基于HEI量化故障信息的行星齒輪箱故障診斷方法研究*

李宇恒,蔣章雷,梁 好,畢浩程

(北京信息科技大學 現代測控技術教育部重點實驗室,北京 100192)

0 引 言

在全球的風電機組累計裝機容量快速增長的背景下,由部件故障導致的機組停機事故頻發。其中,造成停機最大時間的故障主要集中在風電機組的齒輪箱傳動系統[1]。由此可見,齒輪和軸承是風電機組故障高發部件。因此,對風電機組發生各種異常狀態或故障進行及時、有效的監測是非常必要的。

風力發電機組的傳動系統多采用行星齒輪箱,且行星齒輪箱結構復雜、運行工況多變,齒輪嚙合特征頻率、零部件的旋轉特征頻率、故障特征頻率等多個頻率之間存在著大量的耦合情況。故對行星齒輪箱的故障特征提取一直存在著很大的困難。如今,行星齒輪箱的狀態診斷、趨勢預測研究及相關研究已成為國內外科學研究中的一個熱點課題。

秦嗣峰等人[2]提出了基于Vold-Kalman濾波和高階能量分離的方法,準確識別了信號中的時變頻率成分,解決了頻率離散的行星齒輪箱振動信號單分量分解問題。祝文穎等人[3]提出了迭代Hilbert變換與Fourier變換相結合的信號解調分析方法,實現了對敏感分量的幅值解調和頻率解調,提取出了行星齒輪箱振動信號中的故障信息,實現了對行星齒輪箱故障的準確診斷。隆勇等人[4]對平均后的振動信號進行了加窗分離;然后,對分離的振動信號進行了VMD分解,并選取了包含故障的特征分量;最后,對選取的特征分量進行了Hilbert解調分析,實現了行星輪故障特征提取。劉一鳴[5]根據齒輪箱振動信號中故障成分與平穩嚙合成分在形態上的差異,采用了基于可調品質因子小波字典的稀疏分解方法對信號中的故障成分進行了提取,形成了風電機組多故障診斷方法。李肖等人[6]為了準確提取行星齒輪箱組合故障特征,提出了基于變分模式分解的頻率解調分析方法,根據中心頻率和嚙合頻率的匹配關系選取了敏感單分量;通過分析敏感單分量瞬時頻率頻譜來診斷組合故障。馬朝永等人[7]通過FSWT分解,重構了包含故障信息最多的頻帶,再對該頻帶進行FSWT-TT變換,提取了振動信號的故障特征。喬新勇等人[8，9]利用散布熵來實現VMD模態分量的選取,又把多尺度散布熵作為故障特征指標來實現故障診斷。武超等人[10]采用多點優化最小熵解卷積調整為原信號降噪,增強了信號中的周期性沖擊成分，然后,通過包絡譜實現了微弱故障特征的提取。

行星齒輪箱振動信號中頻率情況復雜,難以直接對故障特征進行提取;通常對以嚙合頻率及其倍頻為載波頻率、故障特征頻率等頻率為間隔的邊頻帶進行分析,實現故障特征提取;不能直接通過故障特征頻率的出現來實現行星齒輪箱的故障診斷。

綜上所述,本文提出基于諧波有效指數(HEI)量化故障信息行星齒輪箱故障診斷方法。首先,筆者對信號進行分析處理,對FSWT頻率切片后的頻帶信號進行RCMDE值計算,選取故障特征多的頻帶進行信號重構,然后使用MOMEDA對重構信號中的故障沖擊成分進行準確提取,再采用諧波有效指數量化處理信號中攜帶的故障信息,并通過該指標確定行星齒輪箱全壽命周期實驗中，振動信號中包含的故障信息,實現對行星齒輪箱的故障診斷。

1 信號處理算法的基本理論

1.1 頻率切片小波變換

令L2(R)為有限向量空間(R為集合實數),對任意信號有f(t)∈L2(R),頻率切片小波變換的定義以p(t)的傅里葉變換存在為前提[11],即:

(1)

利用FSWT能方便地重構任意頻帶內的信號,對信號進行更加具體的分析。

1.2 精細復合多尺度散布熵

散布熵(DE)是一種表明時間序列復雜性和不規則程度的非線性動力學方法[12]。

(1)利用正態分布函數,將時間序列x={x1,x2,…,xN}映射到y={y1,y2,…,yN},y∈(0,1),即:

(2)

式中:μ―均值;σ―標準差。

(3)

