基于自適應(yīng)高頻諧波LMD法的風(fēng)電機(jī)組故障診斷

武英杰， 劉長(zhǎng)良， 范德功

(1． 華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院， 北京 102206； 2． 華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室， 北京 102206； 3． 北京金風(fēng)科創(chuàng)風(fēng)電設(shè)備有限公司， 北京 100176)

基于自適應(yīng)高頻諧波LMD法的風(fēng)電機(jī)組故障診斷

武英杰1， 劉長(zhǎng)良2， 范德功3

(1． 華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院， 北京 102206； 2． 華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室， 北京 102206； 3． 北京金風(fēng)科創(chuàng)風(fēng)電設(shè)備有限公司， 北京 100176)

針對(duì)實(shí)際應(yīng)用中局部均值分解(LMD)法存在的模態(tài)混疊問(wèn)題，提出了自適應(yīng)高頻諧波LMD法.分析了信號(hào)中異常事件對(duì)求取包絡(luò)函數(shù)和均值函數(shù)的影響，將構(gòu)造的自適應(yīng)高頻諧波加入到原始信號(hào)中，通過(guò)改變?cè)夹盘?hào)的極值點(diǎn)位置來(lái)抑制模態(tài)混疊現(xiàn)象.對(duì)含有典型異常事件的信號(hào)進(jìn)行了自適應(yīng)高頻諧波LMD法和ELMD法仿真實(shí)驗(yàn)對(duì)比，驗(yàn)證了該算法的有效性和優(yōu)越性.將該算法應(yīng)用于風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷中，結(jié)果表明：采用該算法后，原有的模態(tài)混疊狀況得到明顯改善，并成功提取出軸系不平衡故障特征，可為風(fēng)電機(jī)組故障診斷提供參考.

局部均值分解； 模態(tài)混疊； 自適應(yīng)高頻諧波； 風(fēng)電機(jī)組； 故障診斷

我國(guó)風(fēng)電機(jī)組裝機(jī)總量位居世界第一，隨著裝機(jī)容量的增加，機(jī)組逐步進(jìn)入故障高發(fā)期.傳動(dòng)系統(tǒng)作為機(jī)組的關(guān)鍵部分，故障率較高[1]，常見(jiàn)故障有軸承磨損、軸系不平衡和不對(duì)中以及齒輪損傷等.風(fēng)電機(jī)組振動(dòng)信號(hào)具有調(diào)幅-調(diào)頻特性，并且風(fēng)電機(jī)組處于特殊的工作環(huán)境，信號(hào)中不可避免地混有噪聲和隨機(jī)干擾脈沖，因此傳統(tǒng)的故障診斷算法具有一定局限性[2].

由于風(fēng)電機(jī)組振動(dòng)信號(hào)具有非平穩(wěn)性和非線性，因此采用時(shí)頻分析方法更為合理.局部均值分解(LMD)法是一種新的時(shí)頻分析方法[3]，該方法能夠?qū)⒄駝?dòng)信號(hào)自適應(yīng)地分解為多個(gè)PF(product function)分量和殘余量之和的形式，其中每個(gè)PF分量由一個(gè)包絡(luò)信號(hào)和一個(gè)純調(diào)頻信號(hào)的乘積構(gòu)成，PF分量的瞬時(shí)頻率可直接根據(jù)純調(diào)頻信號(hào)求取，分量包絡(luò)譜可由包絡(luò)信號(hào)得到.另外，LMD法能有效提取風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的故障特征，且比常見(jiàn)的時(shí)頻分析方法具有更好的自適應(yīng)性，因此，LMD法在旋轉(zhuǎn)機(jī)械故障診斷中引起了廣泛關(guān)注[4-5].

LMD法雖然比經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)法更為溫和[3]，但同樣存在模態(tài)混疊和端點(diǎn)效應(yīng)問(wèn)題[6-8].模態(tài)混疊現(xiàn)象源于Huang對(duì)間歇信號(hào)的EMD法分解[9].趙進(jìn)平[10]把由間歇信號(hào)、干擾脈沖和隨機(jī)噪聲等引起模態(tài)混疊的不連貫信號(hào)的事件統(tǒng)稱(chēng)為異常事件.實(shí)際振動(dòng)信號(hào)中，異常事件無(wú)法避免，很可能導(dǎo)致LMD法無(wú)法分解出具有物理意義的PF分量.

