聲振信號分離提純的風力發電機故障診斷方法研究

陳皓陽

(國華(江蘇)風電有限公司,江蘇 鹽城 224200)

0 引言

風力發電需要在有風的環境下進行作業。由于風的方向與速度是隨機的,致使發電機組長時間處于變負荷的工作狀態。風量大的地方多處于郊區或者荒無人煙的區域。較為惡劣的環境會大幅增加發電機發生故障的風險[1-2]。發電機在正常運行狀態下沒有工作人員看守,導致工作人員在故障出現時不能及時處理并進行維修。這大幅降低了風力發電機組的使用壽命,增加了運營成本。

黃宏臣等[3]通過加速度包絡解調方法對大型異步風力發電機滾動軸承早期故障診斷開展研究。該研究分別在單軸承故障診斷試驗臺和某型號大型異步風力發電機中,對軸承內圈滾道面上存在早期微弱損傷的滾動軸承進行試驗,并驗證加速度包絡解調方法的有效性。王宏偉等[4]根據自適應灰狼優化的變分模態分解(adaptive grey wolf optimization-variational mode decomposition,AGWO-VMD)方法分解角域信號;通過規范化復合多尺度散布熵(normalized composite multiscale dispersion entropy,NCMDE)方式獲取分解后與原始故障信號的特征,并組成特征向量;利用長短期記憶(long short-term memory,LSTM)模型完成特征向量的在線故障識別與診斷。但上述方法在風力發電機故障診斷過程中沒有對受到噪聲干擾的信號進行預處理,阻礙了對故障信息的正確分析與獲取,進而給故障的準確診斷造成困難。

本文提出一種基于聲振信號分離提純的風力發電機在線故障診斷方法。該方法利用經驗模態分解與小波閾值算法去除故障監測時的聲音干擾信號,提高故障監測結果的精度;通過粒子群優化算法,解決在線故障診斷時間長與收斂速度慢的問題。

1 風力發電機故障分析和信號處理

1.1 風力發電機故障分析

導致風力發電機組出現故障的因素諸多,具體如下。

①齒輪箱。齒輪箱位于機艙內部,主要負責能量的傳遞,是風力發電機的主要設備之一[5]。齒輪箱內部結構較為復雜,由諸多變速齒輪與軸承組成。在風力發電機運作時,風速與負荷的突變會使得各齒輪間出現較大空隙,進而出現故障。

②發電機。發電機將齒輪箱傳遞的能量經過內部電磁感應轉化成電能并傳送出來。由于其工作時處于有風狀態,較小的風沙顆粒極易進入內部,致使故障發生。同時,其內部的電磁環境也較為復雜,容易發生故障。

③葉片。葉片主要負責將流經葉片上的風能轉化成機械能。由于風電場所處位置各不相同,葉片經常受酸雨、溫度驟變等自然現象的影響,從安裝起就經常處于空中旋轉狀態。長時間的不間斷工作致使葉片材料的活性下降從而產生紋裂等,影響整個機組的使用壽命。

④螺旋槳。螺旋槳能夠調節葉片旋轉速度,分擔齒輪箱與發電機等承擔的大部分壓力。但螺旋槳對陣風的敏感性較差。當系統轉速變慢或者運行離散時,其不能很好地發揮自身作用。

綜上所述,所有的電機故障均能通過振動信號被傳感器采集到。

1.2 聲音-振動信號分解

受大氣紊流誘導風機振動、環境噪聲、人為噪聲等干擾源的干擾,風力發電機振動信號中參雜大量聲音信號[6]。受到噪聲干擾的振動信號具有非平穩、非線性的特點,給準確診斷風力發電機故障造成困難。為此,在故障信號中,本文利用振動信號參雜聲音信號的波形圖證明上述觀點。

聲振混合信號的特征分析如圖1所示。

圖1 聲振混合信號的特征分析

由圖1可知,聲振信號處于高低頻率疊加的狀態,因而聲音和振動信號分別處于高頻和低頻的位置。為了解決上述問題,本文設計了1種經驗模態,將初始風力發電機在線故障信號分解成高頻與低頻這2個部分,即多個本征模態函數與1個殘余量。計算過程為:

(1)

式中:ai(t)為初始故障信號,dB;bi(t)為ai(t)的模態函數;cn(t)為ai(t)的殘余量;t為時刻,s。

在信號分解過程中會出現模態混疊現象。為此,本文采用噪聲輔助信號處理方式對其進行完善。完善過程可稱為集成經驗模態。本文將初始故障信號引入高斯白噪聲,使混疊的信號分解成不同尺度的分量,并將每個分量進行平均計算,從而獲得最終的分解量。

集成經驗模態根據白噪聲信號頻譜均勻分布的特性,使各頻帶信號反射至其對應的尺度。詳細過程如下。

②對歸一化處理后的信號經驗模態進行分解,獲得j個尺度分量ej(t)與1個殘余量cn(t)(低頻部分)。

③添加不同類型的白噪聲信號,反復進行步驟①與步驟②,得出:

