大型風力發(fā)電機機械噪聲信號分離識別技術(shù)探析

1、大型風力發(fā)電機機械噪聲信號分離識別技術(shù)探析摘要風能作為一種可再生的循環(huán)利用能源，近年來風電技術(shù)不斷得到發(fā)展，風力發(fā)電機經(jīng)常處于惡劣的工作環(huán)境下，其載荷處于長期的交變狀態(tài)下，在大力發(fā)展風電的過程中，對環(huán)境影響較為突出的問題便是風機運轉(zhuǎn)帶來的噪聲污染。由于風力機機組包含非常多的機械部件，因此在正常運行與異常狀態(tài)下都會產(chǎn)生各種噪聲與振動。通常采用傳感器進行信號的采集時，往往伴隨著諸如潤滑系統(tǒng)的振動信號、溫控循環(huán)系統(tǒng)的振動信號等強干擾信號，為了將機械噪聲信號從中分離出來，需要將這些強干擾信號去除，因為干擾信號與噪聲之間會發(fā)生耦合，使想要的機械信號埋沒其中不易識別。為此，本文擬采用盲分離手段對混合信號進

2、行去干擾處理。經(jīng)過預處理后采用EMD-Fast Ica 對混合信號實施盲源分離，盲處理的優(yōu)點是可以在不必源信號的數(shù)量和傳遞參數(shù)未知條件下，實現(xiàn)對采集的混合信號中的各數(shù)據(jù)進行分離。為了驗證此算法的分離效果與可行性，本文先進行仿真實驗模擬出風電機組機械系統(tǒng)中的典型振動信號，并選擇風力機主要傳動系統(tǒng)部件齒輪作為識別實例，驗證了此方法確實可以分離出機械噪聲信號。關(guān)鍵詞：大型風力發(fā)電機，盲分離，經(jīng)驗模式分解，獨立分量分析，噪聲識別。AbstractAs a renewable energy source, wind energy has been continuously developed in re

3、cent years.Windturbinesareofteninaharshworkingenvironment,andtheirloadsareina long-termalternatingstate.Intheprocessofvigorouslydevelopingwindpower,the environment The more prominent problem is the noise pollution caused by the operation of thefan.Sincethewindturbineunitcontainsalargenumberofmechani

4、calcomponents, various noises and vibrations are generated in normal operationand abnormal conditions.Usually, when sensors are used for signal acquisition, they are often accompanied by strong interference signals such as vibration signals of the lubrication system and vibration signals ofthetemper

5、aturecontrolcirculatorysystem.Inordertoseparatethemechanicalnoise signals, these strong interference signals need to be removed because interference Coupling occurs between the signal and the noise, making the desired mechanical signal buried and difficult to identify.Tothisend,thispaperintendstouse

6、theblindseparationmethodtodeinterferethe mixedsignal.Afterpre-processing,theEMD-FastIcaisusedtoperformblindsource separation on the mixed signal. The advantage of the blind processing is that the data in the collected mixed signal can be separated without the unknown number of source signals and the

7、 transmission parameters. In order to verify the separation effect and feasibility of this algorithm, this paper firstly simulates the typical vibration signal in the mechanical system of wind turbine, and selects the gear of the main transmission system of the wind turbine as the identification exa

8、mple, which proves that this method can indeed separate the machinery Noise signal.Key Words:Large wind turbine, Blind separation, EMD, ICA, Noise recognition 。第 1 章 緒論以風力發(fā)電為代表的清潔能源技術(shù)逐步替代以煤炭、石油等為代表的傳統(tǒng)能源技術(shù)是必然的。風電產(chǎn)業(yè)在過去幾年相關(guān)技術(shù)尚不成熟的情況下盲目擴張、發(fā)展過熱，造成風電裝備成本高、設備壽命短，其運行狀態(tài)難以掌控，事故頻發(fā)，嚴重影響風力機的運行效率及可靠性1。大型風力風電機組在極端