抑制模態(tài)混疊的方法大致可分為3類(lèi)：濾波法、異常排除法和加入信號(hào)法.濾波法通過(guò)小波分解對(duì)原始信號(hào)進(jìn)行重構(gòu)[11-12]，旨在過(guò)濾掉異常事件，但該方法存在小波(基)選擇和閾值設(shè)定的問(wèn)題，而且不能將異常事件完全過(guò)濾.異常排除法[9-10,13]事先尋找異常點(diǎn)特征，并將其排除或分離，此類(lèi)方法對(duì)異常信號(hào)有一定要求，缺乏普適性.加入信號(hào)法通過(guò)加入具有某種特征的信號(hào)，改變?cè)夹盘?hào)中極值點(diǎn)的分布，從而達(dá)到抑制模態(tài)混疊的目的，該方法簡(jiǎn)單、有效，已在EMD法中得到廣泛應(yīng)用[14-16].

Yang等[6]將白噪聲信號(hào)引入到LMD法中，即集總局部均值分解(ELMD)法，模態(tài)混疊現(xiàn)象得到明顯抑制，但LMD法本身已為3層循環(huán)，ELMD法將使計(jì)算量進(jìn)一步增大，另外白噪聲信號(hào)的添加幅度和平均次數(shù)對(duì)ELMD法的分解也有影響.

筆者借鑒EMD法抑制模態(tài)混疊的方法，提出自適應(yīng)高頻諧波LMD法，通過(guò)仿真實(shí)驗(yàn)證明其有效性，并將其應(yīng)用于風(fēng)電機(jī)組故障診斷中.

1 LMD法及模態(tài)混疊

1.1 LMD法概述

LMD法由3層循環(huán)構(gòu)成，最里層通過(guò)滑動(dòng)平均求取信號(hào)的局部包絡(luò)函數(shù)和局部均值函數(shù)；中間層求取純調(diào)頻信號(hào)和包絡(luò)信號(hào)，并得到單個(gè)PF分量；最外層為L(zhǎng)MD法停止的判斷條件.算法概述如下：

(1) 求取局部包絡(luò)函數(shù)和局部均值函數(shù).

首先確定信號(hào)的所有極值點(diǎn)，計(jì)算2個(gè)連續(xù)極值間的局部均值和局部包絡(luò)值，折線連接所有相鄰的均值點(diǎn)和包絡(luò)點(diǎn)，再利用滑動(dòng)平均對(duì)其進(jìn)行平滑處理，進(jìn)而求得局部均值函數(shù)和局部包絡(luò)函數(shù).

(2) 求取純調(diào)頻信號(hào)和包絡(luò)信號(hào).

理想情況下，原始信號(hào)減去求得的局部均值函數(shù)并進(jìn)行解調(diào)處理，可得到純調(diào)頻信號(hào)，其局部包絡(luò)函數(shù)為1；否則，將解調(diào)后的信號(hào)作為原始信號(hào)重復(fù)以上迭代過(guò)程，直至求得純調(diào)頻信號(hào).將迭代過(guò)程中產(chǎn)生的局部包絡(luò)函數(shù)相乘得到第一個(gè)PF分量的包絡(luò)信號(hào).

(3) 求取PF分量.

將所得的純調(diào)頻信號(hào)與包絡(luò)信號(hào)相乘得到第一個(gè)PF分量，將其從原始信號(hào)中分離后，重復(fù)以上步驟k次，直至殘余量為單調(diào)函數(shù).最終，原始信號(hào)被分解為k個(gè)具有明顯物理意義的PF分量與殘余量之和.

1.2 模態(tài)混疊

模態(tài)混疊是指在一個(gè)PF分量中包含差異極大的特征時(shí)間尺度，或者相近的特征時(shí)間尺度分布在不同的PF分量中.由于LMD法和EMD法類(lèi)似，均為基于極值點(diǎn)的包絡(luò)信號(hào)求取方式，需經(jīng)過(guò)多次篩選得到不同特征尺度的各級(jí)分量，因此，標(biāo)準(zhǔn)的LMD法算法同樣存在模態(tài)混疊和端點(diǎn)效應(yīng)問(wèn)題.

