基于最大重加权峭度盲解卷积的风电故障诊断

doi:10.3969/j.issn.1004-132X.2022.19.010

摘要/Abstract

摘要： 受噪声以及复杂传递路径等影响，风电机组齿轮故障特征信号通常比较微弱。为有效诊断齿轮故障，提出一种新的盲解卷积方法——最大重加权峭度盲解卷积方法。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性，且无需待恢复故障冲击序列先验知识。最大重加权峭度盲解卷积方法能有效地解决经典的基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题，同时相较于常见非全“盲”（依赖故障特征频率先验）方法在工业装备齿轮故障诊断方面具有更强的适用性。仿真信号分析结果表明所提方法在恢复故障冲击序列方面效果显著，在风电机组故障诊断中的应用案例证实了所提方法对齿轮故障诊断的有效性。

关键词: 风电机组, 齿轮, 故障诊断, 重加权峭度, 盲解卷积

Abstract: Due to influences of noise and complex transmission paths， the wind turbine gear fault signatures were generally weak. To effectively diagnose the gear faults， a new blind deconvolution method was proposed based on reweighted-kurtosis maximization. The reweighted-kurtosis possessed great robustness to single or few strong impulse interferences and did not require any prior knowledge of the fault impulse train to be restored. The proposed deconvolution method may effectively solve the problems that the classical kurtosis maximization-based methods tend to restore a single dominant impulse rather than the gear fault impulse train. At the same time， the proposed method has stronger applicability in gear fault diagnosis for industrial equipment in comparison with the common non-fully “blind” methods（relying on the prior knowledge of the fault characteristic frequency）. The analysis results of the simulated signals show that the proposed method is effective in restoring fault impulse trains. The applications in wind turbine fault diagnosis demonstrate the effectiveness of the proposed method for gear fault diagnosis.

Key words: wind turbine, gear, fault diagnosis, reweighted-kurtosis, blind deconvolution

中图分类号:

TH17

吴磊, 王家序, 张新, 刘治汶. 基于最大重加权峭度盲解卷积的风电故障诊断[J]. 中国机械工程, 2022, 33(19): 2356-2363.

WU Lei, WANG Jiaxu, ZHANG Xin, LIU Zhiwen. Blind Deconvolution Based on Reweighted-kurtosis Maximization for Wind Turbine Fault Diagnosis[J]. China Mechanical Engineering, 2022, 33(19): 2356-2363.

