向健平， 姜楠楠， Simon Jonathan Watson

(1． 長(zhǎng)沙理工大學(xué) 能源與動(dòng)力工程學(xué)院， 長(zhǎng)沙 410114； 2． Faculty of Aerospace Engineering,Delft University of Technology, Kluyverweg 1, 2629 HS, Delft, Netherlands)

一種風(fēng)力發(fā)電機(jī)自動(dòng)故障診斷及預(yù)測(cè)方法

向健平1， 姜楠楠1， Simon Jonathan Watson2

(1． 長(zhǎng)沙理工大學(xué) 能源與動(dòng)力工程學(xué)院， 長(zhǎng)沙 410114； 2． Faculty of Aerospace Engineering,Delft University of Technology, Kluyverweg 1, 2629 HS, Delft, Netherlands)

為了獲得故障信號(hào)精確的時(shí)域和頻域信息，提出了一種Morlet小波變換補(bǔ)償方法，首先計(jì)算出故障信號(hào)的時(shí)間和頻率信息，然后根據(jù)Morlet小波系數(shù)中心頻率峰值對(duì)計(jì)算的故障信號(hào)的幅值進(jìn)行補(bǔ)償，得出故障信號(hào)的準(zhǔn)確幅值.采用Simulink模型證明該方法的可行性，并將該方法應(yīng)用到測(cè)試風(fēng)力發(fā)電機(jī)和實(shí)際大型風(fēng)力發(fā)電機(jī)的電功率信號(hào)分析中.結(jié)果表明：該方法可以自動(dòng)獲得故障信號(hào)按時(shí)序排列的振幅趨勢(shì)圖，顯示了部件發(fā)生故障后的剩余使用壽命期限；風(fēng)力發(fā)電機(jī)特別是海上風(fēng)力發(fā)電機(jī)的維護(hù)維修計(jì)劃可根據(jù)此時(shí)間信息進(jìn)行制定，降低風(fēng)電運(yùn)維成本.

風(fēng)力發(fā)電機(jī)； 故障診斷； Morlet小波變換； 補(bǔ)償算法； 電功率信號(hào)

Abstract： A Morlet wavelet-based compensated algorithm was proposed to calculate the accurate amplitudes of faulty signals. The specific way is to compute the time range and frequency values of the faulty signals at first, and then to compensate the amplitudes calculated for above faulty signals according to the center frequency values of Morlet wavelet coefficients to further obtain the accurate amplitudes. A Simulink model was used to demonstrate the feasibility and generalization of the algorithm. At the same time, the algorithm was used to analyze the electric power signals of a test rig and large turbines. Results show that this algorithm can automatically find the amplitude trend of faulty components in a time sequence, and indicate the residual service life of wind turbines after faults are generated. Based on the information of the residual service life, the maintenance and repairing plan for wind turbines, especially offshore ones, can be developed to lower the cost of wind power in operation and maintenance.

Key words： wind turbine; fault diagnosis; Morlet wavelet transform; compensated calculation; electric power signal

自然環(huán)境中存在很多復(fù)雜信號(hào)，其中一些如心電圖信號(hào)和地震信號(hào)都是非平穩(wěn)的，但信號(hào)測(cè)量方式可以控制[1-2].通常運(yùn)用小波變換來(lái)處理這些復(fù)雜的非平穩(wěn)信號(hào)[3].由于這些非平穩(wěn)信號(hào)的頻率可通過控制測(cè)量方式來(lái)確保其信號(hào)頻率不變，因此，與信號(hào)相關(guān)物理對(duì)象的狀態(tài)可以通過小波圖像比較來(lái)監(jiān)測(cè).然而，還有一些復(fù)雜信號(hào)，如不可控變工況下的變速異步風(fēng)力發(fā)電機(jī)電功率信號(hào)中包含的一些元件故障信號(hào)，這些信號(hào)具有不連續(xù)性，其頻率隨時(shí)間發(fā)生變化，用傳統(tǒng)的小波變換無(wú)法有效反映信號(hào)的本質(zhì)特征.這就意味著復(fù)雜信號(hào)的頻率隨不可控外界條件的變化而變化，阻礙了傳統(tǒng)小波變換的應(yīng)用.