筆者選用文獻(xiàn)[7]中異常事件的仿真信號(hào)進(jìn)行分析，其中x(t)包含周期性衰減脈沖信號(hào).

x(t)=1.2sin(20πt)+ 0.5exp(-80t)sin(240πt)

(1)

圖1所示為L(zhǎng)MD法模態(tài)混疊曲線.由曲線gs可知，異常事件改變了信號(hào)的真實(shí)包絡(luò)值和真實(shí)均值，其中，曲線1和曲線2分別為求取第一個(gè)純調(diào)頻信號(hào)時(shí)的局部包絡(luò)函數(shù)和局部均值函數(shù)，與真實(shí)的直線包絡(luò)函數(shù)和直線均值函數(shù)相比，兩者已產(chǎn)生嚴(yán)重變形，尤其是局部包絡(luò)函數(shù).由于第1個(gè)PF分量PF1的包絡(luò)信號(hào)是多個(gè)局部包絡(luò)函數(shù)的乘積，因此，迭代次數(shù)越多，包絡(luò)信號(hào)的誤差就越大.如圖1所示，PF1中包含了第2個(gè)PF分量PF2的成分，出現(xiàn)明顯的模態(tài)混疊現(xiàn)象.

圖1 LMD法模態(tài)混疊曲線

另外，筆者對(duì)含有干擾脈沖和隨機(jī)噪聲的信號(hào)進(jìn)行LMD法分解，發(fā)現(xiàn)同樣存在模態(tài)混疊現(xiàn)象，由于篇幅限制，不一一列出.

2 自適應(yīng)高頻諧波LMD法及仿真實(shí)驗(yàn)

2.1 自適應(yīng)高頻諧波LMD法

胡愛(ài)軍等[16]提出將高頻諧波引入到EMD法中，其中高頻諧波頻率可根據(jù)采樣頻率，在分析頻率的上限附近選擇，高頻諧波幅值一般接近原始信號(hào)的峰值.引入的結(jié)果顯示，異常事件被淹沒(méi)在高頻諧波中，模態(tài)混疊現(xiàn)象得到有效抑制，但此方法需要手動(dòng)確定高頻諧波的頻率和幅值.

筆者根據(jù)包絡(luò)信號(hào)和純調(diào)頻信號(hào)的物理意義，構(gòu)造了具有自適應(yīng)性的高頻諧波，并將其一次性加入到原始信號(hào)中，通過(guò)改變?cè)夹盘?hào)的極值點(diǎn)位置以淹沒(méi)或分離出異常事件，從而達(dá)到抑制模態(tài)混疊的目的.

為避免端點(diǎn)效應(yīng)對(duì)實(shí)驗(yàn)結(jié)果的影響，本算法采用特征波延拓的方法進(jìn)行端點(diǎn)處理[8, 17]，分解過(guò)程中純調(diào)頻信號(hào)的認(rèn)定條件以及LMD法的終止條件依然根據(jù)延拓前的數(shù)據(jù)進(jìn)行判斷.自適應(yīng)高頻諧波LMD法流程圖如圖2所示.

(1) 對(duì)原始信號(hào)進(jìn)行單次LMD法分解，即僅求取PF1的純調(diào)頻信號(hào)s1n(t)和包絡(luò)信號(hào)a1(t)：

s1n(t)=cos ?1(t)

(2)

a1(t)=a11(t)a12(t)…a1n(t)

(3)

式中：?1(t)為純調(diào)頻信號(hào)相位函數(shù)；a1n(t)為第n次迭代中的包絡(luò)函數(shù)，極限值為1.

圖2 自適應(yīng)高頻諧波LMD法流程圖

(2) 構(gòu)造自適應(yīng)高頻諧波函數(shù)X(t).

計(jì)算PF1分量的瞬時(shí)頻率ω1(t)

(4)

?1(t)=arccos(s1n(t))

筆者借鑒文獻(xiàn)[16]中的構(gòu)造思路，選擇單次LMD法分解中PF1瞬時(shí)頻率的最大值作為自適應(yīng)高頻諧波的頻率，選擇PF1包絡(luò)信號(hào)的峰值作為自適應(yīng)高頻諧波的幅值，可得：

X(t)=mean(a1(t))× sin2max(ω1(t))×2πt

(5)

(3) 將自適應(yīng)高頻諧波和原始信號(hào)疊加后，再進(jìn)行經(jīng)特征波延拓的LMD法分解，并得到最終的PF分量.

