亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于隨機共振和VMD分解的風電機組滾動軸承故障特征提取

        2018-03-29 08:14:46李濤濤張惠智馬喜平
        大電機技術 2018年2期
        關鍵詞:特征頻率變分共振

        賈 嶸,李濤濤,張惠智,馬喜平

        ?

        基于隨機共振和VMD分解的風電機組滾動軸承故障特征提取

        賈 嶸1,李濤濤1,張惠智1,馬喜平2

        (1. 西安理工大學水利水電學院,西安 710048;2. 國網(wǎng)甘肅省電力公司電力科學研究院,蘭州 730050)

        以風電機組滾動軸承為研究對象,針對其故障診斷中強噪聲背景下信號信噪比低、故障特征難以提取的問題,提出一種基于隨機共振(SR)和變分模態(tài)分解(VMD)的故障特征提取方法。該方法首先利用隨機共振對滾動軸承的振動信號進行降噪處理,提高信號的信噪比;然后對降噪后的振動信號進行VMD分解,通過求取固有模態(tài)函數(shù)(IMF)的幅值譜,從而發(fā)現(xiàn)滾動軸承的故障特征頻率。將該方法應用于風電機組滾動軸承的實際數(shù)據(jù)中,分析結果表明,該方法能夠提高信號的信噪比,實現(xiàn)風電機組滾動軸承的精確診斷。

        風電機組;滾動軸承;隨機共振;變分模態(tài)分解;故障診斷

        0 前言

        近年來,能源短缺和環(huán)境問題日益凸顯,世界各國對于新能源的發(fā)展日益重視[1]風力發(fā)電作為一種可再生清潔能源在世界各國得到快速發(fā)展[2]。然而風電機組長期工作于交變載荷、多工況和大溫差等復雜環(huán)境下,機組各設備極易出現(xiàn)各種故障,嚴重影響了機組的安全穩(wěn)定運行[3-4]。滾動軸承作為風電機組的重要部件,其故障在機組故障中占有很高的比例[5-6],若能提早發(fā)現(xiàn)滾動軸承故障,及時采取維修措施,對于保證機組的正常運行具有重要意義。

        由于風電機組結構復雜、設備耦聯(lián)性強,機組滾動軸承早期故障振動信號表現(xiàn)為非線性、非平穩(wěn)特性和極易淹沒在強噪聲環(huán)境中,極大影響了滾動軸承故障特征的提取。目前,國內外許多學者對風電機組滾動軸承故障信號的檢測與診斷已做了大量的研究工作。文獻[7]首次將改進小波包和包絡譜分析應用于風電機組傳動系統(tǒng)齒輪和軸承的故障特征提取;文獻[8]采用經(jīng)驗模態(tài)分解(EMD)與散度指標對風電機組滾動軸承的故障進行診斷;文獻[9]針對EMD的模態(tài)混疊,提出基于集合經(jīng)驗模態(tài)分解(EEMD)和奇異譜熵的故障特征提取方法;文獻[10]利用局部均值分解(LMD)和近似熵對滾動軸承的故障特征進行了有效的提??;文獻[11]針對EMD和LMD這類遞歸模式分解存在的端點效應和模態(tài)混疊,提出了變分模態(tài)分解(VMD)和奇異值分解相結合的滾動軸承故障特征提取方法。

        變分模態(tài)分解是Dragomiretskiy等[12]于2014年提出的一種新型信號分解技術,本文將其應用于風電機組滾動軸承振動信號的處理,將振動信號分解為不同頻段的IMF分量,通過求取IMF分量的頻譜,能夠發(fā)現(xiàn)信號的故障特征頻率。由于風電機組滾動軸承振動信號易受強噪聲環(huán)境影響,使得提取IMF分量的故障特征并不明顯,難以進行故障的準確識別。因此,本文引入隨機共振理論,利用隨機共振能夠將噪聲能量向故障信號能量轉移的獨特降噪優(yōu)勢,對滾動軸承的振動信號進行降噪處理,提高信號的信噪比;然后對降噪后的信號進行VMD分解,通過求取IMF分量的頻譜,從而發(fā)現(xiàn)滾動軸承的故障特征頻率,實現(xiàn)故障的識別與診斷。

