风电机组传动链振动故障特征提取方法

国家电投集团江苏新能源有限公司 顾汉富 陈 诚 程 晨

风电机组传动链的旋转部件容易出现振动故障问题，释放振动故障信号，这一信号需要通过非线性非平稳动态技术加以识别，如果诊断得当，在早期就能识别了解风电机组传动链旋转部件故障问题。本文中主要分析了风电机组的传动链部件故障机理与表现特征，分别从迭代数学形态学以变分模态分解两方面分析风电机组传动链振动故障问题，阐述故障特征提取方法，满足机组故障诊断与检查要求。

1 风电机组传动系统中的故障特征分析

风电机组传动系统中的故障问题主要存在于轴承和齿轮中。

1.1 风电机组传动系统中的轴承故障特征

当风电机组传动系统中主轴处于不同速率运转阶段，其主轴中的支撑轴承都会在时变载荷与重载状态下承受交变冲击力作用，此时系统运行安全可靠性就会逐渐降低，出现故障问题。其中比较常见的轴承故障形式就包括了疲劳、腐蚀、磨损、电磨损失效，甚至还会出现变形以及裂缝问题。

在仔细观察了解轴承故障过程中会发现其内圈、外圈、滚动体以及保持架部分都会出现故障，一旦故障出现，系统滚动体就会通过周期性装机故障点产生脉冲冲击信号，参考故障位置不同，其轴承故障特征频率也会发生变化。如果运用理论计算会发现这一故障与系统的轴承转速、滚动体个数、接触角等等因素息息相关。以外圈故障特征频频率为例，计算公式应参考如下[1]：f0=frN/2(1-d/Dcosa)。

在上述公式中，fr代表了轴承旋转率，N代表了滚动体个数，D代表了轴承节径，d代表了滚动体直径；a代表了接触角。轴承振动故障发生的主要原因是轴承运行过程中产生了滚动体与轴承内外圈之间的相互激励作用。而像轴承过分粗糙、存在表面波纹、轴承安装过程发生倾斜亦或是主轴弯曲等等问题也会造成轴承振动故障问题发生。故障点在受到周期性撞击时也会产生激励作用，进而引发轴承部分剧烈振动。

1.2 风电机组传动系统中的齿轮故障特征

在风电机组传动系统中也会出现齿轮故障问题，它是在受交变应力及摩擦力瞬时冲击作用与影响所产生的，即导致齿轮表面出现各种不同程度的损伤与变形问题。一般来说，系统中比较常见的齿轮故障形式就包括了疲劳点蚀、齿面磨损、胶合以及断齿。以疲劳点蚀为例，它指代齿轮间在啮合过程中出现齿轮表面及根部的周期性时变载荷作用，而其内部也会形成交变应力，当这种交变应力一旦超过齿轮材料疲劳极限范围时，齿轮表面就会出现明显的金属剥落现象。而在齿轮齿面接触点发生相对滚动与相对滑动时，其齿轮齿面的接触压力也会发生变化，进一步导致齿轮表面“坑状”点蚀故障呈现，形成大面积区域金属剥落，齿轮断裂故障就此产生。

齿轮发生故障频率很高，这主要与它的啮合频率fm有关，其具体的计算公式应参考如下[2]：fm=n1/60Z1=n2/60Z2，在上述算式中，n1、n2分别代表了主、从动轮转速，Z1、Z2分别代表了主、从动轮齿数。在发生定轮故障过程中就需要诊断其啮合频率，从两侧边频带的频率内容进行有针对性判断，发现齿轮之间可能发生的重复性相互冲击作用，为故障诊断提供重要参考依据。从生产操作过程中看，齿轮发生振动故障的主要原因就是在制造生产过程中产生了误差，比较常见的是齿轮距偏差，即齿轮质量偏心或者齿形误差问题，当然润滑系统表现不佳也会导致齿轮振动问题出现。

