國家電投集團江蘇新能源有限公司 顧漢富 陳 誠 程 晨
風電機組傳動鏈的旋轉(zhuǎn)部件容易出現(xiàn)振動故障問題,釋放振動故障信號,這一信號需要通過非線性非平穩(wěn)動態(tài)技術(shù)加以識別,如果診斷得當,在早期就能識別了解風電機組傳動鏈旋轉(zhuǎn)部件故障問題。本文中主要分析了風電機組的傳動鏈部件故障機理與表現(xiàn)特征,分別從迭代數(shù)學(xué)形態(tài)學(xué)以變分模態(tài)分解兩方面分析風電機組傳動鏈振動故障問題,闡述故障特征提取方法,滿足機組故障診斷與檢查要求。
風電機組傳動系統(tǒng)中的故障問題主要存在于軸承和齒輪中。
當風電機組傳動系統(tǒng)中主軸處于不同速率運轉(zhuǎn)階段,其主軸中的支撐軸承都會在時變載荷與重載狀態(tài)下承受交變沖擊力作用,此時系統(tǒng)運行安全可靠性就會逐漸降低,出現(xiàn)故障問題。其中比較常見的軸承故障形式就包括了疲勞、腐蝕、磨損、電磨損失效,甚至還會出現(xiàn)變形以及裂縫問題。
在仔細觀察了解軸承故障過程中會發(fā)現(xiàn)其內(nèi)圈、外圈、滾動體以及保持架部分都會出現(xiàn)故障,一旦故障出現(xiàn),系統(tǒng)滾動體就會通過周期性裝機故障點產(chǎn)生脈沖沖擊信號,參考故障位置不同,其軸承故障特征頻率也會發(fā)生變化。如果運用理論計算會發(fā)現(xiàn)這一故障與系統(tǒng)的軸承轉(zhuǎn)速、滾動體個數(shù)、接觸角等等因素息息相關(guān)。以外圈故障特征頻頻率為例,計算公式應(yīng)參考如下[1]:f0=frN/2(1-d/Dcosa)。
在上述公式中,fr代表了軸承旋轉(zhuǎn)率,N代表了滾動體個數(shù),D代表了軸承節(jié)徑,d代表了滾動體直徑;a代表了接觸角。軸承振動故障發(fā)生的主要原因是軸承運行過程中產(chǎn)生了滾動體與軸承內(nèi)外圈之間的相互激勵作用。而像軸承過分粗糙、存在表面波紋、軸承安裝過程發(fā)生傾斜亦或是主軸彎曲等等問題也會造成軸承振動故障問題發(fā)生。故障點在受到周期性撞擊時也會產(chǎn)生激勵作用,進而引發(fā)軸承部分劇烈振動。
在風電機組傳動系統(tǒng)中也會出現(xiàn)齒輪故障問題,它是在受交變應(yīng)力及摩擦力瞬時沖擊作用與影響所產(chǎn)生的,即導(dǎo)致齒輪表面出現(xiàn)各種不同程度的損傷與變形問題。一般來說,系統(tǒng)中比較常見的齒輪故障形式就包括了疲勞點蝕、齒面磨損、膠合以及斷齒。以疲勞點蝕為例,它指代齒輪間在嚙合過程中出現(xiàn)齒輪表面及根部的周期性時變載荷作用,而其內(nèi)部也會形成交變應(yīng)力,當這種交變應(yīng)力一旦超過齒輪材料疲勞極限范圍時,齒輪表面就會出現(xiàn)明顯的金屬剝落現(xiàn)象。而在齒輪齒面接觸點發(fā)生相對滾動與相對滑動時,其齒輪齒面的接觸壓力也會發(fā)生變化,進一步導(dǎo)致齒輪表面“坑狀”點蝕故障呈現(xiàn),形成大面積區(qū)域金屬剝落,齒輪斷裂故障就此產(chǎn)生。
