風電機組發電機軸承電腐蝕故障的分析診斷.pdf

風電機組發電機軸承電腐蝕故障的分析診斷姜銳1，滕偉1，劉瀟波1，唐詩堯1,2，柳亦兵11. 華北電力大學 電站設備狀態監測與控制教育部重點實驗室，北京 102206；2. 北京英華達電力電子科技有限公司，北京 100022摘 要電腐蝕故障是風電機組發電機軸承的常見故障模式，電腐蝕故障通常分布在整個軸承滾道上，產生的振動響應信號中故障沖擊特征往往不如局部故障明顯，因此容易被忽視。針對電腐蝕故障振動信號的這種特點，采用一種最小熵解卷積方法對振動信號進行預處理，增強信號中的故障沖擊成分。然后再應用包絡譜分析方法提取故障特征信息，以提升故障診斷的效果。論述了最小熵解卷積方法的基本原理和實現流程，將該方法應用于一臺實際風電機組發電機軸承的電腐蝕故障診斷中，通過對實測振動信號的分析處理，實現了電腐蝕故障的識別診斷，驗證了最小熵解卷積方法對故障信息增強的使用效果。關鍵詞風電機組發電機；軸承電腐蝕故障；振動信號分析；最小熵解卷積；故障診斷中圖分類號 TK83 文獻標志碼 A DOI 10.11930/j.issn.1004-9649.2019030230 引言中國風電經過了十幾年的高速發展，建成投運了數萬臺大容量風電機組。由于風電機組傳動系統中的軸承部件長期處于變速變載運行狀態，風電機組運行環境條件惡劣，設備故障頻繁，檢修維護成本高，因此風電設備運行可靠性問題一直受到高度關注[1]。目前國內新建風電機組基本上都配備了傳動鏈振動監測系統（CMS系統）[2-3]，對傳動鏈中的齒輪、軸承等運動部件的健康狀態進行連續在線監測診斷，能廣泛積累診斷經驗，充分發揮CMS系統的作用，保障風電機組的運行安全可靠性至關重要[2-3]。多家風電設備制造及運營公司相繼建設遠程診斷中心，對CMS監測系統生成的大數據進行統一管理，提高故障診斷的準確性和及時性[4-5]。目前針對齒輪、滾動軸承這類機械部件故障診斷主要采用振動監測方法[6-9]。風電機組傳動系統結構復雜，各個部件結構之間的振動響應存在強耦合和強干擾作用，往往導致振動信號中故障信息被淹沒，影響對故障的及時準確診斷。針對在強噪聲干擾、多源強耦合背景下提取滾動軸承故障特征信息的難題，通常采用信號濾波和分解的方法，抑制監測信號中的隨機噪聲成分，增強故障特征信息，從而提升故障識別的效果。常用的方法是采用盲解卷積方法對監測信號進行預處理，增強信號中的故障沖擊成分，然后再結合其他方法進行軸承故障診斷[10-11]。最小熵解卷積（minimum entropy deconvolution，MED）是一種常用的盲解卷積方法，可以有效增強信號中的沖擊成分[12]，文獻[13]將MED與譜峭度進行結合，文獻[14]將MED與稀疏分解方法進行結合，文獻[15]將MED與包絡自相關方法進行結合，都在一定程度上改善了軸承故障診斷的效果。本文以風電機組發電機軸承電腐蝕故障診斷問題為對象，針對實測信號存在強干擾、故障特征信息不明顯的問題，采用MED和包絡分析結合的方法進行故障特征增強和診斷，驗證該方法的實用效果，為風電機組故障診斷積累工程應用經驗。1 滾動軸承電腐蝕故障特征風電機組在運行狀態下，發電機轉子和定子繞組中均有強電流流過，位于發電機轉子兩端的支撐軸承如果絕緣處理不當，在轉子和定子之間形成回路，就會導致電流流過軸承，或者軸承內收稿日期2019?03?19； 修回日期2019?04?18?；痦椖繃抑攸c研發計劃資助項目2017YFC0805905。第 52 卷 第 6 期中國電力Vol. 52, No. 62019 年 6 月ELECTRIC POWER Jun. 2019128外圈出現過大電壓。在強電流或強電壓作用下，特別是當軸承存在松動或過大的空隙時，軸承內外圈滾道與滾動體之間可能形成局部放電，電弧作用造成軸承部件上產生點蝕，通常在軸承內外圈滾道表面會出現一些類似搓衣板狀的波紋痕跡，這種現象稱為電腐蝕現象。滾道的電腐蝕波紋破壞了接觸表面的潤滑狀態，使得軸承運行條件惡化，很快就會導致軸承失效。電腐蝕是一種比較常見的風電機組發電機軸承故障模式[16-17]。軸承電腐蝕故障通常在軸承滾道內分布較寬，不是局部故障，不產生瞬時強沖擊激勵，而是持續弱沖擊激勵，振動響應信號中的故障沖擊特征往往不如局部故障明顯，因此容易被忽視。