基于 MATLAB 的风电机组诊断方法研究

摘. . 要：中国风电行业发展很快，装机容量逐年递增。不过由于风力机设备体积巨大而且非常复杂，使得它们经常出现故障。大型风机长期在野外工作，工况非常不好，许许多多发电机组由于没有及时发现处理出现的问题，随着机组运行被快速放大。?本文以风力机传动系统为研究对象，着重研究传动系统中的轴承部分。从风机传动系统结构入手，详细了解讨论了传统系统各个部分的传动原理和可能出现的故障以及引起这些故障的因素。为了准确分析振动信号，基于 MATLAB 编程，采用经验模态分解 (EMD), 希尔伯特振动分解（HVD）以及小波分解三种方法进行故障诊断。

关键词：风电机组；MATLAB；故障诊断；HVD；EMD

前言

风力发电技术的迅猛发展已经是大势所趋。风力发电不但在改善生态环境、优化能源结构上有很突出的作用而且可以促进社会经济可持续发展。这些年风力发电受到全球各国的青睐，这方面技术也越来越成熟。2018 年全球风电累计装机容量高达600GW，中国风电总装机突破 221GW，位列第一。风力发电机组维修是定期维修，使得机组发生故障时无法及时发现并处理，导致风电机组故障频发。

轴承是旋转机械设备中一种非常重要的部件，在支撑转动部件的同时降低其旋转过程中的摩擦系数并保障足够高的旋转精度，包括滑动轴承和滚动轴承两大类。转速比较高的旋转机械经常使用滑动轴承，如涡轮（turbine）、汽轮机发电机组（steam turbine-generator）等。对于旋转速度较低的旋转机械，采用滚动轴承是更好的选择，其使用寿命更长。风力发电机组所处环境恶劣，而且运维不及时，所以，风电机组中大部分情况下都采用使用寿命较长的滚动轴承。

1. 仿真信号分析

以仿真信号为例，选用叠加的正弦信号仿真信号 X1(t)，表达式：

) 150 2 sin( * 6 ) 100 2 sin( * 4 ) 50 2 sin( * 10 ) ( 3 2 1 1 t t t x x x t X ? + ? + ? + + = = p p p以及一个调幅调频和正弦叠加信号，表达式：

)) 9 2 sin( * 5 . 1 ) 120 2 cos(( * )) 7 2 cos( * 5 . 0 1 ( ) 50 2 sin( * 2 ) ( 2 t t t t t x ? + ? ? + + ? = p p p p可以看出，信号 X1(t)由三个单分量 x1(t),x2(t),x3(t)组成，分别是三种频率不同的正弦信号，信号的时域波形图见图 1-1，利用变换后得到的频谱图见图 1-2。

图 1-1 仿真信号 X1(t)时域波形图

图 1-2 仿真信号 X1(t)频谱图

2. 基于 MATLAB 的 EMD、HVD、小波分解

若轴承出现局部故障，那么振动信号肯定会出现对应的振动频率，即为故障频率特征。其计算公式如下：

（1）内齿圈故障频率特征：

) cos 1 (

2aDdfzf i ip + =

（2）外齿圈故障频率特征：

) cos 1 (

2aDdfzf i ip - =

（3）滚动体故障频率特征：

ú

?

ù

ê

?

é

- =

2) cos ( 1

21aDdfdDf i ip

（4）保持架故障频率特征：

) cos 1 (

21aDdf f i ip - =

2.1 HVD

二十一世纪初，Feldman 以希尔伯特变换为基础，提出针对非平稳信号更好的方法。这种新的分析方法依然具有分解自适应性的优点，能够将一个非平稳的连续信号分解为多个幅值，频率不同的分量的和。

(3-4)

具体 HVD 分解步骤如下：

（1）估计幅值最大分量对应的瞬时频率。一个信号的瞬时频率与平均频率是不同的量，利用 HT 求得瞬时频率可表示为[ ] { }

) (

) ( ) ( 2 cos ) ( ) ( ) ( ) (

) (

21 2 1 2 1 2

221 2

1t a

dt f f t a t a t a f f

f t f

ò

- + - + -

+ =

q q p

，即：

) ( ) ( ) ( 1

0t f dt t f t f

T= = ò

2.2 小波分解

对设函数

) ( ) (

2R L t ? j

是一平方可积函数，且傅立叶变换

) (w f

满足容许条件：

? < = ò

?

? -

dw

wwC| |

| ) ( |

2fj3. 结束语

基于 MATLAB 的故障诊断方法是当前使用较广的针对风力发电机组的诊断方法，其中 EMD、HVD 及小波分解使用最广泛。

EMD 分解得到若干 IMF 分量，基于分解结果绘制出不同振动信号的边际谱图；HMD 分解得到了若干完全分离的 IMF 分量，并绘制出状态良好轴承与三种故障轴承的振动信号的边际谱图。

小波分解分别将正常信号与三种故障信号分解重构，并分别对正常信号与三种故障信号的 a3 求包络谱。最后将三种方法的处理结果对比发现，利用 EMD 处理正常信号与故障信号得到的正常信号边际谱图与故障信号边际谱图有差异，但是三种故障信号边际谱图差异不大，其中外圈剥落轴承与滚动体故障轴承振动信号的边际谱整体形态分布较为相似；利用 HVD 处理正常信号与故障信号得到的正常信号边际谱图与故障信号边际谱图有明显差异，各个故障信号边际谱也有很大差异；利用小波分解重构得到的结果无法明显区分两者差异，求包络谱后差异依然不够明显。显然，基于 MATLAB 的 HVD 法在故障诊断中更有效。

参考文献：

［1］徐强. 风电机组传动链状态诊断方法研究[D].华北电力大学,2015.

［2］黄志军. 风力发电机组传动系统振动故障诊断研究[D].华北电力大学,2017.