9、的天氣諸如暴風雪、暴雨環(huán)境中，承受的疲勞載荷將會發(fā)生瞬態(tài)變化，使得風力機主軸和增速箱等傳動部件性能退化嚴重、甚至失效，必須采取措施保障其安全運行。目前提高風力機傳動系統(tǒng)運行安全性的措施主要有兩種：一是設計環(huán)節(jié)上提出一些標準，二是運行狀態(tài)監(jiān)測與故障診斷。由于服役環(huán)境的不同，風力機傳動結(jié)構(gòu)設計標準具有很大的局限性2，故運行狀態(tài)監(jiān)測與故障診斷技術(shù)成為目前提高風力機傳動系統(tǒng)運行安全性的主要措施并廣泛應用，取得了一定的效果3。但傳統(tǒng)時頻技術(shù)難以適應大型風力機的發(fā)展需要，如振動信號的小波分析方法、自適應模糊推理方法等對環(huán)境力引起狀態(tài)劣化產(chǎn)生的強耦合微弱信號識別方面效果不佳；聲發(fā)射方法對低頻信號分析能力不足

10、等。因此，迫切需要研究新的傳動系統(tǒng)運行狀態(tài)監(jiān)測與故障診斷方法，尤其需要針對早期故障的檢測診斷方法。隨著世界制造業(yè)的再一次轉(zhuǎn)型升級（如德國工業(yè)4.0、美國先進制造伙伴計等），2015年5月，我國正式印發(fā)中國制造2025，工業(yè)大數(shù)據(jù)分析理論開始廣受關(guān)注4,5；結(jié)構(gòu)噪聲作為機械振動的產(chǎn)物，通常需要將其降低和控制，但大型風力機結(jié)構(gòu)噪聲在不同運行狀態(tài)下會呈現(xiàn)不同的聲輻射性質(zhì)，即可以結(jié)構(gòu)噪聲利用;。 因此，將大數(shù)據(jù)分析理論應用在大型風電機組的傳動系統(tǒng)中去，來實現(xiàn)其在惡劣環(huán)境下的識別運行狀態(tài)與故障噪聲識別，繼而對大型風力機的維護安全運行提供參考價值。1.1、課題來源 。本文的研究工作基于以下基金的支持國家自

11、然科學基金項目（51675350）：基于結(jié)構(gòu)噪聲信息的大型風力機傳動系統(tǒng)運行狀態(tài)識別與故障診斷方法研究。1.2、問題的提出 。風能作為一種新可循環(huán)再生能源，其顯著特點為污染較小、可開發(fā)性大。早在二十世紀初人們一開始嘗試進行風力發(fā)電。通常風速為3. 45.4m / s的三級風已具備利用價值。中國風力資源豐富，絕大多數(shù)地區(qū)的年平均風速都在3 m / s以上，東南沿海及其島嶼地區(qū) 3m / s 的風速全年累積7 905，極具風力發(fā)電空間。2016 年11 月，國家能源局印發(fā)的楓電發(fā)展第十三個五年規(guī)劃綱要設定風電發(fā)展總量目標為：到 2020 年，風電累計并網(wǎng)裝機容量確保達到2.1 億千瓦以上，其中海上

12、風電并網(wǎng)裝機容量達到 500萬千瓦以上；風電建設總投資估算 7000 億元以上，風電年發(fā)電量確保達到4 200 億千瓦時，約占全國總發(fā)電量的 6%。在大力發(fā)展風電的過程中，對環(huán)境影響較為突出的問題便是風機運轉(zhuǎn)帶來的噪聲污染。近距離內(nèi)，風機噪聲會妨礙正常通訊和交談，干擾居民體息、影響市民的正常生活，也不利于學校的教學。因此風機機組所在地就不適合人們生活，也不宜建造各種生活建筑?？紤]到這些噪聲帶來的不良影響，在何處建設風電廠已成為不可忽略的考慮因素。在前期規(guī)劃階段，合理預測噪聲值及其影響范圍顯得尤為必要。說道噪聲的識別與控制，首先要進行噪聲來源的識別判斷。噪聲源識別的分類有很多，按照噪聲源所在系統(tǒng)