本文針對電腐蝕故障振動信號的這種特點，采用MED方法對振動信號進行預處理，增強信號中的故障沖擊成分，然后再應用包絡譜分析方法提取故障特征信息，以獲取更好的故障診斷效果。最后，通過風電機組發電機軸承電腐蝕故障的實際案例驗證了該方法的效果。2 振動信號故障特征增強方法xk px設隨機信號的概率密度分布函數為，則信息熵定義為Hx w 11 pxlog[px]dx（1）信號的隨機性越強，信息熵值就越大；反之，信號的隨機性越弱，確定性越強，則信息熵值也就越小。zkxk軸承振動信號可以視為被測結構的輸出，是結構中各種激勵經過結構傳遞后的響應，結構響應與激勵的關系可以表示為zk xk hkuk（2）hkuk式中，為被測結構的脈沖響應函數，反映被測結構的固有特性；為結構響應環節引入的隨機干擾噪聲；k為離散時間變量；*為卷積運算。正常軸承的滾道光滑，產生的振動響應信號中主要是寬帶隨機成分，信號的信息熵比較大。當軸承出現故障時，產生的周期沖擊激勵有一定確定性，信號的熵較小。激勵信號經過結構傳遞后，由于傳遞路徑衰減以及各種測量干擾因素的影響，使得響應信號的確定性降低，信息熵增加。通過設計一個逆濾波器，對結構響應信號進行濾波，只要保證濾波器輸出信號的信息熵為最小，就可以得到原始故障沖擊激勵的一個近似，實現軸承故障沖擊特征的提取，這種方法稱為最小熵解卷積。L gkzk ykxk對于式（2），尋找一個階的逆濾波器，對觀測信號進行濾波，使之輸出近似等于原系統輸入，即yk L∑l1glzk l xk （3）yk式中為系數。允許有時延和幅值變化。zkyk由于結構特性未知，只能通過響應信號求解逆濾波器參數，稱為盲解卷積。常用的求解方法是目標函數法，該方法以逆濾波器輸出的峭度為目標函數，記作O4 [gk] N∑k1y4 k26666664N∑k1y2 k377777752（4）ykgk以的峭度最大作為求解目標，即令上式對的一階偏導數為0，有O4 gk gk 0（5）式（4）求導結果為2666666666666666666664N∑k1y2 kN∑k1y4 k3777777777777777777775N∑k1y3 kzk l L∑p1g3 pN∑k1zk lzk p（6）上式可以表示成如下矩陣形式B Ag（7）式中，B[bl]T，（l1,2,，L）的元素為bl 2666666666666666666664N∑k1y2 kN∑k1y4 k3777777777777777777775N∑k1y3 kzk l（8）zk矩陣A為逆濾波器輸入信號的LL階Toeplitz自相關矩陣。g為逆濾波器參數矩陣。由式（7）可知逆濾波器參數矩陣為第 6 期 姜銳等風電機組發電機軸承電腐蝕故障的分析診斷129g A 1B（9）zk只要由觀測信號計算出其自相關矩陣A，就可以通過迭代計算求出逆濾波器的參數矩陣g。因此，最小熵解卷積問題轉變為求最優濾波器問題。2.2 MED濾波的實現步驟最小熵解卷積的迭代求解步驟可以歸納如下。g0[0;1;0; ;0]（1）初始化逆濾波器矩陣參數，一般設置其為時延濾波器，即。計算自相關矩陣A。zkgi 1 yi（2）根據公式（3），由已知信號和逆濾波器參數進行迭代計算，得到，其中上標i表示迭代次數。bi l（3）根據公式（7），計算。（4）根據公式（9），計算新的逆濾波器參數。gend（5）計算迭代誤差，將誤差與設定的收斂閾值比較，當誤差大于收斂閾值時，令迭代次數i1，返回步驟（2）；循環誤差小于收斂閾值時結束循環，最終得到滿足最小熵解卷積條件的逆濾波器參數。zkgend yk（6）根據公式（3）利用已知信號和最終的逆濾波器參數，計算。3 故障診斷案例3.1 振動信號采集某風場的風電機組都配置了CMS系統，在傳動系統各部件上布置振動傳感器，進行在線狀態監測，CMS系統傳感器布置位置如圖1中①⑧所示。該風場某機組在運行中，發電機自由端軸承振動（圖1中測點⑧）逐漸增大，圖2為兩個月故障狀態振動有效值，最大值達到30 m/s2，CMS系統持續發出預警。該型風電機組發電機前后軸承型號均為SKF6326/C3，表1為該型號軸承的故障特征頻率系數。3.2 振動信號分析從CMS中取出一段振動實測信號進行分析診斷，信號的波形及頻譜如圖3所示，采樣頻率25. 6 kHz。