式中:c―類別數;int―取整函數。

(4)

式中:m―嵌入維數;d―時延。

(5)計算所有散布模式πv0v1…vm-1的概率,即:

(5)

(6)根據香農熵的定義,則原序列的散布熵為:

(6)

從散布熵的定義可知:當所有散布模式有相同的概率時,散布熵值最大,時間序列的越復雜,不規則程度越高;反之越低。

多尺度散布熵(MDE)是在散布熵的基礎上,通過不同尺度反映時間序列的復雜程度。精細復合多尺度散布熵(RCMDE)是在MDE方法的基礎上進一步細化,通過將原始信號按初始點分別為[1,τ]連續地分割成長度為τ的小段,并求其平均值得到τ個粗粒化序列來實現RCMDE計算的方法,其方式如下[13]:

(7)

對于每個尺度τ,對應的RCMDE定義為:

(8)

RCMDE解決了MDE粗細化過程中,部分統計信息易丟失的問題,減小了初始點選取對結果的誤差影響,提高了計算精度。

1.3 MOMEDA算法

假設振動信號為x,可表達為[14]:

x=h*y+e

(9)

式中:y—沖擊信號;h—系統頻響函數;e—隨機噪聲。

為了實現對原始沖擊信號的重構,減少噪聲的影響,解卷積過程如下:

(10)

式中:N―采樣點個數;L―濾波器大小。

其中：k=1,2,…,N-L。

考慮到故障脈沖周期性的特點,在這里引入了多點范數,即:

(11)

(12)

式中:t―目標向量,用于描述卷積目標沖擊成分的位置和權重。

當目標向量t與原沖擊信號y完全契合時,解卷積效果達到最佳;可以通過求解多點D范數的最大值來獲得最優濾波器,此時的解卷積處理也可以獲得最優解。

最優解可通過求解下式獲得:

(13)

其中:f=f1,f2,…,fL;t=t1,t2,…,tN-L。

將式(10～12)代入式(13),可求得f作為一組最優濾波器,即:

(14)

2 基于HEI的故障信息量化

2.1 HEI的提出

諧波乘積譜(HPS)是根據語音信號的短時譜來檢測基音頻率的方法。它可以通過將多個諧波的能量累計起來,尋求諧波乘積譜的最大值,來確定基音頻率[15]。HPS的原理簡單,對于某個頻率ω,HPS被定義為其前N個諧波的幅值乘積,當ω恰好等于基本頻率ω0時,突出的諧波幅值會進行相乘,幅值將急劇增加[16]。

基于此,諧波有效指數(HEI)被提了出來。它利用基本頻率ω0諧波幅值的乘積,并進行標準化,來量化信號中包含故障脈沖的信息,即:

(15)

式中:F(ω0)―頻譜圖中ω0對應的幅值;K―諧頻倍數。

HEI采用K次根運算來歸一化諧波幅值的乘積,使得諧波的個數即使發生變化也可以有效表達故障信息。HEI的值與故障特征量成正比,與振動信號中包含的故障信息的豐富度成正比。

2.2 基于HEI的故障診斷流程

在實際工況中,受到噪聲的干擾,行星輪故障特征頻率更加難以直接在行星齒輪箱的振動信號的頻譜中識別。

由于故障脈沖周期性出現的特點,筆者提出了基于HEI量化故障信息行星齒輪箱故障診斷方法。其具體的步驟如圖1所示。

圖1 故障診斷流程圖

(1)對原始信號進行FSWT分析,將信號劃分為不同頻帶的子信號,通過精細復合多尺度散布熵,對子頻帶信號進行分析;參考信號在不同尺度因子下值的差異,選取合適的尺度因子下的作為指標;對包含故障信息豐富的頻帶進行選取,并進行信號重構,實現對信號的降噪;

(2)對重構信號進行包絡解調,將故障信息從復雜的信號調幅部分中分離出來,得到低頻調制信號;結合理論故障周期,選擇合適的周期區間,使用MOMEDA算法有效提取出調制信號中的周期性故障沖擊成分;

(3)通過平方包絡譜突出信號中的瞬態能量成分,識別聚集在低頻段的故障特征頻率;利用諧波有效指數(HEI)對故障特征頻率進行計算,量化信號中包含的故障信息,實現對行星齒輪箱的故障診斷。