13、中的位置不同，可分為表面噪聲源識別和內(nèi)部噪聲源識別。表面噪聲源識別是確定設備表面部件的噪聲輻射貢獻；內(nèi)部噪聲源識別目的是找到設備內(nèi)部部件的噪聲輻射貢獻。大型風力機服役環(huán)境的特殊性使得其結(jié)構(gòu)設計標準具有局限性，這個局限性需要長期設計經(jīng)驗累積才能夠解決，故現(xiàn)階段對運行狀態(tài)的檢測及故障診斷就顯得尤為重要，但傳統(tǒng)時頻技術(shù)等對環(huán)境力引起狀態(tài)劣化產(chǎn)生的強耦合微弱信號識別方面效果不佳。利用在時間尺度上不同結(jié)構(gòu)、不同狀態(tài)下的結(jié)構(gòu)噪聲輻射不同的特性，能夠?qū)崿F(xiàn)大型風力機傳動系統(tǒng)強耦合微弱結(jié)構(gòu)噪聲信號的識別。因此，必須研究針對大型風力機傳動系統(tǒng)結(jié)構(gòu)噪聲信息特征提取方法。1.3、國內(nèi)外研究動態(tài) 。國內(nèi)外學者對噪聲源的

14、識別方法進行了廣泛的研究，總的來說可以歸結(jié)為三大類。第一類：傳統(tǒng)噪聲源識別方法。這類方法主要基于工廠的實際生產(chǎn)，較為簡單。主要方法有主觀評價法、選擇運行法、頻譜分析法6。按照生產(chǎn)人員的傳統(tǒng)經(jīng)驗知識，在對設備實際施工操作中識別噪聲源的方法稱為主觀評價法。該方法主要靠的是用人耳來聽噪聲位置，因此只適用于非常簡單的設備，按照檢測維修經(jīng)驗來判斷，那么就會受到較大的人為因素干擾。當不知道機械設備具體哪個部件產(chǎn)生噪聲時，選擇其中的部分單個或幾個單獨運行來識別噪聲源的方法稱為選擇運行法?？梢钥闯鲞@種方法具有較大的盲目性與局限性，可以用來進行初步的噪聲估計處理。將采集的時域信號轉(zhuǎn)化到頻域分析，計算信號的幅值譜

15、和功率譜的方法稱為頻譜分析法。通過計算采集信號的頻域特征來診斷，但是忽視了時域信息，對一些非穩(wěn)態(tài)信號的處理就顯得無能為力。第二類：基于聲源的識別方法。近年來隨著聲學理論與傳感技術(shù)的不斷飛速發(fā)展，在工程應用方面有了很大的進步。該方法的顯著特點就是成本較高，但識別精度與效率都比較好，原因在于聲學傳感器的造價昂貴?；诼曌R別的方法主要有聲強測量法和聲全息法，聲強測量法是上世紀七八十年代發(fā)展起來的聲學測量技術(shù)6, 7。聲功率測量法主要分為離散點法和掃描法。通過對聲源的聲強級大小的測量來識別噪聲源所在8。此方法的優(yōu)點在于對測量環(huán)境的要求較低，不需要一定在消聲室中進行測量9。此方法的不足在于需要較多的聲學

16、傳感器，前面提到的造價較高限制了此方法的發(fā)展。在應用聲強識別某高速增壓柴油機中，學者郝志勇10發(fā)現(xiàn) 100 Hz 頻率成分主要來自于油底殼，200Hz 頻率成分主要來自于齒輪室。驗證了聲強法識別發(fā)動機噪聲源的有效性。除此之外，按照聲波干涉來識別噪聲源的方法稱為聲全息技術(shù)，基本原理為通過傅里葉變換推導全息面和重建面的聲壓聯(lián)系，隨后分析全息面，得到重建面。此方法利用了聲相位11的特點。在生產(chǎn)工程中，近場聲全息技術(shù)得到了廣泛應用，因為其精度可以達到幾十分之一波長12。相比較聲強法而言具有更好的識別效果。但是其存在顯著的缺點即為對測量環(huán)境要求較高，一般需要在消聲室中進行。這兩種方法都屬于表明噪聲源識別

