风电机组发电机轴承电腐蚀故障的分析诊断.pdf

风电机组发电机轴承电腐蚀故障的分析诊断姜锐1，滕伟1，刘潇波1，唐诗尧1,2，柳亦兵11. 华北电力大学 电站设备状态监测与控制教育部重点实验室，北京 102206；2. 北京英华达电力电子科技有限公司，北京 100022摘 要电腐蚀故障是风电机组发电机轴承的常见故障模式，电腐蚀故障通常分布在整个轴承滚道上，产生的振动响应信号中故障冲击特征往往不如局部故障明显，因此容易被忽视。针对电腐蚀故障振动信号的这种特点，采用一种最小熵解卷积方法对振动信号进行预处理，增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息，以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程，将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中，通过对实测振动信号的分析处理，实现了电腐蚀故障的识别诊断，验证了最小熵解卷积方法对故障信息增强的使用效果。关键词风电机组发电机；轴承电腐蚀故障；振动信号分析；最小熵解卷积；故障诊断中图分类号 TK83 文献标志码 A DOI 10.11930/j.issn.1004-9649.2019030230 引言中国风电经过了十几年的高速发展，建成投运了数万台大容量风电机组。由于风电机组传动系统中的轴承部件长期处于变速变载运行状态，风电机组运行环境条件恶劣，设备故障频繁，检修维护成本高，因此风电设备运行可靠性问题一直受到高度关注[1]。目前国内新建风电机组基本上都配备了传动链振动监测系统（CMS系统）[2-3]，对传动链中的齿轮、轴承等运动部件的健康状态进行连续在线监测诊断，能广泛积累诊断经验，充分发挥CMS系统的作用，保障风电机组的运行安全可靠性至关重要[2-3]。多家风电设备制造及运营公司相继建设远程诊断中心，对CMS监测系统生成的大数据进行统一管理，提高故障诊断的准确性和及时性[4-5]。目前针对齿轮、滚动轴承这类机械部件故障诊断主要采用振动监测方法[6-9]。风电机组传动系统结构复杂，各个部件结构之间的振动响应存在强耦合和强干扰作用，往往导致振动信号中故障信息被淹没，影响对故障的及时准确诊断。针对在强噪声干扰、多源强耦合背景下提取滚动轴承故障特征信息的难题，通常采用信号滤波和分解的方法，抑制监测信号中的随机噪声成分，增强故障特征信息，从而提升故障识别的效果。常用的方法是采用盲解卷积方法对监测信号进行预处理，增强信号中的故障冲击成分，然后再结合其他方法进行轴承故障诊断[10-11]。最小熵解卷积（minimum entropy deconvolution，MED）是一种常用的盲解卷积方法，可以有效增强信号中的冲击成分[12]，文献[13]将MED与谱峭度进行结合，文献[14]将MED与稀疏分解方法进行结合，文献[15]将MED与包络自相关方法进行结合，都在一定程度上改善了轴承故障诊断的效果。本文以风电机组发电机轴承电腐蚀故障诊断问题为对象，针对实测信号存在强干扰、故障特征信息不明显的问题，采用MED和包络分析结合的方法进行故障特征增强和诊断，验证该方法的实用效果，为风电机组故障诊断积累工程应用经验。1 滚动轴承电腐蚀故障特征风电机组在运行状态下，发电机转子和定子绕组中均有强电流流过，位于发电机转子两端的支撑轴承如果绝缘处理不当，在转子和定子之间形成回路，就会导致电流流过轴承，或者轴承内收稿日期2019−03−19； 修回日期2019−04−18。基金项目国家重点研发计划资助项目2017YFC0805905。第 52 卷 第 6 期中国电力Vol. 52, No. 62019 年 6 月ELECTRIC POWER Jun. 2019128外圈出现过大电压。在强电流或强电压作用下，特别是当轴承存在松动或过大的空隙时，轴承内外圈滚道与滚动体之间可能形成局部放电，电弧作用造成轴承部件上产生点蚀，通常在轴承内外圈滚道表面会出现一些类似搓衣板状的波纹痕迹，这种现象称为电腐蚀现象。