参考文献

［1］陈雪峰，郭艳婕，许才彬，等. 风电装备故障诊断与健康监测研究综述［J］. 中国机械工程， 2020， 31（2）：175-189.
CHEN Xuefeng， GUO Yanjie， XU Caibin， et al. Review of Fault Diagnosis and Health Monitoring for Wind Power Equipment［J］. China Mechanical Engineering， 2020， 31（2）：175-189.
［2］李垚，朱才朝，陶友传，等. 风电机组可靠性研究现状与发展趋势［J］. 中国机械工程， 2017， 28（9）：1125-1133.
LI Yao， ZHU Caichao， TAO Youchuan， et al. Research Status and Development Tendency of Wind Turbine Reliability［J］. China Mechanical Engineering， 2017， 28（9）：1125-1133.
［3］YANG F H， SHEN X Q， WANG Z J. Multi-fault Diagnosis of Gearbox Based on Improved Multipoint Optimal Minimum Entropy Deconvolution［J］. Entropy， 2018， 20（8）：611.
［4］CHENG Y W， LIN M X， WU J， et al. Intelligent Fault Diagnosis of Rotating Machinery Based on Continuous Wavelet Transform-local Binary Convolutional Neural Network［J］. Knowledge-based Systems， 2021， 216：106796.
［5］贾子文，顾煜炯. 基于数据挖掘的风电机组齿轮箱运行状态分析［J］. 中国机械工程， 2018， 29（6）：650-658.
JIA Ziwen， GU Yujiong. Wind Turbine Gearbox Operation State Analysis Based on Data Mining［J］. China Mechanical Engineering， 2018， 29（6）：650-658.
［6］李继猛，李铭，王慧，等. 基于相关正交匹配追踪算法的风电机组滚动轴承稀疏故障诊断方法［J］. 中国机械工程， 2018， 29（12）：1428-1433.
LI Jimeng， LI Ming， WANG Hui， et al. Sparse Fault Diagnosis Method for Rolling Bearings of Wind Turbines Based on COMP Algorithm［J］. China Mechanical Engineering， 2018， 29（12）：1428-1433.
［7］SUN R B， YANG Z B， CHEN X F， et al. Gear fault Diagnosis Based on the Structured Sparsity Time-frequency Analysis［J］. Mechanical Systems and Signal Processing， 2018， 102：346-363.
［8］ZHANG X， MIAO Q， ZHANG H， et al. A Parameter-Adaptive VMD Method Based on Grasshopper Optimization Algorithm to Analyze Vibration Signals from Rotating Machinery［J］. Mechanical Systems and Signal Processing， 2018， 108：58-72.
［9］CHEN B Q， ZHANG Z S， Zi YY， et al. Detecting of Transient Vibration Signatures Using an Improved Fast Spatial-spectral Ensemble Kurtosis Kurtogram and Its Applications to Mechanical Signature Analysis of Short Duration Data from Rotating Machinery［J］. Mechanical Systems and Signal Processing， 2013， 40（1）：1-37.
［10］何群，郭源耕，王霄，等. 基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断［J］. 中国机械工程， 2017， 28（13）：1528-1534.
HE Qun， GUO Yuangeng， WANG Xiao， et al. Gearbox Fault Diagnosis Based on RB-SSD and MCKD［J］. China Mechanical Engineering， 2017， 28（13）：1528-1534.
［11］余浩帅，汤宝平，张楷，等. 小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法［J］. 中国机械工程， 2021， 32（20）：2475-2481.
YU Haoshuai， TANG Baoping， ZHANG Kai， et al. Fault Diagnosis Method of Wind Turbine Gearboxes Mixed with Attention Prototype Networks Under Small Samples［J］. China Mechanical Engineering， 2021， 32（20）：2475-2481.
［12］姚成玉，来博文，陈东宁，等. 基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法［J］. 中国机械工程， 2017， 28（24）：3001-3012.
YAO Chengyu， LAI Bowen， CHEN Dongning， et al. Fault Diagnosis Method Based on MED-VMD and Optimized SVM for Rolling Bearings［J］. China Mechanical Engineering， 2017， 28（24）：3001-3012.
［13］MIAO Y H， ZHANG B W， LIN J， et al. A Review on the Application of Blind Deconvolution in Machinery Fault Diagnosis［J］. Mechanical Systems and Signal Processing， 2022， 163：108202.
［14］HE L， YI C， WANG Dong， et al. Optimized Minimum Generalized Lp/Lq Deconvolution for Recovering Repetitive Impacts from a Vibration Mixture［J］. Measurement， 2021， 168：108329.
［15］ANTONI J， BORGHESANI P. A Statistical Methodology for the Design of Condition Indicators［J］. Mechanical Systems and Signal Processing， 2019， 114：290-327.
［16］WIGGINS R A. Minimum Entropy Deconvolution［J］. Geoexploration， 1978， 16（1/2）：21-35.
［17］ENDO H， RANDALL R B. Enhancement of Autoregressive Model Based Gear Tooth Fault Detection Technique by the Use of Minimum Entropy Deconvolution Filter［J］. Mechanical Systems and Signal Processing， 2007， 21（2）：906-919.
［18］YANG F， KOU Z M， WU J， et al. Application of Mutual Information-Sample Entropy Based MED-ICEE MDAN de-Noising Scheme for Weak Fault Diagnosis of Hoist Bearing［J］. Entropy， 2018， 20（9）：667.
［19］LIU H， XIANG J W. A Strategy Using Variational Mode Decomposition， L-Kurtosis and Minimum Entropy Deconvolution to Detect Mechanical Faults［J］. IEEE Access， 2019， 7：70564-70573.
［20］MCDONALD G L， ZHAO Q， ZUO M J. Maximum Correlated Kurtosis Deconvolution and Application on Gear Tooth Chip Fault Detection［J］. Mechanical Systems and Signal Processing， 2012， 33（1）：237-255.
［21］MCDONALD G L， ZHAO Q. Multipoint Optimal Minimum Entropy Deconvolution and Convolution Fix：Application to Vibration Fault Detection［J］. Mechanical Systems and Signal Processing， 2017， 82：461-477.
［22］BUZZONI M， ANTONI J， D′ELIA G. Blind Deconvolution Based Oncyclostationarity Maximization and Its Application to Fault Identification［J］. Journal of Sound and Vibration， 2018， 432：569-601.
［23］刘宇涛，孙虎儿. 基于粒子群优化的CYCBD在滚动轴承故障特征提取的应用研究［J］. 机械传动， 2021， 45（2）：171-176.
LIU Yutao， SUN Huer. Study on Application of CYCBD Based on PSO in Fault Feature Extraction of Rolling Bearing［J］. Journal of Mechanical Transmission， 2021， 45（2）：171-176.
［24］CHEN B Y， ZHANG W H， SONG D L， et al. Blind Deconvolution Assisted with Periodicity Detection Techniques and Its Application to Bearing Fault Feature Enhancement［J］. Measurement， 2020， 159：107804.
［25］CHENG Y， CHEN B Y， MEI G M， et al. A Novel Blind Deconvolution Method and Its Application to Fault Identification［J］. Journal of Sound and Vibration， 2019， 460：114900.
［26］DUAN R K， LIAO Y H， YANG L， et al. Minimum Entropy Morphological Deconvolution and Its Application in Bearing Fault Diagnosis［J］. Measurement， 2021：109649.
［27］MA Z P， ZHAO M， LI B W， et al. A Novel Blind Deconvolution Based on Sparse Subspace Recoding for Condition Monitoring of Wind Turbine Gearbox［J］. Renewable Energy， 2021， 170：141-162.
［28］ZHANG L， HU N Q. Fault Diagnosis of Sun Gear Based on Continuous Vibration Separation and Minimum Entropy Deconvolution［J］. Measurement， 2019， 141：332-344.
［29］MIAO Y H， WANG JJ， ZHANG B Y， et al. Practical Framework of Gini Index in the Application of Machinery Fault Feature Extraction［J］. Mechanical Systems and Signal Processing， 2022， 165：108333.
［30］LIANG K X， ZHAO M， LIN J， et al. Maximum Average Kurtosis Deconvolution and its Application for the Impulsive Fault Feature Enhancement of Rotating Machinery［J］. Mechanical Systems and Signal Processing， 2021， 149：107323.

