基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

文章编号：1007-449X（2016）01-0073-08

0 引言

随着我国风电产业快速发展和大规模风力发电的并网运行，研究如何应用风电机组状态监测技术，从而降低风电机组故障频率和运行维修成本，提高其发电量已引起广泛关注。其中，准确、全面地提取出故障特征信号和微弱征兆是状态监测和故障诊断的关键。由于风电机组受风速的随机性和不确定性，以及机组变速恒频发电控制特性的影响，其状态监测中的振动信号易受多种噪声干扰导致其特征频率难以提取，直接影响状态监测系统早期探测、故障预警以及寿命管理水平。因此，研究有效提取风电机组振动信号的故障特征频率，对提高风电机组状态监测的准确性具有重要现实意义。

针对振动信号的特征频率提取，国内外学者开展了一些研究，其中，小波包变换（wavelet package transform，WPT）具有较好的局部特性分解能力，能适合处理非平稳非线性信号，已被应用于高压开关、水电机组、旋转轴承等的故障特征频率提取中。然而，强背景噪声会影响小波包早期微弱故障特征提取的准确性，往往需要对原始信号进行去噪预处理，如李化等利用自适应小波去噪算法对信号进行去噪处理；戴吾蛟等提出了基于经验模态分解（empirical mode decomposition，EMD）的信号去噪算法；但上述方法处理噪声能力较为单一，大都仅从背景白噪声的特点出发，而对风电机组振动信号中可能存在的短时干扰噪声无能为力。虽然相关性单独去噪方法具有去除短时干扰噪声这类非平稳信号和背景白噪声的能力，但在强背景噪声环境下单独采用相关性去噪来处理信号时，由于有用信号非常微弱，其自相关系数将会更小，去噪后信号频谱可能会出现失真。由此，近年来利用相关性分析并结合各种频谱分析方法已应用在信号去噪中，如张雯雯等在相关去噪和模极大值去噪的基础上，提出了一种基于小波窗口相关的模极大值去噪算法，但该算法存在计算量大，计算过程可能不稳定，收敛速度较慢的缺点。欧阳森等和向东阳等将相关性分析与小波原理结合起来，构造了小波系数相关去噪算法，但在计算相关系数时，各尺度间小波系数的偏移会影响算法精度。本文提出借鉴EMD能够分解得到不同频率固有模态函数（intrinsic mode function，IMF）的特性，尝试利用EMD方法重构振动信号突出故障特征，从而结合自相关分析去除噪声干扰。

基于此，针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响，使得早期微弱故障特征难以提取的问题，提出一种结合EMD相关性分析和WPT的振动信号噪声抑制及故障特征频率提取方法（EMD相关去噪-WPT）。首先，在现有小波包变换（WPT）特征频率提取方法上，提出加入EMD的自相关去噪预处理环节，建立了EMD相关去噪-WPT的风电机组振动信号噪声抑制的特征频率提取方法。然后，以风电机组实测和模拟的轴承故障振动信号分析为例，对风电机组振动信号的噪声性质、不同方法的噪声抑制水平进行分析与比较。

1 基于EMD相关去噪-WPT振动噪声抑制及特征频率提取方法

1.1

EMD相关去噪-WPT的特征频率提取步骤

为了有效地去除噪声干扰并提取出振动信号频谱，利用EMD分解得到不同频率固有模态函数（in-trinsic mode function，IMF），并筛选出能够表征故障特征频率的IMF，以重构故障特征信号突出故障特征，再利用自相关分析去除重构信号中噪声的影响，最后结合小波包变换（WPT）特征频率提取方法，提出了基于EMD相关去噪-WPT的故障特征提取方法，实现对振动信号的去噪和故障特征频率提取，具体步骤下如图l所示。

3）自相关分析。对信号S₂（t）进行无偏的自相关分析，消除噪声，即减弱甚至是消除背景白噪声和短时干扰噪声的影响，得到去噪后的信号S₃（t）（如1.3节所示）。

4）小波包特征频率提取。首先选择小波函数并确定小波包分解的层数Ⅳ，然后对信号S₃（t）进行N层小波包分解，得到各层的小波系数，并根据故障特征所在频段选择相应的小波包系数进行信号重构，最后将重构信号进行快速傅里叶变换（fast fourier transformation，FFT），得到重构信号的幅值谱。