該段信號對應的發電機轉速約為1 171轉/分（轉頻19.52 Hz），發電機處于低速輕載運行狀態?？梢钥闯?，振動信號波形的隨機成分較強，有輕微的周期調幅現象，但故障沖擊特征不明顯。信號頻譜中在4001 000 Hz和1 4002 000 Hz等頻帶有邊帶成分，其中頻率間隔約為95 Hz的表 1 SKF6326/C3軸承故障特征頻率系數Table 1 SKF6326/C3 Bearing fault characteristic fre-quency coefficient table特征頻率FTF BSF BPFO BPFI頻率系數0.392 2.2 3.13 4.87注FTF為滾動體故障特征頻率；BSF為保持架故障特征頻率；BPFO為外圈故障特征頻率；BPFI為內圈故障特征頻率。①②③④⑤⑥⑦⑧風機主軸前軸承齒輪箱偏航系統發電機 圖 1 機組傳動系統結構及測點布置Fig. 1 Wind turbine drive system structure andarrangement of measuring point圖 2 發電機自由端振動加速度有效值Fig. 2 Generator free end vibration acceleration RMS0?202000.05 0.10 0.15 0.20幅值/ms?2a 原始信號波形時間/s010500 1 000 1 500 2 000 2 500 3 000幅值密度/ms?2Hz?1b 原始信號頻譜頻率/Hz圖 3 實測振動波形及頻譜Fig. 3 Measured vibration wave and spectrum中國電力第 52 卷130邊帶成分比較突出。為了增強振動信號中故障沖擊成分，對振動信號進行MED解卷積濾波處理，得到時域波形及其頻譜如圖4所示?？梢钥闯?，經MED處理后，信號中出現了明顯的周期沖擊成分，周期約為0.01 s。信號頻譜中除了突出的95 Hz邊帶成分以外，幾個共振頻帶變得比較明顯，這樣有利于進行信號的窄帶包絡分析。表2列出信號經MED濾波前后的峭度指標對比。原始振動信號的峭度為2.75，略低于3，表明信號中的隨機成分突出，沖擊性成分不明顯。經過最小熵解卷積處理后，信號的峭度值增加到5.86，表明信號中的沖擊性成分得到了明顯增強。為了更清楚地識別的故障的特征頻率，分別對MED濾波處理前后的信號進行窄帶包絡分析，圖5和圖6分別示出4001 000 Hz和1 4002 000 Hz 2個頻帶的信號包絡譜圖對比。圖5的2個包絡譜圖中都出現突出的61.1 Hz和95.05 Hz峰值（箭頭所指），分別對應發電機軸承的外圈和內圈故障通過頻率，清楚表明發電機自由端軸承的內外圈都出現了故障。圖6的2個包絡譜圖差別較大，原始信號的包絡譜中沒有任何峰值成分。而經MED濾波處理后的信號包絡譜中，在61.1 Hz和95.05 Hz處都有峰值。表明通過MED濾波處理，信號中分布在不同頻段的故障沖擊特征都得到增強，提升了通過包絡分析識別微弱軸承故障的能力。4 診斷結果驗證根據分析結果，該風電機組的發電機自由端軸承內外圈均出現故障，由于在低轉速低載荷狀表 2 MED濾波前后振動信號峭度值對比Table 2 Comparison of kurtosis values of vibration sig-nals before and after MED filtering振動信號MED濾波前MED濾波后峭度值2.75 5.860?202000.05 0.10 0.15 0.20幅值/ms?2a MED濾波信號波形時間/s010500 1 000 1 500 2 000 2 500 3 000幅值密度/ms?2Hz?1b MED濾波信號頻譜頻率/Hz圖 4 MED前后振動信號波形對比Fig. 