基于FastICA的大型风力机主轴承故障诊断研究

(沈阳工业大学机械工程学院，辽宁沈阳 110870)

(沈阳工业大学机械工程学院，辽宁沈阳 110870)

文章提出了基于FastICA大型风力机主轴承故障诊断方法。根据大型风力机的运行特点，采用负熵最大化判据和牛顿迭代原理实现FastICA算法并将其应用于大型风力机主轴承的故障诊断中。诊断结果表明，该方法可有效地将大型风力机主轴承和轴流风机的振动信号进行分离，从而清晰地看出主轴承的振动特征频率，实现对风力机主轴承的故障诊断。

大型风力机;主轴承;FastICA;故障诊断

0 前言

大型风力机由于其运行工况复杂、环境恶劣、保养周期长、维修成本高，要求风力机的机械系统具有较高的可靠性［1］。在大型风力机的各组成部件中，滚动轴承是最容易损坏的部件之一。与风力机的其它部件相比，滚动轴承有一个突出的特点，就是其寿命离散性大。即同样的一批滚动轴承，有的大大超过设计寿命而依然完好无损地工作，而有的远未达到设计寿命就出现故障。而风力机组关键部位的滚动轴承一旦出现故障，将会影响整个风力机组的运行，甚至造成严重的安全事故［2］。因此，及时有效地对大型风力机的滚动轴承进行状态监测和故障诊断，对保证风力机健康安全地运行，提高风力机的运行寿命具有十分重要的意义。

盲源分离是在没有先验知识的前提下，基于统计独立的思想从线性混合的观测信号中分离出独立的信号源［3-4］。该方法是信号处理领域的一个热点问题，有着广阔的应用空间。独立分量分析(Independent Component Analysis，ICA)是近期迅速发展起来的一种非常有效的盲源分离技术。目前已提出了多种ICA算法，并且采用这些算法对原始信号进行提取已获得了比较理想的研究结果［5］。FastICA是一种比较有效、实用的ICA扩展算法，与其他扩展的ICA算法相比，既具有比较快的收敛速度，也不要求非常复杂的矩阵运算［6］。本文拟采用FastICA算法对大型风力机主轴承故障信号进行特征提取，以达到对其实现状态监测和故障诊断的目的。

1 独立分量分析(ICA)

ICA问题可简单描述为:假定从m个通道获得m个观测信号，每个观测信号是由n个独立的源信号线性混合而成，即

式中，x(t)=［x1(t)，x2(t)，…，xm(t)］T为m维观测信号，s(t)=［s1(t)，s2(t)，…，sn(t)］T为n维源信号，n(t)=［n1(t)，n2(t)，…，nm(t)］T为m维噪声干扰信号，且m≥n，A为混合矩阵。ICA在混合矩阵A和源信号未知的情况下，只根据观测数据向量x(t)确定线性变换分离矩阵W，使得变换后的输出y(t)是源信号s(t)的拷贝或估计，即

式中，y(t)=［y1(t)，y2(t)，…，ym(t)］T表示分离后的输出。如果yi(t)之间尽可能保持独立，那么y(t)就近似认为是s(t)的估计。

2 快速独立分量分析(FastICA)

FastICA是一种基于牛顿固定点迭代原理以及负熵最大化准则的分离算法，通过重复地迭代来寻找分离矩阵W的非高斯性最大值。

在FastICA中，首先要对分离的信号进行预处理，主要包括中心化和白化处理两个过程。

中心化就是使每个混合变量与原始的独立成分都分别具有0均值，其实现过程为

预白化是寻找白化矩阵D，使得变换后的输出z=xD不相关，即

根据中心极限定理，如果一个随机量是许多相互独立的随机量之和，只要各独立的随机量具有有限的均值和方差，无论各独立随机量为何种分布，混合后的随机变量将接近高斯分布。因此，如果观测信号是源信号的线性混叠，那么源信号的非高斯性比观测信号的非高斯性更强。根据这个原理，可以通过对分离信号的非高斯性判断来确定其相互独立性。当分离信号的非高斯性最大时，可以认为达到了分离。衡量信号非高斯性的标准有很多，其中以负熵最为常见。随机变量y的负熵定义为

式中，yi是一个与y具有相同方差的高斯随机变量。因为具有相同方差的随机变量中，高斯随机变量的熵最大，随机变量y的非高斯性越强，越偏离高斯分布，它的熵H(y)越小，所以它的负熵N(y)越大。因此，当负熵极大时，非高斯性最强，各分离信号之间达到最大独立。