17、方法。學者于飛將近場聲全息應用于噪聲源的識別與定位中，并從數(shù)值仿真13和測量實驗14兩個角度驗證了識別算法的有效性。第三類：基于現(xiàn)代數(shù)字信號處理的識別方法。近年來信息技術(shù)飛速發(fā)展，現(xiàn)代數(shù)字信號處理得到了飛速發(fā)展與補充。在機械工程領(lǐng)域，學者們通過研究與擴展提出了許多基于現(xiàn)代數(shù)字信號處理的識別方法，并對其進行了工程應用來驗證。其中偏相干分析法15是應用較多的一種，偏向干分析是基于相干分析法擴展的。對一組混合輸入信號，選取其中一個信號，去掉其與其他輸入信號的相干部分，得到殘余信號，分析殘余信號對輸出信號的響應，以此步驟重復分析每個輸入信號對輸出信號的影響。此方法較多應用在在多輸入單輸出系統(tǒng)的噪聲源識

18、別問題中。根據(jù)輸入聲源信號的特點不同，特別是當系統(tǒng)的信號存在強耦合和強相干時，學者楊德森16提出了改進方法，通過采取希爾伯特變換與倒頻譜分析和偏相干技術(shù)三種方法相結(jié)合，來確定混合信號中相干成分間的影響，此方法可以避免各個輸入信號之間存在的耦合，并建立潛艇艙段模型，分析識別了其中的機械噪聲。層次分析法，是指將與決策總是有關(guān)的元素分解成目標、準則、方案等層次，在此基礎(chǔ)之上進行定性和定量分析的決策方法。吳海平17學者巧妙地將層次分析法應用于潛艇的噪聲源識別，并結(jié)合偏向干分析方法按照各個噪聲源的貢獻量不同進行識別排序。雖然上述兩種方法應用于潛艇設備，在機械領(lǐng)域也同樣適用。就上述提到的噪聲源各種識別方法

19、而言，其適用范圍是不同的。其中，傳統(tǒng)的四種識別方法（主觀評價法、選擇運行法、聲強測量法和聲全息法）由于其方法特點與測量環(huán)境，是在機械系統(tǒng)外部或表面進行測量，忽略了機械系統(tǒng)的內(nèi)部運行，因此屬于表面噪聲源識別技術(shù)；另一種方法頻譜分析法則不需要苛刻的測試環(huán)境，其目的在于分析系統(tǒng)內(nèi)部的噪聲輻射機理，控制或減小噪聲，因此屬于內(nèi)部噪聲源識別技術(shù)。隨著噪聲識別技術(shù)的發(fā)展，單單的傳統(tǒng)識別方法與基于的噪聲源識別方法已經(jīng)不能滿足實際工程中遇到的噪聲難題，而近年來現(xiàn)代數(shù)字信號處理方法多被采用在實際工程中并取得了滿意的效果與精度。根據(jù)風力發(fā)電機組的工作環(huán)境特點，采集到的振動噪聲信號往往都伴隨著各種沖擊等瞬態(tài)變化，傳統(tǒng)

20、方法中的頻譜分析不適用來針對一些非穩(wěn)態(tài)信號，不能滿足噪聲源識別的要求。以常用的兩種時頻分析方法為例，小波變換和短時傅里葉變換由于Heisenberg 測不準，只能獲得部分頻段的時頻，在全頻段上存在分辨率不足的缺點。1998美籍華人 Huang18年提出經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)方法來針對瞬時非穩(wěn)態(tài)信號。將混合信號分解為一系列表征不同時間尺 度 的 固 有 模 式 函數(shù)（Intrinsic Mode Function，IMF）19。該方法與短時傅里葉變換比較自適應好，可以消除 Heisenberg 測不準帶來的頻段限制問題，對非穩(wěn)態(tài)信號的分析