        1 隨機共振理論

        1.1 基本原理

        雙穩(wěn)態(tài)系統(tǒng)是隨機共振常采用的一種非線性系統(tǒng),通常研究利用朗之萬方程來描述雙穩(wěn)態(tài)系統(tǒng)的模型[13],如下式所示:

        式中,、為一階非線性系統(tǒng)參數(shù),且>0,>0;為輸入周期信號的幅值;為輸入周期信號的相角;為白噪聲,滿足、(是噪聲強度,是均值為0、方差為1的白噪聲)。

        隨機共振的基本原理是通過調節(jié)一階非線性系統(tǒng)參數(shù)達到非線性系統(tǒng)、驅動噪聲和輸入周期信號三者之間的最優(yōu)匹配,從而產生隨機共振現(xiàn)象,完成噪聲信號能量向輸入信號轉移,實現(xiàn)強噪聲背景下微弱故障信號的檢測。

        1.2 信號仿真

        圖1(a)為原始信號的時域與頻域圖,從頻譜圖中可以觀察到原始信號的兩個頻率成分1和2;圖1(b)為原始信號加噪之后的時域與頻域圖,從時域圖中可見噪聲已將原始信號淹沒;圖1(c)為雙穩(wěn)輸出信號的時域與頻域圖,從頻譜圖中可以看出1和2的幅值明顯增大,信號的信噪比得到大幅度提高。

        圖1 隨機共振仿真信號

        2 變分模態(tài)分解

        2.1 VMD分解

        VMD分解是將信號的分解引入到變分模型中進行求解,通過搜索約束變分模型的最優(yōu)解來實現(xiàn)信號的自適應分解,將輸入信號分解為一系列不同頻段的模態(tài)分量[14-15]。

        假設每個“模態(tài)”是具有中心頻率的有限帶寬,在VMD分解過程中,其中心頻率和帶寬不斷更新,最后自適應地分解為個帶寬之和最小的模態(tài)函數(shù)u(),且個模態(tài)函數(shù)之和為輸入信號()。通過以下方法估計模態(tài)函數(shù)頻率帶寬的目標:

        (1)對每個模態(tài)函數(shù)u()進行Hibert變換,得到每個模態(tài)函數(shù)的解析信號;

        (3)計算式(3)中解調信號的梯度的平方2范數(shù),估算出各模態(tài)函數(shù)的帶寬,對應的約束變分問題為:

        引入增廣拉格朗日函數(shù),將式(4)中帶有約束條件的變分問題轉化為無約束條件的變分問題進行求解,如下式所示。

        采用交替方向乘子算法求取式(5)擴展的拉格朗日函數(shù),具體的實現(xiàn)步驟如下:

        ⑤重復步驟(2)~(4),直到滿足迭代約束條件:

        結束迭代,得到個帶寬之和最小的IMF分量。

        2.2 信號仿真

        假定一頻率相近的多頻周期信號:

        其中,1=20Hz,2=30Hz,3=40Hz。

        變分模態(tài)分解仿真信號如圖2所示。

        圖2 變分模態(tài)分解仿真信號

        圖2中(a)為原始信號的時域與頻域圖,從頻譜圖中可以明顯地觀察到3個相近的頻率成分1、2和3;(b)為原始信號VMD分解的時域與頻域圖,3個頻率成分的原始信號被分解為3個IMF分量,分解效率較高。由頻譜圖可知,VMD分解將原始信號的3個相近頻率成分有效分解出來,且沒有產生模態(tài)混疊現(xiàn)象。表明VMD分解能夠將信號有效分解為不同頻段的IMF分量。從IMF分量的頻譜圖中可以觀察到信號的特征頻率。