近年來(lái)，隨著風(fēng)力發(fā)電機(jī)的安裝向離岸100 km以外的遠(yuǎn)海發(fā)展，其維護(hù)維修更加困難，預(yù)測(cè)性風(fēng)力發(fā)電機(jī)智能化運(yùn)維研究受到越來(lái)越多的重視，因此自動(dòng)在線狀態(tài)監(jiān)控系統(tǒng)和風(fēng)力發(fā)電機(jī)剩余使用壽命預(yù)測(cè)顯得更加重要.現(xiàn)有的風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)主要采用接觸式傳感器和振動(dòng)監(jiān)測(cè)設(shè)備，以檢測(cè)軸承、軸和齒輪箱的故障問題，該設(shè)備能夠在災(zāi)難性故障發(fā)生之前檢測(cè)到齒輪箱中的軸承故障.然而，當(dāng)一個(gè)特定的故障即將發(fā)生時(shí)，單一的系統(tǒng)可能不能給出足夠令人信服的證據(jù).歐盟CONMOW項(xiàng)目研究發(fā)現(xiàn)，通過一些簡(jiǎn)單元件測(cè)量得到的信號(hào)如風(fēng)力發(fā)電機(jī)的輸出功率信號(hào)，能夠用Morlet小波變換補(bǔ)償方法計(jì)算出一些故障的信號(hào)及其能量發(fā)展趨勢(shì)，判斷出這些故障在不同階段的故障程度，因而有可能實(shí)現(xiàn)自動(dòng)在線狀態(tài)監(jiān)控和相關(guān)元件剩余使用壽命的預(yù)測(cè)，即Morlet小波變換補(bǔ)償方法可從電功率信號(hào)中分離出相關(guān)故障信號(hào)，然后按時(shí)間序列來(lái)比較相關(guān)故障信號(hào)的能量趨勢(shì)，若故障信號(hào)的能量趨勢(shì)上升，則表明該元件存在故障且其故障程度在加深.

綜上所述，將Morlet小波變換補(bǔ)償方法應(yīng)用于風(fēng)力發(fā)電機(jī)電功率信號(hào)的分析，有可能實(shí)現(xiàn)對(duì)一些元件的狀態(tài)監(jiān)測(cè)和剩余使用壽命預(yù)測(cè).新的Morlet小波變換補(bǔ)償方法兼顧了快速傅里葉變換(FFT)和傳統(tǒng)Morlet小波變換的優(yōu)點(diǎn)，既可以從復(fù)雜信號(hào)中提取非平穩(wěn)信號(hào)，又可以計(jì)算對(duì)應(yīng)頻率的信號(hào)幅值.

筆者首先從理論上進(jìn)行討論，然后應(yīng)用Simulink仿真來(lái)分析如何從一個(gè)復(fù)雜信號(hào)中提取非平穩(wěn)信號(hào)的幅值信息.同樣用Simulink仿真模型對(duì)比了FFT和傳統(tǒng)Morlet小波變換的不足之處，并通過25 kW小型風(fēng)力發(fā)電機(jī)的實(shí)驗(yàn)對(duì)結(jié)果進(jìn)行驗(yàn)證.

1 Morlet小波變換補(bǔ)償方法

研究Morlet小波變換補(bǔ)償方法是為了解決工程實(shí)際中出現(xiàn)的一些問題.如圖1中，風(fēng)力發(fā)電機(jī)電功率信號(hào)中的與其主軸故障相關(guān)的2sf1非平穩(wěn)信號(hào)[4]頻率，隨風(fēng)力發(fā)電機(jī)主軸速度(受風(fēng)速影響)的變化而變化，因s是包含了風(fēng)力發(fā)電機(jī)轉(zhuǎn)軸轉(zhuǎn)速的轉(zhuǎn)差率，所以故障信號(hào)的頻率也將隨不可控的風(fēng)力發(fā)電機(jī)轉(zhuǎn)速的變化而變化.此外圖1也表明電功率信號(hào)中還包含了許多故障相關(guān)頻率成分[5]，如三葉片旋轉(zhuǎn)頻率和兩倍滑差頻率.筆者因此提出了一種分析此類復(fù)雜信號(hào)的新算法——Morlet小波變換補(bǔ)償方法[6]，探討該算法在風(fēng)力發(fā)電機(jī)電功率信號(hào)分析中的應(yīng)用，實(shí)現(xiàn)對(duì)一些元件的狀態(tài)監(jiān)控和剩余使用壽命的預(yù)測(cè).這種方法已成功應(yīng)用于一些變速風(fēng)力發(fā)電機(jī)中[7].

圖1展示了傳統(tǒng)Morlet小波變換能夠從電功率信號(hào)中提取出2sf1信號(hào)，但用傳統(tǒng)Morlet小波變換計(jì)算信號(hào)幅值時(shí)，計(jì)算值隨頻率變化而變化，這使得信號(hào)振幅不能確定，因而無(wú)法直觀觀察故障隨時(shí)間的變化情況[8-11].

