一种风电主轴轴承早期故障诊断方法

1.本发明属于新能源设备技术领域，具体的说是一种风电主轴轴承早期故障诊断方法。


背景技术：

2.近年来，随着经济结构的调整，作为绿色能源的风能越来越受到重视，从而促使风电装备获得长足的发展。但对已运行的小功率风电机组进行统计发现，由于风电主轴轴承生存环境恶劣，其产生故障从而导致停机事故的现象时有发生，因此，研究风电主轴轴承的故障诊断对降低影响风电机组安全、稳定运行的风险有着重要意义。然而随着风电技术的进步及能源结构的不断调整，风机向大功率发展已成为必然方向。但我国4mw以上大功率风电轴承还未突破，严重制约我国风电行业的发展。与此同时，针对4mw以上大功率风电主轴轴承的故障诊断研究也是空白。
3.风电轴承故障后，受滚动体和损伤面相对运动的影响会产生交变的冲击力，从而引发频率成分丰富的复杂振动。因此，目前风电主轴轴承故障诊断多采用振动检测技术，通过振动加速度传感器对滚动轴承进行振动信号的检测，再选择适当的信号处理方法提取故障特征量进行故障识别。研究表明，主轴转速越高或表面损伤越严重，振动频率就越高。然而风电主轴轴承转速相对较低，采用振动检测技术对风电主轴轴承进行故障诊断并不十分有效。不仅如此，风电轴承振动信号往往包含大量干扰噪声，传统的信号处理方法多存在模态混叠、弱特征信号丢失、噪声敏感、所需样本数据维度过高、计算机开销较大等问题，十分不利于故障特征的提取和智能识别。


