張利慧，李曉波，俎海東，云 杰，魏 超

（內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司內(nèi)蒙古電力科學(xué)研究院分公司，呼和浩特 010020）

0 引言

“雙碳”目標(biāo)下，以新能源為主體的綠色低碳能源電力是實現(xiàn)“雙碳”目標(biāo)的發(fā)展路徑。風(fēng)力發(fā)電以其清潔可再生等優(yōu)勢目前正處于高速發(fā)展階段，截至2021年，我國風(fēng)電總裝機規(guī)模累計約328 480 MW，占我國新能源裝機容量的30.44%，占全國總裝機容量的13.82%[1]，成為繼火電和水電后我國的第三大發(fā)電能源。據(jù)全球能源互聯(lián)網(wǎng)發(fā)展合作組織預(yù)測，2030 年我國風(fēng)電裝機容量在全球風(fēng)電占比將超過20%，到2050年風(fēng)電占比約達(dá)30%[2]。

大型風(fēng)力發(fā)電機的選址位置一般較為偏遠(yuǎn)，主要設(shè)備距離地面幾十米，使得設(shè)備運行狀態(tài)監(jiān)測及日常維護(hù)的難度和成本急劇增加。據(jù)統(tǒng)計，陸地和海上風(fēng)電的運維成本分別約占風(fēng)電場總收益的15%和20%[3]。目前風(fēng)力發(fā)電機組的主要監(jiān)測方法是振動分析法，該方法能夠降低電廠設(shè)備約75%的故障率，節(jié)省約40%的維修費用[4]。因此，針對風(fēng)力發(fā)電機組故障振動診斷方法的研究，能夠有效降低設(shè)備維修成本，提高風(fēng)電機組日常運行的經(jīng)濟(jì)性。

大型風(fēng)力發(fā)電機組的發(fā)電機、主軸、齒輪箱等主要傳動部件都采用滾動軸承，而旋轉(zhuǎn)機械故障中約30%是由滾動軸承引起的[5]，風(fēng)電機組傳動鏈的主要故障很大一部分是由滾動軸承出現(xiàn)磨損、裂紋、疲勞、腐蝕、膠合、保持架損壞等問題造成的[6-7]，因此及時準(zhǔn)確開展?jié)L動軸承振動監(jiān)測和故障診斷能夠有效提高風(fēng)電機組的安全穩(wěn)定性。

針對風(fēng)電機組滾動軸承的振動監(jiān)測和狀態(tài)評價，中國國家能源局推出了《風(fēng)力發(fā)電機組振動狀態(tài)評價導(dǎo)則》《風(fēng)力發(fā)電機組及其組件機械振動測量與評估》等標(biāo)準(zhǔn)。現(xiàn)有的標(biāo)準(zhǔn)僅對風(fēng)力發(fā)電機組主軸承（滾動軸承）振動特征量進(jìn)行了規(guī)范要求，未實現(xiàn)對風(fēng)電機組滾動軸承的全面振動監(jiān)測和故障診斷。本文綜述分析了風(fēng)力發(fā)電機組滾動軸承故障振動診斷方法及其研究成果，以促進(jìn)風(fēng)電機組滾動軸承全面振動監(jiān)測和故障診斷的進(jìn)一步發(fā)展。

1 滾動軸承故障振動特征

振動監(jiān)測以其適用性廣、信號處理方式多樣、診斷結(jié)果可靠等優(yōu)點，成為目前滾動軸承狀態(tài)檢測和故障診斷中使用最多也是最有效的方法之一。滾動軸承在運行中會受到來自內(nèi)部和外部的激勵，內(nèi)部激勵由軸承的自身結(jié)構(gòu)特點、加工過程的裝配誤差、日常運行產(chǎn)生的故障所引起，而外部激勵是由其他相關(guān)零部件在運行過程中所產(chǎn)生的力誘發(fā)導(dǎo)致的。

