风力发电机振动信号处理的综述

风力发电机振动信号处理的综述近年来，风能作为一种清洁、可再生能源越来越受到人们的重视，风力发电机在全球范围内迅猛发展。如何确保风力发电机稳定、高效的运行成了一项关键技术，振动信号能够反映机械内部信息，对振动信号的分析广泛用于旋转机械的早期故障诊断[1]。振动信号预处理特别是对干扰信号的滤波和特征信号的提取是一项关键技术，对后续的故障诊断有十分重要的意义。本文借助于旋转机械振动信号的滤波和特征信号提取的文献资料，总结了可用于风力发电机振动信号预处理的方法和分析了各个方法的优缺点。1.振动信号的滤波对风力发电机的运行状态进行监测，能够有效的降低维修成本和确保运行安全，在实时监测系统中，采集到的振动信号由于各种原因常含有大量的干扰信号，例如，金风科创科技有限公司在一次轴承故障检查报告中就提到了明显的强磁干扰和供电频率的干扰信号。因此，要对风力发电机运行状态准确监测，在信号预处理过程中首先就必须对干扰信号滤波。滤波可分为硬件滤波和软件滤波。硬件滤波主要是采用干扰抑制电路，例如CPLD脉冲干扰抑制电路[2]，硬件滤波电路因精确度不高、自适应性较差在工业中应用较少。软件滤波是在程序中设计一些数字滤波器，通过特定的算法达到滤波的目的，这种方法具有精确度高、通用性强等优点，对实测信号进行数字滤波在经济上和使用上都有很大的好处，在工业应用中多采用这种方法滤波。因此本文只对软件滤波进行总结和对比。1.1快速傅里叶变换（FFT）滤波1965年，CooleyJ.w.和TukeyJ.W.提出了一种快速通用的离散傅里叶变换计算方法（FFT）并编出了使用这种方法的第一个程序[3]，快速傅里叶变换迅速用于信号分析和数据处理中，基于FFT算法的数字滤波器相继出现，经过不断的发展，又不断涌现了各种改进的FFT算法滤波器，例如分数阶傅里叶滤波器[4]。但快速傅里叶变换滤波法只适用于分析连续平稳信号，对于非平稳信号，直接进行傅里叶变换将会产生严重的“频率模糊”而导致很大的误差甚至错误。为此，早在20世纪中叶，Gabor提出了短时傅里叶变换（STFT），又称为加窗傅里叶变换（WFT）或者Gabor变换，用以测量声音信号的频率定位[5]。虽然这种方法不仅适用于平稳、线性信号的滤波，也适用于处理非平稳、非线性信号，但其窗口宽度由窗函数的特性及窗函数的长度确定，一旦窗函数确定，整个时频窗就保持不变，也就是说没有自适应能力。1.2小波分析滤波尽管短时傅里叶变换在一定程度上解决了非平稳信号的问题，但它存在时频分辨率固定的不足，为了克服这一缺陷，20世纪80年代后期，小波分析技术逐渐发展起来，它是函数分析、傅里叶变换、谐波分析、数值分析的完美结合，被誉为分析信号的数学显微镜[6]。小波分析在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较低的频率分辨率和较高的时间分辨率，很适合探测信号中的瞬态反常现象并展示其成分，而且在时域和频域都具有表征信号局部特征的能力，是一种窗口大小固定但其形状可变的时频局部化分析方法[7]。近年来，国内外提出了各种基于小波分析的滤波方法，如：小波包、小波域、正交小波、正交多小波、梳状小波等。但小波函数是不具备唯一性，同一个工程应用问题，用不同的小波函数进行分析得到的结果相差甚远，小波函数的选择是小波分析中的一个难点，往往只能通过不断地实验来选择小波函数[8]。1.3维纳滤波和卡尔曼方法滤波维纳滤波（最小二乘滤波法）是20世纪40年代由美国数学家RorbertWiener提出的一种以最小平方为最优准则的线性滤波法，即在一定的约束条件下，其输出与给定函数（期望输出）的差的平方达到最小，通过数学运算最终可变为一个求解托布利兹方程的方法。