专利名称：大型风力机组轴承故障诊断方法及系统的制作方法
技术领域：
本发明属于机械结构故障诊断领域，具体涉及一种大型风力机组轴承故障诊断方法及系统。
背景技术：
随着绿色能源越来越受重视，近年来世界风电得到高速发展。2009年中国的风电新装机容量已位居全球第一，总装机容量仅落后美国居全球第二，但是我国风机的正常工作时间和发电量都与装机容量不成比例，远低于世界平均水平，原因就是风机传动系统的主要组件如齿轮箱、轴承等故障率较高。最近几年风力机组朝着兆瓦级的大机型发展，它们一旦出现故障将造成更大的经济损失。因此，开展对大型风力机组传动系统的监测与诊断，提高机组的可靠性，减少故障率和降低维修成本刻不容缓。机械故障诊断过程包含信号采集、处理、特征提取和故障识别等几个阶段。在这一 过程中信号处理与特征提取是故障诊断过程中的一个重要环节。它通过对所采集的信号进行有效的分析和处理，提取出信号中反映设备运行状态的故障特征信息，然后对设备进行设备运行状态判断和故障分析。目前对风力机组轴承的状态监测与故障诊断研究大多采用传统的信号处理和特征提取方法，比如共振解调、小波分析等技术。这些方法很难适应大型风力机组的自身实际结构与运行的特点，因此方法这些方法往往不能很好达到诊断的目的。共振解调和小波分析的前提是要预先知道共振频带的位置，因此在实际应用中受到限制。另外，有研究人员基于短时傅里叶变换提出了谱峭度技术，但是该技术采用的是固定的窗函数，缺乏自适应性。大型风力机组结构与运行特点以及实际监测诊断要求主要体现在以下几个方面不同于普通机械设备，大型风力机组结构复杂，传动系统的振动设计轴承、轴等多个关键部件，加之受到背景噪声的干扰影响振动信号多呈现周期非平稳特性；同时由于风速的不平稳性，交变载荷作用到轴承，又使得轴承振动信号呈现高斯噪声混杂及非线性特性。这些因素增加对大型风力机组轴承的振动信号处理和特征提取的难度，本发明便是针对这一问题所提出的一种针对大型风力发电机组的自适应谱峭度轴承诊断方法。

发明内容
本发明所要解决的技术问题是提出一种大型风力机组轴承故障诊断方法及系统，其能够对高效、可靠地诊断大型风力机组变工况运行的轴承故障。为解决上述问题，本发明是通过以下方案实现的本发明一种大型风力机组轴承故障诊断方法，包括如下步骤(I)在待测风力机组的轴承座上安装加速度传感器，拾取主轴轴承的原始振动信号;(2)对原始振动信号进行快速傅里叶变换；(3)对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波；即
(3. I)设定初始窗函数、初始窗口宽度Nw和初始窗口滑动步长Λ ；(3. 2)将初始窗函数认定为当前窗函数，分别以当前窗函数、当前平移一步窗函数和两者合并后的窗函数作为滤波器对变换后的振动信号进行滤波，即对频域信号进行加窗和快速傅里叶逆变换；(3. 3)分别计算当前窗函数滤波后振动信号的谱峭度值当前平移一步窗函数滤波后振动信号的谱峭度值</(0)和合并后的窗函数滤波后振动信号的谱峭度值Φ么i⑴);(3. 4)比较上述3个滤波后振动信号的谱峭度值，若满足,(O)^OiaxKvJi(X)K/条件时，则保存当前窗函数滤波后振动
信号的谱峭度值？^(O),以及以A Λ +r Λ /2为中心，宽度为Nw+ Λ · r的窗口函数，其中&为第一个窗的第i次合并操作索引，r为窗合并数目； 当不满足？条件时，则以当前平移一步窗函数为新的初始窗函数重复步骤(3. 2) - (3.4);(4)对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，进行故障模式识别诊断。上述步骤(3. 3)中所述谱峭度值的计算公式为
, 、E{y{t)-v(t))4V(O) = J--' 、、2 -2①
(￡(y(0-K0))式中，y (t)为振动信号,FW为振动信号均值，E代表计算数学期望算子。上述步骤(4)中所述故障模式识别诊断采用计算机自动识别诊断和人工识别诊断相配合的过程，即将提取出的轴承故障特征频率与预先存储在计算机特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，计算机自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，计算机将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。本发明一种大型风力机组轴承故障诊断系统，包括加速度传感器、快速傅里叶变换模块、自适应谱峭度分析模块和包络分析模块；加速度传感器，安装在待测风力机组的轴承座上，拾取主轴轴承的原始振动信号;快速傅里叶变换模块，对原始振动信号进行快速傅里叶变换；自适应谱峭度分析模块，对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波；包络分析模块，对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，用于进行故障模式识别诊断。
上述大型风力机组轴承故障诊断系统还进一步包括模式识别模块，该模式识别模块将提取出的轴承故障特征频率与预先存储在其内部特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，其内部自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，其内部将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。与现有技术相比，本发明具有如下特点(I)本发明克服风电机组的非平稳工况和工况噪声影响，适合于实际风电机组实际运行条件；不需人为参与能够自动识别出轴承故障引起的共振频带；并能自动识别轴承故障类型。(2)本发明识别的轴承损伤速度快，适合于风电机组工作状态下实时故障巡检和在线监控；避免突发性事故发生。
(3)本发明不依赖于具体轴承型号，可根据不同型号风电机组主轴轴承的基本几何参数和旋转转速，预先提供轴承故障的理论计算特征值即可应用。因此，可在风电机组轴承故障诊断中广泛推广使用。


