郭艷平，龍濤元

（中山火炬職業(yè)技術(shù)學院，廣東 中山 528436）

1 引言

滾動軸承是風力發(fā)電機組等旋轉(zhuǎn)機械的重要傳動部件，齒輪箱是風力發(fā)電機組中最易發(fā)生故障的部件[1]，由于其處于一百多米的高空，所以齒輪箱的維護或更換費時費力，因此，對風電機組齒輪箱中的滾動軸承和齒輪等旋轉(zhuǎn)機械的故障診斷方法進行研究具有重要的理論、經(jīng)濟和實際應用價值。

目前已有很多先進的信號分析方法被應用在軸承故障診斷中，例如傅里葉變換、窗口傅里葉變換、Wigner-Ville分布和小波分析等，但上述幾種方法均有其局限性，不適合用于分析振動等非平穩(wěn)信號，EMD是一種自適應的時頻分析方法，分解可獲得若干個具有一定物理意義的IMF（intrinsic mode function）分量，它非常適合對非平穩(wěn)、非線性的信號進行分析，所以在旋轉(zhuǎn)機械故障診斷領(lǐng)域有廣泛且有效的應用。

診斷流程的第二步是故障特征提取，常用有量綱時域特征量包括：最大值、均值、方差、均方幅值等，無量綱時域特征量包括：峭度，波形指標，峰值指標，脈沖指標，裕度指標等[4]，這些特征量各有其使用場合，但很難兼顧敏感性和穩(wěn)定性，例如峰值因子、峭度在故障發(fā)生的早期階段較敏感，但穩(wěn)定性不夠，當故障發(fā)展到嚴重階段時，這兩個特征值和正常狀態(tài)時相同。文獻[5]提取的故障特征參數(shù)是經(jīng)EMD分解后所得各個IMF的能量，該特征參數(shù)易受信號傳播路徑和傳感器參數(shù)的影響，具有不穩(wěn)定性；文獻[6]提取包絡(luò)譜中特征頻率處的幅值比作為故障特征量，該指標也具有很大的波動性。診斷流程的第三步是模式識別，即利用提取的故障特征量輸入模式識別算法，從而實現(xiàn)故障診斷和決策，這一步驟中常用的神經(jīng)網(wǎng)絡(luò)[5]、支持向量機[6]等識別算法往往需要大量的典型故障訓練樣本，而實際應用中很難采集到有典型故障特征的大量樣本。文獻[7]中采用的支持向量機雖然不需要大量樣本，但同樣需要小樣本來支撐，才能實現(xiàn)滾動軸承故障的正確診斷。

針對上述分析，提出一種基于EMD和振動信號模型的滾動軸承故障診斷方法，該方法不需要提取故障特征量，也不需要大量典型故障樣本作為支撐，通過對實驗平臺信號和風電場現(xiàn)場信號的分析結(jié)果驗證了其有效性和實際應用價值。

2 滾動軸承振動信號模型

2.1 正常狀態(tài)

當軸承處于正常運行狀態(tài)時，軸以一定的速度旋轉(zhuǎn)，此時的振動主要由軸承結(jié)構(gòu)特點造成的承載剛度變化引起，其主要成分為軸的旋轉(zhuǎn)頻率分量，信號模型可表示為：

式中：x（t）—時域信號；xm—第m階轉(zhuǎn)動頻率諧波分量的幅值；φm—第m階轉(zhuǎn)動頻率諧波分量的相位；fn—軸的轉(zhuǎn)動頻率。

2.2 外圈存在單個損傷點的狀態(tài)

當軸承的外圈上存在單個損傷點時，隨著軸的旋轉(zhuǎn)，損傷點與滾動體周期性的接觸產(chǎn)生一系列脈沖力，脈沖間隔時間為1/fo，fo為外圈故障特征頻率，頻譜特征表現(xiàn)為：一系列以外圈故障特征頻率為間隔，幅值隨頻率的增大而逐漸減小的離散譜線，所以外圈存在單個損傷點的信號模型可表示為：

式中：x（t）—時域信號；xm—第m階諧波分量的幅值；φm—第m階

諧波分量的相位；fo—外圈故障特征頻率。

2.3 內(nèi)圈存在單個損傷點的狀態(tài)