1.2经验模态分解（EMD）方法

EMD利用信号的局部特征时间尺度，从原信号中提取出若干阶IMF和一个残余量，分解出的各阶IMF分量突出了数据的局部特征，残余分量体现了信号中的缓慢变化量。对每个IMF进行分析，可以更准确有效地把握原数据的特征信息。所有IMF分量必须满足下列条件：1）在整个时间序列中，信号的极值点和过零点的数目相等或相差1；2）由极大值点和极小值点确定的包络线均值为零

具体分解过程如下：

2 风电机组轴承故障的实测振动信号分析

2.1 风电机组轴承故障的实测振动信号

为了验证所提出的噪声抑制特征频率提取方法有效性，利用美国仪器公司NI cRI0-9025、NI 9234和NI 9401模块，设计研制了风电机组状态监测采集和分析系统，如图2所示。以该状态监测系统对某风场两台1.5MW双馈风电机组发电机轴承故障振动信号进行采集，其中采样频率为25600Hz，采样点数为16384个。其中，l号风机发电机转速为1811.32r/min，对应发电机转频为30.18Hz；2号风机发电机转速为1819.91r/min，对应发电机转频为30.33Hz。

结合该类发电机轴承滚子个数（7个），利用轴承故障经验公式，可计算出对应的两台风电机组轴承故障特征频率（如表1所示）。采集得到的两台发电机轴承原始振动信号如图3所示。

由图3原始信号的振动幅值可知，两台风电机组轴承均振动明显，状态监测系统显示轴承故障报警。为了分析上述实测振动信号的频率分布特性，本节首先利用FFT变换提取两台风电机组轴承振动信号频谱，如图4所示。

从图4中可以看出两台风电机组振动信号能量主要均集中在大于2500Hz的高频段，为发电机轴承的固有频率范围。考虑两台风电机组轴承故障特征频率及其倍频均在小于350Hz的低频段内，本节首先利用小波包变换（WPT）特征频率提取方法对低频段的频谱进行分析，并截取0-350Hz范围内的频谱，如图5所示。

从图5的WPT频谱可知：1号风机中点1和1’处的特征频率为发电机转频30Hz（与理论计算频率30.18Hz接近）及其2倍频，2号风机中点5和点5’处的特征频率为发电机转频29.7Hz（与理论计算频率30.33Hz接近）及其2倍频，其产生的原因可能为两台风电机组联轴器出现角度不对中；1号风机中点3和3’处的特征频率为发电机轴承内环故障特征频率143.8Hz（与表1中理论计算频率141.8Hz接近）及其二倍频，表明1号风机还存在发电机轴承内环故障。然而，1号风机中点2、4处频率以及点3’处附近的频谱带和2号风机中点6、7、8、9、10处频率幅值均较大，且并不对应表1所示的故障特征频率，可归类为风电机组振动信号的短时干扰噪声。另外，在两台风电机组轴承信号的整个频域内，也均匀分布着低幅值频率的背景白噪声。

2.2 噪声抑制特征频率提取比较

为了比较不同信号处理方法对抑制上述风电机组轴承振动信号中噪声的效果，本节对提出的EMD相关去噪-WPT特征频率提取方法和经小波硬阀值去噪预处理后再进行小波包变换（WPT）提取的方法（小波硬阀值-WPT）进行对比。

以1号风机振动信号为例介绍采用EMD相关去噪-WPT特征频率提取方法处理其原始振动信号过程为：首先利用EMD分解发电机轴承振动信号，得到14组IMF；通过对各阶IMF进行频谱分析发现：IMF_s的能量主要集中在500Hz附近的频率范围内，IMF₄的能量主要集中在1000Hz附近的频率范围内，考虑到随着IMF阶次的增加其携带的频率越低，因此选择并累加与故障特征相关的IMF₅～IMF₁₄得到重构信号S₂（t），再对其进行无偏的自相关分析，得到去噪后的信号S₃（t）；最后利用小波包变换（WPT）特征频率提取方法对信号S₃（t）进行频谱分析。图6为采用EMD相关去噪-WPT提取出两台风电机组轴承振动信号的频谱图，考虑到振动信号经过无偏的自相关分析处理后，其物理意义已经发生改变，采用“相对幅值”来表征其纵坐标。为了定量地表示EMD相关去噪-WPT抑制短时干扰噪声的效果，定义噪声系数k为

为了进一步显示所提出方法的有效性，采用小波硬阀值-WPT分析得到如图7所示的两台风电机组轴承振动信号频谱。

对比图5、图6或从表2均可看出，利用EMD相关去噪-WPT方法均能较大程度地抑制两台风电机组的短时干扰噪声；然而采用小波硬阀值-WPT提取的频谱（图7）中两台风电机组的短时干扰噪声点2、4、6、7和8处并未得到抑制，这是由于小波硬阀值去噪是通过考虑有用信号和白噪声在小波系数中分布的不同，来设定阀值实现对白噪声的去除，而对风电机组振动信号中存在的短时干扰噪声无能为力。此外，图7中点3’处的故障特征频率也被去除，这是因为在利用小波硬阀值去噪的同时，有用信号必定会失去一定程度的能量。