        3 實例分析

        本文將隨機共振和變分模態(tài)分解相結合的方法應用于美國凱斯西儲大學實驗室模擬的風電機組滾動軸承故障特征提取中,以驗證本文提出方法的正確性與有效性。圖3為滾動軸承故障模擬實驗平臺,其主要包括一個1.5kW的電動機(左側)、一個轉矩傳感器(中間)和一個功率計(右側)等。待檢測滾動軸承支撐電動機的轉軸,型號為SKF6205深溝球軸承,滾動體個數(shù)=9,滾動體直徑d=7.94mm,軸承直徑D=39.04mm,接觸角=0o。滾動軸承內圈、外圈和滾動體被電蝕加工的故障直徑為0.1778mm,采樣頻率為12kHz,轉速為1797r/min(轉頻=29.95Hz)。根據(jù)滾動軸承參數(shù)和滾動軸承特征頻率理論計算公式(10)到(12),求取滾動軸承不同故障的特征頻率為:內圈故障162.18Hz,外圈故障107.36Hz,滾動體故障141.16Hz。

        圖3 滾動軸承故障模擬實驗平臺

        式中,f、f、f分別為內圈故障、外圈故障和滾動體故障的特征頻率。

        本文以滾動軸承內圈故障為例進行故障特征的提取,內圈故障特征頻率為162.18Hz。圖4為滾動軸承內圈故障時原始振動信號的時域與頻域圖,由圖可知,原始振動信號的時域與頻域成分都比較復雜,從圖中無法觀察到明顯的故障特征頻率。

        將原始振動信號直接進行VMD分解,分解尺度按照文獻[16]的選取原則進行選取,選取參數(shù)=4,圖5為信號直接進行。VMD分解得到的4個IMF分量,對4個IMF分量進行頻譜分析,發(fā)現(xiàn)IMF1分量含有故障特征頻率,如圖6所示。從中可以看出,IMF1分量的頻譜中含有故障特征頻率161.34Hz,與理論計算滾動軸承內圈故障特征頻率162.18Hz十分接近。由于數(shù)據(jù)采集和處理可能存在誤差,可認為161.34Hz是滾動軸承內圈故障所提取的特征頻率,但是161.34Hz處信號特征強度比較微弱,信噪比較低,為提高信號的信噪比,引入隨機共振對原始振動信號進行降噪處理。

        圖4 內圈故障信號的時域與頻域圖

        圖5 原始振動信號的VMD分解

        圖6 IMF1分量的頻譜

        圖7為原始振動信號經(jīng)過隨機共振降噪處理雙穩(wěn)輸出信號的時域與頻域圖,從其頻譜圖中可以看出,在故障特征頻率161.34Hz處存在明顯的譜線,信號的信噪比得到提高,但仍存在周圍噪聲頻率的影響,因此,對降噪的雙穩(wěn)輸出信號進行VMD分解,如圖8所示降噪信號的VMD分解結果圖,比較圖8與圖5中IMF1分量,圖8中IMF1分量受噪聲污染的程度明顯降低,信號成分更加簡單。

        圖7 雙穩(wěn)輸出信號時域與頻域圖

        對圖8中的IMF1分量進行頻譜分析,如圖9所示,從中可以看出明顯的特征頻率161.34Hz。將圖9與原始信號直接進行VMD分解得到的IMF1分量的頻譜圖6進行比較,信號的特征強度提高了十幾倍左右,且周圍幾乎不存在噪聲頻率的干擾,可準確判斷出滾動軸承發(fā)生了內圈故障。說明原始振動信號經(jīng)過隨機共振降噪處理,信號的信噪比得到了極大提高,降噪信號經(jīng)過VMD分解可有效避免周圍噪聲頻率的干擾,可準確提取信號的故障特征頻率,實現(xiàn)滾動軸承故障的精確診斷。

        圖8 雙穩(wěn)輸出信號的VMD分解

        圖9 IMF1分量的頻域圖

        4 結論

        本文利用隨機共振的降噪優(yōu)勢對滾動軸承振動信號進行降噪處理,增大信號的信噪比,然后將降噪信號進行VMD分解,成功避免了干擾頻率的影響,使故障頻率更加清晰,從而提高故障診斷的準確性。通過Matlab軟件進行理論和實際數(shù)據(jù)的仿真分析,可得如下結論:

        (1)隨機共振是一種利用噪聲來提高信號信噪比的降噪方法,降噪效果較好,特別適用于強噪聲背景下微弱信號的檢測;

        (2)變分模態(tài)分解是一種新的信號分解技術,非常適用于非線性、非平穩(wěn)信號的處理;

        (3)本文將SR和VMD相結合的方法應用于滾動軸承故障診斷中,通過實例分析表明,該方法能夠有效實現(xiàn)滾動軸承故障的精確診斷,為風電機組滾動軸承的故障診斷提供了一種新思路。

        [1] Ahmed N A, Cameron M. The challenges and possible solutions of horizontal axis wind turbines as a clean energy solution for the future[J]. Renewable & Sustainable Energy Reviews, 2014, 38(5):439-460.

        [2] 王仲穎. 中國戰(zhàn)略性新興產業(yè)研究與發(fā)展.風能[M]. 機械工業(yè)出版社, 2013.

        [3] 陳雪峰, 李繼猛, 程航,等. 風力發(fā)電機狀態(tài)監(jiān)測和故障診斷技術的研究與進展[J]. 機械工程學報, 2011, 47(9):45-52.

        [4] 李輝, 胡姚剛, 李洋,等. 大功率并網(wǎng)風電機組狀態(tài)監(jiān)測與故障診斷研究綜述[J]. 電力自動化設備, 2016, 36(1):6-16.

        [5] 安學利, 蔣東翔, 陳杰,等. 基于ITD和LS-SVM的風力發(fā)電機組軸承故障診斷[J]. 電力自動化設備, 2011, 31(9):10-13.

        [6] 董兆宇. 風電機組滾動軸承故障診斷系統(tǒng)開發(fā)[D]. 華北電力大學, 2014.

        [7] 申戩林, 王靈梅, 郭東杰,等. 基于改進小波包與包絡譜的風電機組傳動系統(tǒng)的故障診斷方法研究[J]. 太陽能學報, 2014, 35(9):1771-1777.

        [8] 郭艷平, 顏文俊, 包哲靜,等. 基于經(jīng)驗模態(tài)分解和散度指標的風力發(fā)電機滾動軸承故障診斷方法[J]. 電力系統(tǒng)保護與控制, 2012(17):83-87.

        [9] 王軍輝, 賈嶸, 譚泊. 基于EEMD和模糊C均值聚類的風電機組齒輪箱故障診斷[J]. 太陽能學報, 2015, 36(2):319-324.

        [10] 張淑清, 孫國秀, 李亮, 等. 基于LMD近似熵和FCM聚類的機械故障診斷研究[J]. 儀器儀表學報, 2013, 34(3):714-720.

        [11] 劉長良, 武英杰, 甄成剛. 基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J]. 中國電機工程學報, 2015, 35(13):3358-3365.

        [12] Dragomiretskiy K, Zosso D. Variational Mode Decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3):531-544.

        [13] 何洋洋, 賈嶸, 李輝, 等. 基于隨機共振和多維度排列熵的水電機組振動故障診斷[J]. 水力發(fā)電學報, 2015, 34(12):123-130.

        [14] 馬增強, 李亞超, 劉政,等. 基于變分模態(tài)分解和Teager能量算子的滾動軸承故障特征提取[J]. 振動與沖擊, 2016, 35(13):134-139.

        [15] Wang Y, Markert R, Xiang J, et al. Research on variational mode decomposition and its application in detecting rub-impact fault of the rotor system[J]. Mechanical Systems & Signal Processing, 2015, 60:243-251.

        [16] 鄭小霞, 周國旺, 任浩翰, 等. 基于變分模態(tài)分解的風機滾動軸承早期故障診斷[J]. 軸承, 2016, (7):48-53.