滚道的电腐蚀波纹破坏了接触表面的润滑状态，使得轴承运行条件恶化，很快就会导致轴承失效。电腐蚀是一种比较常见的风电机组发电机轴承故障模式[16-17]。轴承电腐蚀故障通常在轴承滚道内分布较宽，不是局部故障，不产生瞬时强冲击激励，而是持续弱冲击激励，振动响应信号中的故障冲击特征往往不如局部故障明显，因此容易被忽视。本文针对电腐蚀故障振动信号的这种特点，采用MED方法对振动信号进行预处理，增强信号中的故障冲击成分，然后再应用包络谱分析方法提取故障特征信息，以获取更好的故障诊断效果。最后，通过风电机组发电机轴承电腐蚀故障的实际案例验证了该方法的效果。2 振动信号故障特征增强方法xk px设随机信号的概率密度分布函数为，则信息熵定义为Hx w 11 pxlog[px]dx（1）信号的随机性越强，信息熵值就越大；反之，信号的随机性越弱，确定性越强，则信息熵值也就越小。zkxk轴承振动信号可以视为被测结构的输出，是结构中各种激励经过结构传递后的响应，结构响应与激励的关系可以表示为zk xk hkuk（2）hkuk式中，为被测结构的脉冲响应函数，反映被测结构的固有特性；为结构响应环节引入的随机干扰噪声；k为离散时间变量；*为卷积运算。正常轴承的滚道光滑，产生的振动响应信号中主要是宽带随机成分，信号的信息熵比较大。当轴承出现故障时，产生的周期冲击激励有一定确定性，信号的熵较小。激励信号经过结构传递后，由于传递路径衰减以及各种测量干扰因素的影响，使得响应信号的确定性降低，信息熵增加。通过设计一个逆滤波器，对结构响应信号进行滤波，只要保证滤波器输出信号的信息熵为最小，就可以得到原始故障冲击激励的一个近似，实现轴承故障冲击特征的提取，这种方法称为最小熵解卷积。L gkzk ykxk对于式（2），寻找一个阶的逆滤波器，对观测信号进行滤波，使之输出近似等于原系统输入，即yk L∑l1glzk l xk （3）yk式中为系数。允许有时延和幅值变化。zkyk由于结构特性未知，只能通过响应信号求解逆滤波器参数，称为盲解卷积。常用的求解方法是目标函数法，该方法以逆滤波器输出的峭度为目标函数，记作O4 [gk] N∑k1y4 k26666664N∑k1y2 k377777752（4）ykgk以的峭度最大作为求解目标，即令上式对的一阶偏导数为0，有O4 gk gk 0（5）式（4）求导结果为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阵形式B Ag（7）式中，B[bl]T，（l1,2,，L）的元素为bl 2666666666666666666664N∑k1y2 kN∑k1y4 k3777777777777777777775N∑k1y3 kzk l（8）zk矩阵A为逆滤波器输入信号的LL阶Toeplitz自相关矩阵。g为逆滤波器参数矩阵。由式（7）可知逆滤波器参数矩阵为第 6 期 姜锐等风电机组发电机轴承电腐蚀故障的分析诊断129g A 1B（9）zk只要由观测信号计算出其自相关矩阵A，就可以通过迭代计算求出逆滤波器的参数矩阵g。因此，最小熵解卷积问题转变为求最优滤波器问题。2.2 MED滤波的实现步骤最小熵解卷积的迭代求解步骤可以归纳如下。g0[0;1;0; ;0]（1）初始化逆滤波器矩阵参数，一般设置其为时延滤波器，即。计算自相关矩阵A。zkgi 1 yi（2）根据公式（3），由已知信号和逆滤波器参数进行迭代计算，得到，其中上标i表示迭代次数。bi l（3）根据公式（7），计算。（4）根据公式（9），计算新的逆滤波器参数。gend（5）计算迭代误差，将误差与设定的收敛阈值比较，当误差大于收敛阈值时，令迭代次数i1，返回步骤（2）；循环误差小于收敛阈值时结束循环，最终得到满足最小熵解卷积条件的逆滤波器参数。zkgend yk（6）根据公式（3）利用已知信号和最终的逆滤波器参数，计算。3 故障诊断案例3.1 振动信号采集某风场的风电机组都配置了CMS系统，在传动系统各部件上布置振动传感器，进行在线状态监测，CMS系统传感器布置位置如图1中①⑧所示。