滾動軸承故障分為接觸表面磨損類故障和接觸元件損傷類故障，滾動軸承振動解析圖如圖1 所示。接觸表面磨損類故障是由于機組長時間運行磨損累積而成，表現(xiàn)為滾動軸承振動信號的幅值隨著故障加深而不斷增大，該類故障一般不會突然出現(xiàn)并引發(fā)事故，故危害程度不高。接觸元件損傷類故障是由滾動軸承接觸元件出現(xiàn)點蝕、裂紋等損傷引發(fā)的沖擊，沖擊會使軸承本身產(chǎn)生低頻周期故障調(diào)制信號，其頻率為故障特征頻率，故障特征頻率根據(jù)滾動軸承的元件結(jié)構(gòu)尺寸、風(fēng)電機組轉(zhuǎn)速等參數(shù)進(jìn)行計算[8]，對比滾動軸承各接觸元件的故障特征頻率便可確定故障出現(xiàn)的位置和故障嚴(yán)重程度。故障調(diào)制信號覆蓋的頻域范圍很廣，可能會激發(fā)滾動軸承各接觸元件的高頻固有振動，固有振動引發(fā)的固有載頻信號較為復(fù)雜，與滾動軸承本身材料、結(jié)構(gòu)有關(guān)。將故障信號從固有信號中分離出來的技術(shù)稱為信號的包絡(luò)解調(diào)，分析包絡(luò)信號中的頻率和幅值能夠?qū)崿F(xiàn)滾動軸承故障特征提取。

圖1 滾動軸承振動解析圖Fig.1 Vibration analysis diagram of rolling bearing

2 滾動軸承故障振動特征提取方法

2.1 時域方法

風(fēng)力發(fā)電機組滾動軸承振動信號基本表現(xiàn)形式分為時域信號和頻域信號。目前常用的時域故障診斷方法是特征參數(shù)分析法，特征參數(shù)會隨著滾動軸承故障的出現(xiàn)和加深而發(fā)生特定的變化，其中均值、絕對均值、有效值、平均功率、方根幅值、峰值、峰峰值顯示了時域上的幅值波動和能量波動情況；方差、標(biāo)準(zhǔn)差、偏斜度、峭度、波峰指標(biāo)、波形指標(biāo)、裕度指標(biāo)、偏斜度指標(biāo)、脈沖指標(biāo)和峭度指標(biāo)表征了時域信號的波形分布情況。

時域特征參數(shù)診斷監(jiān)測方法是針對振動信號數(shù)據(jù)的統(tǒng)計分析，風(fēng)電機組滾動軸承在實際運行中有相當(dāng)一部分時間為非穩(wěn)態(tài)運行，且伴隨著環(huán)境噪聲等問題，此時時域特征參數(shù)僅作為故障診斷的一般性指標(biāo)，很難憑時域特征參數(shù)確定故障類型、故障位置等關(guān)鍵信息。時域診斷方法多作為輔助診斷形式，與頻域及時頻域診斷方法相結(jié)合，簡單快速進(jìn)行診斷的同時，可確保診斷結(jié)果的準(zhǔn)確性。

2.2 頻域方法

頻域診斷方法是利用傅里葉變換得到原始時域振動信號的頻率成分在頻譜圖中的分布情況，進(jìn)而找出故障特征頻率，通過比對故障狀態(tài)與正常狀態(tài)下振動信號的特征頻率，實現(xiàn)故障識別。相對于時域方法，頻域方法能夠更加直觀地提取到故障特征信息，是目前發(fā)展較為完善的方法。

2.2.1 頻譜分析

頻譜分析包括幅值譜與功率譜，幅值譜能夠直觀地表示振動信號所包含各頻率成分的幅值，功率譜是振動信號幅值的平方，表示振動信號功率及其對應(yīng)能量在頻域中的分布情況（見圖2）。目前頻譜分析方法已經(jīng)發(fā)展得十分成熟，是最容易接受的一種信號分析手段，多數(shù)振動監(jiān)測和故障診斷方法最終都會回歸到頻譜分析，如何結(jié)合多學(xué)科、多領(lǐng)域優(yōu)勢來彌補頻譜分析方法的劣勢是頻譜分析在工程實際普及中的關(guān)鍵問題。文獻(xiàn)[9]提出了一種新的自適應(yīng)功率譜傅里葉分解方法（Adaptive Power Spectrum Fourier Decomposition Method,APSFDM），將APSFDM 方法與現(xiàn)有經(jīng)驗小波變換（Empirical Wavelet Transform, EWT）、經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition, EMD）、變分模態(tài)分解（Variational Modal Decomposition, VMD）和傅里葉分解法通過仿真信號分析方法進(jìn)行了比較，驗證其在信號保真度方面的優(yōu)越性[9]。

圖2 頻譜和功率譜分析流程示意圖Fig.2 Flow chart of spectrum and power spectrum analysis

2.2.2 倒譜分析

倒譜分析也稱為二次頻譜分析（見圖3），原始時域振動信號經(jīng)傅里葉變換、平方運算、取對數(shù)并逆傅里葉變換后，分別得到頻譜、功率譜和倒頻譜。倒頻譜中的邊頻信號為單根譜線，能夠簡單明了地識別并分離振動信號中的復(fù)雜周期信號，因此倒頻譜分析方法可有效提取包含多簇調(diào)制邊頻帶信號的故障特征信息[10]。但倒譜分析過程無法去除故障振動信號中的噪聲成分，故常與一些信號降噪分析方法結(jié)合使用，以提高故障特征提取的準(zhǔn)確性。文獻(xiàn)[11]提出了一種以倒譜分析預(yù)白化為基礎(chǔ)，利用形態(tài)學(xué)中自互補Top Hat 技術(shù)消除信號中的噪聲成分，清晰準(zhǔn)確地實現(xiàn)了故障特征信號的提取[11]。

