基于自適應高頻諧波LMD法的風電機組故障診斷

武英杰， 劉長良， 范德功

(1． 華北電力大學 控制與計算機工程學院， 北京 102206； 2． 華北電力大學 新能源電力系統國家重點實驗室， 北京 102206； 3． 北京金風科創風電設備有限公司， 北京 100176)

基于自適應高頻諧波LMD法的風電機組故障診斷

武英杰1， 劉長良2， 范德功3

(1． 華北電力大學 控制與計算機工程學院， 北京 102206； 2． 華北電力大學 新能源電力系統國家重點實驗室， 北京 102206； 3． 北京金風科創風電設備有限公司， 北京 100176)

針對實際應用中局部均值分解(LMD)法存在的模態混疊問題，提出了自適應高頻諧波LMD法.分析了信號中異常事件對求取包絡函數和均值函數的影響，將構造的自適應高頻諧波加入到原始信號中，通過改變原始信號的極值點位置來抑制模態混疊現象.對含有典型異常事件的信號進行了自適應高頻諧波LMD法和ELMD法仿真實驗對比，驗證了該算法的有效性和優越性.將該算法應用于風電機組傳動系統故障診斷中，結果表明：采用該算法后，原有的模態混疊狀況得到明顯改善，并成功提取出軸系不平衡故障特征，可為風電機組故障診斷提供參考.

局部均值分解； 模態混疊； 自適應高頻諧波； 風電機組； 故障診斷

我國風電機組裝機總量位居世界第一，隨著裝機容量的增加，機組逐步進入故障高發期.傳動系統作為機組的關鍵部分，故障率較高[1]，常見故障有軸承磨損、軸系不平衡和不對中以及齒輪損傷等.風電機組振動信號具有調幅-調頻特性，并且風電機組處于特殊的工作環境，信號中不可避免地混有噪聲和隨機干擾脈沖，因此傳統的故障診斷算法具有一定局限性[2].

由于風電機組振動信號具有非平穩性和非線性，因此采用時頻分析方法更為合理.局部均值分解(LMD)法是一種新的時頻分析方法[3]，該方法能夠將振動信號自適應地分解為多個PF(product function)分量和殘余量之和的形式，其中每個PF分量由一個包絡信號和一個純調頻信號的乘積構成，PF分量的瞬時頻率可直接根據純調頻信號求取，分量包絡譜可由包絡信號得到.另外，LMD法能有效提取風電機組傳動系統的故障特征，且比常見的時頻分析方法具有更好的自適應性，因此，LMD法在旋轉機械故障診斷中引起了廣泛關注[4-5].

LMD法雖然比經驗模態分解(EMD)法更為溫和[3]，但同樣存在模態混疊和端點效應問題[6-8].模態混疊現象源于Huang對間歇信號的EMD法分解[9].趙進平[10]把由間歇信號、干擾脈沖和隨機噪聲等引起模態混疊的不連貫信號的事件統稱為異常事件.實際振動信號中，異常事件無法避免，很可能導致LMD法無法分解出具有物理意義的PF分量.

抑制模態混疊的方法大致可分為3類：濾波法、異常排除法和加入信號法.濾波法通過小波分解對原始信號進行重構[11-12]，旨在過濾掉異常事件，但該方法存在小波(基)選擇和閾值設定的問題，而且不能將異常事件完全過濾.異常排除法[9-10,13]事先尋找異常點特征，并將其排除或分離，此類方法對異常信號有一定要求，缺乏普適性.加入信號法通過加入具有某種特征的信號，改變原始信號中極值點的分布，從而達到抑制模態混疊的目的，該方法簡單、有效，已在EMD法中得到廣泛應用[14-16].

Yang等[6]將白噪聲信號引入到LMD法中，即集總局部均值分解(ELMD)法，模態混疊現象得到明顯抑制，但LMD法本身已為3層循環，ELMD法將使計算量進一步增大，另外白噪聲信號的添加幅度和平均次數對ELMD法的分解也有影響.

筆者借鑒EMD法抑制模態混疊的方法，提出自適應高頻諧波LMD法，通過仿真實驗證明其有效性，并將其應用于風電機組故障診斷中.

1 LMD法及模態混疊

1.1 LMD法概述

LMD法由3層循環構成，最里層通過滑動平均求取信號的局部包絡函數和局部均值函數；中間層求取純調頻信號和包絡信號，并得到單個PF分量；最外層為LMD法停止的判斷條件.算法概述如下：

(1) 求取局部包絡函數和局部均值函數.