2 风电机组传动系统故障特征提取方法的研究

针对上述所提及的风电机组传动系统故障问题，下文主要围绕轴承故障与齿轮故障进行针对性提取，深度研究其故障特征的有效提取方法。

2.1 基于迭代数学形态学的轴承故障特征提取方法研究

2.1.1 迭代数学形态学的基本特征

迭代数学形态学中主要利用结构元素形状展开分析，例如它会为轴承选择扁平型结构，基于这一结构元素高度为0的特征确定故障参数。当迭代形态学要求结构尺寸越小时，其所保留的信号特征就越好。在只考虑长度因素条件下，需要基于最小长度中的多个采样点对结构元素构造进行分析，并建立数据集合即（0 0 0）。在这一数据集合中，要基于传统形态学中的结构元素定义来分析迭代形态滤波特点，分析结构元素定义内容，确保在单位长度内调整结构元素尺度大小，最大限度保留原始信号特征信息内容，如此对于简化形态应用操作性有好处，全面提升形态学特征提取能力。

2.1.2 轴承故障的多尺度迭代数学形态学故障特征提取方法

在多尺度形态下，应该合理利用迭代数学形态学内容对拥有不同尺度结构元素的信号系统信号内容进行分析，专门对信号具有良好分析解释能力的轴承展开有效调整，影响多尺度形态分析滤波效果，形成多尺度迭代形态滤波技术方法。在轴承故障特征提取过程中，可采用自适宜性多尺度迭代形态滤波算法，分析普通多尺度形态背景下的滤波变化情况，并提取其中的迭代数学形态滤波数据内容。这一部分滤波数据内容对于抑制轴承故障特征具有利好，一旦迭代次数达到理想值以后，就会继续迭代，表现出轴承故障数量递减趋势。在迭代过程中，由于自适应情况导致不同尺度下的迭代次数增加，进而达到了最佳的故障提取效果，然后重构系统信号即可，如图1[3]。

图1 基于多尺度迭代形态下的滤波流程示意图

下文结合一实例来谈，进一步了解风电机组传动链轴承的故障特征提取方法。

某风电机组传动链轴承存在故障问题，采用两个不同的传感器采集振动信号并进行分析，在实验过程中设置采样频率为12kHz，采样时间控制在1s，将轴承外圈与内圈故障点设置于驱动端，其故障点直径控制在0.1887mm，负载转轴速为2000rpm。这里通过计算可以了解到传动链轴承外圈故障特征频率 =105.4Hz与内圈故障特征频率 =168.2Hz。

结合上述数据情况，对轴承外圈故障特征进行提取，具体操作如下：首先处理轴承外圈故障内容，安装驱动端振动传感器并提取其中信号。考虑到某风电机组传动链传感器与故障点设置距离相对偏近，因此其振动信号冲击特性表现非常强，故障特征容易被提取出来。而故障信号在经过CMM处理以后，还需要对信号中的短时傅里叶变换故障特征进行提取，并重构信号，基于多个频率切片对外圈特征频率与谐波分量进行分析，了解驱动端振动信号中的高信噪比情况，利用普通多尺度方法有效去除噪声，发现其中故障特征表现十分明显。在对频率切片个数进行观察计算过程中，发现轴承外圈存在4个频率切片，其故障特征频率 中应该包含至少3个谐波，此时应该采用迭代形态方法继续处理故障问题，基于所有尺度下展开多达60次迭代计算过程，并重构信号，清晰显示频率切片的频率信号情况。

上述结果就表明一点，在强噪声环境下基于多尺度形态学对轴承故障信号进行分析，其滤波能力比较闲较差，残余噪声较多，如果进行优化后平均迭代次数在4次以上。而迭代次数与噪声强度相关，当噪声强度越强时，迭代次数也就越大，反之。所以在强噪音背景环境中，可采用上述方法提取轴承故障信号，特征提取效果表现良好[4]。