该风场某机组在运行中，发电机自由端轴承振动（图1中测点⑧）逐渐增大，图2为两个月故障状态振动有效值，最大值达到30 m/s2，CMS系统持续发出预警。该型风电机组发电机前后轴承型号均为SKF6326/C3，表1为该型号轴承的故障特征频率系数。3.2 振动信号分析从CMS中取出一段振动实测信号进行分析诊断，信号的波形及频谱如图3所示，采样频率25. 6 kHz。该段信号对应的发电机转速约为1 171转/分（转频19.52 Hz），发电机处于低速轻载运行状态。可以看出，振动信号波形的随机成分较强，有轻微的周期调幅现象，但故障冲击特征不明显。信号频谱中在4001 000 Hz和1 4002 000 Hz等频带有边带成分，其中频率间隔约为95 Hz的表 1 SKF6326/C3轴承故障特征频率系数Table 1 SKF6326/C3 Bearing fault characteristic fre-quency coefficient table特征频率FTF BSF BPFO BPFI频率系数0.392 2.2 3.13 4.87注FTF为滚动体故障特征频率；BSF为保持架故障特征频率；BPFO为外圈故障特征频率；BPFI为内圈故障特征频率。①②③④⑤⑥⑦⑧风机主轴前轴承齿轮箱偏航系统发电机 图 1 机组传动系统结构及测点布置Fig. 1 Wind turbine drive system structure andarrangement of measuring point图 2 发电机自由端振动加速度有效值Fig. 2 Generator free end vibration acceleration RMS0−202000.05 0.10 0.15 0.20幅值/ms−2a 原始信号波形时间/s010500 1 000 1 500 2 000 2 500 3 000幅值密度/ms−2Hz−1b 原始信号频谱频率/Hz图 3 实测振动波形及频谱Fig. 3 Measured vibration wave and spectrum中国电力第 52 卷130边带成分比较突出。为了增强振动信号中故障冲击成分，对振动信号进行MED解卷积滤波处理，得到时域波形及其频谱如图4所示。可以看出，经MED处理后，信号中出现了明显的周期冲击成分，周期约为0.01 s。信号频谱中除了突出的95 Hz边带成分以外，几个共振频带变得比较明显，这样有利于进行信号的窄带包络分析。表2列出信号经MED滤波前后的峭度指标对比。原始振动信号的峭度为2.75，略低于3，表明信号中的随机成分突出，冲击性成分不明显。经过最小熵解卷积处理后，信号的峭度值增加到5.86，表明信号中的冲击性成分得到了明显增强。为了更清楚地识别的故障的特征频率，分别对MED滤波处理前后的信号进行窄带包络分析，图5和图6分别示出4001 000 Hz和1 4002 000 Hz 2个频带的信号包络谱图对比。图5的2个包络谱图中都出现突出的61.1 Hz和95.05 Hz峰值（箭头所指），分别对应发电机轴承的外圈和内圈故障通过频率，清楚表明发电机自由端轴承的内外圈都出现了故障。图6的2个包络谱图差别较大，原始信号的包络谱中没有任何峰值成分。而经MED滤波处理后的信号包络谱中，在61.1 Hz和95.05 Hz处都有峰值。表明通过MED滤波处理，信号中分布在不同频段的故障冲击特征都得到增强，提升了通过包络分析识别微弱轴承故障的能力。4 诊断结果验证根据分析结果，该风电机组的发电机自由端轴承内外圈均出现故障，由于在低转速低载荷状表 2 MED滤波前后振动信号峭度值对比Table 2 Comparison of kurtosis values of vibration sig-nals before and after MED filtering振动信号MED滤波前MED滤波后峭度值2.75 5.860−202000.05 0.10 0.15 0.20幅值/ms−2a MED滤波信号波形时间/s010500 1 000 1 500 2 000 2 500 3 000幅值密度/ms−2Hz−1b MED滤波信号频谱频率/Hz图 4 