當內(nèi)圈上存在單個損傷點時，損傷點隨軸一起轉(zhuǎn)動，并與滾動體周期性接觸，從而產(chǎn)生一系列脈沖，頻譜特征表現(xiàn)為：形成以內(nèi)圈故障特征頻率及其倍頻為中心，以軸的旋轉(zhuǎn)頻率及其倍頻為調(diào)制頻率的調(diào)制邊頻帶；各階中心頻率的幅值隨頻率增大而逐漸下降；調(diào)制頻率的幅值在遠離各階中心頻率時逐漸下降。所以內(nèi)圈存在單個損傷點的信號模型可表示為：

式中：x（t）—時域信號；xm—第m階諧波分量的幅值；φm—第m階諧波分量的相位；Am，n—調(diào)制函數(shù)的第 n階分量的幅值；αm，n—調(diào)制函數(shù)的第n階分量的相位；fi—內(nèi)圈故障特征頻率；fn—軸的轉(zhuǎn)動頻率。

2.4 單個滾動體存在單個損傷點的狀態(tài)

當單個滾動體上存在單個損傷點時，滾動體上的損傷點與外圈和內(nèi)圈周期性的接觸，從而產(chǎn)生一系列大小和方向受載荷分布和損傷點位置影響的脈沖，頻譜特征表現(xiàn)為：以滾動體故障特征頻率為間隔，幅值隨頻率的增大而逐漸減小的離散譜線，所以滾動體存在單個損傷點的信號模型可表示為：

式中：x（t）—時域信號；xm—第m階諧波分量的幅值；φm—第m階諧波分量的相位；fr—滾動體故障特征頻率。

3 滾動軸承故障診斷方法

3.1 原始振動信號去噪

EMD非常適合對軸承振動信號之類的非平穩(wěn)、非線性信號進行分析，EMD可認為是一組自適應的高通濾波器，經(jīng)過濾波過程，可得到一系列頻率成分和帶寬隨信號的變化而變化的IMF分量，這些分量具有調(diào)制特征。所以應用EMD將原始振動信號分解為若干個具有一定物理意義的包含沖擊脈沖調(diào)制等故障信息的IMF分量，然后以峭度[8]大于3為依據(jù)進行信號重構(gòu)，之所以選取峭度作為衡量指標，主要是考慮到該指標對沖擊脈沖成分特別敏感，同時與軸承的轉(zhuǎn)速、尺寸、載荷等因素無關(guān)。通過此種信號處理過程，可將干擾噪聲去除，同時突顯沖擊脈沖和調(diào)制等故障信息，為下一步的故障診斷奠定良好的基礎(chǔ)。

3.2 故障特征頻率

滾動軸承帶損傷點旋轉(zhuǎn)時，損傷點會與其它零部件周期性的接觸，并產(chǎn)生沖擊激振力，這些激振力發(fā)生的頻率稱為故障特征頻率，滾動軸承的外圈、內(nèi)圈和滾動體的故障特征頻率計算公式依次為：

式中：fn—軸的轉(zhuǎn)動頻率；m—滾動體的個數(shù)；d0（mm）—滾動體的直徑；D（mm）—滾動軸承的節(jié)徑；α（°）—接觸角。

3.3 故障診斷方法流程

基于EMD和振動信號模型的滾動軸承故障診斷方法步驟如下：（1）按照一定的采樣頻率采集原始振動信號；（2）對振動信號樣本進行EMD分解，可得到若干個IMF分量，以峭度大于3為依據(jù)進行信號重構(gòu)；（3）計算滾動軸承內(nèi)圈、外圈、滾動體的故障特征頻率，并依次建立軸承在正常、外圈存在單個損傷點、內(nèi)圈存在單個損傷點、滾動體存在單個損傷點四種狀態(tài)下的振動信號模型；（4）依次計算重構(gòu)信號和四個典型信號模型之間的相關(guān)系數(shù)；（5）根據(jù)相關(guān)系數(shù)大小判斷軸承狀態(tài)。

4 實驗信號分析

為驗證故障診斷方法的有效性，下面對實驗平臺采集的信號進行分析，該實驗平臺來自美國Case Western Reserve University電氣工程實驗室的滾動軸承故障試驗臺[9]，隨機選取外圈存在故障點的樣本130.mat進行分析，采用EMD對樣本進行分解，得到10個IMF分量和一個剩余分量，為了衡量每個IMF分量所包含沖擊脈沖及調(diào)制等故障信息的多少，特計算每個IMF的峭度依次為［5.22，8.19，5.83，3.45，3.19，3.76，3.63，2.93，2.38，2.27］，用峭度值大于3的前7個分量重構(gòu)信號，即f′=IMF1+IMF2+IMF3+IMF4+IMF5+IMF6+IMF7，如圖1所示，該重構(gòu)信號f包含周期性的沖擊脈沖成分，并具有明顯的調(diào)制特征。

