Hilbert-Huang变换在风力发电机主轴轴承故障诊断中的应用

陈文静,吴金强

(新疆大学 机械工程学院，乌鲁木齐 830047)

目前，所有安装的风力发电机中，75%～80%的主轴轴承采用滚动轴承[1]。滚动轴承是旋转机械中广泛应用的关键部件，也是容易产生故障的部件。经统计，轴承故障中的40%与污染和润滑有关；30%与安装有关；20%与过载或制造质量有关[2-3]。

轴承发生故障时，会产生一系列冲击振动，2个相邻冲击之间的时间间隔一般很小，因此，如果要检测出每个冲击振动，则需要所采用的时频分析方法具有很好的时域和频域分辨率。但传统的时频分析方法往往受到测不准原理的制约，很难在时域和频域同时达到很高的分辨率[4]。而Hilbert-Huang变换(HHT)是一种新的具有自适应的时频分析方法，它可以根据信号的局部时变特性进行自适应的时频分解，消除人为的因素，克服传统方法中用无意义的谐波分量来表示非平稳、非线性信号的缺陷，并可得到很高的时频分辨率和良好的时频聚集性，非常适合对非平稳、非线性信号进行分析[5]。下文对Hilbert-Huang变换在风力发电机主轴轴承故障诊断方面的应用进行了探索性研究。

1 基于经验模式分解的Hilbert谱

HHT的基本思想是通过经验模式分解(empirical mode decomposition,EMD)的方法，将信号分解成一系列的本征模函数(intrinsic mode function,IMF),得到的IMF是近似单频率成分的信号，即在每个时刻信号只有1个频率成分，对每个IMF进行Hilbert变换即可得到其瞬时频率，由于EMD是完备的，因此组合起每个IMF的瞬时频率就可以得到整个信号的Hilbert谱[3]。

HHT中最关键的是EMD的步骤，EMD基于以下假设方法:任何信号均由不同的固有振动模态组成,每一模态不论是线性或是非线性的,其极值点数和零交叉点数相同；在相邻的两个零交叉点之间只有一个极值点；任何2个模态之间是相互独立的。EMD的具体步骤如图1所示。

图1 EMD的步骤

通过EMD得到信号x(t)的IMF并对其进行Hilbert变换，将信号表示为

(1)

式中：ak和ωk均为常量。这里忽略了残余分量rn[6]，因为它是一个单调函数或常量。虽然在进行Hilbert变换时可以把残余分量看做长周期的波动，但残余分量的能量较大时也会影响到其他有用分量的分析，而且一般小能量的高频部分才是本研究感兴趣的信息，因此，在做变换时一般把不是IMF的成分都略去。(1)式可以看做广义的Fourier变换，式中幅值和频率随时间变化的特性不仅大大提高了信号的分解效率，而且还使分解适合于非线性、非稳态数据。

如果将时间t、频率ωk和幅值ak画在一个三维图上，其中幅值可以在时频平面中以等高线表示，这种幅值的时频分布表示便称之为Hilbert幅值谱，简称为Hilbert谱；若把幅值的平方表示在时频平面上，便得到Hilbert能量谱。

2 应用实例

选取从某风场1.5 MW机组用加速度传感器采集的主轴轴承振动信号进行分析，输入轴转频0.3 Hz，采样频率12 kHz，采样点数为39 120。该主轴轴承为SKF 240/630ECJ/W33调心滚子轴承，轴承内径630 mm，外径920 mm，滚子直径71.6 mm，滚子数28。当输入轴转频为0.3 Hz时，轴承故障特征频率[7]见表1。

表1 轴承故障特征频率 Hz

主轴轴承振动信号时域波形如图2所示。从图中可以看出，原始信号的时域波形包含明显的冲击信号，但其成分不明，故需要进一步分析以确定故障类型。

图2 主轴轴承振动信号时域波形图

2.1 时域统计分析

信号的时域统计分析是指对动态信号的各种时域参数、指标的估计或计算，通过选择和考察合适的信号动态分析指标，可以对不同类型的故障做出准确的判断[8]。时域分析中的统计特征参量包括最大值、最小值、有效值、偏度指标和峭度指标等。信号的有效值与振动能量相对应。在轴承无故障运转时，由于各种不确定因素的影响，振动信号的幅值分布接近正态分布，偏度指标K3≈0，峭度指标K4≈3;随着故障的出现和发展，振动信号的正态曲线出现偏斜或分散，偏度值和峭度值也随之变化，偏度指标和峭度指标的绝对值越大，说明轴承偏离其正常状态程度越大，故障越严重[9]。

试验轴承的振动信号各时域指标统计见表2。根据VDI3834标准规定，主轴轴承振动第2限度值为0.5 m/s2，从表中可以看出，其振动有效值远远大于其第2限度值，偏度指标和峭度指标也发生了变化，故判断该风机主轴轴承存在严重故障，但无法确定其故障具体来源。需提取故障特征频率，找出对应故障。

表2 振动信号时域指标统计

2.2 频域分析

原始振动信号的频谱如图3所示，从图中看出，在0～800 Hz及(2～5)kHz之间存在较宽的噪声带，存在轴承内部冲击引起的零件固有频率特征，但仍无法确定故障来源。

图3 主轴轴承振动信号频谱分布图

2.3 Hilbert谱分析

从图1中可以看出，原始信号包含明显冲击信号，但成分不明，无法确定故障。因此，先对原始信号进行经验模式分解，得到c1，c2，…，c15共15个IMF分量及1个残余分量r，分解结果如图4所示，图中可以看到明显的振动冲击，但无法确定振动冲击的时间间隔，进一步作出振动信号的Hilbert谱。如图5所示，从Hilbert谱中可以明显看出，冲击分量所在的频率范围为0.01～0.6 Hz，而该主轴轴承保持架理论故障频率(0.07 Hz)正处于该范围，图中亦有明显的频率在0.07Hz左右的冲击分量，因此可以确定轴承保持架出现故障。同时，从该图中得知2个连续冲击之间的间隔大约为0.3～0.5 s，由此估计出这些冲击的特征频率为2～3.3 Hz。而内、外圈故障理论特征频率均处于该范围，因此可以大致判断轴承内圈或外圈出现了一定程度的故障。

图4 主轴轴承振动信号经验模式分解

图5 主轴轴承振动信号的Hilbert谱

综上分析，可以推测，主轴轴承保持架局部可能发生严重断裂，且滚子已严重磨损。在风机叶片带动主轴旋转的过程中，滚子被迫在无保持架约束的条件下发生无规则的滚动，从而引起更为严重的内、外圈磨损，导致主轴轴承出现无规律冲击及摩擦故障。经拆检发现，轴承保持架已经断裂，滚子严重磨损，内、外圈已出现点蚀，与分析结果相同。

3 结束语

将HHT应用于滚动轴承故障诊断,取得了比较好的分析效果。从Hilbert谱中可以找出轴承故障特征频率，根据轴承故障特征频率能够有效地识别出故障部位和类型。通过对风机主轴轴承振动信号的分析，说明这种方法能有效地提取轴承故障特征，相对于传统的时域与频域分析方法具有更好的分析效果。