首先確定信號的所有極值點，計算2個連續極值間的局部均值和局部包絡值，折線連接所有相鄰的均值點和包絡點，再利用滑動平均對其進行平滑處理，進而求得局部均值函數和局部包絡函數.

(2) 求取純調頻信號和包絡信號.

理想情況下，原始信號減去求得的局部均值函數并進行解調處理，可得到純調頻信號，其局部包絡函數為1；否則，將解調后的信號作為原始信號重復以上迭代過程，直至求得純調頻信號.將迭代過程中產生的局部包絡函數相乘得到第一個PF分量的包絡信號.

(3) 求取PF分量.

將所得的純調頻信號與包絡信號相乘得到第一個PF分量，將其從原始信號中分離后，重復以上步驟k次，直至殘余量為單調函數.最終，原始信號被分解為k個具有明顯物理意義的PF分量與殘余量之和.

1.2 模態混疊

模態混疊是指在一個PF分量中包含差異極大的特征時間尺度，或者相近的特征時間尺度分布在不同的PF分量中.由于LMD法和EMD法類似，均為基于極值點的包絡信號求取方式，需經過多次篩選得到不同特征尺度的各級分量，因此，標準的LMD法算法同樣存在模態混疊和端點效應問題.

筆者選用文獻[7]中異常事件的仿真信號進行分析，其中x(t)包含周期性衰減脈沖信號.

x(t)=1.2sin(20πt)+ 0.5exp(-80t)sin(240πt)

(1)

圖1所示為LMD法模態混疊曲線.由曲線gs可知，異常事件改變了信號的真實包絡值和真實均值，其中，曲線1和曲線2分別為求取第一個純調頻信號時的局部包絡函數和局部均值函數，與真實的直線包絡函數和直線均值函數相比，兩者已產生嚴重變形，尤其是局部包絡函數.由于第1個PF分量PF1的包絡信號是多個局部包絡函數的乘積，因此，迭代次數越多，包絡信號的誤差就越大.如圖1所示，PF1中包含了第2個PF分量PF2的成分，出現明顯的模態混疊現象.

圖1 LMD法模態混疊曲線

另外，筆者對含有干擾脈沖和隨機噪聲的信號進行LMD法分解，發現同樣存在模態混疊現象，由于篇幅限制，不一一列出.

2 自適應高頻諧波LMD法及仿真實驗

2.1 自適應高頻諧波LMD法

胡愛軍等[16]提出將高頻諧波引入到EMD法中，其中高頻諧波頻率可根據采樣頻率，在分析頻率的上限附近選擇，高頻諧波幅值一般接近原始信號的峰值.引入的結果顯示，異常事件被淹沒在高頻諧波中，模態混疊現象得到有效抑制，但此方法需要手動確定高頻諧波的頻率和幅值.

筆者根據包絡信號和純調頻信號的物理意義，構造了具有自適應性的高頻諧波，并將其一次性加入到原始信號中，通過改變原始信號的極值點位置以淹沒或分離出異常事件，從而達到抑制模態混疊的目的.

為避免端點效應對實驗結果的影響，本算法采用特征波延拓的方法進行端點處理[8, 17]，分解過程中純調頻信號的認定條件以及LMD法的終止條件依然根據延拓前的數據進行判斷.自適應高頻諧波LMD法流程圖如圖2所示.

(1) 對原始信號進行單次LMD法分解，即僅求取PF1的純調頻信號s1n(t)和包絡信號a1(t)：

s1n(t)=cos ?1(t)

(2)

a1(t)=a11(t)a12(t)…a1n(t)

(3)

式中：?1(t)為純調頻信號相位函數；a1n(t)為第n次迭代中的包絡函數，極限值為1.

圖2 自適應高頻諧波LMD法流程圖

(2) 構造自適應高頻諧波函數X(t).

計算PF1分量的瞬時頻率ω1(t)

(4)

?1(t)=arccos(s1n(t))

筆者借鑒文獻[16]中的構造思路，選擇單次LMD法分解中PF1瞬時頻率的最大值作為自適應高頻諧波的頻率，選擇PF1包絡信號的峰值作為自適應高頻諧波的幅值，可得：

X(t)=mean(a1(t))× sin2max(ω1(t))×2πt

(5)

(3) 將自適應高頻諧波和原始信號疊加后，再進行經特征波延拓的LMD法分解，并得到最終的PF分量.

