Hilbert-Huang變換在風力發電機主軸軸承故障診斷中的應用

陳文靜,吳金強

(新疆大學 機械工程學院，烏魯木齊 830047)

目前，所有安裝的風力發電機中，75%～80%的主軸軸承采用滾動軸承[1]。滾動軸承是旋轉機械中廣泛應用的關鍵部件，也是容易產生故障的部件。經統計，軸承故障中的40%與污染和潤滑有關；30%與安裝有關；20%與過載或制造質量有關[2-3]。

軸承發生故障時，會產生一系列沖擊振動，2個相鄰沖擊之間的時間間隔一般很小，因此，如果要檢測出每個沖擊振動，則需要所采用的時頻分析方法具有很好的時域和頻域分辨率。但傳統的時頻分析方法往往受到測不準原理的制約，很難在時域和頻域同時達到很高的分辨率[4]。而Hilbert-Huang變換(HHT)是一種新的具有自適應的時頻分析方法，它可以根據信號的局部時變特性進行自適應的時頻分解，消除人為的因素，克服傳統方法中用無意義的諧波分量來表示非平穩、非線性信號的缺陷，并可得到很高的時頻分辨率和良好的時頻聚集性，非常適合對非平穩、非線性信號進行分析[5]。下文對Hilbert-Huang變換在風力發電機主軸軸承故障診斷方面的應用進行了探索性研究。

1 基于經驗模式分解的Hilbert譜

HHT的基本思想是通過經驗模式分解(empirical mode decomposition,EMD)的方法，將信號分解成一系列的本征模函數(intrinsic mode function,IMF),得到的IMF是近似單頻率成分的信號，即在每個時刻信號只有1個頻率成分，對每個IMF進行Hilbert變換即可得到其瞬時頻率，由于EMD是完備的，因此組合起每個IMF的瞬時頻率就可以得到整個信號的Hilbert譜[3]。

HHT中最關鍵的是EMD的步驟，EMD基于以下假設方法:任何信號均由不同的固有振動模態組成,每一模態不論是線性或是非線性的,其極值點數和零交叉點數相同；在相鄰的兩個零交叉點之間只有一個極值點；任何2個模態之間是相互獨立的。EMD的具體步驟如圖1所示。

圖1 EMD的步驟

通過EMD得到信號x(t)的IMF并對其進行Hilbert變換，將信號表示為

(1)

式中：ak和ωk均為常量。這里忽略了殘余分量rn[6]，因為它是一個單調函數或常量。雖然在進行Hilbert變換時可以把殘余分量看做長周期的波動，但殘余分量的能量較大時也會影響到其他有用分量的分析，而且一般小能量的高頻部分才是本研究感興趣的信息，因此，在做變換時一般把不是IMF的成分都略去。(1)式可以看做廣義的Fourier變換，式中幅值和頻率隨時間變化的特性不僅大大提高了信號的分解效率，而且還使分解適合于非線性、非穩態數據。

如果將時間t、頻率ωk和幅值ak畫在一個三維圖上，其中幅值可以在時頻平面中以等高線表示，這種幅值的時頻分布表示便稱之為Hilbert幅值譜，簡稱為Hilbert譜；若把幅值的平方表示在時頻平面上，便得到Hilbert能量譜。

2 應用實例

選取從某風場1.5 MW機組用加速度傳感器采集的主軸軸承振動信號進行分析，輸入軸轉頻0.3 Hz，采樣頻率12 kHz，采樣點數為39 120。該主軸軸承為SKF 240/630ECJ/W33調心滾子軸承，軸承內徑630 mm，外徑920 mm，滾子直徑71.6 mm，滾子數28。當輸入軸轉頻為0.3 Hz時，軸承故障特征頻率[7]見表1。

表1 軸承故障特征頻率 Hz

主軸軸承振動信號時域波形如圖2所示。從圖中可以看出，原始信號的時域波形包含明顯的沖擊信號，但其成分不明，故需要進一步分析以確定故障類型。

圖2 主軸軸承振動信號時域波形圖

2.1 時域統計分析

信號的時域統計分析是指對動態信號的各種時域參數、指標的估計或計算，通過選擇和考察合適的信號動態分析指標，可以對不同類型的故障做出準確的判斷[8]。時域分析中的統計特征參量包括最大值、最小值、有效值、偏度指標和峭度指標等。信號的有效值與振動能量相對應。在軸承無故障運轉時，由于各種不確定因素的影響，振動信號的幅值分布接近正態分布，偏度指標K3≈0，峭度指標K4≈3;隨著故障的出現和發展，振動信號的正態曲線出現偏斜或分散，偏度值和峭度值也隨之變化，偏度指標和峭度指標的絕對值越大，說明軸承偏離其正常狀態程度越大，故障越嚴重[9]。

試驗軸承的振動信號各時域指標統計見表2。根據VDI3834標準規定，主軸軸承振動第2限度值為0.5 m/s2，從表中可以看出，其振動有效值遠遠大于其第2限度值，偏度指標和峭度指標也發生了變化，故判斷該風機主軸軸承存在嚴重故障，但無法確定其故障具體來源。需提取故障特征頻率，找出對應故障。

表2 振動信號時域指標統計

2.2 頻域分析

原始振動信號的頻譜如圖3所示，從圖中看出，在0～800 Hz及(2～5)kHz之間存在較寬的噪聲帶，存在軸承內部沖擊引起的零件固有頻率特征，但仍無法確定故障來源。

圖3 主軸軸承振動信號頻譜分布圖

2.3 Hilbert譜分析

從圖1中可以看出，原始信號包含明顯沖擊信號，但成分不明，無法確定故障。因此，先對原始信號進行經驗模式分解，得到c1，c2，…，c15共15個IMF分量及1個殘余分量r，分解結果如圖4所示，圖中可以看到明顯的振動沖擊，但無法確定振動沖擊的時間間隔，進一步作出振動信號的Hilbert譜。如圖5所示，從Hilbert譜中可以明顯看出，沖擊分量所在的頻率范圍為0.01～0.6 Hz，而該主軸軸承保持架理論故障頻率(0.07 Hz)正處于該范圍，圖中亦有明顯的頻率在0.07Hz左右的沖擊分量，因此可以確定軸承保持架出現故障。同時，從該圖中得知2個連續沖擊之間的間隔大約為0.3～0.5 s，由此估計出這些沖擊的特征頻率為2～3.3 Hz。而內、外圈故障理論特征頻率均處于該范圍，因此可以大致判斷軸承內圈或外圈出現了一定程度的故障。

圖4 主軸軸承振動信號經驗模式分解

圖5 主軸軸承振動信號的Hilbert譜

綜上分析，可以推測，主軸軸承保持架局部可能發生嚴重斷裂，且滾子已嚴重磨損。在風機葉片帶動主軸旋轉的過程中，滾子被迫在無保持架約束的條件下發生無規則的滾動，從而引起更為嚴重的內、外圈磨損，導致主軸軸承出現無規律沖擊及摩擦故障。經拆檢發現，軸承保持架已經斷裂，滾子嚴重磨損，內、外圈已出現點蝕，與分析結果相同。

3 結束語

將HHT應用于滾動軸承故障診斷,取得了比較好的分析效果。從Hilbert譜中可以找出軸承故障特征頻率，根據軸承故障特征頻率能夠有效地識別出故障部位和類型。通過對風機主軸軸承振動信號的分析，說明這種方法能有效地提取軸承故障特征，相對于傳統的時域與頻域分析方法具有更好的分析效果。