风机轴承故障诊断实验

基于 LMD 的 Wigner-Ville 时频谱熵特征提取方法原理为：先运用 LMD 算法将信号分解为若干个 PF 分量，然后对包含信号主要信息的 PF 分量进行 Wigner-Ville分布，得到所选 PF 分量的时频分布。与此同时，引入 Shannon 熵的概念，构造Wigner-Ville 谱熵对信号的时频特征进行定量描述，具体步骤如下：
(1)  对任意一个信号 x(t)，用局部均值分解算法分解后得到 n 个 PF 分量和一个残余分量 u(t)，则原始信号可以表述熵是反映系统不确定性和复杂度的指标，而 Wigner-Ville 分布可以很好的跟踪时变瞬态信号的时频变化趋势，因此 Wigner-Ville 谱熵能够定量描述动态信号在各个时频分布区间的能量分布特征，为描述复杂系统的运行状态提供了可靠指标。
4.2.2  基于 Wigner-Ville 谱熵的轴承振动信号瞬态特征提取
基于滚动轴承故障机理及不同故障状态下振动信号的特点，将提出的Wigner-Ville 时频谱熵方法用于轴承提取振动信号的瞬态特征，具体过程如下：
(1)  以滚动轴承为研究对象，对其四种工作状态的轴承数据进行采集；
(2)  利用式(4-1)对滚动轴承各个状态的振动信号进行 LMD 分解，得到若干个有效 PF 分量； 
(3)  利用式(4-2)对各个有效 PF 分量计算 Wigner-Ville 分布，得到其时频能量分布图；
(4)  结合信息熵的概念，利用式(4-3)、式(4-4)计算得到 Wigner-Ville 时频谱熵。
以滚动轴承外圈故障数据为例，说明其 Wigner-Ville 谱熵特征提取过程。首先，对外圈故障的一组数据进行 LMD 分解，如图 4-1 所示，得到 4 个 PF 分量和 1 个残余分量，其中前 3 层是典型的调幅-调频信号，包含了轴承故障振动信号的主要信息。
然后对第 1 个 PF 分量求取 Wigner-Ville 分布，如图 4-2 所示。从时频图中可以看到周期性的带状亮色条纹，体现了轴承故障信号的周期瞬态冲击特性。由此得出，LMD和 Wigner-Ville 分布相结合可以很好的提取非平稳信号的时变特征。
第 5 章  风机轴承故障诊断实验
5.1  引言
上一章利用本文研究的非平稳特征提取及故障诊断模型和非线性定量描述方法对典型轴承实验平台进行了分析，验证了本文提出方法的有效性，为下一步对风机轴承进行故障诊断提供理论方法。风机运行工况复杂多变，如变转速、变负载及风速不稳定，使得振动信号往往呈现出非线性、非平稳及相互耦合等复杂特征，传统的时域、频域和时频域特征分析方法应用受到了限制，亟需引入新的非平稳、非线性信号处理方法和模型，实现振动信号动态特征的有效的获取，以准确刻画和描述轴承的运行状态特征。为此，利用本文提出的瞬态能量特征诊断模型和非线性特征定量描述方法，对风机模拟实验平台正常运行时的轴承振动信号进行了简单分析，进而对齿轮箱轴承故障平台进行了实验验证。
在 22kW 风力发电机系统实验平台上验证本文提出的方法。如图 5-1 和图 5-2 ，实验平台主要包括变频器、减速齿轮箱、增速齿轮箱、发电机、转矩转速(T/N)传感器等。由变频器、电动机、减速箱构成模拟自然界中风速的部分，然后通过增速齿轮箱，将转矩传送到双馈发电机发电并通过变频器进行并网。通过变频器调速可以模拟实际工况下风力发电机运行状态。
如图 5-3 所示，利用信号采集分析系统和加速度传感器构成的振动测试系统采集不同转速工况下发电机轴承端振动信号。图 5-4 给出了不同工况下振动信号时域波形及其频谱图。从图中看出，正常状态下的振动信号幅值较小，变化随机，无规律性，也无冲击现象；但是如果轴承出现早期故障时，时域图中会有明显的冲击特征。

  石家庄风机厂 石家庄风机 石家庄市风机厂 石家庄风机维修 石家庄风机销售