2.2 仿真實驗

采用自適應高頻諧波LMD法對含有周期性衰減脈沖的信號進行分解(由于高頻諧波頻率取值為PF1瞬時頻率最大值的單倍值，因此稱之為單倍最高頻率法)，所得結果如圖3所示.其中gx-s為加入自適應高頻諧波并經過特征波延拓的波形，PF1中異常事件被高頻諧波淹沒，PF2為原始信號中的正弦分量，因此，單倍最高頻率法能夠根據信號自身特點，自動構造高頻諧波函數，有效抑制異常事件引起的模態混疊.

單倍最高頻率法可將異常事件淹沒在高頻諧波中，但未能將其分離.文獻[18]中指出，在EMD法中，當2個正弦分量滿足0.5

圖3 基于單倍最高頻率法的LMD法分解結果

選擇單次LMD法分解中PF1瞬時頻率最大值的2倍作為自適應高頻諧波的頻率，幅值仍選擇包絡信號的峰值(下文簡稱為雙倍最高頻率法)，再次進行仿真實驗，分解效果如圖4(a)所示，其中PF1為構造的自適應高頻諧波，PF2為分離出的異常事件，PF3為原始信號中的正弦分量.

圖4(b)為各分量的瞬時頻率，PF1的瞬時頻率在335 Hz附近，對應自適應高頻諧波的頻率；PF2的瞬時頻率呈現以10為周期的波動，對應周期性衰減脈沖頻率；PF3的瞬時頻率穩定在10 Hz附近.

為驗證本算法的優越性，采用ELMD法對相同信號進行仿真分析.ELMD法采用白噪聲信號,具有均勻地“污染”目標信號整個時頻空間的性質，在LMD法分解前加入幅值不同的白噪聲信號，不同尺度的分量將自動分解到白噪聲所確定的濾波器組中，從而減輕模態混疊現象[6].

據標準EEMD程序對內稟模函數(IMF)個數的限制方法，將PF分量個數固定為：log2(xsize)-n，其中xsize=1 200，為前后各延拓100個點之后的數據，n可根據分解需要手動調整.ELMD法分解中，加入標準差為0.02的白噪聲信號，平均100次，分解結果如圖5所示.由圖5可知，周期性衰減脈沖PF1被成功提取出來，但PF3中仍包含PF2的成分.通過對比可知，文獻[7]中雖然分解出2個PF分量，但殘余量中同樣包含著第2個分量的特征尺度.另外，采用特征波延拓的ELMD法時端點效應要小一些.

(a) 各PF分量

(b) PF分量的瞬時頻率

圖5 ELMD法分解結果

3 風電機組傳動系統故障診斷

主流風電機組傳動系統包括主軸、齒輪箱、發電機和聯軸器等，其主要部件可分為軸系、滾動軸承和各級齒輪.選取某750 kW風電機組傳動系統現場振動數據進行分析，參考VDI 3834標準進行數據采集，其測點分布示意圖如圖6所示[19]，其中每個測點都裝有水平、垂直和軸向3組傳感器.

圖6 測點示意圖

通過與其他同類型風電機組對比發現，該風電機組發電機前端振動數據表現異常，取測點6垂直方向的加速度數據進行分析，其中，采樣頻率為12 800 Hz，發電機轉速為1 519.7 r/min.表1為發電機軸承故障特征頻率.

表1 發電機軸承故障特征頻率

選取發電機前端軸承1 s內的振動數據進行分析，結果如圖7所示.由圖7可知，振動信號具有明顯的調幅特性，表現為整體周期性波動，并包含沖擊脈沖和隨機噪聲.首先，對故障信號進行頻譜分析，其中25 Hz接近發電機轉動頻率25.3 Hz，但在1 461 Hz和1 561 Hz處也出現明顯峰值，因此，僅根據頻譜分析無法作出準確的判斷.

(a) 原始信號

(b) 頻譜分析圖

采用標準LMD法對振動信號進行分解，結果如圖8(a)所示.由圖8(a)可知，PF2具有明顯的沖擊特性，PF5分量包含周期性波動，但出現了明顯的模態混疊現象，部分分量留在了殘余量中，對故障的準確定位產生影響.

采用ELMD法對振動信號進行分解，結果如圖8(b)所示.由圖8(b)可知，信號中的周期性波動成分被分離出來，PF5分量的模態混疊現象得到抑制，但PF6分量中仍包含同樣的特征尺度，與ELMD法仿真實驗結論一致.

