基于變分模態分解的風力發電機組軸承故障檢測方法研究

摘 要：為實現對軸承故障的精準檢測，引進變分模態分解技術，以某風力發電機組為例，開展軸承故障檢測方法的設計研究。先進行模態信號的轉換，將處理后的信號與變分模態預估中心頻率進行混合，將信號調制到與中心頻率相匹配的基頻帶上，實現基于變分模態分解的采樣模態信號帶寬計算;根據風力發電機組軸承信號的變化周期、變化方式，提取異常信號峭度，將其作為風力發電機組軸承異常信號特征;提取軸承在常規運行條件下、內圈故障運行條件下、外圈故障運行條件下的振動信號序列，對采樣信號進行VMD分解，將分解后的信號錄入計算機與軸承運行信號進行適配，根據匹配結果，掌握軸承當前所處的工況與狀態，以此實現風力發電機組軸承故障檢測。對比實驗結果表明，設計的方法可以在排除外界環境與相關因素干擾的條件下，實現對發電機組軸承故障信號的精準識別。

關鍵詞：風力發電機組;軸承故障;變分模態分解;檢測方法

中圖分類號：TH165+.3" " 文獻標志碼：A" " 文章編號：1671-0797（2024）04-0024-03

DOI：10.19514/j.cnki.cn32-1628/tm.2024.04.005

0" " 引言

風能是電力市場上使用范圍最廣的清潔、可再生能源，現階段已經成為世界上最具開發價值和應用機遇的能源之一[1]。深入研究可以發現，風能也是推動能源低碳經濟的核心動力。隨著近年來國家對新能源關注度的不斷提升，具有清潔、高效、可再生等優勢的風能得到了快速發展，根據國家能源局公布的數據，截至2022年12月底，我國累計發電裝機容量約25.6億kW，其中，風電裝機容量約3.7億kW。盡管隨著風能產業的迅猛發展，與之相關工作的建設規模加大，風力發電也日益成為業界關注的焦點，但風力發電并沒有形成系統有效的解決方案[2]。隨著風電裝機容量的持續增加，風能設備的失效問題日益突出，風力發電的安全問題必須受到重視[3]。相比常規的發電機組，風力發電機組的制造工藝十分復雜、現場安裝較為煩瑣、設備實際工作環境惡劣，導致風機運行中極易出現故障。軸承是風力發電機組的核心部件，承受著復雜的載荷，同時，大部分機組軸承在特殊環境中作業，所以軸承是風電機組中發生故障最多、導致停機時間最長的部件之一，其性能的優劣對整個機組的運行有著巨大影響。針對軸承故障，技術人員如未能及時采取有效措施進行排查與處理，嚴重時甚至可能引起連鎖反應，導致難以預料的嚴重后果。因此，開展風力發電機主軸承故障的診斷與預報研究意義重大。

1" " 基于變分模態分解的采樣模態信號帶寬計算

為實現對軸承故障的檢測，設計方法前，引進變分模態分解算法，進行采樣模態信號帶寬的計算。在此過程中，應明確引進的算法屬于一種新型非遞歸信號分解算法，該算法可以實現將復雜的信號離散成為若干種信號分量[4]。為滿足上述需求，先進行模態信號的轉換，此過程計算公式如下：

uk（t）=δ（t）+

（1）

式中：uk（t）表示t時刻下發電機組軸承運行模態信號的轉換，其中k表示變分模態分量值;δ（t）表示Hilbert變換;j表示解析信號。

完成上述處理后，將處理后的信號與變分模態預估中心頻率進行混合，將信號調制到與中心頻率相匹配的基頻帶上，此過程計算公式如下[5]：

uk，1（t）=uk（t）×e-jwt" " " " " " " " " （2）

式中：uk，1（t）表示信號調制;e表示基頻帶寬;w表示預估中心頻率。

在上述處理的基礎上，根據調制信號的梯度，計算每個模態信號的帶寬，通過該方式將變分模態處理過程轉換為構造變分問題。計算公式如下：

f=min

?δ（t）+

×uk，1（t）×uk（t） ×e-jwt2（3）

式中：f表示采樣模態信號帶寬;?表示循環頻率。

按照上述流程，完成基于變分模態分解的采樣模態信號帶寬計算。

2" " 風力發電機組軸承異常信號特征提取與故障檢測

完成上述計算后，根據風力發電機組軸承信號的變化周期變化方式，提取異常信號峭度，將其作為風力發電機組軸承異常信號特征。此過程計算公式如下：

C=" " " " " " " " " " " "（4）

式中：C表示風力發電機組軸承異常信號峭度;N表示信號位移數;x表示沖擊信號周期。

在此基礎上，當發電機組軸承在運行中出現故障時，傳感器采集到對應的振動信號可以表示如下：

y（n）=C（n）h（n）x（n）e（n）" " " （5）

式中：y（n）表示傳感器采集到對應的振動信號;h表示峭度信號;x表示沖激響應信號;e表示序列信號。

提取y（n），將其作為異常信號特征。在此基礎上，提取軸承在常規運行條件下、內圈故障運行條件下、外圈故障運行條件下的振動信號序列，對采樣信號進行VMD分解，從而得到不同狀態下的振動數據樣本與信號模態分量。計算不同尺度下模態信號的特征序列排序熵，將其作為高維度向量錄入計算機，將錄入的信號與軸承運行信號進行適配，根據匹配結果，掌握軸承當前所處的工況與狀態。按照上述方式，完成風力發電機組軸承異常信號特征提取與故障檢測，實現基于變分模態分解的檢測方法設計。