圖1 風(fēng)力發(fā)電機(jī)電功率信號(hào)和Morlet小波變換提取的葉片旋轉(zhuǎn)頻率和滑差調(diào)制振動(dòng)信號(hào)

Fig.1 Power signal from a wind turbine and Morlet-wavelet transform of the passing frequencies and the slip modulated vibration signal

Morlet小波變換補(bǔ)償方法是建立在傳統(tǒng)小波分析法基礎(chǔ)上，因此這里先討論連續(xù)小波變換，然后根據(jù)拉普拉斯變換卷積定理推導(dǎo)出Morlet小波變換補(bǔ)償方法.

1.1 連續(xù)小波變換

連續(xù)小波變換的定義為：

(1)

(2)

由于小波隨時(shí)間軸變換，式(1)可以用變量t替換參數(shù)b，用變量τ來(lái)替換t：

(3)

式(3)也可以用相關(guān)運(yùn)算符?和卷積運(yùn)算符*表達(dá)如下：

(4)

其中，

(5)

從圖形角度來(lái)說(shuō)，2個(gè)信號(hào)的卷積就是將一個(gè)信號(hào)進(jìn)行翻轉(zhuǎn)、平移，再乘以另一個(gè)信號(hào).相關(guān)性只涉及到移位和相乘(不涉及翻轉(zhuǎn))，是用來(lái)衡量2個(gè)信號(hào)的相似性.因此，可以利用多個(gè)波形之間的交叉相關(guān)性來(lái)檢測(cè)特定頻率的周期信號(hào).

式(4)表明，Ws(a,t)是由信號(hào)s(t)映射到小波ha(t)上得到的，是一組離散序列的小波系數(shù)，信號(hào)s(t)的時(shí)間和頻率信息由與其具有極高相似性的小波ha(t)揭示，但信號(hào)的振幅卻沒有顯示.為了確定信號(hào)的幅值信息，有必要做一個(gè)信號(hào)幅值與小波變換系數(shù)之間的解映射.接下來(lái)詳細(xì)介紹Morlet小波變換的基本理論并推導(dǎo)Morlet小波變換補(bǔ)償方法.

1.2 Morlet小波變換

為便于計(jì)算和仿真，采用Matlab軟件進(jìn)行計(jì)算.Matlab中Morlet母波表達(dá)式如下：

h(t)=e-t2/2cos(5t)

(6)

根據(jù)式(2)可以得到子波表達(dá)式：

(7)

顯然，在時(shí)域范圍內(nèi)，當(dāng)a>1時(shí)，子波是母波的擴(kuò)張波；當(dāng)a<1時(shí)，子波是母波的壓縮波.利用Matlab中的Morlet小波變換可以獲得一系列小波系數(shù).圖2中的波形表明小波系數(shù)是一個(gè)時(shí)間長(zhǎng)度為2 s，頻率為5 Hz的正弦信號(hào)，該小波系數(shù)頻率在小波變換的中心頻率5 Hz處幅值最大.除中心頻率外的波形的幅值明顯不同于原始正弦信號(hào)的幅值，下面從理論上推導(dǎo)如何得到Morlet小波變換補(bǔ)償方法，并計(jì)算圖2中單頻正弦信號(hào)s(t)的幅值.

根據(jù)拉普拉斯變換卷積定理，2個(gè)原函數(shù)的卷積的傅里葉變換等于2個(gè)原函數(shù)傅里葉變換的乘積，式(1)中小波變換的傅里葉變換表達(dá)式[12-13]可寫成：

Ws(a,ω)=S(ω)Ha(ω)

(8)

式中：Ws(a,ω)、S(ω)和Ha(ω)分別為Ws(a,t)、s(t)和ha(t)的傅里葉變換.

Morlet小波是對(duì)稱分布的，在中心頻率處形成帶通濾波.當(dāng)小波ha(t)的中心頻率與信號(hào)s(t)頻率相等時(shí)，小波系數(shù)Ws(a,ω)具有最大幅值，即相關(guān)性最高.圖3(a)給出了時(shí)間長(zhǎng)度為5 s的單頻正弦信號(hào)取不同頻率時(shí)得到的Morlet小波系數(shù)的傅里葉變換圖譜.由圖3(a)可知，帶寬隨著中心頻率的增加而增加，且振幅隨著中心頻率的增加而減小.由于信號(hào)時(shí)間長(zhǎng)度為5 s的傅里葉變換的頻率分辨率為0.2 Hz，所以頻率為2.1 Hz和2.3 Hz和2.5 Hz處的振幅是由傅里葉變換窗泄露引起的.因此，得到小波系數(shù)與信號(hào)振幅間的關(guān)系顯得尤為重要.