4 Comparison of vibration signal waves beforeand after MED100 200 300 400 500 6001.01.50.50幅值密度/ms?2Hz?1頻率/Hza 原始信號包絡譜 4001 000 Hz95.05 Hz61.1 Hz100 200 300 400 500 6001.00.5000幅值密度/ms?2Hz?1頻率/Hzb MED ro信號包絡譜 4001 000 Hz95.05 Hz61.1 Hz圖 5 MED處理前后的信號包絡譜對比（4001000 Hz）Fig. 5 Comparison of signal envelope spectrum beforeand after MED processing 4001000 Hz100 200 300 400 500 6000.50ms?2Hz?1頻率/Hza 原始信號包絡譜 1 4002 000 Hz100 200 300 400 500 6000.40.20幅值密度/ms?2Hz?1頻率/Hz95.05 Hz61.1 Hzb MED濾波信號包絡譜 1 4002 000 Hz 圖 6 MED處理前后的信號包絡譜對比（14002000 Hz）Fig. 6 Comparison of signal envelope spectrum beforeand after MED processing 14002000 Hz第 6 期 姜銳等風電機組發電機軸承電腐蝕故障的分析診斷131態下，原始振動信號波形中故障沖擊成分并不突出，推測軸承內外圈均為分布故障。根據診斷結果，及時對風電場運維人員提出加強軸承振動監測、準備更換軸承的建議。風場運維人員根據診斷建議，利用低風速停機機會，對發電機自由端軸承進行開機檢查，確認軸承內外圈出現電腐蝕故障，同時內圈還有輕微局部脫落。圖7為更換下來的軸承故障外圈的圖片，外圈滾道上布滿了搓衣板狀的電腐蝕故障痕跡。5 結論風電機組由于結構復雜、運行工況多變，監測信號中往往包含各種干擾噪聲成分，掩蓋了故障信息，特別是在故障早期，很難及時發現。采用先進的信號分析方法可以抑制噪聲，增強故障信息，達到及時發現故障的目的，為采取合理的運維策略提供技術支持。針對風電機組發電機軸承電腐蝕故障實際案例，通過對低轉速狀態下的監測信號進行分析處理，采用最小熵解卷積增強信號中的故障沖擊成分，然后采用包絡譜分析進行故障精確診斷。實踐證明，采用這種故障信息增強方法進行信號濾波處理，即使對于電腐蝕故障這類沖擊特征不明顯的分布故障，也可以獲得有效的故障信息增強效果，提升故障診斷的及時性和準確性。參考文獻MáRQUEZ F P G, TOBIAS A M, PéREZ G P M, PAPAELIAS M.Condition monitoring of wind turbines techniques and s[J].[1]Renewable Energy, 2012, 46 169–178.辛衛東, 馬志勇, 滕偉, 等. 振動監測技術在風電機組齒輪箱故障診斷中的應用[J]. 中國電力, 2012, 455 77–80.XIN Weidong, MA Zhiyong, TENG Wei. Application of vibrationmonitoring technology in fault diagnosis of wind turbine gearbox[J].Electric Power, 2012, 455 77–80.[2]任彥忠, 王川. 某風電場風力發電機組振動故障探究[J]. 中國電力, 2011, 443 86–89.REN Yanzhong, WANG Chuan. Research on vibration fault of windturbine in a wind farm[J]. Electric Power, 2011, 443 86–89.[3]王惠中, 范少偉, 劉勝文. WiMAX在風力發電故障診斷系統中的應用[J]. 中國電力, 2011, 449 72–75.WANG Huizhong, FAN Shaowei, LIU Shengwen. Application ofWiMAX in wind power fault diagnosis system[J]. Electric Power,2011, 449 72–75.[4]周繼威, 張波, 王棟, 等. 風電機組綜合狀態在線監測與遠程診斷中心的建立[J]. 中國電力, 2014, 473 19–23.ZHOU Jiwei, ZHANG Bo, WANG Dong, et al. Establishment ofonline monitoring and remote diagnosis center for integrated state ofwind turbine[J]. Electric Power, 2014, 473 19–23.