最后，采用筆者提出的自適應高頻諧波LMD法對振動信號進行分解，結果如圖8(c)所示.由圖8(c)可知，原始信號中的沖擊成分和周期性波動都被成功分離出.通過對比分析可知，本算法殘余量明顯小于LMD法，PF分量較ELMD法更加精簡，在消除模態混疊的同時沒有增加虛假PF分量，有助于故障的進一步判斷.

LMD法分解中，沖擊分量和周期性波動分量是分析的重點.對PF2分量的包絡信號進行細化譜分析，結果如圖8(d)所示.由圖8(d)可知，78.52 Hz與發電機軸承外圈故障特征頻率79.21 Hz相差0.69 Hz；對PF5分量進行頻譜分析可知，25 Hz與發電機轉動頻率25.3 Hz相差0.3 Hz.

由于故障特征頻率偏差較大，尚不足以對故障進行定位，筆者對其他正常運行、同轉速、同類型及同測點的機組振動數據進行上述分析，發現頻譜中沒有出現25 Hz，但78.52 Hz及其二倍頻仍然存在，只是幅度偏小，如圖9所示，因此可排除78.52 Hz作為故障特征頻率的可能性.

(a) LMD法分解結果

(b) ELMD法分解結果

(c) 自適應高頻諧波LMD法分解結果

(d) PF2包絡細化譜與PF5幅值譜

(a) 同類型機組同測點振動數據

(b) 信號FFT

(c) PF2分量包絡細化譜

由于實際故障特征頻率與計算值之間存在誤差，因此可認為25 Hz為發電機轉動頻率，結合自適應高頻諧波LMD法的分解結果，推測機組齒輪箱高速軸和發電機驅動端之間存在不平衡故障，后經維護人員平衡處理，發電機驅動端不平衡故障消失.

4 結 論

(1) 筆者提出的自適應高頻諧波LMD法可將異常事件淹沒或分離，成功抑制模態混疊現象.

(2) 自適應高頻諧波LMD法和ELMD法對抑制異常事件引起的模態混疊現象均有效，但前者計算過程簡單，計算結果不增加虛假PF分量，且具有自適應性.

(3) 現場數據分析表明，自適應高頻諧波LMD法能有效消除信號中干擾脈沖和隨機噪聲引起的模態混疊現象，并成功排除和提取出故障特征，為風電機組傳動系統故障診斷提供參考.

[1] 陳雪峰，李繼猛，程航，等.風力發電機狀態監測和故障診斷技術的研究與進展[J].機械工程學報，2011，47(9)：45-52.

CHEN Xuefeng, LI Jimeng, CHENG Hang,etal. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J].Journal of Mechanical Engineering, 2011, 47(9): 45-52.

[2] 胡勁松，楊世錫.基于HHT的旋轉機械故障診斷方法研究[J]. 動力工程，2004，24(6)：845-851.

HU Jinsong, YANG Shixi. Research on HHT-based fault diagnosis method for rotating machinery[J]. Power Engineering, 2004, 24(6):845-851.

[3] SMITH J S. The local mean decomposition and its application to EEG perception data[J]. Journal of the Royal Society Interface, 2005, 2(5):443-454.

[4] LIU W Y, ZHANG W H, HAN J G,etal. A new wind turbine fault diagnosis method based on the local mean decomposition[J].Renewable Energy, 2012, 48:411-415.

[5] FENG Zhipeng, ZUO Ming J, QU Jian,etal. Joint amplitude and frequency demodulation analysis based on local mean decomposition for fault diagnosis of planetary gearboxes[J].Mechanical Systems and Signal Processing, 2013，40(1):56-75.

[6] YANG Yu, CHENG Junsheng, ZHANG Kang. An ensemble local means decomposition method and its application to local rub-impact fault diagnosis of the rotor systems[J]. Measurement, 2012，45 (3):561-570.

[7] 廖星智，萬舟，熊新.基于ELMD與LS-SVM的滾動軸承故障診斷方法[J]. 化工學報,2013,64(12):4667-4673.

LIAO Xingzhi, WAN Zhou, XIONG Xin. Fault diagnosis method of rolling bearing based on ensemble local mean decomposition and least squares support vector machine[J]. CIESC Journal, 2013,64(12):4667-4673.

[8] 張亢，程軍圣，楊宇. 基于自適應波形匹配延拓的局部均值分解端點效應處理方法[J].中國機械工程，2010，21(4)：457-462.

ZHANG Kang,CHENG Junsheng,YANG Yu. Processing method for end effects of local mean decomposition based on self-adaptive waveform matching extending. [J]. China Mechanical Engineering, 2010,21(4):457-462.