圖2 單頻正弦信號(hào)的小波系數(shù)

(a) Morlet小波系數(shù)的傅里葉變換

(b) 補(bǔ)償后Morlet小波系數(shù)的均方根值

1.3 補(bǔ)償后信號(hào)振幅的計(jì)算

傳統(tǒng)Morlet小波變換在中心頻率處的振幅誤差修正如下.

對(duì)式(5)應(yīng)用尺度定理可得：

(9)

式中：H(ω)為h(t)的傅里葉變換.

文獻(xiàn)[14]中給出了Morlet小波的傅里葉變換：

(10)

根據(jù)式(5)、式(9)和式(10)得到的Morlet小波的傅里葉變換如下：

(11)

由于f=ω/2π，式(11)表明Morlet小波在頻域范圍內(nèi)是以fcenter=5/(2πa)為中心的帶通濾波器.

用頻率f代替角頻率ω，則Morlet小波在頻域的傅里葉變換為：

(12)

從式(12)可以看出，若補(bǔ)償能夠?qū)崿F(xiàn)，則頻率成分能夠通過計(jì)算中心頻率處Morlet小波系數(shù)得到.

由式(12)可推導(dǎo)出式(13)：

(13)

式中：f0為中心頻率.

對(duì)一個(gè)頻率為f0的正弦信號(hào)來(lái)說(shuō)，中心頻率處的小波變換為：

(14)

(15)

將式(15)命名為Morlet小波變換補(bǔ)償方法，因?yàn)閭鹘y(tǒng)Morlet小波變換的信號(hào)幅值得到了補(bǔ)償.圖3(b)為單頻正弦信號(hào)x=sin(2πft)取不同頻率時(shí)經(jīng)新算法補(bǔ)償之后的小波系數(shù)圖，為避免快速傅里葉變換的頻率分辨率問題，使用均方根值代替快速傅里葉變換幅值來(lái)計(jì)算小波系數(shù)的幅值.其中，均方根值反映了信號(hào)的能量，對(duì)于一個(gè)正弦波，其均方根值約為其峰值的0.707倍.顯然，無(wú)論信號(hào)頻率取值如何，中心頻率的幅值與原始正弦信號(hào)的幅值始終相等，具體可由式(13)確定.

傳統(tǒng)Morlet小波變換能夠從復(fù)雜信號(hào)中提取非平穩(wěn)信號(hào)，而推導(dǎo)出來(lái)的新算法能夠獲得非平穩(wěn)信號(hào)的幅值，因此復(fù)雜信號(hào)的非平穩(wěn)頻率成分的幅值能夠通過Morlet小波變換補(bǔ)償方法計(jì)算得到.

Morlet小波變換補(bǔ)償方法的特點(diǎn)有：能確定非平穩(wěn)信號(hào)的幅值和頻率，這對(duì)分析一些高度復(fù)雜的數(shù)據(jù)序列尤其重要，如變速風(fēng)力發(fā)電機(jī)電功率信號(hào)中由故障元件引起的非平穩(wěn)故障信號(hào).利用Morlet小波變換補(bǔ)償方法和智能計(jì)算機(jī)工程，能夠建立復(fù)雜系統(tǒng)的在線自動(dòng)監(jiān)測(cè)系統(tǒng)，如風(fēng)力發(fā)電機(jī)在線自動(dòng)監(jiān)測(cè)系統(tǒng).

2 Simulink振動(dòng)信號(hào)仿真

風(fēng)力發(fā)電機(jī)傳動(dòng)系統(tǒng)中葉片、傳動(dòng)軸和齒輪箱等部件與發(fā)電機(jī)轉(zhuǎn)軸相聯(lián)，若這些部件發(fā)生故障，其引起的非平穩(wěn)振動(dòng)信號(hào)將通過風(fēng)力發(fā)電機(jī)氣隙磁場(chǎng)的作用，疊加到風(fēng)力發(fā)電機(jī)電功率信號(hào)中.首先需要了解振動(dòng)機(jī)制，由于軸承故障和終端三相故障較為廣泛[15-18]，因此用一個(gè)Simulink模型產(chǎn)生非平穩(wěn)振動(dòng)信號(hào)，并說(shuō)明在線自動(dòng)監(jiān)測(cè)系統(tǒng)的工作過程.

由于簡(jiǎn)諧力作用下的球軸承振動(dòng)特性具有典型性，其徑向振動(dòng)可以通過二階微分方程來(lái)描述，本節(jié)將說(shuō)明如何用Simulink模型對(duì)機(jī)械振動(dòng)系統(tǒng)及其故障產(chǎn)生的非平穩(wěn)信號(hào)進(jìn)行仿真，并利用Simulink模型得出的結(jié)果，解釋Morlet小波變換補(bǔ)償方法的相關(guān)問題.