圖3 倒譜分析流程示意圖Fig.3 Flow chart of cepstrum analysis

2.2.3 包絡(luò)譜分析

包絡(luò)分析法又稱為包絡(luò)解調(diào)法，在風(fēng)電機組傳動系統(tǒng)故障診斷中應(yīng)用非常廣泛。該方法可將低頻故障調(diào)制信號從高頻固有載頻中分離出來，故障信號頻譜分析后識別其中故障特征頻率便可判斷故障的具體類型及故障所處階段。包絡(luò)譜分析流程如圖4所示。

圖4 包絡(luò)譜分析流程示意圖Fig.4 Flow chart of envelope spectrum analysis

包絡(luò)譜分析需對原始振動信號先濾波，濾波的中心頻率以及濾波帶寬通常根據(jù)經(jīng)驗判斷獲得，致使診斷結(jié)果差異較大。文獻(xiàn)[12]提出一種將窄帶包絡(luò)譜以及盲源分離技術(shù)相結(jié)合的滾動軸承故障特征提取方法，該方法能夠有效避免包絡(luò)譜分析過程中頻帶選擇對故障診斷結(jié)果準(zhǔn)確性的影響。

2.3 時頻域方法

時域分析和頻譜分析在滾動軸承不同階段評價方面各有其實用性和優(yōu)勢，能夠有效揭示某方面的故障特征。但實際運行中滾動軸承存在多點故障、受力不均等問題，使得采集到的振動信號復(fù)雜化，僅利用時域或頻域信號難以全面準(zhǔn)確地提取故障振動特征，這就需要既能反映時間特征又能表征頻率特點的分析方法，即構(gòu)造聯(lián)合時間和頻率信息的函數(shù)，在時頻域內(nèi)對故障信號進(jìn)行分析，能夠兼顧其時域和頻域特征。

2.3.1 短時傅立葉變換（STFT）

WVD 是故障診斷振動信號處理常用的非線性時頻分析方法，由于WVD不存在窗函數(shù)，無需考慮線性時頻分析方法中時頻域分辨率無法同時滿足的問題，因此WVD具有很高的時頻域分辨率和局部化特性。此外，WVD在實際應(yīng)用中還表現(xiàn)出良好的實值性、能量守恒和邊緣特性。雖然WVD可以實現(xiàn)多分辨率分析，但其雙線性特性會導(dǎo)致交叉項的產(chǎn)生，最終影響信號分析效果[13]。文獻(xiàn)[14]以局部均值分解技術(shù)為基礎(chǔ)，結(jié)合WVD 時頻域分辨率高等特點，提出了一種改良的故障振動診斷方法。

2.3.3 小波變換（WT）

WT雖然基于短時傅里葉變換的局部時頻化思想，但WT的窗函數(shù)能夠隨頻率變化而變化，最終通過伸縮以及平移運算實現(xiàn)振動信號的多尺度細(xì)化，即在高頻段進(jìn)行時間細(xì)化提高時域分辨率，低頻段頻率細(xì)分達(dá)到較高的頻域分辨率，結(jié)合實際工況中低頻變化慢、高頻變化快的特點，可以有效兼顧非平穩(wěn)信號在時頻域范圍內(nèi)的分辨率[15]。WT 廣泛應(yīng)用于滾動軸承故障診斷等多個領(lǐng)域的時頻分析。

連續(xù)小波變換（Continuous Wavelet Transform,CWT）的定義如下：CWT結(jié)果包含了大量重復(fù)信息，不僅計算量大,占用存儲空間也大。而離散小波變換（Discrete Wavelet Transform, DWT）則很好地解決了上述問題，同時保證了信息的完整度[16]。

