Hilbert-Huang变换在风力发电机主轴轴承故障诊断中的应用

2013-07-21 07:16陈文静吴金强
轴承 2013年6期
关键词:特征频率时频时域

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。

猜你喜欢
特征频率时频时域
瓷砖检测机器人的声音信号处理
光学波前参数的分析评价方法研究
基于振动信号特征频率的数控车床故障辨识方法
基于时域信号的三电平逆变器复合故障诊断
基于小波去噪和EMD算法在齿轮故障检测中的应用
基于极大似然准则与滚动时域估计的自适应UKF算法
基于时域逆滤波的宽带脉冲声生成技术
基于时域波形特征的输电线雷击识别
基于时频分析的逆合成孔径雷达成像技术
对采样数据序列进行时频分解法的改进