图I为一种大型风力机组轴承故障诊断方法的流程图；图2为自适应谱峭度分析方法流程图；图3 Ca)为拾取的原始振动信号；图3 (b)为快速傅里叶变换后的振动信号；图3 (C)为自适应谱峭度分析加窗过程结果；图3 Cd)为在图3 (C)加窗条件得到自适应谱峭度图；图3 (e)为自适应谱峭度分析后得到的最优带通滤波器；图3 (f)为利用最优带通滤波器进行窄带滤波解调结果；图3 (g)为图3 Cf)的包络信号；图3 (h)为图3 (g)的包络谱分析结果。
具体实施例方式参见图1，本发明一种大型风力机组轴承故障诊断方法，包括如下步骤(I)在待测风力机组的轴承座上安装加速度传感器，拾取主轴轴承的原始振动信号。本发明通过对典型的非平稳运行信号进行角域重采样，得到稳态信号。在本实例中，风力发电机组型号为NEG-MiconNMl000/60，额定功率为1070kw，最大旋转速度为1500rpmo受工作环境的影响，风力发电机组常工作在交变载荷的影响下呈现运行的非平稳、非线性等特性；这些对轴承故障特征提取带来诸多困难。在本实例中轴承的轴承座正下方分别安装轴向和径向两个压电加速度振动传感器，以采集主轴轴承的振动信号。在实际操作中，可以根据振动敏感性，只安装一个方向的振动传感器。在转轴上安装转速计，为轴承故障特征频率的理论计算提供依据。转速计是为前期计算轴承故障特征频率所安装的。采样频率设定为12kHz，本例风机主轴平均主轴工作转速为1000转/分即16. 65Hz，如轴承外圈理论故障特征频率为16. 65X3. 052=50. 82Hz，其中3. 052为计算的轴承外圈系数，该值由轴承的几何参数所确定，具体计算可用下式得到
权利要求
1.大型风力机组轴承故障诊断方法，其特征是包括如下步骤 (1)在待测风力机组的轴承座上安装加速度传感器，拾取主轴轴承的原始振动信号； (2)对原始振动信号进行快速傅里叶变换； (3)对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波；即 (3. I)设定初始窗函数、初始窗口宽度Nw和初始窗口滑动步长A ； (3. 2)将初始窗函数认定为当前窗函数，分别以当前窗函数、当前平移一步窗函数和两者合并后的窗函数作为滤波器对变换后的振动信号进行滤波，即对频域信号进行加窗和快速傅里叶逆变换； (3. 3)分别计算当前窗函数滤波后振动信号的谱峭度值当前平移一步窗函数滤波后振动信号的谱峭度值和合并后的窗函数滤波后振动信号的谱峭度值忙(X'+AO)； (3.4)比较上述3个滤波后振动信号的谱峭度值， 若满足, ■(jL(O) ^ max{^(Jv (o), ^(y''1 (0)}条件时，则保存当前窗函数滤波后振动信号的谱峭度值(O)，以及以，& A +r A /2为中心，宽度为Nw+ A r的窗口函数，其中 为第一个窗的第i次合并操作索引，r为窗合并数目； 当不满足卜条件时，则以当前平移一步窗函数为新的初始窗函数重复步骤(3. 2)-(3. 4)； (4)对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，进行故障模式识别诊断。
2.根据权利要求I所述的大型风力机组轴承故障诊断方法，其特征是步骤(3-3)中所述谱峭度值的计算公式为 咖) = 7^^-2 ① (^(XO-KO)) 式中，v(t)为振动信号，ru)力振动信号均值，E代表计算数学期望算子。
3.根据权利要求I所述的大型风力机组轴承故障诊断方法，其特征是步骤(4)中所述故障模式识别诊断采用计算机自动识别诊断和人工识别诊断相配合的过程，即 将提取出的轴承故障特征频率与预先存储在计算机特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，计算机自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，计算机将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。
4.大型风力机组轴承故障诊断系统，其特征是包括加速度传感器、快速傅里叶变换模块、自适应谱峭度分析模块和包络分析模块； 加速度传感器，安装在待测风力机组的轴承座上，拾取主轴轴承的原始振动信号；快速傅里叶变换模块，对原始振动信号进行快速傅里叶变换； 自适应谱峭度分析模块，对变换后的振动信号进行自适应谱峭度分析，自动寻找最大谱峭度值所对应的窗口函数，并将该窗口函数作为一个最优带通滤波器对变换后的振动信号进行滤波； 包络分析模块，对滤波后的信号进行包络分析和谱分析，获得包络信号谱，并在包络信号谱中提取轴承故障特征频率及其各次谐波成分，用于进行故障模式识别诊断。
5.根据权利要求4所述的大型风力机组轴承故障诊断系统，其特征是还进一步包括模式识别模块，该模式识别模块将提取出的轴承故障特征频率与预先存储在其内部特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，其内部自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，其内部将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。
全文摘要
本发明公开一种大型风力机组轴承故障诊断方法及系统，先对测量风电机组主轴轴承振动信号，进而采用自适应谱峭度技术自动提取轴承故障的共振频带，在此基础上采用窄带滤波和包络解调技术得出故障特征频率，最后与理论计算值对比定位识别出轴承故障类型。本发明克服风电机组的非平稳工况和工况噪声影响，适合于实际风电机组实际运行条件；不需人为参与能够自动识别出轴承故障引起的共振频带；并能自动且快速地识别轴承故障类型。
文档编号G01H13/00GK102798529SQ20121031531
公开日2012年11月28日 申请日期2012年8月30日 优先权日2012年8月30日
发明者王衍学, 向家伟, 蒋占四, 杨银银 申请人:桂林电子科技大学