2.2 仿真實(shí)驗(yàn)

采用自適應(yīng)高頻諧波LMD法對(duì)含有周期性衰減脈沖的信號(hào)進(jìn)行分解(由于高頻諧波頻率取值為PF1瞬時(shí)頻率最大值的單倍值，因此稱(chēng)之為單倍最高頻率法)，所得結(jié)果如圖3所示.其中g(shù)x-s為加入自適應(yīng)高頻諧波并經(jīng)過(guò)特征波延拓的波形，PF1中異常事件被高頻諧波淹沒(méi)，PF2為原始信號(hào)中的正弦分量，因此，單倍最高頻率法能夠根據(jù)信號(hào)自身特點(diǎn)，自動(dòng)構(gòu)造高頻諧波函數(shù)，有效抑制異常事件引起的模態(tài)混疊.

單倍最高頻率法可將異常事件淹沒(méi)在高頻諧波中，但未能將其分離.文獻(xiàn)[18]中指出，在EMD法中，當(dāng)2個(gè)正弦分量滿足0.5

圖3 基于單倍最高頻率法的LMD法分解結(jié)果

選擇單次LMD法分解中PF1瞬時(shí)頻率最大值的2倍作為自適應(yīng)高頻諧波的頻率，幅值仍選擇包絡(luò)信號(hào)的峰值(下文簡(jiǎn)稱(chēng)為雙倍最高頻率法)，再次進(jìn)行仿真實(shí)驗(yàn)，分解效果如圖4(a)所示，其中PF1為構(gòu)造的自適應(yīng)高頻諧波，PF2為分離出的異常事件，PF3為原始信號(hào)中的正弦分量.

圖4(b)為各分量的瞬時(shí)頻率，PF1的瞬時(shí)頻率在335 Hz附近，對(duì)應(yīng)自適應(yīng)高頻諧波的頻率；PF2的瞬時(shí)頻率呈現(xiàn)以10為周期的波動(dòng)，對(duì)應(yīng)周期性衰減脈沖頻率；PF3的瞬時(shí)頻率穩(wěn)定在10 Hz附近.

為驗(yàn)證本算法的優(yōu)越性，采用ELMD法對(duì)相同信號(hào)進(jìn)行仿真分析.ELMD法采用白噪聲信號(hào),具有均勻地“污染”目標(biāo)信號(hào)整個(gè)時(shí)頻空間的性質(zhì)，在LMD法分解前加入幅值不同的白噪聲信號(hào)，不同尺度的分量將自動(dòng)分解到白噪聲所確定的濾波器組中，從而減輕模態(tài)混疊現(xiàn)象[6].

據(jù)標(biāo)準(zhǔn)EEMD程序?qū)?nèi)稟模函數(shù)(IMF)個(gè)數(shù)的限制方法，將PF分量個(gè)數(shù)固定為：log2(xsize)-n，其中xsize=1 200，為前后各延拓100個(gè)點(diǎn)之后的數(shù)據(jù)，n可根據(jù)分解需要手動(dòng)調(diào)整.ELMD法分解中，加入標(biāo)準(zhǔn)差為0.02的白噪聲信號(hào)，平均100次，分解結(jié)果如圖5所示.由圖5可知，周期性衰減脈沖PF1被成功提取出來(lái)，但PF3中仍包含PF2的成分.通過(guò)對(duì)比可知，文獻(xiàn)[7]中雖然分解出2個(gè)PF分量，但殘余量中同樣包含著第2個(gè)分量的特征尺度.另外，采用特征波延拓的ELMD法時(shí)端點(diǎn)效應(yīng)要小一些.

(a) 各PF分量

(b) PF分量的瞬時(shí)頻率

圖5 ELMD法分解結(jié)果

3 風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷

主流風(fēng)電機(jī)組傳動(dòng)系統(tǒng)包括主軸、齒輪箱、發(fā)電機(jī)和聯(lián)軸器等，其主要部件可分為軸系、滾動(dòng)軸承和各級(jí)齒輪.選取某750 kW風(fēng)電機(jī)組傳動(dòng)系統(tǒng)現(xiàn)場(chǎng)振動(dòng)數(shù)據(jù)進(jìn)行分析，參考VDI 3834標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)采集，其測(cè)點(diǎn)分布示意圖如圖6所示[19]，其中每個(gè)測(cè)點(diǎn)都裝有水平、垂直和軸向3組傳感器.