3 試驗和結果分析

筆者針對行星齒輪箱齒面磨損故障進行試驗,以獲取磨損故障全生命周期的振動數據。

實驗臺由行星齒輪箱、電機、制動器及其控制器、數據采集系統(加速度傳感器、電渦流傳感器等)組成,如圖2所示。

圖2 行星齒輪箱實驗臺

圖2中:測點1～3處布置加速度傳感器,測量振動信號:測點1對應行星齒輪箱第二級的位置(與水平方向成45°角);測點2、3分別對應第三級垂直和水平位置;測點4放置電渦流傳感器,配合測速齒輪盤可得輸出軸的實時轉速。

行星齒輪箱參數如表1所示。

表1 行星齒輪箱各齒輪參數

G1—第一級行星輪;G2—第一級太陽輪;G3—第一級內齒圈;G4/G6—第二、三級行星輪;G5/G7—第二、三級太陽輪;G8—第二、三級共用內齒圈

各級齒輪的轉頻和嚙合頻率如表2所示。

表2 齒輪轉頻及嚙合頻率

各級齒輪的故障頻率如表3所示。

表3 各級齒輪故障頻率

在該實驗中,為了加快齒輪磨損的速度,筆者通過施加載荷和使用個別未經熱處理的齒輪,來加快實驗進度。實驗中,采樣頻率設置為20 480 Hz,采樣間隔為10 min,采樣時間10 s;磁粉制動器轉矩設置為8.33 N·m。

試驗共持續9 300 min,本文分析數據采用測點2的振動信號。

3.1 基于RCMDE的信號降噪

根據行星齒輪箱故障演化機理可以得知:行星輪故障特征頻率很大程度上會與嚙合頻率及其倍頻參與耦合,而振動信號中正常狀況下的嚙合頻率最為突出。因此,筆者使用FSWT對振動信號進行頻率切片劃分,分割間隔與嚙合頻率相近,為150 Hz。

振動信號的頻率范圍為0～9 900 Hz,筆者使用FSWT將信號頻帶劃分為66組,得到其時域信號,如圖3所示。

圖3 FSWT對子頻帶信號的提取

圖3為FSWT對第17組頻帶信號,即頻率區間為2 400 Hz～2 550 Hz信號的提取方法。

將66組子頻帶的時域信號作為樣本,對其進行RCMDE方法分析。設定其參數:嵌入維數m=3,類別c=3,時延d=1,最大尺度因子τmax=50。

在66組樣本中,筆者任意選擇3組進行RCMDE計算分析,如圖4所示(圖中所示為第9、18、27組樣本數據在不同尺度因子下值的分析)。

圖4 不同尺度因子下RCMDE值

從圖4可以看出:3組數據熵值的整體變化趨勢都大致相同;在低尺度因子范圍內,其熵值較高,隨著尺度因子的增加,熵值呈下降趨勢,且逐漸趨于平穩。

對3組樣本數據的ERCMDE值進行對比可以看出:在低尺度因子(τ<15)的情況下,不同樣本數據在同一尺度因子的情況下,有明顯的熵值區別和劃分,整體熵值情況可近似為E09>E18>E27;在高尺度因子的情況下,不同數據的熵值在同一尺度因子或不同尺度因子的情況下都無明顯差別;不同樣本數據中包含的故障信息不可能完全相同,所以不同樣本數據的ERCMDE值差異性越大,則對描述信號的故障程度更有效。

因此,該實例中筆者選取尺度因子τ=5、τ=10為計算樣本數據的ERCMDE值的指標參數。

樣本數據的ERCMDE值越高,則表明樣本數據的復雜程度和不規則度越高,能量越分散,故障信息越少;反之,則說明信號中包含的故障信息越多。

筆者將尺度因子τ=5、τ=10對應的ERCMDE值作為指標,來衡量66組樣本數據中包含的故障信息,如圖5所示。

圖5 65組樣本數據的RCMDE值

筆者選取兩種尺度因子下對應的66組樣本數的ERCMDE進行分析;若樣本同時在兩種情況下熵值最小,則可以確定該樣本數據中的故障脈沖所占比重越大。

筆者將ERCMDE=1.8作為選取頻帶信號熵值的臨界值,將ERCMDE在兩種尺度因子的情況下,同時小于1.8時的樣本組進行提取,可以看出主要集中于樣本組數為26～31區間和52～58區間,從中選取的頻帶數據如表4所示。

表4 所選頻帶信號的RCMDE值

將選取的11組頻帶信號進行疊加,可實現對信號的重構。由于行星齒輪箱的工況復雜,振動信號中存在多頻率耦合情況;并且在FSWT信號分解過程中,原始信號中的某些諧波成分和噪聲會分解為諧振頻段。因此,對于重構信號中,仍然含有諧波分量和噪聲成分,故障瞬態成分并不清晰。