為簡(jiǎn)單起見，以式(16)的常系數(shù)二階微分系統(tǒng)為例：

(16)

若設(shè)f(t)為二階常微分系統(tǒng)的脈沖激振力，式(16)的單位脈沖響應(yīng)函數(shù)為：

(17)

系統(tǒng)的非阻尼固有頻率為：

(18)

式中：M為質(zhì)量系數(shù)；B為阻尼系數(shù)；K為剛度系數(shù)；A為振幅；φ為相位角.

若暫時(shí)施加一個(gè)沖擊作用力f(t)，則振動(dòng)會(huì)在幾個(gè)周期后消失.振動(dòng)的自然頻率和下降速度取決于系統(tǒng)參數(shù)K、M和B.如果在短周期內(nèi)間歇性施加沖擊作用力，將出現(xiàn)振幅變化連續(xù)的振動(dòng)信號(hào).

圖4給出了一個(gè)有確定參數(shù)的二階微分方程的Simulink模型，用來(lái)模擬間歇性施加沖擊作用力引起的振動(dòng).相關(guān)Simulink模型如下：

(19)

此處B=10 N·m/s，M=1 kg，K=298.51 N/m，式(19)為一個(gè)單位脈沖函數(shù).

系統(tǒng)無(wú)阻尼自然頻率為：

(20)

實(shí)際情況下，由于部件與部件之間的接觸點(diǎn)不同，故障元件引起的振動(dòng)信號(hào)也有所不同.圖4(b)模擬了一個(gè)因?yàn)楣收袭a(chǎn)生的變化的沖擊作用力，圖4(c)表明所導(dǎo)致的振動(dòng)信號(hào)也不規(guī)則.

(a) Simulink模型

(b) 仿真故障產(chǎn)生的沖擊作用力

(c) 故障振動(dòng)信號(hào)

3 利用Morlet小波變換補(bǔ)償方法監(jiān)測(cè)振動(dòng)程度

圖5(a)給出了一個(gè)時(shí)間長(zhǎng)度為1 s，頻率為2 Hz正弦信號(hào)的非平穩(wěn)信號(hào).圖5(b)為圖5(a)的快速傅里葉變換，顯然，兩信號(hào)之間的時(shí)間間隔越長(zhǎng)，F(xiàn)FT計(jì)算的幅值將會(huì)越小.由圖5(a)可知，在對(duì)信號(hào)進(jìn)行FFT之前，時(shí)域信息對(duì)于非平穩(wěn)信號(hào)至關(guān)重要，這項(xiàng)工作可通過小波變換實(shí)現(xiàn).

(a) 非平穩(wěn)信號(hào)(2 Hz)

(b) (a)的快速傅里葉變換

圖6(a)給出了一個(gè)復(fù)雜信號(hào)，包含一個(gè)由式(20)決定的非平穩(wěn)振動(dòng)信號(hào)和一個(gè)50 Hz的正弦信號(hào).其振動(dòng)信號(hào)小波如圖6(b)所示.

(a) 振動(dòng)信號(hào)加一個(gè)50 Hz的正弦信號(hào)

(b) 從(a)中提取的振動(dòng)信號(hào)小波

圖7(a)是以1 s為時(shí)間長(zhǎng)度的振動(dòng)仿真信號(hào)，利用FFT計(jì)算其振幅頻譜圖得到圖7(b)，圖7(c)為仿真信號(hào)的小波變換系數(shù)，圖7(d)為Morlet小波變換補(bǔ)償方法計(jì)算圖7(c)得到的振動(dòng)仿真信號(hào)頻譜圖.顯然，利用FFT計(jì)算的圖7(b)與利用Morlet小波變換補(bǔ)償方法得到的圖7(d)的結(jié)果相似，進(jìn)一步說(shuō)明Morlet小波變換補(bǔ)償方法能確定非平穩(wěn)信號(hào)的幅值和頻率.