齒輪發(fā)生故障頻率很高,這主要與它的嚙合頻率fm有關(guān),其具體的計算公式應(yīng)參考如下[2]:fm=n1/60Z1=n2/60Z2,在上述算式中,n1、n2分別代表了主、從動輪轉(zhuǎn)速,Z1、Z2分別代表了主、從動輪齒數(shù)。在發(fā)生定輪故障過程中就需要診斷其嚙合頻率,從兩側(cè)邊頻帶的頻率內(nèi)容進行有針對性判斷,發(fā)現(xiàn)齒輪之間可能發(fā)生的重復(fù)性相互沖擊作用,為故障診斷提供重要參考依據(jù)。從生產(chǎn)操作過程中看,齒輪發(fā)生振動故障的主要原因就是在制造生產(chǎn)過程中產(chǎn)生了誤差,比較常見的是齒輪距偏差,即齒輪質(zhì)量偏心或者齒形誤差問題,當然潤滑系統(tǒng)表現(xiàn)不佳也會導(dǎo)致齒輪振動問題出現(xiàn)。
針對上述所提及的風電機組傳動系統(tǒng)故障問題,下文主要圍繞軸承故障與齒輪故障進行針對性提取,深度研究其故障特征的有效提取方法。
2.1.1 迭代數(shù)學(xué)形態(tài)學(xué)的基本特征
迭代數(shù)學(xué)形態(tài)學(xué)中主要利用結(jié)構(gòu)元素形狀展開分析,例如它會為軸承選擇扁平型結(jié)構(gòu),基于這一結(jié)構(gòu)元素高度為0的特征確定故障參數(shù)。當?shù)螒B(tài)學(xué)要求結(jié)構(gòu)尺寸越小時,其所保留的信號特征就越好。在只考慮長度因素條件下,需要基于最小長度中的多個采樣點對結(jié)構(gòu)元素構(gòu)造進行分析,并建立數(shù)據(jù)集合即(0 0 0)。在這一數(shù)據(jù)集合中,要基于傳統(tǒng)形態(tài)學(xué)中的結(jié)構(gòu)元素定義來分析迭代形態(tài)濾波特點,分析結(jié)構(gòu)元素定義內(nèi)容,確保在單位長度內(nèi)調(diào)整結(jié)構(gòu)元素尺度大小,最大限度保留原始信號特征信息內(nèi)容,如此對于簡化形態(tài)應(yīng)用操作性有好處,全面提升形態(tài)學(xué)特征提取能力。
2.1.2 軸承故障的多尺度迭代數(shù)學(xué)形態(tài)學(xué)故障特征提取方法
在多尺度形態(tài)下,應(yīng)該合理利用迭代數(shù)學(xué)形態(tài)學(xué)內(nèi)容對擁有不同尺度結(jié)構(gòu)元素的信號系統(tǒng)信號內(nèi)容進行分析,專門對信號具有良好分析解釋能力的軸承展開有效調(diào)整,影響多尺度形態(tài)分析濾波效果,形成多尺度迭代形態(tài)濾波技術(shù)方法。在軸承故障特征提取過程中,可采用自適宜性多尺度迭代形態(tài)濾波算法,分析普通多尺度形態(tài)背景下的濾波變化情況,并提取其中的迭代數(shù)學(xué)形態(tài)濾波數(shù)據(jù)內(nèi)容。這一部分濾波數(shù)據(jù)內(nèi)容對于抑制軸承故障特征具有利好,一旦迭代次數(shù)達到理想值以后,就會繼續(xù)迭代,表現(xiàn)出軸承故障數(shù)量遞減趨勢。在迭代過程中,由于自適應(yīng)情況導(dǎo)致不同尺度下的迭代次數(shù)增加,進而達到了最佳的故障提取效果,然后重構(gòu)系統(tǒng)信號即可,如圖1[3]。
圖1 基于多尺度迭代形態(tài)下的濾波流程示意圖
下文結(jié)合一實例來談,進一步了解風電機組傳動鏈軸承的故障特征提取方法。