维纳滤波器能最大程度地滤除干扰噪声，提取有用信号，实现最优滤波，但其参数固定，只适用于平稳信号的最优滤波[11]。随着空间技术的发展，到20世纪60年代初，出现了卡尔曼滤波理论，即利用状态变量模型对非平稳、多输入多输出随机序列做最优估计。与维纳滤波相比，卡尔曼滤波参数是时变的，可适用于非平稳随机情况下的最优滤波且性能优越，实质上，维纳滤波是卡尔曼滤波的一个特例[9]。经过不断的发展，卡尔曼滤波成功的在许多领域得到应用，文献[10]将小波变换与卡尔曼滤波相结合，既保留了卡尔曼滤波器的优点（线性、无偏、最小误差方差估计），又运用了小波分析理论，实时最优地完成未知信号的估计和分解。但无论是维纳滤波还是卡尔曼滤波，只有在信号和噪声统计特性已知的情况下，才能获得最优滤波，而在实际工程应用中，往往无法得到这些统计特性，因此很难实现真正的最优滤波[11]。1.4自适应滤波20世纪70年代中期，B·维德罗等人提出自适应滤波算法，发展了最佳滤波理论。自适应滤波器就是利用前一时刻已获得的滤波参数等结果，自动的调节现时时刻的滤波参数，以适应信号或噪声未知的或随时间变化的统计特性，从而实现最优滤波。它能够在被控对象随时间变化的情况下，自动跟踪干扰信号的频率，并调节滤波器的参数从而去除被测信号中的干扰信号[12]，也就是说它具有“跟踪”和“自动调节”的能力。并且自适应滤波器的实现几乎和维纳滤波器同样简单，而滤波性能几乎和卡尔曼滤波器一样好[13]。自适应滤波器可以分为线性自适应滤波器和非线性自适应滤波器，非线性自适应滤波器具有更强的信号处理能力，但其算法较复杂。基于以上优点，自适应滤波器被广泛应用到各个领域，例如文献[14]介绍了自适应滤波器在激光陀螺抖动解调中的应用，文献[15]采用基于人工神经网络的自适应滤波对坦克发动机振动信号进行信噪分离。1.5数学形态学滤波数学形态学是1964年由法国马瑟荣(G.Matheron)和赛拉(J.Serra)在积分几何研究成果的基础上创立的，该方法与基于时域、频域的数学方法不同，是通过设计一种称为结构元素（相当于滤波窗）用来收集信号信息的“探针”在信号中不断移动，来提取有用信息进行特征分析和描述，达到提取信号、保持细节和抑制噪声的目的[16]。数学形态滤波器的优点在于进行数字信号处理时只取决于待处理信号的局部形状特征，通过数学形态变换将一个复杂的信号分解成具有物理意义的若干部分并将其与背景剥离，同时保持信号主要的形状特征，要比传统的线性滤波器更为有效。这种滤波器最初是用于数字图像的处理和识别[16]，经过不断的发展，在旋转机械中也开始得到应用，例如文献[17]描述了数学形态学在旋转机械振动信号中的应用，并通过仿真取得了良好的实验效果。1.6幅值与倾角双判据滤波尖脉冲是旋转机械振动信号中最常见的干扰信号，但在实际测试中，并非所有的脉冲信号都是干扰信号，直接将其剔除是不正确的。但是，绝大多数的数字滤波器中，包括自适应滤波器、形态学滤波器并没有对这方面进行特别处理[18]。幅值与倾角双判据滤波法是以两相邻测点幅值的差值和连线的倾角作为判断依据，来剔除脉冲干扰信号的一种滤波法。与限幅滤波法相比，克服了限幅滤波法的权系数与信号密切相关的不足，增加了工程实用性，改变了限幅滤波法只能判断单点脉冲的缺点，可以判断多点脉冲，加入了有用性判据，避免了对脉冲信号的盲目消除。经过大量的实验测试，包括多型风力发电机，只要选择合适的权系数，就能适合各种类型的振动信号[18]，但是通过对该算法的分析，不难发现它仍然存在不能识别具有周期特性的脉冲干扰信号的缺陷。