圖6 測(cè)點(diǎn)示意圖

通過(guò)與其他同類(lèi)型風(fēng)電機(jī)組對(duì)比發(fā)現(xiàn)，該風(fēng)電機(jī)組發(fā)電機(jī)前端振動(dòng)數(shù)據(jù)表現(xiàn)異常，取測(cè)點(diǎn)6垂直方向的加速度數(shù)據(jù)進(jìn)行分析，其中，采樣頻率為12 800 Hz，發(fā)電機(jī)轉(zhuǎn)速為1 519.7 r/min.表1為發(fā)電機(jī)軸承故障特征頻率.

表1 發(fā)電機(jī)軸承故障特征頻率

選取發(fā)電機(jī)前端軸承1 s內(nèi)的振動(dòng)數(shù)據(jù)進(jìn)行分析，結(jié)果如圖7所示.由圖7可知，振動(dòng)信號(hào)具有明顯的調(diào)幅特性，表現(xiàn)為整體周期性波動(dòng)，并包含沖擊脈沖和隨機(jī)噪聲.首先，對(duì)故障信號(hào)進(jìn)行頻譜分析，其中25 Hz接近發(fā)電機(jī)轉(zhuǎn)動(dòng)頻率25.3 Hz，但在1 461 Hz和1 561 Hz處也出現(xiàn)明顯峰值，因此，僅根據(jù)頻譜分析無(wú)法作出準(zhǔn)確的判斷.

(a) 原始信號(hào)

(b) 頻譜分析圖

采用標(biāo)準(zhǔn)LMD法對(duì)振動(dòng)信號(hào)進(jìn)行分解，結(jié)果如圖8(a)所示.由圖8(a)可知，PF2具有明顯的沖擊特性，PF5分量包含周期性波動(dòng)，但出現(xiàn)了明顯的模態(tài)混疊現(xiàn)象，部分分量留在了殘余量中，對(duì)故障的準(zhǔn)確定位產(chǎn)生影響.

采用ELMD法對(duì)振動(dòng)信號(hào)進(jìn)行分解，結(jié)果如圖8(b)所示.由圖8(b)可知，信號(hào)中的周期性波動(dòng)成分被分離出來(lái)，PF5分量的模態(tài)混疊現(xiàn)象得到抑制，但PF6分量中仍包含同樣的特征尺度，與ELMD法仿真實(shí)驗(yàn)結(jié)論一致.

最后，采用筆者提出的自適應(yīng)高頻諧波LMD法對(duì)振動(dòng)信號(hào)進(jìn)行分解，結(jié)果如圖8(c)所示.由圖8(c)可知，原始信號(hào)中的沖擊成分和周期性波動(dòng)都被成功分離出.通過(guò)對(duì)比分析可知，本算法殘余量明顯小于LMD法，PF分量較ELMD法更加精簡(jiǎn)，在消除模態(tài)混疊的同時(shí)沒(méi)有增加虛假PF分量，有助于故障的進(jìn)一步判斷.

LMD法分解中，沖擊分量和周期性波動(dòng)分量是分析的重點(diǎn).對(duì)PF2分量的包絡(luò)信號(hào)進(jìn)行細(xì)化譜分析，結(jié)果如圖8(d)所示.由圖8(d)可知，78.52 Hz與發(fā)電機(jī)軸承外圈故障特征頻率79.21 Hz相差0.69 Hz；對(duì)PF5分量進(jìn)行頻譜分析可知，25 Hz與發(fā)電機(jī)轉(zhuǎn)動(dòng)頻率25.3 Hz相差0.3 Hz.

由于故障特征頻率偏差較大，尚不足以對(duì)故障進(jìn)行定位，筆者對(duì)其他正常運(yùn)行、同轉(zhuǎn)速、同類(lèi)型及同測(cè)點(diǎn)的機(jī)組振動(dòng)數(shù)據(jù)進(jìn)行上述分析，發(fā)現(xiàn)頻譜中沒(méi)有出現(xiàn)25 Hz，但78.52 Hz及其二倍頻仍然存在，只是幅度偏小，如圖9所示，因此可排除78.52 Hz作為故障特征頻率的可能性.