DWT 的逐級分解過程只針對上級分解的低頻近似系數(shù)進(jìn)行分解，而直接保留上級分解的高頻細(xì)節(jié)系數(shù)。在實際應(yīng)用中，由于工況和運行條件復(fù)雜多變，測取的振動信號需經(jīng)過全頻段的多級分析才能提取到更加精確的特征信號，為此小波包分析逐漸成為研究熱點。小波包處理的每一級分析都會對高低頻信號進(jìn)行全面細(xì)致地分解，同時保證時頻域的分辨率，如圖5所示，利用小波包變換進(jìn)行信號四級分解，其中最左側(cè)分支表示離散小波分解[17]。小波變換被用于多分辨率信號分析，但在實際應(yīng)用中如果基函數(shù)選擇不當(dāng)會降低信號分析精度[18]。文獻(xiàn)[19]給出了一些常用小波基的特性，并通過試驗對部分小波基進(jìn)行了對比分析[19]。

圖5 使用小波包變換進(jìn)行信號四級分解示意圖Fig.5 Schematic diagram of signal four-level decomposition using wavelet packet transform

2.3.4 經(jīng)驗?zāi)Ｊ椒纸夥ǎ‥MD）

EMD 可將滾動軸承振動信號x( t )從高頻到低頻分解為n 個不同頻段的內(nèi)在模態(tài)函數(shù)（Intrinsic Mode Function，IMF）分量Ci( t )之和以及一個余項rn，表示為：

對IMF 進(jìn)行希爾伯特變換后，得到瞬時的信號幅值及頻率，進(jìn)而得到信號的希爾伯特時頻譜圖，在時頻譜圖的基礎(chǔ)上做進(jìn)一步分析。但EMD 在實際應(yīng)用中存在模態(tài)易混淆、端點效應(yīng)、本征模態(tài)函數(shù)如何識別和確定等問題[20]。

在EMD算法第一階段，將接收信號作為殘差信號，采用三次樣條法計算局部最小值和最大值，求出最小值和最大值的平均值。新的分量是通過從上一個分量中的信號減去該平均信號而獲得的，然后再次計算局部最小值和最大值，重復(fù)該過程，直到滿足停止標(biāo)準(zhǔn)。計算出局部最小值、最大值和平均值的每個分量都被記錄為一個IMF信號。雖然信號本身最初作為殘余信號接收，但在后續(xù)迭代中，通過從先前殘余信號減去IMF 信號來獲得殘余信號，會使得IMF 中的模式發(fā)生混合[21]。集合經(jīng)驗?zāi)Ｊ椒纸猓‥nsemble Empirical Mode Decomposition,EEMD）的出現(xiàn)很好地解決了上述問題。

EEMD方法是利用一種白噪聲將整個時頻空間劃分為不同標(biāo)準(zhǔn)的成分，再將原始振動信號添加到白噪聲背景中，原始振動信號中相應(yīng)標(biāo)準(zhǔn)的信號便會自動匹配到合適成分上。由于每次試驗都會附加噪聲成分，當(dāng)試驗次數(shù)足夠多時噪聲信號便會趨于消失，那么信號中唯一持久的組成部分就是原始振動信號。誤差的最終標(biāo)準(zhǔn)偏差計算公式如下[22]。

該特性有助于將wk置于功率譜中相應(yīng)模式的重心，α 為懲罰因子，λ 是拉格朗日乘子[25]。

VMD 分解法需要在使用之初對分解參數(shù)進(jìn)行經(jīng)驗設(shè)置，為振動信號故障特征提取分析造成了不確定性。文獻(xiàn)[26]利用遺傳和果蠅算法相結(jié)合的一種智能算法，能夠快速準(zhǔn)確地得到VMD分解法中的最優(yōu)參數(shù)組合，實現(xiàn)VMD的自適應(yīng)信號分解。

3 結(jié)語

隨著風(fēng)力發(fā)電機組的不斷發(fā)展和大量投產(chǎn)，對風(fēng)力發(fā)電機組滾動軸承振動故障診斷的及時性和準(zhǔn)確性提出了更高的要求。目前在風(fēng)力發(fā)電機組滾動軸承振動故障診斷領(lǐng)域，信號處理技術(shù)方法已經(jīng)得到了充分的開發(fā)利用。實際工程應(yīng)用中，每種分析方法都存在優(yōu)缺點，結(jié)合多種分析方法在不同階段不同方面的優(yōu)勢，衍生出一種甚至多種適應(yīng)性更廣、實用性更強的振動故障診斷方法，同時能夠提取到的多類型、多尺度、多來源信號的特征量，實現(xiàn)全方位信息融合的振動故障診斷技術(shù)是重點研究方向，其中非穩(wěn)態(tài)信號分析方法在實際應(yīng)用中依然存在許多亟待解決的問題。未來，有效融入數(shù)學(xué)、材料學(xué)、力學(xué)、人工智能等眾多學(xué)科的優(yōu)勢，將進(jìn)一步推動當(dāng)前滾動軸承振動故障診斷研究向更高水平發(fā)展。