[9] HUANG N E, SHEN Z, LONG S R. A new view of nonlinear water waves: the Hilbert spectrum [J]. Annual Review of Fluid Mechanics, 1999, 31:417-457.

[10] 趙進平.異常事件對EMD方法的影響及其解決方法研究[J]. 青島海洋大學學報,2001,31(6):805-814.

ZHAO Jinping. Study on the effects of abnormal events to empirical mode decomposition method and the removal method for abnormal signal[J]. Journal of Ocean University of Qingdao, 2001,31(6):805-814.

[11] LIU Yibing, WU Qi, MA Zhiyong,etal. An improved Hilbert-Huang transform and its application in faults signal analysis[C]//Proceedings of the 2006 IEEE International Conference on Mechatronics and Automation. Luoyang, China: IEEE Press, 2006.

[12] PENG Z K, TSE P W, CHU F L. An improved Hilbert-Huang transform and its application in vibration signal analysis [J]. Journal of Sound and Vibration, 2005，286 (1/2):187-205.

[13] 胡重慶，李艾華. EMD間歇信號的檢測和提取方法[J]. 數據采集與處理, 2008, 23(1):108-111.

HU Chongqing, LI Aihua. Method for detecting and extracting intemittency signal in EMD[J]. Journal of Data Acquisition & Processing, 2008, 23(1):108-111.

[14] DEERING R, KAISER J F. The use of a masking signal to improve empirical mode decomposition[C]//International Conference on Acoustics, Speech, and Signal Processing，2005. Philadelphia, PA, USA： IEEE,2005: 485-488.

[15] WU Zhaohua，HUANG N E. Ensemble empirical mode decomposition：a noise-assisted data analysis method[J].Advances in Adaptive Data Analysis, 2009,1(1):1-41.

[16] 胡愛軍，孫敬敬，向玲.經驗模態分解中的模態混疊問題[J]. 振動、測試與診斷, 2011,31(4):429-434.

HU Aijun, SUN Jingjing, XIANG Ling. Mode mixing in empirical mode decomposition[J]. Journal of Vibration, Measurement & Diagnosis, 2011,31(4):429-434.

[17] 胡愛軍，安連鎖，唐貴基.HILBERT-HUANG變換端點效應處理新方法[J].機械工程學報，2008，44(4):154-158.

HU Aijun, AN Liansuo, TANG Guiji. New process method for end effects of HILBERT-HUANG transform[J].Chinese Journal of Mechanical Engineering, 2008，44(4):154-158.

[18] RILLING G, FLANDRIN P, GONCALVèS P. On empirical mode decomposition and its algorithms[C]//IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing. Grado, Italy: IEEE, 2003:8-11.

[19] BLATT.VDI 3834 Blatt1/Part1:2009 measurement and evaluation of the mechanical vibration of wind energy turbines and their components-onshore wind energy turbines with gears[S]. Berlin, Germany: Beuth Verlag，2009.

Wind Turbine Fault Diagnosis Based on Adaptive High-frequency Harmonics LMD

WUYingjie1,LIUChangliang2,FANDegong3

(1. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China; 2. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China; 3. Beijing Goldwind Science & Creation Wind Power Equipment Co., Ltd., Beijing 100176, China)

To solve the mode mixing problem of local mean decomposition (LMD) in actual applications, an adaptive high-frequency harmonics LMD was proposed. The effect of abnormal events on the envelope function and mean function was analyzed, and the adaptive high-frequency harmonics were constructed and added into the signal to deal with the mode mixing problem by changing the distribution of extreme points of the original signal. Simulation comparison was made to signals containing typical abnormal events between adaptive high-frequency harmonics LMD (AHLMD) and ensemble LMD (ELMD), illustrating the effectiveness and superiority of AHLMD, which was subsequently applied to fault diagnosis for the drive train system of a wind turbine. Results show that the mode mixing situation can be improved significantly and the shaft unbalance characteristics can be extracted successfully via the method, which therefore may serve as a reference for fault diagnosis of wind turbines.

LMD; mode mixing; adaptive high-frequency harmonics; wind turbine; fault diagnosis

1674-7607(2014)12-0952-07

TP273

A

510.80

2014-02-20

2014-04-01

中央高校基本科研業務費專項資金資助項目(13MS102)

武英杰(1986-)，男，河北邢臺人，博士研究生，研究方向為：風電機組故障診斷.電話(Tel．)：13731293815； E-mail：wuyingjie6668@163.com．