技术实现要素：

4.本发明为解决上述问题，提出了一种风电主轴轴承早期故障诊断方法，本发明能够更好的提取轴承故障的早期特征，从而对风电主轴轴承故障进行早期预警，有效避免停机事故的发生。
5.本发明通过以下技术方案来实现：
6.一种风电主轴轴承早期故障诊断方法，主要包括以下步骤：
7.步骤一、风电主轴轴承故障信号的获取
8.在风电主轴轴承试验机上安装声发射检测系统对轴承运行状态进行检测，且在风电主轴轴承上预制内圈裂纹、外圈裂纹、保持架裂纹、滚动体点蚀4种典型缺陷，风电主轴轴承试验机模拟实际运行工况进行运转，以固定时间间隔采集时变工况下滚动轴承声发射信号以及转速键相信号；
9.步骤二、风电主轴轴承故障信号预处理
10.通过声发射检测系统获得轴承故障的声发射数据后，利用补充总体经验模态分解方法对原始信号进行处理，成功将信号中的高频分量和低频分量进行分离，实现强噪声背景下轴承微弱故障信息的增强；
11.步骤三、基于计算阶次追踪和变尺度共振的故障特征识别
12.对声发射信号进行预处理后，将获得的增强信号用于滚动轴承故障特征识别，其故障特征识别采用计算阶次追踪和变尺度共振方法，准确识别轴承未知故障模式。
13.进一步的，补充总体经验模态分解方法具体过程为：
14.s1、将一对幅值相同、方向相反的白噪声分别添加到待分解声发射信号中，将此过程重复n次，每次添加的白噪声幅值相同，得到2n组信号，其中i＝1，...，n；
15.s2、分别对2n组信号进行emd分解，得到2n组imf分量：imf
i+
和imf
i-(i＝1，2，...，n)；
16.s3、将imf
i+
和imf
i-集成平均得到一组imf分量：
[0017][0018]
s4、计算出各imf分量的峭度值和与原始信号的互相关系数；
[0019]
s5、按互相关系数由大到小的顺序将imf分量进行排序，并选取互相关系数较大的前三个imf分量进行下一步的筛选；
[0020]
s6、对于s5中筛选出的imf分量，选择峭度值大于3的分量进行重构。
[0021]
进一步的，采用计算阶次追踪和变尺度共振方法的具体步骤如下：
[0022]
(1)对增强后的信号开展希尔伯特变换，以恒定角度增量重采样解调后的包络信号，实现时间域至角度域、非平稳信号至平稳信号的转变；
[0023]
(2)对角域平稳信号进行变尺度共振处理，得到各假想故障阶次处的共振响应输出；
[0024]
(3)计算输入信号对应的共振响应阶次谱的共振因子值，准确识别轴承未知故障模式。
[0025]
进一步的，所述声发射检测系统包括声发射传感器、前置放大器以及数据采集板卡组成。
[0026]
进一步的，转速通过转速测量传感器测量。
[0027]
本发明的有益效果在于：
[0028]
(1)本发明利用已有国内首台大功率风电主轴轴承试验机，构建风电主轴轴承故障诊断试验系统，在试验机上安装声发射传感器对轴承运行状态进行检测。由于风电主轴轴承在运行中常见的故障类型有疲劳剥落、磨损、胶合、断裂和锈蚀等，因此首先在风电主轴轴承上预制内圈裂纹、外圈裂纹、保持架裂纹、滚动体点蚀4种典型缺陷，然后利用故障诊断检测系统获取轴承故障信号以及正常轴承信号；
[0029]
(2)本发明利用补充总体经验模态分解方法对原始信号进行处理，该方法可以成功将信号中的高频分量和低频分量进行分离，分解得到的imf分量能够表征实际的物理意义，从而实现强噪声干扰背景下滚动轴承非平稳微弱故障信息的增强；
[0030]
(3)本发明故障特征识别采用计算阶次追踪和变尺度共振方法，有效克服了深度学习方法计算开销大的问题；
[0031]
综上所述，采用本方法能够更好的提取轴承故障的早期特征，从而对风电主轴轴承故障进行早期预警，有效避免停机事故的发生。
附图说明
[0032]
图1是本发明的流程图。
具体实施方式
[0033]
下面根据附图对本发明实施例中的技术方案进行清楚、完整地描述。
[0034]
实施例1
[0035]
如图所示，一种风电主轴轴承早期故障诊断方法，主要包括以下步骤：
[0036]
步骤一、风电主轴轴承故障信号的获取
[0037]
利用已有国内首台大功率风电主轴轴承试验机，构建风电主轴轴承故障诊断试验系统，在风电主轴轴承试验机上安装声发射检测系统对轴承运行状态进行检测，由于风电主轴轴承在运行中常见的故障类型有疲劳剥落、磨损、胶合、断裂和锈蚀等，因此首先在风电主轴轴承上预制内圈裂纹、外圈裂纹、保持架裂纹、滚动体点蚀4种典型缺陷，然后利用故障诊断检测系统获取轴承故障信号以及正常轴承信号。声发射检测系统由声发射传感器、前置放大器以及数据采集板卡组成，风电主轴轴承试验机模拟实际运行工况进行运转，同时转速测量传感器测量主轴转速，以固定时间间隔采集时变工况下滚动轴承声发射信号以及转速键相信号；
[0038]
步骤二、风电主轴轴承故障信号预处理
[0039]
通过声发射检测系统获得轴承故障的声发射数据后，利用补充总体经验模态分解方法对原始信号进行处理，成功将信号中的高频分量和低频分量进行分离，分解得到的imf分量能够表征实际的物理意义，从而实现强噪声背景下轴承微弱故障信息的增强；具体过程为：
[0040]
s1、将一对幅值相同、方向相反的白噪声分别添加到待分解声发射信号中，将此过程重复n次，每次添加的白噪声幅值相同，得到2n组信号，其中i＝1，...，n；
[0041]
s2、分别对2n组信号进行emd分解，得到2n组imf分量：imf
i+
和imf
i-(i＝1，2，...，n)；
[0042]
s3、将imf
i+
和imf
i-集成平均得到一组imf分量：
[0043][0044]
s4、计算出各imf分量的峭度值和与原始信号的互相关系数；
[0045]
s5、按互相关系数由大到小的顺序将imf分量进行排序，并选取互相关系数较大的前三个imf分量进行下一步的筛选；
[0046]
s6、对于s5中筛选出的imf分量，选择峭度值大于3的分量进行重构。
[0047]
步骤三、基于计算阶次追踪和变尺度共振的故障特征识别
[0048]
对声发射信号进行预处理后，将获得的增强信号用于滚动轴承故障特征识别，由于风电主轴轴承实际运行工况为时变工况，其信号特征为典型非稳态信号，其故障特征识别采用计算阶次追踪和变尺度共振方法，准确识别轴承未知故障模式，有效克服了深度学习方法计算开销大的问题，具体步骤如下：
[0049]
(1)对增强后的信号开展希尔伯特变换，以恒定角度增量重采样解调后的包络信号，实现时间域至角度域、非平稳信号至平稳信号的转变；
[0050]
(2)对角域平稳信号进行变尺度共振处理，得到各假想故障阶次处的共振响应输出；
[0051]
(3)计算输入信号对应的共振响应阶次谱的共振因子值，准确识别轴承未知故障模式。
[0052]
以上显示和描述了本发明的基本原理、主要特征和优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。