某風電機組傳動鏈軸承存在故障問題,采用兩個不同的傳感器采集振動信號并進行分析,在實驗過程中設(shè)置采樣頻率為12kHz,采樣時間控制在1s,將軸承外圈與內(nèi)圈故障點設(shè)置于驅(qū)動端,其故障點直徑控制在0.1887mm,負載轉(zhuǎn)軸速為2000rpm。這里通過計算可以了解到傳動鏈軸承外圈故障特征頻率 =105.4Hz與內(nèi)圈故障特征頻率 =168.2Hz。
結(jié)合上述數(shù)據(jù)情況,對軸承外圈故障特征進行提取,具體操作如下:首先處理軸承外圈故障內(nèi)容,安裝驅(qū)動端振動傳感器并提取其中信號??紤]到某風電機組傳動鏈傳感器與故障點設(shè)置距離相對偏近,因此其振動信號沖擊特性表現(xiàn)非常強,故障特征容易被提取出來。而故障信號在經(jīng)過CMM處理以后,還需要對信號中的短時傅里葉變換故障特征進行提取,并重構(gòu)信號,基于多個頻率切片對外圈特征頻率與諧波分量進行分析,了解驅(qū)動端振動信號中的高信噪比情況,利用普通多尺度方法有效去除噪聲,發(fā)現(xiàn)其中故障特征表現(xiàn)十分明顯。在對頻率切片個數(shù)進行觀察計算過程中,發(fā)現(xiàn)軸承外圈存在4個頻率切片,其故障特征頻率 中應(yīng)該包含至少3個諧波,此時應(yīng)該采用迭代形態(tài)方法繼續(xù)處理故障問題,基于所有尺度下展開多達60次迭代計算過程,并重構(gòu)信號,清晰顯示頻率切片的頻率信號情況。
上述結(jié)果就表明一點,在強噪聲環(huán)境下基于多尺度形態(tài)學(xué)對軸承故障信號進行分析,其濾波能力比較閑較差,殘余噪聲較多,如果進行優(yōu)化后平均迭代次數(shù)在4次以上。而迭代次數(shù)與噪聲強度相關(guān),當噪聲強度越強時,迭代次數(shù)也就越大,反之。所以在強噪音背景環(huán)境中,可采用上述方法提取軸承故障信號,特征提取效果表現(xiàn)良好[4]。
就整體而言,風電機組傳動鏈系統(tǒng)結(jié)構(gòu)是相當復(fù)雜的,其工況條件動態(tài)時變性相當強,這就導(dǎo)致傳動鏈內(nèi)部出現(xiàn)了傳動件故障問題,例如軸承故障。軸承故障往往表現(xiàn)為特征微弱、不易于被識別和診斷,針對這一問題才提出了迭代數(shù)學(xué)形態(tài)學(xué)概念,基于此構(gòu)建濾波技術(shù)體系,基于普通單尺度與多尺度形態(tài)上展開濾波操作,構(gòu)造形成兩個或兩個以上的優(yōu)化算法,主要用于對電動機軸承與風電機組傳動支撐軸承故障進行診斷分析,并獲得相應(yīng)診斷結(jié)論。就目前的自適應(yīng)多尺度迭代形態(tài)濾波方法可以有效解決多尺度形態(tài)背景下的濾波問題,基于小尺度結(jié)構(gòu)元素對欠濾波問題進行分析,提高故障特征提取過程自適應(yīng)性。特別是要在強噪聲環(huán)境下對故障特征表現(xiàn)進行分析,以此獲得頗為理想的故障特征提取效果。
2.2.1 變分模態(tài)分解的基本特征
基于風電機組傳動系統(tǒng)中傳動鏈的趨勢濾波發(fā)生情況,需要結(jié)合相關(guān)算法簡化信號參數(shù),改進傳動系統(tǒng)的整體自適應(yīng)性與安全可靠性,由此就提出了具有試探屬性的變分模態(tài)分解算法,通過動態(tài)時間規(guī)整處理模式混疊問題,對傳動系統(tǒng)中的齒輪故障時域與頻譜特征進行全面提取分析,獲得提取結(jié)果,證明這一結(jié)果是具有有效性與安全可靠性。
