基于谱峭度的风电机组轴承故障诊断技术及应用

潘巧波，曹 力，唐媛媛

(1.华电电力科学研究院有限公司，杭州 310030；2. 华电东营能源有限公司，山东 东营 257100)

0 引 言

轴承在工作中需要承受风轮产生的巨大推力，承担着减小旋转摩擦及确保回转精度的作用，是主传动链中的关键部件，在不规则或重载的循环应力的恶劣工况下，容易发生点蚀、磨损、变形等故障，严重时会影响整机的安全可靠工作。另外，发电机是风电机组的重要大部件，轴承的健康状态直接关系到发电机的运行性能，因而很有必要对轴承故障诊断技术进行探索并予以工程应用[1-3]。

现行的主流诊断技术主要通过振动信号分析实现，比如频谱分析、包络谱分析等。由于轴承复杂的工况导致信号干扰成分过多，故障特征往往淹没于背景噪声中，这时需要通过降噪处理或增强特征进行识别。长期以来大量科研人员针对轴承振动故障诊断开展了相关研究，对不同信号分析方法都进行了一定程度的改进。文献[4-5]研究了小波分析中的不同阈值确定方法，指出软阈值方法中小波系数存在偏差以及硬阈值方法存在的不连续缺陷。文献[6-7]提出了一种小波阈值除噪方法。Huang提出了一种经验模式分解(Empirical mode decomposition，EMD)方法，能将信号分离为本征模式分量，进而提取关键特征[8]。Smith研究并提出了一种局部均值分解(Local mean decomposition，LMD)方法，该方法分解精度高[9]。文献[10]论述了盲源分离，该预处理方法能排除对先验知识的依赖，在分离多类型故障耦合的信号方面有着良好表现。

谱峭度(Spectral Kurtosis，SK)诊断的本质是将SK方法里计算的最大峭度值作为状态监测的关键指标，根据最大峭度值所在SK曲线确定滤波器的中心频率及带宽，将信号滤波后进行分析[11-12]。文中采用此方法对生产实际中风电机组振动信号进行处理分析，以得出相关诊断结果。

1 基于SK的轴承故障诊断方法

谱峭度由Dwyer在1983年首次提出[13]，改善了峭度指标，通过计算所有谱线上信号的非平稳性来确定非平稳特征所在的位置，这样能很好地消除噪声背景的影响。设信号X(t,f)为信号x(t)的短时傅里叶变换，其阶谱矩为

式中：〈·〉表示时间平均算子，t和f分别为时间和频率。

进一步地将谱峭度定义为能量归一化的四阶谱矩，可得

式中：S4X(f)为信号x(t)的四阶谱累积量；S2X(f)为信号x(t)的二阶谱累积量。

谱峭度反映了信号偏离高斯过程的情况，谱峭度越大，说明偏离高斯越大。平稳高斯背景噪声信号占主要频率段的谱峭度很小，而暂态冲击信号占主要频率段的谱峭度相对较大。这也是通过谱峭度检验实现暂态冲击故障信号识别的原理。

假定实测振动信号为z(t)，它由故障信号y(t)及噪声信号n(t)组成。

z(t)=y(t)+n(t)

当滚动轴承发生局部故障时会发生冲击，整个系统发生共振，故障信号y(t)的一般模型可表示为

式中：h(t)为单个脉冲的脉冲响应；Ak和τk分别代表第k个脉冲的幅值和出现时间。

实测振动信号z(t)的谱峭度为

式中，ρ(f)为信噪比倒数，用噪声n(t)的二阶谱矩S2n(f)与故障信号y(t)的二阶谱矩S2y(f)比表示,在信噪比高的频带有KZ(f)≈KX(f)。

以此体现了谱峭度方法在信号预处理中良好的滤波效果，即某处信噪比高，就表示实测振动信号的谱峭度和故障信号的谱峭度大致相同，从而确定最佳滤波频带。

2 风机发电机轴承故障分析

选取的研究对象为中国华电集团内蒙古区域所属某风场机组。由于振动厂家监测报告无法确定23号机组和173号机组故障部位，因而对两台机组进行着重分析。23号机组和173号机组型号为华锐SL1500/82，双馈机型，叶轮直径为82 m。

2.1 23号机组故障分析

系统采集的23号风电机组发电机驱动端原始振动信号如图1所示，采样频率为5 120 Hz。

图1 23号风机发电机驱动端原始振动信号

从原始信号图中无法识别发电机轴承的有关故障频率特征。对信号进行谱峭度分析后得到三维谱峭度图如图2所示。

图2 23号机组振动信号谱峭度图

峭度图表示选取不同的窗口长度Nw=20，21，22计算得到的峭度分布。由图2可知，当fc=1 920，Nw=2.6时取得最大峭度值k=4.77。根据此参数设计滤波器对原始信号进行滤波处理，得到相关结果如图3所示。

图3 23号机组振动信号图

对比原始信号，滤波后的信号可以看到明显特征：滤波后时域波形中冲击间隔约为0.13 s，滤波后的包络谱中明显存在以73.75 Hz为基频的谱线，刚好对应发电机轴承外圈特征频率，表明冲击可能由发电机轴承外圈损伤引起。振动厂家监测报告如表1所示，表明23号风机发电机轴承出现早期磨损。可看出传统信号分析一定程度也能诊断某些轴承类故障，但是无法定位故障发生的位置。

表1 风电机组振动在线监测分析报告(23号机组部分)

2.2 173号机组故障分析

系统采集的173号风电机组发电机驱动端原始振动信号如图4所示，采样频率为5 120 Hz。

原始波形中除了能看见少量毛刺成分以外不能看出其他明显的故障特征。进行峭度分析并绘制分析图，如图5所示。

由图5可知，当fc=1 440，Nw=3时取得最大峭度值k=3.29。根据上述数据设计滤波器对原始信号进行处理，结果如图6所示。

图4 173号风机发电机驱动端原始振动信号

图5 173号机组振动信号谱峭度图

图6 173号机组振动信号图

对比原始信号，滤波后的信号可以看到明显特征：滤波后时域波形中冲击间隔约为0.04 s，滤波后的包络谱中明显存在以28 Hz为基频的谱线，转频至3倍频到4倍频之间存在高幅值谱线及其倍频，刚好对应发电机轴承滚动体特征频率，表明发电机轴承滚动体可能发生磨损。而上述特征在原始信号的包络谱中并不明显。振动厂家监测报告如表2所示，表明173号风机发电机轴承可能出现早期磨损但并未具体定位故障位置。说明谱峭度方法相比传统分析方法更准确，不易受复杂背景噪声的影响。

表2 风电机组振动在线监测分析报告(173号机组部分)

3 结 语

在应用谱峭度对风机振动信号进行分析的过程中，确定合适滤波器的有关参数并对原始振动信号进行预处理，滤波后的信号表现出明显的故障特征。现场案例研究应用表明，在风机发电机轴承故障诊断中，使用谱峭度分析方法能准确、有效地找到故障原因和故障部位。该技术在风电机组故障诊断工作中具有一定的推广意义。