就整体而言，风电机组传动链系统结构是相当复杂的，其工况条件动态时变性相当强，这就导致传动链内部出现了传动件故障问题，例如轴承故障。轴承故障往往表现为特征微弱、不易于被识别和诊断，针对这一问题才提出了迭代数学形态学概念，基于此构建滤波技术体系，基于普通单尺度与多尺度形态上展开滤波操作，构造形成两个或两个以上的优化算法，主要用于对电动机轴承与风电机组传动支撑轴承故障进行诊断分析，并获得相应诊断结论。就目前的自适应多尺度迭代形态滤波方法可以有效解决多尺度形态背景下的滤波问题，基于小尺度结构元素对欠滤波问题进行分析，提高故障特征提取过程自适应性。特别是要在强噪声环境下对故障特征表现进行分析，以此获得颇为理想的故障特征提取效果。

2.2 基于变分模态分解的齿轮故障特征提取方法研究

2.2.1 变分模态分解的基本特征

基于风电机组传动系统中传动链的趋势滤波发生情况，需要结合相关算法简化信号参数，改进传动系统的整体自适应性与安全可靠性，由此就提出了具有试探属性的变分模态分解算法，通过动态时间规整处理模式混叠问题，对传动系统中的齿轮故障时域与频谱特征进行全面提取分析，获得提取结果，证明这一结果是具有有效性与安全可靠性。

2.2.2 齿轮故障的变分模态分解故障特征提取方法

基于变分模态分解方法，要对齿轮故障特征进行提取，从最初的原始信号频谱结构中原始信号简化出发思考问题，直接定义方法内容，从信号分解过程中的变化过程来建立自适应定义分析机制。在结合机械故障诊断领域中的信号参数自适应定义方法缺点分析计算效率相对较低问题，同时对齿轮故障所缺乏的可靠性与健壮性问题进行深度分析，在其过程中也要注意特征信息遗失问题，深度考虑指标对比结果后所表现出的正向效应结果。

而为了提升计算效率，需在计算前后对多个指标的差与预设阈值进行进一步对比，分析结果正向效应，在利用变分模态分解方法过程中建立自适应定义，分析其中的弱可靠性问题，建立试探性变模态分解模型，最大限度减少模式混叠问题。最终，还要利用动态时间调整信号重构方法，结合仿真信号与风电机组齿轮箱故障信号分析表明相应方法，进一步诊断齿轮故障，对齿轮故障中的自适应性与安全可靠性内容进行调整[5]。

在针对齿轮故障的动态时间规整处理过程中，需要对现实信号中的复杂性问题进行分析，基于分解过程了解最终分析结果，实现信号重建过程。在这一过程中，要有效解决模式混叠问题，基于动态时间规整对信号进行重构，同时建立并评估不同时间序列，提出相似性故障提取方法。在故障提取环节，需要围绕齿轮故障的连续性约束与单调性两点进行分析，确保序列之间的最佳匹配定义为两个序列，同时找到所有规划路径中的最小累积距离规划路径，结合动态时间规整机制分析故障提取特征问题，例如要对不同时间序列长度进行分析，同时对不同实验参数应用序列采集过程健壮性进行分析。

考虑到风电机组传动系统中传动链的机械故障冲击信号表现相对敏感，所以要在变分模态分解故障过程中了解特征信息量评价指标，对相关算法参数进行设置，始终保证信号保真约束平衡满足参数设置要求，避免信号丢失现象出现。

3 结语

本文中研究了风电机组传动系统传动链中轴承与齿轮部件的故障问题，在分析故障问题之余运用迭代数学形态学以及变分模态分解两种方法计算提取故障特征，希望借此机会对系统中所出现的早期故障进行诊断识别，结合理论基础之上深入分析诊断故障，并取得了一些颇有价值的创新性成果。上述两种故障提取方法都是区别于传统方法的，在计算方法方面有所创新，具有连续性特征。例如在充分考虑到迭代学中的自我优化特征与强去噪能力，在经过较少次数迭代后就能轻松将故障特征提取出来，这对于结构元素定义相对复杂的风电机组传动系统传动链轴承故障检查是十分有利的。