因此，相比于小波硬阀值去噪-WPT特征频率提取方法，本文提出的EMD相关去噪-WPT噪声抑制的故障提取方法，能够更有效地抑制短时干扰噪声的影响。

3 风电机组轴承故障的模拟振动信号分析

3.1 风电机组轴承故障的模拟振动信号

由于实测的故障轴承处于故障特征较明显的阶段，为了进一步验证基于EMD相关去噪-WPT振动噪声抑制及特征频率提取方法在抑制噪声提取早期微弱故障特征的有效性，本节模拟了发电机轴承振动信号。其中，振动信号源考虑以下这些分量：100Hz及其2倍频的发电机轴承故障分量；150Hz短时干扰噪声分量；800-850Hz轴承固有频率带分量；模拟环境干扰的高斯白噪声分量。采样频率为25600Hz，仿真时间设定为1s，即采样点数为25600个。具体模拟振动信号如下：

1）信号1：

图8、图9分别显示了其模拟得到的发电机轴承振动信号以及经FFT提取出0-1500Hz频谱。

为了进一步得到模拟故障特征所在的低频段频率分布情况，现仅采用小波包变换（WPT）特征频率提取方法进行分析，并截取得到低频段频谱，如图10所示。

对应前述的模拟轴承振动信号，从图10可以看出，点1和1’为模拟发电机轴承故障特征频率100Hz及其2倍频，点2为模拟的150Hz短时干扰噪声信号；此外，在整个频谱中均匀分布着一定强度的背景白噪声。从图中可明显看出，仅通过WPT特征频率提取方法，模拟的故障早期微弱信号100Hz及其倍频信号淹没在较强的背景白噪声和短时干扰噪声中，故障特征不明显。

3.2 噪声抑制特征频率提取比较

为了抑制背景白噪声和短时干扰噪声的影响，以及比较不同信号处理方法对提取该风电机组发电机轴承早期微弱故障特征的效果，本节同样利用基于EMD相关去噪-WPT特征频率提取方法和小波硬阀值-WPT方法对模拟的发电机轴承振动数据进行分析，其频谱结果分别如图11、图12所示。

相比于仅采用小波包变换（WPT）提取的频谱（图10）而言，采用EMD相关去噪-WPT提取的频谱（图11）中背景白噪声和点2处的短时干扰噪声均得到了较大程度地抑制，点1、1’处的故障早期特征频率清晰；然而采用小波硬阀值-WPT提取的频谱（图12）中风电机组的短时干扰噪声并未得到抑制。此外，对比图11和图12还可以看出，采用本文提出的EMD相关去噪-WPT方法相比小波硬阀值-WPT而言，背景白噪声抑制效果更为明显。

因此，通过模拟发电机轴承振动信号特征频率提取方法的比较进一步可以验证，基于EMD相关去噪-WPT振动噪声抑制及特征频率提取方法能够更有效地抑制背景白噪声和短时干扰噪声的影响，提取出早期微弱故障特征。

4 结论

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响，使得早期微弱故障特征难以提取的问题，本文提出一种基于EMD相关去噪-WPT的振动噪声抑制及故障特征频率提取方法。以实测和模拟的发电机轴承故障振动信号分析为例，并与小波包变换（WPT）和小波硬阀值去噪-WPT特征频率提取方法进行比较，得出结论如下：

1）通过对实测风电机组轴承故障振动信号的特征频率提取与分析表明，风电机组振动信号包含背景白噪声和短时干扰噪声。

2）通过实测和模拟的风电机组轴承故障信号的特征频率提取与分析表明，仅采用传统小波包变换（WPT）方法难以在强噪声中提取出早期微弱故障特征；而相比于小波硬阀值去噪-WPT特征频率提取方法，本文提出的EMD相关去噪-WPT故障提取方法，能够更有效地同时抑制背景白噪声和短时干扰噪声，提取出早期微弱故障特征。

虽然本文以风电机组发电机轴承振动特征提取为例进行分析，但是提出的基于EMD相关去噪一WPT的振动噪声抑制及故障特征频率提取方法还可用于风电机组其他部位的振动信号故障分析中。

推荐访问:噪声 机组 振动 提取 抑制