[5]雷亞國, 何正嘉, 林京, 等. 行星齒輪箱故障診斷技術的研究進展[J]. 機械工程學報, 2011, 4719 59–67.LEI Yaguo, HE Zhengjia, LIN Jing, et al. Research advances of faultdiagnosis technique for planetary gearboxes[J]. Journal ofMechanical Engineering, 2011, 4719 59–67.[6]湯寶平, 羅雷, 鄧蕾, 等. 風電機組傳動系統振動監測研究進展[J].振動、測試與診斷, 2017, 373 417–425, 622.TANG Baoping, LUO Lei, DENG Lei, et al. Research progress onvibration monitoring of wind turbine drive system[J]. Journal ofVibration, Measurement 2. Beijing Envada Ltd., Beijing 100022, ChinaAbstract The electrical corrosion is a normal fault mode of generator bearing in wind turbine. Besides, electrical corrosion fault hasripped effect on bearing surface and excite relative weaker impulse response than local fault, which makes it difficult to extract faultfeatures. Based on the characteristics of vibration signal due to the electrical corrosion, the minimum entropy deconvolution MEDis used as the pre-processing to enhance impulse fault feature in vibration signals. Then, the envelope spectrum is used toidentify bearing fault feature to improve the diagnosis effect. In this paper, the basic principle and implementation process of MED isintroduced. Furthermore, the proposed is used to diagnosis the electrical corrosion fault of a real case of bearing in a windturbine generator. Vibration signal measured on the generator bearing box is processed with MED and envelope spectrum. Anddiagnosis of electrical corrosion faults is realized. The results confirm validity of the application effect of minimum entropydeconvolution .This work is supported by National Key R bearing electrical corrosion fault; vibration analysis; minimum entropy deconvolution; faultdiagnosis第 6 期 姜銳等風電機組發電機軸承電腐蝕故障的分析診斷133