1.7阶比跟踪滤波阶比跟踪是典型的非平稳振动信号分析法，其实质是将时域的非平稳信号通过恒定的角度增量采样转变为角域的平稳信号[19]，因此能够更好的反应与转速相关的特征信号和对干扰信号进行滤波。按照阶比跟踪实现途径的不同，阶比跟踪可分为硬件阶比跟踪、软件阶比跟踪和软、硬件结合阶比跟踪。传统的硬件阶比跟踪滤波器不但结构复杂、价格昂贵，而且在旋转机械转速变化较快时，其跟踪精度得不到保证。软、硬件结合阶比跟踪在不适合安装用来跟踪转速的鉴相装置的场合无法使用，而且该方法不能够进行波形重构。软件阶比跟踪是现代阶比跟踪研究的热点，包括最小二乘阶比跟踪、Vold-Kalman阶比跟踪、时频分析阶比跟踪等多种方法，但都存在不同的缺点，如最小二乘阶比跟踪计算量过大，VKF_OT算法需要安装转速传感器，并对转速信号准确率要求高等。文献[20]对不同方式的阶比跟踪有详细的比较和说明，相信经过不断的研究和发展，阶比跟踪会成为旋转机械振动信号处理的一种重要方法。1.8其他滤波方法以上是振动信号滤波中常采用的几种方法，除此之外还有EMD方法滤波、零相位方法滤波、变采样方法滤波，基于粒计算滤波（ParticleFiltering）、奇异值分解(SVD)方法、主元分析(PCA)方法、独立分量分析(ICA)方法，每种方法都有各自的优缺点，在此不可能一一赘述。参考文献[1]FAULTDETECTIONANDDIAGNOSISOFROTATINGMACHINERIESp6[2]用CPLD实现脉冲干扰抑制电路[3]机械工程测试原理与技术p158-167[4]分数阶傅里叶滤波在欺骗干扰中的应用研究[5]MICHAEL,PORTNOFFR.Time-frequencyrepresentationofdigitalsignalsandsystemsbasedon-short-timeFourieranalysis[J].IEEETransactionsonAcoustics,SpeechandSignalProcessing,1980,28(1):57-63.[6]ZHANGJ,HANP.Applicationofwavelettransforminsignaldiagnosing[C]ProceedingsoftheSecondInternationalConferenceonMachineLearningandCybernetics.Xi’an,2003.[7]Applicationofwavelettechniquestovibrationanalysisofrotatingmachinery[8]简述信号特征提取使用小波分析的优点肖绪桐；虞天遥；[9]何振亚.自适应信号处理[M].北京:科学出版社,2002.[10]高玉凯,邓正隆.小波变换与卡尔曼滤波结合的RLG降噪方法[J].光电工程,2005,32(5):31-34.[11]现代数字信号处理姚天任[12]自适应数字带阻滤波器的设计及应用张亚利[13]何振亚.自适应信号处理[M].北京:科学出版社,2002.[14]自适应滤波器在激光陀螺抖动解调中的应用樊锦川[15]基于自适应滤波的坦克发动机振动信号的信噪分离方法乔新勇[16]数学形态学在行波滤波中的应用吴军基[17]数学形态学在旋转机械振动信号处理中的应用唐贵基[18]旋转机械振动测试脉冲干扰的幅值倾角双判据滤波法黄巍[19]Computedordertrackingappliedtovibrationanalysisofrotatingmachinery[20]旋转机械阶比跟踪技术研究进展综述赵晓平，张令弥，郭勤涛