圖1 重構(gòu)信號時域波形圖Fig.1 The Time-domain Waveform of The Reconstructed Signal

下面進行故障診斷流程的第三步，即建立軸承振動信號模型，首先計算各零部件的故障特征頻率：軸的轉(zhuǎn)動速度為1797rpm；軸的轉(zhuǎn)頻fn=29.95Hz；內(nèi)圈故障特征頻率為fi=5.4152fn=162Hz；外圈故障特征頻率為fo=3.5848fn=107Hz；滾動體故障特征頻率為fr=4.7135fn=141Hz?？紤]到經(jīng)過EMD方法“帶通濾波”后，一些高倍頻諧波會被抑制，所以令各階倍頻均取到3倍頻，頻率調(diào)制取一階調(diào)制，同時令相位為零，可得滾動軸承振動信號模型。

正常狀態(tài)下的振動信號模型1：

Asin（2πfnt）+A/2sin（2π2fnt）+A/4sin（2π3fnt）

外圈存在單個損傷點的信號模型2：

Asin（2πfot）+A/2sin（2π2fot）+A/4sin（2π3fot）

內(nèi)圈存在單個損傷點的信號模型3：

Asin（2πfit）+A/2sin（2π2fit）+A/4sin（2π3fit）+A/2sin（2π（fifn）t）+A/2sin（2π（fi+fn）t）+A/4sin（2π（2fi-fn）t）+A/4sin（2π（2fi+fn）t）+A/8sin（2π（3fi-fn）t）+A/8sin（2π（3fi+fn）t）

滾動體存在單個損傷點的信號模型4：

Asin（2πfrt）+A/2sin（2π2frt）+A/4sin（2π3frt）

上述模型中A的取值為待測樣本經(jīng)EMD分解后所得重構(gòu)信號的峰值，即待測樣本130.mat的重構(gòu)信號峰值3.5m/s2，所以A=3.5。依次計算重構(gòu)信號與各信號模型之間的相關(guān)系數(shù)，結(jié)果分別為：0.0007；0.0257；0.0054；0.0017。

5 現(xiàn)場信號分析

為驗證所提出故障診斷方法的有效性和實際應用價值，特對某公司在張家口市滿井風電場1.5MW風電機組上采集的振動數(shù)據(jù)進行分析[10]，2010年7月在線監(jiān)測到齒輪箱高速端徑向加速度傳感器所拾取的振動幅值明顯增大，該軸承型號為NJ 2326E，計算內(nèi)圈故障特征頻率為fi=8.3fn；外圈故障特征頻率為fo=5.6fn；滾動體故障特征頻率為fr=4.9fn，fn為軸的旋轉(zhuǎn)頻率。風力發(fā)電機組齒輪箱高速端振動加速度傳感器測點布置圖，如圖2所示。首先采用EMD對待測樣本進行分解，結(jié)果得10個IMF分量，其中前四個分量的峭度值大于3，遂進行信號重構(gòu)，即f（t）=IMF1+IMF2+IMF3+IMF4，然后依次建立該軸承在正常、外圈存在單損傷點、內(nèi)圈存在單損傷點和滾動體存在單損傷點四種情況下的振動信號模型，并計算重構(gòu)信號與這四個信號模型之間的相關(guān)系數(shù)，結(jié)果依次為：0.0035；0.0298；0.0146；0.0022，由此可判斷軸承故障點位于外圈上，服務(wù)人員更換軸承時發(fā)現(xiàn)外圈嚴重剝落，且潤滑油被金屬顆粒污染嚴重，更換軸承后的振動幅值明顯變小，如圖3所示。

圖2 風力發(fā)電機組齒輪箱測點布置圖Fig.2 The Layout of Acceleration Sensor for Wind Turbine Gearbox