[1]	陈立锋, 吴晓铃, 秦大同, 肖正明. 齿轮啮合过程摩擦功耗研究 [J]. J4, 201016, 21(16): 1911-1915.
[2]	罗洁思, 于德介, 史美丽. 基于SVD和线调频小波路径追踪的转速波动齿轮箱故障诊断 [J]. J4, 201016, 21(16): 1947-1951.
[3]	郭伟, 邢晓松. 基于改进卷积生成对抗网络的少样本轴承智能诊断方法[J]. 中国机械工程, 2022, 33(19): 2347-2355.
[4]	马东福, 宋笔锋, 薛栋, 宣建林. 受生物启发的扑翼飞行器弹跳机构概念设计[J]. 中国机械工程, 2022, 33(15): 1869-1875，1889.
[5]	温江涛, 张鹏程, 孙洁娣, 雷鸣. 残差卷积自编码网络无监督迁移轴承故障诊断[J]. 中国机械工程, 2022, 33(14): 1707-1716.
[6]	刘思远, 宋朝省, 朱才朝. 小交错角面铣准双曲面齿轮副的几何设计与啮合特性[J]. 中国机械工程, 2022, 33(13): 1521-1528,1536.
[7]	杨光友, 刘浪, 习晨博. 自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断[J]. 中国机械工程, 2022, 33(13): 1613-1621.
[8]	易军, 龚志锋, 易涛, 周炜, . 齿根过渡圆弧对全齿槽成形磨削温度和残余应力影响的研究[J]. 中国机械工程, 2022, 33(11): 1278-1286.
[9]	姜万录, 李满, 张培尧, 赵亚鹏, 张淑清. 基于全矢增强深度森林的旋转设备智能故障诊断方法[J]. 中国机械工程, 2022, 33(11): 1324-1335.
[10]	吴利锋, 吕勇, 袁锐, 朱熹, 游俊, . 改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2022, 33(11): 1336-1344.
[11]	蒋佳炜, 胡以怀, 方云虎, 张陈, 芮晓松, 汪猛. 基于多尺度时域平均分解和模糊熵的船用风机故障诊断方法[J]. 中国机械工程, 2022, 33(10): 1178-1188.
[12]	石照耀, 于渤, 宋辉旭, 王笑一. 20年来齿轮测量技术的发展[J]. 中国机械工程, 2022, 33(09): 1009-1024.
[13]	余国达, 刘怀举, 卢泽华, 魏沛堂. 脂润滑条件下塑料齿轮稳态温度场仿真与试验研究[J]. 中国机械工程, 2022, 33(08): 890-898，907.
[14]	郭家昕, 程军圣, 杨宇, . 改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2022, 33(02): 187-193,201.
[15]	栾孝驰, 赵宇, 沙云东, 柳贡民, 赵钱, . 弧齿锥齿轮参数调节状态下行波共振特性及其影响规律研究[J]. 中国机械工程, 2021, 32(24): 2899-2908，2914.