(a) 振動(dòng)仿真信號(hào)

(b) 仿真信號(hào)的傅里葉變換

(c) 仿真信號(hào)的小波變換系數(shù)

(d) Morlet小波變換補(bǔ)償方法計(jì)算(c)得到的譜圖

當(dāng)元件故障更加嚴(yán)重時(shí)，振動(dòng)幅值會(huì)增加，這種情況下，采用一個(gè)自動(dòng)的故障診斷方法來(lái)計(jì)算振幅趨勢(shì)尤為重要.圖8(a)和圖8(b)是由Simulink模型產(chǎn)生的與圖4(a)信號(hào)相似的信號(hào).圖8(c)是基于新算法所計(jì)算的振幅譜，每個(gè)信號(hào)段振幅計(jì)算取決于一個(gè)合理的時(shí)間長(zhǎng)度，顯然Morlet小波變換補(bǔ)償方法能夠檢測(cè)圖8(b)中信號(hào)的幅值變化.圖8(a)模擬主軸偏心產(chǎn)生故障時(shí)對(duì)主軸產(chǎn)生的沖擊作用力.設(shè)5 s、15 s和20 s處故障產(chǎn)生的作用力大小為1 N；在25 s和30 s處故障產(chǎn)生的作用力大小為2 N，依次仿真風(fēng)速變化時(shí)的風(fēng)力機(jī)主軸偏心故障產(chǎn)生的沖擊作用力.圖8(b)的仿真結(jié)果表示主軸產(chǎn)生故障時(shí)主軸承產(chǎn)生的振動(dòng)信號(hào)振幅能夠通過Morlet小波變換補(bǔ)償方法計(jì)算.在實(shí)際復(fù)雜環(huán)境下，如近海風(fēng)力機(jī)狀態(tài)監(jiān)控中，可以每天、每時(shí)甚至每秒計(jì)算信號(hào)振幅趨勢(shì)，見圖8(c).

(a) Simulink模型仿真故障產(chǎn)生的沖擊作用力

(b) Simulink模型產(chǎn)生的故障信號(hào)

(c) 故障信號(hào)小波的振幅

4 Morlet 小波變換補(bǔ)償方法的應(yīng)用

由于耦合在風(fēng)力發(fā)電機(jī)軸上的任何故障元件所引起的振動(dòng)是通過氣隙作用于磁感應(yīng)強(qiáng)度的，也就是說(shuō)，故障元件的頻率將反映在磁感應(yīng)強(qiáng)度中，因此也將反映于電流、轉(zhuǎn)矩和電功率信號(hào)中.同樣，一個(gè)異步電機(jī)，主軸轉(zhuǎn)速與同步轉(zhuǎn)速不等，轉(zhuǎn)差率s將調(diào)制一些故障相關(guān)的振動(dòng)信號(hào)，如s/2可能是由主軸不平衡或電流不平衡引起的.為了確定實(shí)際情況下Morlet小波變換補(bǔ)償方法的可行性，將這種方法應(yīng)用于2臺(tái)25 kW的小型風(fēng)力發(fā)電機(jī)上進(jìn)行驗(yàn)證.

圖9給出了故障信號(hào)斷續(xù)施加在25 kW小型風(fēng)力發(fā)電機(jī)上的結(jié)果.從圖9(a)可以看出，與正常情況下相比，當(dāng)電流不平衡時(shí)，兩倍滑差頻率的振幅變大.從圖9(b)可以看出，質(zhì)量不平衡所導(dǎo)致的兩倍滑差振幅更大，同樣證明了振動(dòng)變化是風(fēng)力發(fā)電機(jī)典型不平衡問題的特征.圖9(b)中，振動(dòng)隨時(shí)間變化而周期變化，振動(dòng)信號(hào)的長(zhǎng)度和大小與系統(tǒng)參數(shù)、兩部分的接觸位置、故障分量的受力等相關(guān).然而，當(dāng)施加不平衡質(zhì)量后振幅會(huì)增加.不平衡越嚴(yán)重，振動(dòng)越明顯.

(a) 頻率為17.99 Hz的電功率信號(hào)小波幅值

(b) 頻率為8.74 Hz的電功率信號(hào)小波

圖10為利用電壓信號(hào)傳感器和加速度傳感器對(duì)25 kW小型風(fēng)力發(fā)電機(jī)的傳動(dòng)系統(tǒng)狀態(tài)進(jìn)行分析對(duì)比的實(shí)驗(yàn)結(jié)果.圖10(a)和圖10(b)表明兩者的故障信息非常相似.

圖11中，2010年6月25 kW小型風(fēng)力發(fā)電機(jī)傳動(dòng)系統(tǒng)失效前兩天其振動(dòng)信號(hào)與從風(fēng)力發(fā)電機(jī)電信號(hào)計(jì)算出的故障幅值均急劇增加，進(jìn)一步說(shuō)明Morlet小波變換補(bǔ)償方法可用來(lái)預(yù)測(cè)風(fēng)力發(fā)電機(jī)相關(guān)部件的剩余使用壽命.從圖11可以看出，故障信號(hào)振幅比正常時(shí)的幅值高出幾倍，風(fēng)力發(fā)電機(jī)監(jiān)測(cè)程序應(yīng)該發(fā)出風(fēng)力發(fā)電機(jī)部件嚴(yán)重?fù)p壞的警告.