        Fault Feature Extraction of Wind Turbines’ Rolling BearingBased on Stochastic Resonance and VMD

        JIA Rong1, LI Taotao1, Zhang Huizhi1, Ma Xiping2

        (1. Xi’an University of Technology, Xi’an 710048, China;2. Gansu Province Electric Power Research Institute, Lanzhou 730050, China)

        Taking the rolling bearing of wind turbine as the research object, and aiming at the problem that the signal-to-noise ratio is low and the fault feature is difficult to be extracted under the background of strong noise, the paper proposes a new fault feature extraction method based on stochastic resonance (SR) and variational mode deconposition (VMD). The method uses stochastic resonance to treat the vibration signal of the rolling bearing, and the signal-to-noise ratio of the signal is improved. Then, the vibration signal after noise reduction is decomposed by VMD, and the failure frequency of the rolling bearing is obtained by calculating the amplitude spectrum of the intrinsic modal function (IMF). The method is applied to the actual data of the rolling bearing of the wind turbine. The analysis results show that the method can improve the signal-to-noise ratio of the signal and realize the accurate diagnosis of the rolling bearing of the wind turbine.

        wind turbine; rolling bearings; stochastic resonance; variational mode decomposition; fault diagnosis

        TM315

        A

        1000-3983(2018)02-0001-05

        2017-11-30

        國家自然科學基金(413517042);國家電網(wǎng)科技項目(522722150012)。

        賈嶸(1971-),1992年畢業(yè)于武漢水利電力大學應用電子專業(yè),現(xiàn)在西安理工大學水利水電學院從事電力設備狀態(tài)監(jiān)測與故障診斷工作,教授,博士生導師。

        猜你喜歡
        特征頻率變分共振
        逆擬變分不等式問題的相關研究
        瓷磚檢測機器人的聲音信號處理
        求解變分不等式的一種雙投影算法
        光學波前參數(shù)的分析評價方法研究
        光學儀器(2019年3期)2019-02-21 09:31:55
        安然 與時代同頻共振
        基于振動信號特征頻率的數(shù)控車床故障辨識方法
        選硬人打硬仗——紫陽縣黨建與脫貧同頻共振
        當代陜西(2018年12期)2018-08-04 05:49:22
        關于一個約束變分問題的注記
        基于小波去噪和EMD算法在齒輪故障檢測中的應用
        CTA 中紡院+ 化纖聯(lián)盟 強強聯(lián)合 科技共振
        精品久久综合亚洲伊人| 免费观看国产短视频的方法| 久久久久人妻一区精品 | 国产成人无码区免费网站| 欧美人与动牲交片免费| 草青青在线视频免费观看| 免费无码一区二区三区a片百度| 韩国19禁无遮挡啪啪无码网站| 亚洲精品中文字幕不卡在线| 国产精品视频白浆免费看| www国产亚洲精品久久麻豆| 国产精品午夜无码av天美传媒| 狠狠丁香激情久久综合| 中文字幕亚洲高清精品一区在线| 天天躁夜夜躁狠狠是什么心态| 久久99久久99精品免观看| 日本高清不在线一区二区色| 国产女人av一级一区二区三区| 日本一区二区三区看片| 国产精品日本一区二区三区在线| 国产福利一区二区三区在线视频| 日本50岁丰满熟妇xxxx| 2022国内精品免费福利视频| 中文无字幕一本码专区| 亚洲最大中文字幕在线| 免费a级作爱片免费观看美国| 岛国成人在线| 国产自拍伦理在线观看| 性色av一二三天美传媒| a级毛片内射免费视频| 亚洲乱在线播放| 国产精品国产自产拍高清| 成 人 免费 在线电影| 精品四虎免费观看国产高清| 一区二区三区在线观看视频| 老鸭窝视频在线观看| 亚洲av男人的天堂在线观看| 亚洲精品综合色区二区| 国产精品人妻熟女男人的天堂| 国产无遮挡又黄又爽免费网站 | 国产高清不卡在线视频|