MED前后振动信号波形对比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频率/Hza 原始信号包络谱 4001 000 Hz95.05 Hz61.1 Hz100 200 300 400 500 6001.00.5000幅值密度/ms−2Hz−1频率/Hzb MED ro信号包络谱 4001 000 Hz95.05 Hz61.1 Hz图 5 MED处理前后的信号包络谱对比（4001000 Hz）Fig. 5 Comparison of signal envelope spectrum beforeand after MED processing 4001000 Hz100 200 300 400 500 6000.50ms−2Hz−1频率/Hza 原始信号包络谱 1 4002 000 Hz100 200 300 400 500 6000.40.20幅值密度/ms−2Hz−1频率/Hz95.05 Hz61.1 Hzb MED滤波信号包络谱 1 4002 000 Hz 图 6 MED处理前后的信号包络谱对比（14002000 Hz）Fig. 6 Comparison of signal envelope spectrum beforeand after MED processing 14002000 Hz第 6 期 姜锐等风电机组发电机轴承电腐蚀故障的分析诊断131态下，原始振动信号波形中故障冲击成分并不突出，推测轴承内外圈均为分布故障。根据诊断结果，及时对风电场运维人员提出加强轴承振动监测、准备更换轴承的建议。风场运维人员根据诊断建议，利用低风速停机机会，对发电机自由端轴承进行开机检查，确认轴承内外圈出现电腐蚀故障，同时内圈还有轻微局部脱落。图7为更换下来的轴承故障外圈的图片，外圈滚道上布满了搓衣板状的电腐蚀故障痕迹。5 结论风电机组由于结构复杂、运行工况多变，监测信号中往往包含各种干扰噪声成分，掩盖了故障信息，特别是在故障早期，很难及时发现。采用先进的信号分析方法可以抑制噪声，增强故障信息，达到及时发现故障的目的，为采取合理的运维策略提供技术支持。针对风电机组发电机轴承电腐蚀故障实际案例，通过对低转速状态下的监测信号进行分析处理，采用最小熵解卷积增强信号中的故障冲击成分，然后采用包络谱分析进行故障精确诊断。实践证明，采用这种故障信息增强方法进行信号滤波处理，即使对于电腐蚀故障这类冲击特征不明显的分布故障，也可以获得有效的故障信息增强效果，提升故障诊断的及时性和准确性。参考文献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.辛卫东, 马志勇, 滕伟, 等. 振动监测技术在风电机组齿轮箱故障诊断中的应用[J]. 中国电力, 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]任彦忠, 王川. 某风电场风力发电机组振动故障探究[J]. 中国电力, 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, 范少伟, 刘胜文. WiMAX在风力发电故障诊断系统中的应用[J]. 中国电力, 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]周继威, 张波, 王栋, 等. 风电机组综合状态在线监测与远程诊断中心的建立[J]. 中国电力, 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]雷亚国, 何正嘉, 林京, 等. 行星齿轮箱故障诊断技术的研究进展[J]. 机械工程学报, 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]汤宝平, 罗雷, 邓蕾, 等. 风电机组传动系统振动监测研究进展[J].振动、测试与诊断, 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 姜锐等风电机组发电机轴承电腐蚀故障的分析诊断133