筆者對重構信號進行包絡解調,以將故障信息從復雜的信號調幅部分中分離出來,如圖6所示。

圖6 重構信號的包絡譜

從圖6中可以看出:最為明顯的頻率為行星輪齒輪箱的嚙合頻率fm=147.06 Hz;其次,較為突出的是行星架的轉頻fpc=2.37 Hz,行星輪故障特征頻率fp=7.03 Hz及其倍頻(3fp,7fp,10fp)。由此可以證明,采用RCMDE方法對信號進行重構,可以實現對信號的降噪,并將故障特征很好地突顯出來。

同時,也可以看出:信號中存在很多其他頻率,行星輪故障特征頻率fp受到其他諧波和噪聲的影響并不明顯,故障瞬態成分和原始信號仍然沒有很好地分離,需要進一步消除噪聲,提取故障成分。

3.2 基于MOMEDA的故障特征提取

將重構信號進行Hilbert變換后,得到低頻調制信號,再利用MOMEDA算法提取故障脈沖。

然后,筆者在多點峭度譜中選擇在該區間峭度最大值處對應的周期,如圖7所示。

圖7 多點峭度譜區間圖

由圖7可知:在周期T=2 922處的峭度值最大,此時的故障脈沖周期和理論脈沖周期的誤差率為0.3%,故筆者所選擇的故障脈沖周期為準確的故障脈沖周期。

筆者利用MOMDEA提取周期T=2 922的故障脈沖后的故障信號,對故障信號進行平方包絡譜,將聚集在低頻段的故障特征頻率進行有效提取,如圖8所示。

圖8 故障信號的平方包絡譜

從圖8中可以清晰地看到行星輪故障頻率fp及其倍頻。由此可見,使用MOMEDA算法能夠消除諧波分量和噪聲等因素的干擾,準確提取故障信號中的周期性沖擊成分;通過平方包絡譜實現對行星輪故障特征的提取。

3.3 基于HEI量化的故障診斷

為了對故障信息進行精確計算,基于平方包絡譜中得到故障特征頻率fp及其倍頻,筆者采用HEI來量化信號中包含故障脈沖的信息。

故障特征頻率fp=7 Hz,nfp=7nHz(n—正整數),由于在實際分析中會存在微小誤差,筆者在平方包絡譜的頻率區間[nfp-1,nfp+1]中取最大值,將前n個所選頻率幅值相乘,并進行次根運算,即可得到諧波有效指數(HEI),將其作為故障諧波乘積譜指標,如圖9所示。

圖9 故障諧波乘積指標

由圖9可以看出,選定n=50后,所選數據中fp的HEI值為3.47×10-6。

分析行星輪故障演化機理可以發現:隨著故障程度的增加,行星輪的故障特征頻率會越發突出,而故障諧波乘積可以反映出故障特征頻率在信號中的強度。因此，本文提出把HEI作為衡量故障程度的有效指標,可以有效量化信號中包含故障信息的強度。

4 結束語

本研究通過對振動信號處理方法的研究和分析,對行星齒輪箱故障特征進行提取,提出用諧波有效指數(HEI)來量化包含在信號中的故障信息的方法,并通過行星齒輪箱齒面磨損故障的試驗對該方法進行了驗證。

研究結果表明:

(1)通過利用RCMDE在不同尺度因子下ERCMDE值存在差異性的特點,對故障信號進行重構,不僅可以實現對信號的降噪,而且縮小了數據處理范圍;

(2)使用MOMDEA和平方包絡譜提取了行星齒輪箱的故障特征頻率;基于HEI指標,將故障特征頻率進行諧波乘積計算,有效量化了數據中包含的故障信息;

(3)解決了行星齒輪箱振動信號頻率復雜、故障特征難以提取的問題,為衡量行星齒輪箱的故障程度提供了有效指標。

該研究方法涉及多種理論的應用,因此,今后的工作包括:

(1)對于RCMDE處理信號中的尺度因子和熵值的臨界值ERCMDE的選取沒有實現自適應,需要改進RCMDE中的參數,以實現其自適應優化;

(2)行星齒輪箱全壽命周期的磨損故障信息不一定呈上升趨勢,需要對如何運用HEI指標描述行星齒輪箱系統故障的演變過程做進一步研究。