2.2.2 齒輪故障的變分模態(tài)分解故障特征提取方法
基于變分模態(tài)分解方法,要對齒輪故障特征進行提取,從最初的原始信號頻譜結(jié)構(gòu)中原始信號簡化出發(fā)思考問題,直接定義方法內(nèi)容,從信號分解過程中的變化過程來建立自適應(yīng)定義分析機制。在結(jié)合機械故障診斷領(lǐng)域中的信號參數(shù)自適應(yīng)定義方法缺點分析計算效率相對較低問題,同時對齒輪故障所缺乏的可靠性與健壯性問題進行深度分析,在其過程中也要注意特征信息遺失問題,深度考慮指標對比結(jié)果后所表現(xiàn)出的正向效應(yīng)結(jié)果。
而為了提升計算效率,需在計算前后對多個指標的差與預(yù)設(shè)閾值進行進一步對比,分析結(jié)果正向效應(yīng),在利用變分模態(tài)分解方法過程中建立自適應(yīng)定義,分析其中的弱可靠性問題,建立試探性變模態(tài)分解模型,最大限度減少模式混疊問題。最終,還要利用動態(tài)時間調(diào)整信號重構(gòu)方法,結(jié)合仿真信號與風電機組齒輪箱故障信號分析表明相應(yīng)方法,進一步診斷齒輪故障,對齒輪故障中的自適應(yīng)性與安全可靠性內(nèi)容進行調(diào)整[5]。
在針對齒輪故障的動態(tài)時間規(guī)整處理過程中,需要對現(xiàn)實信號中的復(fù)雜性問題進行分析,基于分解過程了解最終分析結(jié)果,實現(xiàn)信號重建過程。在這一過程中,要有效解決模式混疊問題,基于動態(tài)時間規(guī)整對信號進行重構(gòu),同時建立并評估不同時間序列,提出相似性故障提取方法。在故障提取環(huán)節(jié),需要圍繞齒輪故障的連續(xù)性約束與單調(diào)性兩點進行分析,確保序列之間的最佳匹配定義為兩個序列,同時找到所有規(guī)劃路徑中的最小累積距離規(guī)劃路徑,結(jié)合動態(tài)時間規(guī)整機制分析故障提取特征問題,例如要對不同時間序列長度進行分析,同時對不同實驗參數(shù)應(yīng)用序列采集過程健壯性進行分析。
考慮到風電機組傳動系統(tǒng)中傳動鏈的機械故障沖擊信號表現(xiàn)相對敏感,所以要在變分模態(tài)分解故障過程中了解特征信息量評價指標,對相關(guān)算法參數(shù)進行設(shè)置,始終保證信號保真約束平衡滿足參數(shù)設(shè)置要求,避免信號丟失現(xiàn)象出現(xiàn)。
本文中研究了風電機組傳動系統(tǒng)傳動鏈中軸承與齒輪部件的故障問題,在分析故障問題之余運用迭代數(shù)學(xué)形態(tài)學(xué)以及變分模態(tài)分解兩種方法計算提取故障特征,希望借此機會對系統(tǒng)中所出現(xiàn)的早期故障進行診斷識別,結(jié)合理論基礎(chǔ)之上深入分析診斷故障,并取得了一些頗有價值的創(chuàng)新性成果。上述兩種故障提取方法都是區(qū)別于傳統(tǒng)方法的,在計算方法方面有所創(chuàng)新,具有連續(xù)性特征。例如在充分考慮到迭代學(xué)中的自我優(yōu)化特征與強去噪能力,在經(jīng)過較少次數(shù)迭代后就能輕松將故障特征提取出來,這對于結(jié)構(gòu)元素定義相對復(fù)雜的風電機組傳動系統(tǒng)傳動鏈軸承故障檢查是十分有利的。