圖3 待測樣本波形圖Fig.3 The Waveform of Sample

6 結(jié)論

提出一種基于EMD和振動信號模型的滾動軸承故障診斷方法，該方法首先采用EMD將原始振動信號分解為若干個IMF分量，并以峭度大于3為依據(jù)進行信號重構(gòu)，以便去除包含在原始信號中的噪聲，更進一步突顯沖擊脈沖調(diào)制等故障信息，然后在建立軸承在正常、外圈單點損傷、內(nèi)圈單點損傷、滾動體單點損傷四種情況下信號模型的基礎(chǔ)上，計算重構(gòu)信號與這四種模型之間的相關(guān)系數(shù)，最后根據(jù)相關(guān)系數(shù)可判斷故障點所在部位，通過對仿真實驗平臺信號的分析，證明了該方法的有效性，進一步將其應用在風力發(fā)電機組齒輪箱高速端滾動軸承振動加速度信號的分析中，驗證了故障診斷方法的有效性和實用性。和常規(guī)故障診斷流程作對比，所提出方法的優(yōu)點包括：（1）不必統(tǒng)計時域或頻域的故障特征量，而是直接以故障特征頻率為參考值，并建立了軸承在各種典型情況下的振動信號模型。（2）不需要大量典型故障樣本，即使只有一個待測故障樣本也可實現(xiàn)故障的正確診斷。

［1］JOHAN R，LINA M B.Survey of failures in wind power systems with focus on Swedish wind power plants during 1997-2005［J］.IEEE Transaction on Energy Conversion，2007，22（1）：167-173.

［2］丁康，李巍華，朱小勇.齒輪及齒輪箱故障診斷實用技術(shù)［M］.北京：機械工業(yè)出版社，2006：64-65.（DingKang，Li Wei-hua，ZhuXiao-yong.Practical technology for fault diagnosis of gear and gearbox［M］.Beijing：Machinery Industry Press，2006：64-65.）

［3］梅宏斌.滾動軸承振動監(jiān)測與診斷［M］.北京：機械工業(yè)出版社，1995：17-26（Mei Hong-bin.Vibration monitoring and diagnosis of rolling bearing［M］.Beijing：Machinery Industry Press，1995：17-26.）

［4］任學平，吳劍，龐震.基于復合信號處理的滾動軸承早期微故障診斷研究［J］.機械設(shè)計與制造，2015（5）：147-149.（Ren Xue-ping，Wu Jian，Pang Zhen.Research on weak signal detection technology of rolling bearing early fault based on composite signal processing［J］.Machinery Design and Manufacture，2015（5）：147-149.）

［5］楊宇，于德介，程軍圣.基于EMD與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法［J］.振動與沖擊，2005，24（1）：85-88.（Yang Yu，Yu De-jie，Cheng Jun-sheng.Roller bearing fault diagnosis methodbasedonEMDandneuralnetwork［J］.JournalofVibrationandShock，2005，24（1）：85-88.）

［6］程軍圣，于德介，楊宇.基于SVM和EMD包絡(luò)譜的滾動軸承故障診斷方法［J］.系統(tǒng)工程理論與實踐，2005，25（9）：131-136.（Cheng Jun-sheng，Yu De-jie，Yang Yu.A Fault diagnosis approach for roller bearing based on SVM and EMD envelope spectrum［J］.Systems Engineering-Theory and Practice，2005，25（9）：131-136.）

［7］Meng L，Miao W，Wang C.Research on SVM classification performance in rolling bearing diagnosis［C］.International Conference on Intelligent Computation Technology and Automation.IEEE Computer Society，2010：132-135.

［8］胡愛軍，馬萬里，唐貴基.基于集成經(jīng)驗模態(tài)分解和峭度準則的滾動軸承故障特征提取方法［J］.中國電機工程學報，2012，32（11）：106-111.（Hu Ai-jun，Ma Wan-li，Tang Gui-ji.Rolling bearing fault feature extraction method based on ensemble empirical mode decomposition and kurtosis criterion［J］.Proceedings of the CSEE，2012，32（11）：106-111.）

［9］The case western reserve university bearing data center［EB/OL］.2012（11）.

［10］郭艷平，顏文俊，包哲靜.風力發(fā)電機組在線故障預警與診斷一體化系統(tǒng)設(shè)計與應用［J］.電力系統(tǒng)自動化，2010，34（16）：83-86.（Guo Yan-ping，Yan Wen-jun，Bao Zhe-jing.Design and application of online fault warning and diagnosis integrated system for wind turbines［J］.Automation of Electric Power Systems，2010，34（16）：83-86.）