(2)

式中:a′i(t)為處理后的信號,dB。

④計算得出各分量總體均值,并去除高斯白噪聲的干擾,獲得集成經驗模態最終的尺度分量e′j(t),即:

(3)

式中:n′為反復進行步驟③的次數。

1.3 小波閾值去噪

小波變換[7]的本質是針對信號時間與頻率的分析,能夠在時、頻兩方面凸顯故障信號的局部特征。其在分析波動信號與獲取信號的局部特征時具有極大的優勢。

小波變換把各尺度分量的小波函數進行疊加。疊加過程即將基本小波函數進行σ位移后,在尺度β下與故障信號作內積運算,得出:

(4)

式中:W為傅里葉變換過程中使用參數的數值;β為尺度系數;x(t)為初始聲音噪聲信號,dB;σ為位移。

經濟學是很多大學的熱門專業，更有許多專業的財經類院校每年都會招生大量的經濟管理專業學生，他們不僅需要掌握系統的經濟學和管理學相關知識，包括財政學、金融學、經濟學、統計學、管理學、審計學、稅務學、會計學等內容非常豐富，還需要兼修文學、法學、理學、工學等多門知識，這樣才能更好的滿足就業需求，服務社會發展。我國已經進入經濟發展新常態時期，現代經濟管理對社會發展至關重要。

小波變換對應的頻域Fx(β,σ)描述為:

(5)

式中:ω為尺度分量。

故障信號在時域上通常是連續的,而聲音噪聲信號的時域則是間斷的。因此,經過小波變換后,得出小波系數模值較大。聲音噪聲具有極強的隨機特性。通過高斯分布理論,可以控制噪聲系數始終保持在(-3～+3)Sigma范圍內。據此,只需去除區間內的系數,就能控制高斯白噪聲。

通過對比故障信號失真情況與抑制高斯白噪聲效果,本文選取小波分析層數為3,進而獲得3個不同的小波系數值。

本文選用小波閾值計算方法中的固定閾值估計算法完成閾值求解。該方法能夠去除模值極小的信號、節省計算時間,并有效去除噪聲,與實際閾值結果基本相同。該方法去噪有2種函數形式,即硬閾值函數與軟閾值函數。

硬閾值函數即當閾值大于小波系數時,設系數為0,則:

(6)

式中:T為閾值;Wn為閾值經過處理后的小波系數值。

當小波系數的絕對值小于閾值且等于0時,即可得到軟閾值函數:

(7)

1.4 小波信號重構

小波信號重構即對各層系數按照特定的規則進行處理,并將去噪后的每一層小波系數進行合并,進而得出去噪后的振動故障信號。詳細過程如下。

①采用集成經驗模態分解含噪聲的故障信號,獲得j個振動模態ej(t)。

②對分量的高頻與低頻進行分離。

③將分量的高頻部分按照小波閾值去噪方式進行重構,獲得未含有聲音噪聲的分量。

④將分量的低頻部分與步驟③得出的分量進行重構,得出實際風力發電機在線故障信號。

風力發電故障信號去噪流程如圖2所示。

圖2 風力發電故障信號去噪流程圖

2 風力發電機在線故障診斷

反向傳播(back propagation,BP)神經網絡[8-9]的訓練方式通常為誤差逆向傳播,在訓練過程中可以得出某層的前饋網絡。為了實時診斷故障,本文將最速下降算法作為學習規則,經過不斷學習更新權值、閾值等參數,進而降低整個網絡的誤差。本文選用的3層BP神經網絡結構中,各層間使用全互聯手段,且相同層次間不能進行鏈接。BP神經網絡結構如圖3所示。

圖3 BP神經網絡結構示意圖

由圖3可知,診斷方法的全局搜索最優能力較差,且學習速率也未達到理想結果。為此,本文引入粒子群優化算法,完成風力發動機在線故障診斷。該算法可通過更新速度與位置,盡可能地得到全局最優解,并保證診斷結果的精準度。

(8)

(9)

粒子群優化下的BP神經網絡在線故障診斷[11-12],本質上就是先通過粒子群優化該網絡的權值與偏置,再進行BP神經網絡的訓練,以獲得風力發電機的在線故障診斷結果。詳細過程如下。

