变风速条件下风力机轴承故障特征提取

2021-10-13谷晓娇刘天顺李时雨

机械与电子 2021年9期

谷晓娇，刘天顺，李时雨

(沈阳理工大学，辽宁沈阳 110159)

0 引言

轴承是风力机机械传动系统的核心部件，它的振动信号包含了丰富的状态信息，通过对其进行振动分析就可以实现轴承的故障诊断[1-2]。由于风力发电机组的工作环境具有噪声强、风速变化大的特点，会影响故障诊断的准确性[3-5]。

在强噪声环境下，常用的故障诊断方法是随机共振。随机共振(stochastic resonance，SR)的影响与系统参数有关，为了使随机共振法在工程应用中发挥出更好的效果，常将随机应变法与优化方法相结合。文献[6]采用频移尺度预处理和鱼群算法对随机共振系统参数进行同步优化，实现了齿轮故障微弱信号的提取。文献[7]将随机共振与经验模态分解相结合，基于遗传算法优化随机共振系统参数，实现了信号的自适应处理。文献[8]提出灰狼优化算法(grey wolf optimizer，GWO)，由于其具有较强的收敛性能、参数少以及易实现等优点，因此，在工程优化领域的应用非常广泛。

风力机轴承的故障诊断在变风速条件下相当复杂。故障特征频率值随风速变化而变化。每次风速变化，系统参数都需重新优化。当风速变化时，利用变尺度系数R对频率-时间尺度进行变换，便可以处理不同风速条件下的振动信号。

综上所述，本文提出了一种基于灰狼优化算法和双稳态杜芬振荡器(bistable Duffing oscillator)的随机共振的故障特征提取方法，应用到风力机轴承的故障诊断中，并用实例验证了方法的有效性。

1 理论分析

1.1 随机共振理论

考虑到单位布朗颗粒在势场中的运动，其运动方程为

(1)

k为阻尼比；U(x)为势函数。

(2)

图1 势函数U(x)

1.2 灰狼优化算法

灰狼优化算法的优化原理源自于灰狼群体的等级机制和狩猎方式，灰狼处于生物圈食物链的顶端，通常群居生活。狼群中有严格的社会等级制度。在灰狼种群中按等级从高到低可分为α、β、δ和ω共4个层次的搜索个体，如图2所示。整个搜索过程主要由搜索个体集ω来实现。另外3个高级搜索人员共同负责指定ω移动的方向，然后ω将信息返回给3个高级搜索个体。α、β和δ通过反馈信息决定是否更新它们的位置。当迭代次数满足时，α的位置为最优解，β的位置为次优解，δ的位置为第3最优解[10]。

图2 灰狼社会等级

以d空间的位置为例，即环绕在第i阶段的目标位置为

(3)

(4)

(5)

(6)

r1和r2为[0，1]内的随机数。随着t的增加，参数a的值从2到0的线性减少。

(7)

(8)

(9)

(10)

2 方案设计

SR的性能主要体现在输出信号的信噪比[11]。因此，GWO的适应度函数为

(11)

PS为信号的有效功率；PN是噪声的有效功率。

风力机工作时，旋转部件的转速随风速变化而变化，这将改变零件的旋转频率，影响故障特征频率。而k、a、b的1组优化参数只能应用于1组输入信号，这表明每次风速变化，参数都需重新优化，这使故障特征提取过程复杂化。在引入可变尺度因子R进行频率-时间尺度转换后，可将1组优化参数应用于各种风速。

变尺度SR是一个等价的线性映射变换，它不会改变杜芬系统的输入信号特性。式(1)中，输入信号经过尺度变换后的频率为f′0=f0/R，对应的时间尺度更改为t′=Rt，尺度变换后的采样频率为fsr=fs/R。将相应的数值计算步骤改为h=R/fs，因此，式(1)可以表示为

(12)

式(12)为杜芬振荡器的变尺度SR方程，通过频时尺度变换实现不同频率信号的SR。将式(12)用变尺度因子R进行约简后恢复到时间尺度t，其等效方程为

Acos(2πf0t)+n(t)

(13)

通过比较式(12)和式(13)，可以看出，式(12)为t′时间尺度上的变尺度SR方程，式(13)为t时间尺度上的变尺度SR方程，2个方程的响应相同，但频时尺度差为R倍。

图3 风力发电机轴承故障特征提取流程

3 实例验证

本实例轴承参数如表1所示，采用声学分析仪(B&K2250D)来采集加速度计的振动信号，采样频率fs=2 000.00 Hz，采样长度N=7 000。当风速为8.0 m/s时，采集风力发电机输入端高速轴承的振动信号，得到轴承旋转频率为20.00 Hz。其内圈故障轴承振动信号的时域信息和频域信息如图4所示。轴承的内圈故障特征频率为