负熵的计算比较复杂，难以直接应用，通常采用的逼近方程为

式中，G(·)为一非线性函数。

FastICA算法的最终目的就是计算W，使得Ng(y)取得最大值，也就是满足

其中，对G(x)进行求导得到g(x)。再通过牛顿迭代定理得

如果结果不收敛，则重复进行计算过程，直到最后收敛为止。该算法是假设只提取一个独立分量，如果要分离提取多个独立分量，可重复进行上述计算过程，但每分离提取一个独立分量后，必须从混叠信号中去掉这个独立分量，也就是对混叠信号进行缩减，如此不断重复进行提取和缩减，直到混叠信号中所含有的独立分量被全部提取分离出来为止。

3 基于FastICA的大型风力机故障诊断研究

黑龙江佳木斯太阳山风场某1.5 MW风机于2012年投入运行，2013年8月发现该风电机组有明显的不正常振动，现场发现，引起该振动的来源是给发电机冷却用的轴流风机运行时发出的，因此于2013年9月对该风电机组的轴流风机两侧的振动信号进行了数据采集，两采集到信号的时域波形和频谱分别如图1和图2所示。

从图1和图2可以看出，两传感器采集到的信号出现频率混叠现象，无法判断风力机的真正故障。采用FastICA算法对信号进行分离，分离结果分别如图3和图4所示。

从图3和图4的分离结果可以看出，图3中出现风力机轴承故障频率64 Hz及其倍频成分，说明图3为分离出的风力机主轴承故障频率。与风力机主轴承的故障特征频率相比较可知，风力机主轴承外环出现故障。而图4为80 Hz的恒定特征频率，由此可以判断图4为风力机轴流风机的振动信号。停机维护时发现风力机主轴承外环确实存在故障，从而证明了诊断结果的正确性。

4 结论

针对大型风力机滚动轴承的振动特性，采用FastICA算法对黑龙江某风场风力机的实测数据进行分离。结果表明，该方法可有效分离大型风力机主轴承和轴流风机的振动信号，实现对主轴承的故障诊断。

［1］Amirat Y，Benbouzid M，Ahmer E，et al.A Brief Status on Condition Monitoring and Fault Diagnosis in Wind Energy Conversion Systems［J］.Renewable and Sustainable Energy Reviews，2009，13(9):2629 -2636.

［2］蒋东翔，洪良友，黄乾，等.风力机状态监测与故障诊断技术研究［J］.电网与清洁能源，2008，24 (3):40-44.

［3］Gelle G，Cloas M，Serviere C.Blind source separation:a new pre-processing tool for rotating machines monitoring［J］.IEEE.Transactions on Instrumentation and Measurement，2003，52:790-795.

［4］Serviere C，Fabry P.Blind source separation of noisy harmonic signals for rotating machine diagnosis［J］.Journal of Sound and Vibration，2004，272:317 -339.

［5］季策，于洋，于鹏.改进的独立分量分析算法［J］.东北大学学报:自然科学版，2010，31(8): 1086-1088.

［6］姚俊良，杨小牛，李建东，等.一种消除误差累积的多级快速独立分量分析算法［J］.电子与信息学报，2009，31(11): 2643-2648.

基于FastICA的大型风力机主轴承故障诊断研究

周昊，陈长征，刘欢，孙鲜明

Fault diagnosis research on large wind turbine main bearing based on FastICA

ZHOU Hao，CHEN Chang-zheng，LIU Huan，SUN Xian-ming
(School of Mechanical Engineering，Shenyang University of technology;Shenyang 110870，China)

In this paper，a model for fault diagnosis of large wind turbine main bearing based on FastICA is presented.According to the operating characteristics of large wind turbine，FastICA is achieved by negentropy maximization criterion and Newton iteration theory，which is applied in fault diagnosis of large wind turbine main bearing.Diagnosis results show that，this method can separate vibration signals collected from large wind turbine main bearing and axial flow blower effectively.Characteristics vibration frequency can be seen clearly from the separated signal，which can achieve fault diagnosis of large wind turbine main bearing.

large wind turbine;main bearing;FastICA;fault diagnosis

TH39

A

1001-196X(2014)05-0037-04

2014-05-16;

2014-07-10

周昊(1985-)男，博士研究生，主要研究方向为故障诊断，盲信号处理。