3" " 對比實驗

上文引進變分模態分解算法完成了軸承故障檢測方法的設計。為驗證該方法在實際應用中的故障檢測效果，下面將以某地區大型風力發電廠為例，展開實地測試。

為確保實驗結果的可靠性，實驗前，對所選的風力發電機技術參數進行分析，如表1所示。

掌握風力發電機組的技術參數后，使用本文設計的方法進行機組軸承故障檢測。在此過程中，需要先明確風力發電機組軸承在無故障狀態下的反饋信息，如圖1所示。

從圖1可以看出，在無故障條件下，風力發電機組軸承的故障信號頻率lt;10 Hz。

在使用本文方法進行軸承故障檢測時，需要先引進變分模態分解算法，計算采樣模態信號帶寬。在此基礎上，提取風力發電機組軸承異常信號特征，以此為依據進行軸承故障檢測與診斷。

同時，引進基于改進AFSA的故障檢測方法、基于PSO-SVM的故障檢測方法，即傳統方法1與傳統方法2，使用本文方法與傳統方法進行軸承故障的檢測?，F已知待檢測的機組軸承存在故障，且故障信號頻率如圖2所示。

從圖2中可以看出，待測的故障軸承存在4個高峰故障信號，信號頻率均gt;20 Hz。

在已知故障形式的基礎上，使用本文方法與傳統方法進行機組軸承故障的檢測。將檢測結果按照圖2所示的方式進行展示，如圖3～5所示。

從圖3～5可以看出，采用本文提出的方法故障檢測結果與風力發電機組軸承故障狀態下的反饋信息幾乎一致。而傳統方法1故障檢測結果中包含了圖2所展示的4個故障點，但也存在部分故障信號頻率在10～20 Hz范圍內，此部分信號無法作為非故障信號，但也不能直接將其判定為故障信號，還需要在后續的研究中根據具體情況進行信號的判定。因此，可以認為傳統方法1的故障檢測結果受到外部環境影響，存在一定的干擾。再對圖5進行分析，發現傳統方法2的故障檢測結果中不存在干擾信息，即檢查結果可以排除外界因素的影響，但顯而易見的是，該方法的故障檢測結果與風力發電機組軸承故障狀態下的反饋信息存在差異，即檢測結果與真實情況存在偏差。

綜合上述結果，得到如下結論：相比傳統方法，本文設計的基于變分模態分解的檢測方法應用效果良好，該方法可以在排除外界環境與相關因素干擾的條件下，實現對發電機組軸承故障信號的精準識別，實現軸承故障的精準檢測。

4" " 結束語

風電機組運行過程中如果出現了滾動軸承故障，其振動信號在初期到故障嚴重的這段時間內常常呈現出強噪聲、非線性和非平穩的特點，使得其故障特征很難提取出來。因此，如何對故障信號進行有效提取，是故障診斷與檢測的關鍵。為落實此項工作，本文引進變分模態分解算法，通過采樣模態信號帶寬計算、風力發電機組軸承異常信號特征提取、軸承故障檢測與診斷，設計了一種針對風電發電機組的軸承故障診斷方法，通過此種方式，能夠及時發現軸承運行中的故障。為檢驗該方法的可行性設計了對比實驗，實驗表明，本文所提的方法可以在實際應用中發揮預期效果。因此，在后續的研究中，可以將本文研究成果作為依據，在此基礎上，提出相應的改進措施，以預防軸承可能出現的嚴重故障，進一步減少機組軸承維護費用，提高機組的工作可靠性。

[參考文獻]

[1] 徐衛曉，井陸陽，孫顯斌，等.基于MDFF和DCNN-SVM混合網絡的滾動軸承故障診斷研究[J].制造技術與機床，2023（5）：13-20.

[2] 于飛，樊清川，宣敏.結合振動特征優選和GWOA-XGBoost的電機軸承故障診斷[J].國防科技大學學報，2023，45（3）：99-107.

[3] 楊森，王恒迪，崔永存，等.基于改進AFSA的參數優化VMD和ELM的軸承故障診斷[J].組合機床與自動化加工技術，2023（4）：67-70.

[4] 李德奧，秦政，李強，等.D-SSAE與PSO-SVM在轉子-滑動軸承系統故障診斷中的應用[J].化工設備與管道，2023，60（2）：59-67.

[5] 齊詠生，鞏育瑞，高勝利，等.基于中心損失-改進卷積自編碼器的滾動軸承半監督故障診斷[J].振動與沖擊，2023，42（7）：301-311.

收稿日期：2023-10-31

作者簡介：沈定超（1993—），男，浙江嘉善人，助理工程師，研究方向：風電運維、風電檢修、風機狀態監測分析。