然而，筆者認(rèn)為利用實(shí)際風(fēng)力發(fā)電機(jī)的數(shù)據(jù)獲得的剩余使用壽命預(yù)測(cè)方法，在經(jīng)濟(jì)上是不可取的.該方法還需結(jié)合理論計(jì)算或?qū)嶒?yàn)方法，獲得變風(fēng)速情況下故障信號(hào)不同幅值之間進(jìn)行比較和校正.在運(yùn)行中,滾過受損軸承部件會(huì)產(chǎn)生特定的振動(dòng)頻率，若完全損壞時(shí)的振動(dòng)強(qiáng)度能通過理論計(jì)算或?qū)嶒?yàn)確定，就可將Morlet小波變換補(bǔ)償方法計(jì)算得出的振動(dòng)強(qiáng)度與完全損壞時(shí)的振動(dòng)強(qiáng)度進(jìn)行比較，結(jié)合計(jì)算得出的振動(dòng)強(qiáng)度變化速度，應(yīng)可估計(jì)出距離軸承完全損壞導(dǎo)致風(fēng)機(jī)停止運(yùn)行的時(shí)間長(zhǎng)度.風(fēng)力發(fā)電機(jī)特別是海上風(fēng)力發(fā)電機(jī)的維護(hù)維修計(jì)劃，將可根據(jù)此時(shí)間長(zhǎng)度信息制定，降低風(fēng)電運(yùn)維成本.由于理論計(jì)算或?qū)嶒?yàn)方法需要更深入的研究，將在今后工作中作進(jìn)一步討論.

(a) 加速度傳感器信號(hào)頻譜

(b) 電壓信號(hào)頻譜

圖11 25 kW小型風(fēng)力發(fā)電機(jī)傳動(dòng)系統(tǒng)故障振幅圖

5 結(jié) 論

所采用的Morlet小波變換補(bǔ)償方法能較準(zhǔn)確地計(jì)算非平穩(wěn)信號(hào)的振幅和頻率.將Morlet小波變換補(bǔ)償方法應(yīng)用到風(fēng)力發(fā)電系統(tǒng)故障診斷和狀態(tài)監(jiān)測(cè)時(shí)，無(wú)需增添額外的測(cè)量裝置，因此降低了系統(tǒng)的成本.仿真結(jié)果表明，采用Morlet小波變換補(bǔ)償方法分析電功率信號(hào)來(lái)檢測(cè)故障與利用振動(dòng)信號(hào)分析的結(jié)果基本相同.將Morlet小波變換補(bǔ)償方法應(yīng)用于測(cè)試風(fēng)力發(fā)電機(jī)和實(shí)際大型風(fēng)力發(fā)電機(jī)上的結(jié)果都表明了該新方法的有效性.基于該新方法的風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)將有可能對(duì)一些部件的剩余使用壽命進(jìn)行預(yù)測(cè).

[1] ADDISON P S. Wavelet transforms and the ECG: a review[J].PhysiologicalMeasurement, 2005, 26(5): 155-199.

[2] 祁浩, 王福豹, 鄧宏. 基于無(wú)線傳感器網(wǎng)絡(luò)的地震信號(hào)特征提取方法研究[J].物理學(xué)報(bào), 2013, 62(10): 104301.

QI Hao, WANG Fubao, DENG Hong. A novel approach to research on feature extraction of seismic wave signal based on wireless sensor networks[J].ActaPhysicaSinica, 2013, 62(10): 104301.

[3] ROCHA M P C, LEITE L W B. Treatment of geophysical data as a non-stationary process[J].Computational&AppliedMathematics, 2003, 22(2): 149-166.

[4] 向玲, 李媛媛. 經(jīng)驗(yàn)小波變換在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J].動(dòng)力工程學(xué)報(bào), 2015, 35(12): 975-981.

XIANG Ling, LI Yuanyuan. Application of empirical wavelet transform in fault diagnosis of rotary mechanisms[J].JournalofChineseSocietyofPowerEngineering, 2015, 35(12): 975-981.

[5] VAS P. Parameter estimation, condition monitoring, and diagnosis of electrical machines[M]. Oxford, UK: Clarendon Press, 1993.

[6] WIGGELINKHUIZEN E, VERBRUGGEN T, BRAAM H, et al. Assessment of condition monitoring techniques for offshore wind farms[J].JournalofSolarEnergyEngineering, 2008, 130(3): 031004.

