论文部分内容阅读
以风力发电技术为代表的清洁能源正在全球迅速兴起,与传统的化石燃料相比,风力发电的最大优点是对环境造成的污染小。全球的风力发电机累计装机量正在逐年增长。轴承作为风力发电机传动系统的核心零部件,对整个风力发电机传动系统的安全稳定运行起着至关重要的作用。在风电机组的机械传动系统故障中,许多故障皆因轴承损坏失效引起。由于风力发电机长期服役在复杂的交变载荷下,加上强背景噪声、电磁干扰和复杂传递路径的影响,使测得的发电机轴承故障信号表现出非线性和非稳态的特点,这给发电机轴承的故障诊断和智能监测带来巨大的困难。常用的轴承故障诊断信号处理方法有时域方法、频域方法和时频域分析方法。然而单独采用时域方法和频域方法无法有效地检测到轴承的微弱故障信息,并且传统的时频分析方法存在一定的局限性。因此,如何寻求一种新的故障诊断研究方法来检测轴承早期的微弱故障十分必要。数学形态学理论如今已被广泛应用在机械振动信号处理领域。它通过预先设定好的结构元素直接作用于时域信号来提取故障特征信息,是一种有效的非线性和非稳态信号处理方法。本文以风力机发电机轴承为研究对象,并对数学形态学的理论方法进行改进与延伸进而来提取发电机轴承的微弱故障特征信息。为实现发电机轴承的早期精准故障检测和故障分类提供理论基础。论文的具体研究内容如下:(1)通过对数学形态学的基本理论研究,揭示出特征提取型算子和噪声削减型算子的滤波规律。为了能够提取发电机轴承的故障冲击特征信息,基于差分梯度算子(Morphological gradient,MG)和闭-开差分梯度算子(Difference filter,DIF)的乘积构造了增强形态差分算子(enhanced morphological difference operator,EMDO)。在选择EMDO算子的最优结构元素尺度时,将特征能量因子(feature energy factor,FEF)作为评价指标。接下来,建立了轴承外圈的故障信号模型,并对MG、DIF和EMDO算子的滤波性能进行定量分析。研究结果表明,EMDO算子对轴承的故障冲击信息起到了增强的作用。最后,进行风力机发电机轴承的故障实验验证,并与形态梯度乘积运算(morphology gradient product operation,MGPO)和形态顶帽乘积运算(morphology-hat product operation,MHPO)进行实验对比分析。研究结果表明,提出的EMDO算子的故障特征提取能力更加出色,适合于发电机轴承的故障诊断。(2)针对发电机轴承故障信号时常遭受着强背景噪声、多耦合谐波信号和随机冲击信号的干扰问题,仅采用EMDF滤波很难抑制这些干扰成分。因此,引进了概率主成分分析(probabilistic principal component analysis,PPCA)方法,来弥补EMDF在消噪能力上的不足。在传统的PPCA算法中,分解主成分k和原始变量n的参数通常由人为设定。为了解决这个问题,引入蝗虫优化算法(grasshopper optimization algorithm,GOA)来自适应优化出k和n值,实现了信号的去噪。随后构建了一种新的无量纲综合评价指标KSP,用来定量地检测PPCA的降噪性能,并把最大的KSP值作为GOA算法优化PPCA参数的目标函数。最终,结合APPCA与EMDF提出了一种自适应的发电机轴承故障诊断方法。仿真和工程应用结果表明,提出的方法可以有效地分析与诊断发电机轴承的故障信息,与ACDIF和VMD方法的对比结果表明,提出的方法具有一定的优越性。(3)基于形态顶帽算子的构造机理,首先构建了四种谐波信号提取型算子(enhanced average filtering,EAVGDC-EO,EAVGDC-OE,EAVGCD-EO和EAVGCD-OE),随后通过仿真证明了EAVGCD-OE算子对谐波信号的还原能力优于其它三种算子。接下来,为了保持时域信号正负脉冲的完整性,定义了一种增强的顶帽形态变换算子(enhanced top-hat morphological filtering,EAVGH)。与其它四种顶帽变换算子BTH,WTH,AVGH和CMFH的对比结果展示了EAVGH算子的优势。在此研究的基础上,利用循环谱相干函数(cyclic spectrum coherence,CSC)进一步解决了故障信号受到非线性调制频率成分影响的问题,并在此基础上结合EAVGH提出了发电机轴承故障诊断研究方法EAVGH-CSC。而且,通过实验结果证明EAVGH-CSC方法具有较高的故障特征提取能力。(4)为了提取发电机轴承的故障特征信息,从多尺度和多角度分析出发,定义了一种多尺度增强顶帽形态变换算子(Multiscale enhanced top-hat morphological filtering,MEAVGH)。然后,将MEAVGH与MCMFH进行乘积运算,构建了一种新的多尺度特征提取型滤波算子(Multi-scale feature extraction filtering operator,MFEO),用于进一步增强故障特征信息。随后为了解决峭度指标容易受到大幅值信号影响的问题,定义了一种峭度故障特征率(Kurtosis fault feature ratio,KFFR)的综合无量纲评价指标。此外,针对传统的多尺度形态滤波器(Multi-scale morphological filter,MMF)因尺度加权区间选择不合理而影响故障特征提取问题,提出了迭代加权阈值的多尺度形态学信号重构方法。仿真和实验结果验证了提出的MFEO方法的有效性和工程适用性。(5)针对传统的时频分析方法将一维振动信号转换为二维图像信号时需要依赖专家知识的问题,利用二维图像比一维信号包含更多特征信息的优点,提出了一种基于多尺度数学形态学变换的信号图像转换方法。该方法将生成的图像样本视为卷积神经网络(Convolutional Neural Network,CNN)的输入。此外,为了提升CNN模型的泛化能力,引入了批量归一化方法(Batch Normalization,BN),用于构建一种名为MFEO-CNN的智能识别分类方法。随后,利用发电机轴承的故障数据集验证了MFEO-CNN方法的有效性。在与EMD-CNN、EWT-CNN、CNN、SVM和ANN方法的比较分析结果中表明了MFEO-CNN方法具有较高的分类精度。