種軸承故障診斷方法，能夠準確地診斷出風力發電機組軸承故障，且具有很高的計算效率。

為實現上述目的，本發明采取以下技術方案：一種軸承故障診斷方法，其特征在于包括以下步驟：1)獲取風力發電機組主軸軸承不同狀態下的多組振動加速度信號數據，隨機抽取若干組作為標準樣本數據，其余各組作為待檢測樣本數據；2)對標準樣本數據和待檢測樣本數據進行自適應分解，得到一系列具有不同特征尺度的固有旋轉分量；3)對標準樣本數據和待檢測樣本數據中第一個高頻固有旋轉分量的瞬時幅值和瞬時相位信息進行時域分析，并提取軸承故障特征向量；4)將提取的標準樣本數據的故障特征向量輸入鄰近距離分類器進行訓練，得到訓練好的故障診斷模型；5)將提取的待檢測樣本數據的軸承故障特征向量輸入訓練好的故障診斷模型進行故障識別，得到該軸承的故障狀態。

所述步驟3)中，對固有旋轉分量的瞬時幅值和瞬時相位信息進行時域分析，是指計算得到其瞬時幅值和瞬時相位的特征信息，其中，瞬時幅值的特征用峰峰值、峰值指標和標準偏差表示，瞬時相位的特征用峭度指標表示。

所述峰峰值、峰值指標、標準偏差和峭度指標的計算公式分別為：

峰峰值up：

峰值指標CF：