①建立BP神經網絡,設定網絡相關參數、權值與偏置。

②將去除噪聲后的風力發電機振動信號輸入BP神經網絡中,計算粒子群迭代過程中相關參數,即粒子的m、K、γ1與γ2等。

③求解各粒子的速度與位置。

④運算個體的適應度值,并與歷史數值作對比。假設該值更優,則替換歷史數值,進而更新當前位置。

⑤若粒子的全局最優解沒有歷史最優解好,則選用歷史最優解作為全局最優解。

⑥各粒子根據式(8)、式(9)更新其速度與位置。

⑦判斷更新后的速度與位置是否滿足設定的范圍。若不滿足,就需要將邊界值當做粒子的速度與位置。

⑧判斷迭代計算次數是否符合設定的極限次數。若滿足,終止迭代,輸出權值與偏置;反之,則返回步驟④。

⑨根據步驟⑧得出的權值與偏置進行BP神經網絡的訓練,從而診斷出風力發電機的在線故障。

3 試驗數據分析與研究

3.1 試驗環境與參數設定

為了驗證本文提出的基于聲振信號分離提純的風力發電機在線故障診斷方法在實際應用中的有效性,本文選用某電場1.5 MW風電機組作為試驗對象。

1.5 MW風電機組的參數設置如下:額定功率為1.5 MW;風輪直徑為5.8 m;輸出電壓為360 V;額定風速為12 m/s;頻率為50 Hz;轉速為1 500 rad/min;額定電流為900 A。

試驗通過樣本故障數據類型的數量與特征,設置輸入層、隱含層與輸出層的節點數量分別為5、12、4。在隱含層與輸出層中,試驗將Sigmoid型函數作為傳遞函數,以Trainlm型函數為訓練函數。其訓練次數設定為500,學習效率與誤差分別為0.2與0.002。樣本數據選取葉片侵蝕、氣隙偏心、軸承潤滑不良等故障數據,在機組上安裝1個振動傳感器,收集正常狀態與各種故障類型的振動信號,并選取不同小波系數進行壓縮。

3.2 風力發電機振動信號處理效果分析

整數-整數累積分布函數(cumulative distribution function,CDF)(2,2)與CDF(2,4)的壓縮比與信噪比對比結果如圖4所示。

圖4 整數-整數CDF(2,2)與CDF(2,4)的壓縮比與信噪比對比結果

由于風力發電機振動信號受外界大氣紊流誘導、環境和人為等條件干擾而存在噪聲,故采用本文提出的小波閾值算法去除信號噪聲。風力發電機振動信號去噪效果如圖5所示。

圖5 風力發電機振動信號去噪效果

由圖5可知,大氣紊流誘導風機振動、環境噪聲干擾、人為噪聲干擾等典型干擾源不會對后續的風力發電機在線故障診斷造成影響。這是因為本文采用小波閾值算法能夠有效去除風力發電機振動信號中的噪聲,使后續的故障診斷精度得到提升。

本文將去噪后的風力發電機振動信號分量與低頻分量作重構處理,得到風力發電機的實際故障振動信號。經過本文方法處理后的振動信號情況如圖6所示。

圖6 經過本文方法處理后的振動信號情況

風力發電機的振動信號經過本文方法處理后,特征得到凸顯。未經過處理的正常信號與故障信號差距并不明顯,且不同故障難以區分。本文去除了聲音噪聲,使正常信號與故障信號間的差距明顯,且不同故障間差距也極為顯著,易于后續BP神經網絡的故障診斷。

3.3 故障診斷精度對比

試驗采用本文方法、文獻[3]方法與文獻[4]方法,對風力發電機在線故障診斷精度進行對比。風力發電機在線故障診斷精度對比結果如圖7所示。

圖7 風力發電機在線故障診斷精度對比結果

由圖7可知,本文方法進行風力發電機在線故障診斷的精度最高可達100%。其故障診斷精度始終高于文獻[3]方法和文獻[4]方法。這是因為本文方法利用集成經驗模態將故障信號的高頻與低頻分離,通過小波閾值過濾噪聲部分并與低頻部分重構,得出不含有噪聲的故障數據,進而有效提升故障數據的診斷精度。

3.4 故障診斷時長對比

試驗采用本文方法、文獻[3]方法與文獻[4]方法,對風力發電機在線故障診斷時長進行對比。風力發電機在線故障診斷時長對比結果如圖8所示。

圖8 風力發電機在線故障診斷時長對比結果

由圖8可知,本文方法采用粒子群優化算法,能夠不斷更新速度與位置,得到全局最優解、提升學習速率,并快速、精準地診斷出風力發電機故障。本文方法在第22次訓練時達到收斂,且誤差極小。文獻[3]方法極易陷入局部最優的問題,且風力發電機在線故障診斷能力較差,在第47次訓練時才達到收斂。文獻[4]方法結構復雜,在第56次訓練時達到收斂。該方法處理數據能力存在不足,得出的均方誤差遠大于本文方法。由此可證實本文方法的訓練次數較少,風力發電機在線故障診斷時間較短,并且風力發電機在線故障診斷性能較好。

4 結論

由于風力發電在線故障診斷誤差較大,同時還會增加成本,故本文采用分頻方法完成其在線故障診斷。本文根據集成經驗模態、小波閾值算法得出不含有噪聲的故障信號,通過粒子群優化算法、權重矩陣監測出該信號所在位置,并診斷出故障類型。試驗驗證本文方法在線故障識別能力優于文獻[3]方法與文獻[4]方法,并能夠精準判斷出故障類型,且訓練收斂速度快。上述結果證明了本文方法的有效性。本文方法能夠為日后深入研究風力發電機故障診斷提供理論依據。