21、有效性提供了保證。同樣的經(jīng)驗模態(tài)分解方法的不足在于混合信號出現(xiàn)斷點時，會出現(xiàn)在模態(tài)混合的情況，對分解結(jié)果的準確性造成影響。Gledhill20和 Flandrin21在進行經(jīng)驗模態(tài)分解之前，在混合信號中加入白噪聲信號，可以有效避免這一不足。在此基礎(chǔ)上，Wu22等學者為了提高 EMD 分析的準確性，在混合信號中加入白噪聲信號后，進行重復分解直到達到最終分離要求，提出了總體經(jīng)驗模態(tài)分解 （Ensemble Empirical Mode Decomposition，EEMD）方法。鄭旭23針對總體經(jīng)驗模態(tài)分解方法中的問題，通過改進加入的白噪聲信 號 ， 提 出 了 改 進 的 總 體 經(jīng) 驗 模 態(tài)

22、 分 解 (ModifiedEnsembleEmpiricalModeDecomposition，MEEMD)方法，改善了識別方法的準確性。風力機的噪聲源來源廣泛，由于整個機組的機械部件非常多，造成噪聲的傳遞過程較為復雜，從而由傳感器測得的混合信號中有各種噪聲源信號。且在復雜的運行狀態(tài)中存在某些噪聲源的頻譜相互重疊的情況，小波變換、EMD 等方法難以將重疊的特征頻率分離開來，從而導致識別失敗。根據(jù)風力機振動信號的復雜特點，宜采用盲源分離手段來處理。盲源分離的常用方法之一就是獨 立 分 量 分 析（IndependentComponent Analysis，ICA）24。最早其提出是為了解決雞尾

23、酒會;問題25。芬蘭學者提出快速獨立分量分析（FICA）算法24，基于固定點（Fixed-point）迭代優(yōu)化理論，將負熵作為目標函數(shù)，計算混合信號中某一分量的非高斯性最大值，收斂速度快，有效的提高了 ICA 算法的效率。在工程應用方面，徐紅梅26將獨立分量分析方法應用于六缸柴油機的噪聲分離中，將內(nèi)燃機燃燒噪聲、正時齒輪噪聲和活塞敲擊噪聲分離識別出來。Minka 提出基于Minka Bayesian 選擇模型的（MIBS）信號子空間維數(shù)估計法20在通過實際應用驗證了該算法的有效性，確定了噪聲源信號的維數(shù)。當出現(xiàn)欠定問題時即采集的信號數(shù)量小于估計源信號的數(shù)量時，學者們提出了用經(jīng)驗模態(tài)分解方法和獨

24、立分量分析方法相結(jié)合來解決 EMD 模態(tài)混合的問題，并能滿足ICA 方法對輸入信號數(shù)目的要求。李林潔27以 EMD-ICA 方法對柴油機進行單通道采樣，采用EMD 來構(gòu)造估計虛擬信號，目的在于確定估計源信號的維數(shù)，之后對構(gòu)造的虛擬信號進行 ICA處理。當采集的混合信號存在多種噪聲耦合的情況，若直接使用 ICA 算法進行分析，那么計算過程中需要分解很多特征分量，存在計算量過大的缺點。當混合信號中噪聲源數(shù)目較多時，計算效率不能得到有效的保證。因此，ICA 適用于頻率交疊的非平穩(wěn)信號，實現(xiàn)噪聲源解耦分離的目的。在工程生產(chǎn)中如果只需要對其中的已知特征頻率的噪聲源進行分析，可以在獨立分量分析基礎(chǔ)上進行改進，應用約束獨立成分分析（cICA）28,29。王志陽30應用 cICA 在已知滾動軸承特征頻率的情況下，成功提取了軸承的故障信號。楊偉新31將支持向量機(SupportVectorMachine，SVM)方法應用在EMD-ICA 結(jié)合中進行滾動軸承故障診斷。對于頻率交疊的信號ICA 可以有效地去除混合信號中背景噪聲和回聲干擾。1.4、本文研究內(nèi)容第2章風機信號的EMD及ICA盲分離算法2.1、風機混合信號的盲分離處理2.2、盲分離的基本概念與分類2.2.1、混合信號的前期處理2.2.2、盲分離數(shù)學模型2.2