(a) LMD法分解結(jié)果

(b) ELMD法分解結(jié)果

(c) 自適應(yīng)高頻諧波LMD法分解結(jié)果

(d) PF2包絡(luò)細(xì)化譜與PF5幅值譜

(a) 同類(lèi)型機(jī)組同測(cè)點(diǎn)振動(dòng)數(shù)據(jù)

(b) 信號(hào)FFT

(c) PF2分量包絡(luò)細(xì)化譜

由于實(shí)際故障特征頻率與計(jì)算值之間存在誤差，因此可認(rèn)為25 Hz為發(fā)電機(jī)轉(zhuǎn)動(dòng)頻率，結(jié)合自適應(yīng)高頻諧波LMD法的分解結(jié)果，推測(cè)機(jī)組齒輪箱高速軸和發(fā)電機(jī)驅(qū)動(dòng)端之間存在不平衡故障，后經(jīng)維護(hù)人員平衡處理，發(fā)電機(jī)驅(qū)動(dòng)端不平衡故障消失.

4 結(jié) 論

(1) 筆者提出的自適應(yīng)高頻諧波LMD法可將異常事件淹沒(méi)或分離，成功抑制模態(tài)混疊現(xiàn)象.

(2) 自適應(yīng)高頻諧波LMD法和ELMD法對(duì)抑制異常事件引起的模態(tài)混疊現(xiàn)象均有效，但前者計(jì)算過(guò)程簡(jiǎn)單，計(jì)算結(jié)果不增加虛假PF分量，且具有自適應(yīng)性.

(3) 現(xiàn)場(chǎng)數(shù)據(jù)分析表明，自適應(yīng)高頻諧波LMD法能有效消除信號(hào)中干擾脈沖和隨機(jī)噪聲引起的模態(tài)混疊現(xiàn)象，并成功排除和提取出故障特征，為風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷提供參考.

[1] 陳雪峰，李繼猛，程航，等.風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)的研究與進(jìn)展[J].機(jī)械工程學(xué)報(bào)，2011，47(9)：45-52.

CHEN Xuefeng, LI Jimeng, CHENG Hang,etal. Research and application of condition monitoring and fault diagnosis technology in wind turbines[J].Journal of Mechanical Engineering, 2011, 47(9): 45-52.

[2] 胡勁松，楊世錫.基于HHT的旋轉(zhuǎn)機(jī)械故障診斷方法研究[J]. 動(dòng)力工程，2004，24(6)：845-851.

HU Jinsong, YANG Shixi. Research on HHT-based fault diagnosis method for rotating machinery[J]. Power Engineering, 2004, 24(6):845-851.

[3] SMITH J S. The local mean decomposition and its application to EEG perception data[J]. Journal of the Royal Society Interface, 2005, 2(5):443-454.

[4] LIU W Y, ZHANG W H, HAN J G,etal. A new wind turbine fault diagnosis method based on the local mean decomposition[J].Renewable Energy, 2012, 48:411-415.

[5] FENG Zhipeng, ZUO Ming J, QU Jian,etal. Joint amplitude and frequency demodulation analysis based on local mean decomposition for fault diagnosis of planetary gearboxes[J].Mechanical Systems and Signal Processing, 2013，40(1):56-75.

[6] YANG Yu, CHENG Junsheng, ZHANG Kang. An ensemble local means decomposition method and its application to local rub-impact fault diagnosis of the rotor systems[J]. Measurement, 2012，45 (3):561-570.

[7] 廖星智，萬(wàn)舟，熊新.基于ELMD與LS-SVM的滾動(dòng)軸承故障診斷方法[J]. 化工學(xué)報(bào),2013,64(12):4667-4673.

LIAO Xingzhi, WAN Zhou, XIONG Xin. Fault diagnosis method of rolling bearing based on ensemble local mean decomposition and least squares support vector machine[J]. CIESC Journal, 2013,64(12):4667-4673.

[8] 張亢，程軍圣，楊宇. 基于自適應(yīng)波形匹配延拓的局部均值分解端點(diǎn)效應(yīng)處理方法[J].中國(guó)機(jī)械工程，2010，21(4)：457-462.

ZHANG Kang,CHENG Junsheng,YANG Yu. Processing method for end effects of local mean decomposition based on self-adaptive waveform matching extending. [J]. China Mechanical Engineering, 2010,21(4):457-462.

[9] HUANG N E, SHEN Z, LONG S R. A new view of nonlinear water waves: the Hilbert spectrum [J]. Annual Review of Fluid Mechanics, 1999, 31:417-457.

[10] 趙進(jìn)平.異常事件對(duì)EMD方法的影響及其解決方法研究[J]. 青島海洋大學(xué)學(xué)報(bào),2001,31(6):805-814.