[7] WATSON S J, XIANG J. Real-time condition monitoring of offshore wind turbines[C]//ProceedingsofEuropeanWindEnergyConference&Exhibition(EWEC). Greece:EWEA publication, 2006: 647-654.

[8] 耿宇斌, 趙學(xué)智. 基于Morlet小波變換與SVD的故障特征提取[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014(7): 55-61.

GENG Yubin, ZHAO Xuezhi. Fault feature extraction based on Morlet wavelet transform and singular value decomposition[J].JournalofSouthChinaUniversityofTechnology(NaturalScienceEdition), 2014(7): 55-61.

[9] TSE N C F, LAI L L. Wavelet-based algorithm for signal analysis[J].EURASIPJournalonAdvancesinSignalProcessing, 2007,2007: 1-10.

[10] WATSON S J, XIANG B J, YANG W X, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J].IEEETransactionsonEnergyConversion, 2010, 25(3): 715-721.

[11] 程發(fā)斌, 湯寶平, 趙玲. 最優(yōu)Morlet小波濾波及其在機(jī)械故障特征分析中的應(yīng)用[J].中國(guó)機(jī)械工程, 2008, 19(12): 1437-1441.

CHENG Fabin, TANG Baoping, ZHAO Ling. A filtering method based on optimal Morlet wavelet and its application in machine fault feature analysis[J].ChinaMechanicalEngineering, 2008, 19(12): 1437-1441.

[12] XIONG Y G, QUEK F. Gestural hand motion oscillation and symmetries for multimodal discourse: detection and analysis[C]//IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition. Madison, Wisconsin, USA: IEEE, 2003.

[13] KELLEY N D, OSGOOD R M, BIALASIEWICZ J T, et al. Using time-frequency and wavelet analysis to assess turbulence/rotor interactions[C]//19thAmericanSocietyofMechanicalEngineers(ASME)WindEnergySymposium. Reno, NV, USA: ASME, 2000: 130-149.

[14] SHYU H C, SUN Y S. Construction of a Morlet wavelet power spectrum[J].MultidimensionalSystemsandSignalProcessing, 2002, 13(1): 101-111.

[15] CHENG J S, YU D J, YANG Y. Application of an impulse response wavelet to fault diagnosis of rolling bearings[J].MechanicalSystemsandSignalProcessing, 2007, 21(2): 920-929.

[16] 胡愛軍, 馬萬(wàn)里, 唐貴基. 基于集成經(jīng)驗(yàn)?zāi)B(tài)分解和峭度準(zhǔn)則的滾動(dòng)軸承故障特征提取方法[J].中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(11): 106-111.

HU Aijun, MA Wanli, TANG Guiji. Rolling bearing fault feature extraction method based on ensemble empirical mode decomposition and kurtosis criterion[J].ProceedingsoftheCSEE, 2012, 32(11): 106-111.

[17] 盧緒祥, 蘇一鳴, 吳家騰, 等. 基于EMD及灰色關(guān)聯(lián)度的滑動(dòng)軸承潤(rùn)滑狀態(tài)故障診斷研究[J].動(dòng)力工程學(xué)報(bào), 2016, 36(1): 42-47.

LU Xuxiang, SU Yiming, WU Jiateng, et al. Fault diagnosis on lubrication state of journal bearings based on EMD and grey relational degree[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(1): 42-47.

[18] 安學(xué)利, 蔣東翔, 李少華. 基于決策融合的直驅(qū)風(fēng)力發(fā)電機(jī)組軸承故障診斷[J].電網(wǎng)技術(shù), 2011, 35(7): 36-41.

AN Xueli, JIANG Dongxiang, LI Shaohua. Fault diagnosis of spherical roller bearing of direct-drive wind turbine based on decision fusion[J].PowerSystemTechnology, 2011, 35(7): 36-41.

Automatic Fault Diagnosis and Prediction of Wind Turbines

XIANGJianping1,JIANGNannan1,SimonJonathanWatson2

(1. School of Energy and Power Engineering, Changsha University of Science and Technology,Changsha 410114, China; 2. Faculty of Aerospace Engineering, Delft University of Technology,Kluyverweg 1, 2629 HS, Delft, Netherlands)

2016-08-22

2016-10-03

湖南省長(zhǎng)沙市科技局科技計(jì)劃資助項(xiàng)目(k1508017-11)

向健平(1959-)，女，湖南衡陽(yáng)人，教授，博士，研究方向?yàn)轱L(fēng)力發(fā)電機(jī)故障診斷、狀態(tài)監(jiān)控和壽命預(yù)測(cè). 電話(Tel.)：18670734190; E-mail：beth.j.xiang@qq.com.

1674-7607(2017)10-0821-08

TM315

A

480.60