改进二阶统计量算法在风力机主轴承裂纹识别中应用.docVIP

改进二阶统计量算法在风力机主轴承裂纹识别中应用 　　摘要： 针对风力机主轴承裂纹故障的非平稳信号，提出一种改进二阶统计量的盲源分离算法，利用信号的非平稳性，将传感器数据分成不重叠的时间窗，用广义时滞协方差矩阵代替标准协方差矩阵，然后估计每个窗内的时滞协方差矩阵平均值来提高算法的稳健性和精确度。仿真试验选取了适当的时延系数和加权参数，证明了改进算法在信噪比低于12 dB的情况下优于传统SOS算法。最后，采集了某风场带有裂纹故障的风力机主轴承振动信号，根据本文提出的改进算法剔除了噪声干扰，从观测信号中分离出裂纹冲击振动源信号，并通过信号处理结果的频率特征来识别轴承裂纹状态。关键词： 故障诊断； 风力机； 裂纹识别； 盲源分离； 二阶统计量 　　中图分类号： TH165+.3； TK83文献标识码： A文章编号：2013 　　引言 　　主轴承是风力机的重要部件，常在低速重载和恶劣的自然环境中运行，裂纹故障发生率较高且容易造成重大事故[1]。当机械部件出现裂纹时，将改变转子系统的动力学特性，因此裂纹识别对保证风力机等大型机械设备的安全高效运行至关重要。目前，裂纹识别方法主要有两类：第一类裂纹识别方法是建立故障的简化动力学模型来研究裂纹产生的机理、性质和影响因素，由于轴承低速运转时动力学特性十分复杂，目前仍然无法建立完备的低速轴承裂纹故障动力学模型[2，3]。第二类是通过提取振动信号的故障特征进行故障识别，但由于传感器接收的随机信号总是处于非平稳状态，随时间和空间的变化而变化，这给振动信号处理带来了难题。很多学者采用频谱分析、小波变换、循环统计理论等方法检测轴承裂纹，但对于早期裂纹故障识别并不理想，更无法揭示裂纹扩展过程的本质[4，5]。而且，大多数实际运行轴承常常是多种元件故障复合的状态，裂纹故障和其他故障会相互影响、彼此干扰，这使得裂纹故障特征提取更为困难[6]。 　　通常情况下，源信号本身具有时变的非平稳特性，这一特点为混叠信号的分离提供了潜在的辨识标准[7]。盲源分离（Blind Source Separation，以下简称BSS）可在源信号和混合叠加路径均未知的情况下，仅根据某些统计特性恢复出源信号，已在故障诊断、图像处理、语音识别、地震预测等领域得到了广泛应用[8]。利用源信号的二阶相关性和非平稳性可分离出具有不同统计特性的源信号并尽量减小噪声的干扰，该方法称为基于二阶统计量的BSS算法（Secondorder Statistics，以下简称SOS）[9]。SOS算法的优势在于：（1）采用高阶统计量方法需假定源信号互相独立且均为非高斯信号，而SOS算法没有这些限制，因此对于各类故障特征提取适用性更强[10]；（2）SOS算法不需要推导源信号的概率分布或假设非线性激活函数，这使得该算法不是只能匹配某一种故障类型，为准确提取不同阶段裂纹的故障特征提供了可能；（3）适用用于样本数量少的时变环境中[11]。但是，基于传统的SOS算法采用了特征值分解方法，其主要的缺点是当存在加性噪声时准确度会迅速变差[12]。在理想情况时，如果矩阵太大可以用四阶协方差矩阵使算法在理论上对加性噪声不再敏感，但实际上基于传统SOS算法的BSS在样本数量少的时变环境中计算精度并不高。 　　风力机主轴承的裂纹识别面临两个难题：（1）由于轴承中各元件所对应的故障频率幅值都不高，难以及时发现元件发生早期裂纹故障；（2）一般情况下，主轴承处于低速运转条件，难以计算各轴承元件所对应的故障特征频率。本文改进了传统的SOS盲分离算法，从观测信号中分离出风力机主轴承的裂纹故障信号，消除背景噪声干扰，从而获得准确、有用、真实的裂纹故障特征信息，通过分析萌生裂纹、稳定扩展裂纹和亚临界裂纹特征信号的频谱特性来揭示裂纹故障的产生机理和扩展特点，为风力机主轴承裂纹识别提供理论依据。 　　1基于二阶统计量的BSS算法 　　如图5所示，通过改进SOS算法的信号处理，边频带大大减少，呈现明显冲击特征。图5（a）中的峰值频率为2.5 Hz，这一频率值与外圈故障频率（2.548 Hz）相一致。这是由于当轴向振动在传递到内圈的初始裂纹处间断后，由此产生的不平衡激励非常微弱，而同时内圈故障位置不断随其旋转而改变，振动信号中的相对较强的瞬态分量被滚动体传递到了外圈，造成了裂纹初始萌生阶段的冲击频率特征与外圈损伤故障频率相同。图5（b）中的峰值频率为6.6 Hz，这一频率值与内圈故障频率（6.664 Hz）相吻合，此时稳定扩展的裂纹损伤特征非常显著。图5（c）中的峰值频率为1.1 Hz，与滚动体故障特征频率1.083 Hz一致。这是因为轴承内圈的裂纹处于亚临界阶段时，裂纹尖端将在瞬间产生峰值冲击力，迫使进入该损伤区域的某个滚珠与轴承之间的间隙突