ZHAO Jinping. Study on the effects of abnormal events to empirical mode decomposition method and the removal method for abnormal signal[J]. Journal of Ocean University of Qingdao, 2001,31(6):805-814.

[11] LIU Yibing, WU Qi, MA Zhiyong,etal. An improved Hilbert-Huang transform and its application in faults signal analysis[C]//Proceedings of the 2006 IEEE International Conference on Mechatronics and Automation. Luoyang, China: IEEE Press, 2006.

[12] PENG Z K, TSE P W, CHU F L. An improved Hilbert-Huang transform and its application in vibration signal analysis [J]. Journal of Sound and Vibration, 2005，286 (1/2):187-205.

[13] 胡重慶，李艾華. EMD間歇信號(hào)的檢測(cè)和提取方法[J]. 數(shù)據(jù)采集與處理, 2008, 23(1):108-111.

HU Chongqing, LI Aihua. Method for detecting and extracting intemittency signal in EMD[J]. Journal of Data Acquisition & Processing, 2008, 23(1):108-111.

[14] DEERING R, KAISER J F. The use of a masking signal to improve empirical mode decomposition[C]//International Conference on Acoustics, Speech, and Signal Processing，2005. Philadelphia, PA, USA： IEEE,2005: 485-488.

[15] WU Zhaohua，HUANG N E. Ensemble empirical mode decomposition：a noise-assisted data analysis method[J].Advances in Adaptive Data Analysis, 2009,1(1):1-41.

[16] 胡愛(ài)軍，孫敬敬，向玲.經(jīng)驗(yàn)?zāi)B(tài)分解中的模態(tài)混疊問(wèn)題[J]. 振動(dòng)、測(cè)試與診斷, 2011,31(4):429-434.

HU Aijun, SUN Jingjing, XIANG Ling. Mode mixing in empirical mode decomposition[J]. Journal of Vibration, Measurement & Diagnosis, 2011,31(4):429-434.

[17] 胡愛(ài)軍，安連鎖，唐貴基.HILBERT-HUANG變換端點(diǎn)效應(yīng)處理新方法[J].機(jī)械工程學(xué)報(bào)，2008，44(4):154-158.

HU Aijun, AN Liansuo, TANG Guiji. New process method for end effects of HILBERT-HUANG transform[J].Chinese Journal of Mechanical Engineering, 2008，44(4):154-158.

[18] RILLING G, FLANDRIN P, GONCALVèS P. On empirical mode decomposition and its algorithms[C]//IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing. Grado, Italy: IEEE, 2003:8-11.

[19] BLATT.VDI 3834 Blatt1/Part1:2009 measurement and evaluation of the mechanical vibration of wind energy turbines and their components-onshore wind energy turbines with gears[S]. Berlin, Germany: Beuth Verlag，2009.

Wind Turbine Fault Diagnosis Based on Adaptive High-frequency Harmonics LMD

WUYingjie1,LIUChangliang2,FANDegong3

(1. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China; 2. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China; 3. Beijing Goldwind Science & Creation Wind Power Equipment Co., Ltd., Beijing 100176, China)

To solve the mode mixing problem of local mean decomposition (LMD) in actual applications, an adaptive high-frequency harmonics LMD was proposed. The effect of abnormal events on the envelope function and mean function was analyzed, and the adaptive high-frequency harmonics were constructed and added into the signal to deal with the mode mixing problem by changing the distribution of extreme points of the original signal. Simulation comparison was made to signals containing typical abnormal events between adaptive high-frequency harmonics LMD (AHLMD) and ensemble LMD (ELMD), illustrating the effectiveness and superiority of AHLMD, which was subsequently applied to fault diagnosis for the drive train system of a wind turbine. Results show that the mode mixing situation can be improved significantly and the shaft unbalance characteristics can be extracted successfully via the method, which therefore may serve as a reference for fault diagnosis of wind turbines.

LMD; mode mixing; adaptive high-frequency harmonics; wind turbine; fault diagnosis

1674-7607(2014)12-0952-07

TP273

A

510.80

2014-02-20

2014-04-01

中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助項(xiàng)目(13MS102)

武英杰(1986-)，男，河北邢臺(tái)人，博士研究生，研究方向?yàn)椋猴L(fēng)電機(jī)組故障診斷.電話(Tel．)：13731293815； E-mail：wuyingjie6668@163.com．