學術堂首頁 | 文獻求助論文范文 | 論文題目 | 參考文獻 | 開題報告 | 論文格式 | 摘要提綱 | 論文致謝 | 論文查重 | 論文答辯 | 論文發表 | 期刊雜志 | 論文寫作 | 論文PPT
學術堂專業論文學習平臺您當前的位置:學術堂 > 畢業論文 > 在職碩士論文 > 工程碩士論文 > 機械工程碩士論文

大型風力發電機機械噪聲信號分離識別技術探析

時間:2020-01-10 來源:沈陽工業大學 作者:白曠甲 本文字數:7152字
  摘要
  
  風能作為一種可再生的循環利用能源,近年來風電技術不斷得到發展,風力發電機經常處于惡劣的工作環境下,其載荷處于長期的交變狀態下,在大力發展風電的過程中,對環境影響較為突出的問題便是風機運轉帶來的噪聲污染。由于風力機機組包含非常多的機械部件,因此在正常運行與異常狀態下都會產生各種噪聲與振動。通常采用傳感器進行信號的采集時,往往伴隨著諸如潤滑系統的振動信號、溫控循環系統的振動信號等強干擾信號,為了將機械噪聲信號從中分離出來,需要將這些強干擾信號去除,因為干擾信號與噪聲之間會發生耦合,使想要的機械信號埋沒其中不易識別。

大型風力發電機機械噪聲信號分離識別技術探析
  
  為此,本文擬采用盲分離手段對混合信號進行去干擾處理。經過預處理后采用EMD-Fast Ica 對混合信號實施盲源分離,盲處理的優點是可以在不必源信號的數量和傳遞參數未知條件下,實現對采集的混合信號中的各數據進行分離。為了驗證此算法的分離效果與可行性,本文先進行仿真實驗模擬出風電機組機械系統中的典型振動信號,并選擇風力機主要傳動系統部件齒輪作為識別實例,驗證了此方法確實可以分離出機械噪聲信號。
  
  關鍵詞:大型風力發電機,盲分離,經驗模式分解,獨立分量分析,噪聲識別。
  
  Abstract
  
  As a renewable energy source, wind energy has been continuously developed in recent years.  Wind  turbines  are  often  in  a  harsh  working  environment,  and  their  loads  are  in  a long-term  alternating  state.  In  the  process  of  vigorously  developing  wind  power,  the environment The more prominent problem is the noise pollution caused by the operation of the  fan.  Since  the  wind  turbine  unit  contains  a  large  number  of  mechanical  components, various noises and vibrations are generated in normal operation  and abnormal conditions.
  
  Usually, when sensors are used for signal acquisition, they are often accompanied by strong interference signals such as vibration signals of the lubrication system and vibration signals of  the  temperature  control  circulatory  system.  In  order  to  separate  the  mechanical  noise signals, these strong interference signals need to be removed because interference Coupling occurs between the signal and the noise, making the desired mechanical signal buried and difficult to identify.
  
  To  this  end,  this  paper  intends  to  use  the  blind  separation  method  to  deinterfere  the mixed  signal.  After  pre-processing,  the  EMD-Fast  Ica  is  used  to  perform  blind  source separation on the mixed signal. The advantage of the blind processing is that the data in the collected mixed signal can be separated without the unknown number of source signals and the transmission parameters. In order to verify the separation effect and feasibility of this algorithm, this paper firstly simulates the typical vibration signal in the mechanical system of wind turbine, and selects the gear of the main transmission system of the wind turbine as the identification example, which proves that this method can indeed separate the machinery Noise signal.
  
  Key Words:    Large wind turbine, Blind separation, EMD, ICA, Noise recognition 。
  
  第 1 章 緒論
 
  以風力發電為代表的清潔能源技術逐步替代以煤炭、石油等為代表的傳統能源技術是必然的。風電產業在過去幾年相關技術尚不成熟的情況下盲目擴張、發展過熱,造成風電裝備成本高、設備壽命短,其運行狀態難以掌控,事故頻發,嚴重影響風力機的運行效率及可靠性[1]。大型風力風電機組在極端的天氣諸如暴風雪、暴雨環境中,承受的疲勞載荷將會發生瞬態變化,使得風力機主軸和增速箱等傳動部件性能退化嚴重、甚至失效,必須采取措施保障其安全運行。目前提高風力機傳動系統運行安全性的措施主要有兩種:一是設計環節上提出一些標準,二是運行狀態監測與故障診斷。
  
  由于服役環境的不同,風力機傳動結構設計標準具有很大的局限性[2],故運行狀態監測與故障診斷技術成為目前提高風力機傳動系統運行安全性的主要措施并廣泛應用,取得了一定的效果[3]。但傳統時頻技術難以適應大型風力機的發展需要,如振動信號的小波分析方法、自適應模糊推理方法等對環境力引起狀態劣化產生的強耦合微弱信號識別方面效果不佳;聲發射方法對低頻信號分析能力不足等。因此,迫切需要研究新的傳動系統運行狀態監測與故障診斷方法,尤其需要針對早期故障的檢測診斷方法。
  
  隨著世界制造業的再一次轉型升級(如德國工業4.0、美國先進制造伙伴計等),2015年5月,我國正式印發《中國制造2025》,工業大數據分析理論開始廣受關注[4,5];結構噪聲作為機械振動的產物,通常需要將其降低和控制,但大型風力機結構噪聲在不同運行狀態下會呈現不同的聲輻射性質,即可以“結構噪聲利用”。 因此,將大數據分析理論應用在大型風電機組的傳動系統中去,來實現其在惡劣環境下的識別運行狀態與故障噪聲識別,繼而對大型風力機的維護安全運行提供參考價值。
  
  1.1、課題來源 。
  
  本文的研究工作基于以下基金的支持國家自然科學基金項目(51675350):基于結構噪聲信息的大型風力機傳動系統運行狀態識別與故障診斷方法研究。
  
  1.2、問題的提出 。
  
  風能作為一種新可循環再生能源,其顯著特點為污染較小、可開發性大。早在二十世紀初人們一開始嘗試進行風力發電。通常風速為3. 4~5.4m / s的三級風已具備利用價值。中國風力資源豐富,絕大多數地區的年平均風速都在3 m / s以上,東南沿海及其島嶼地區 3m / s 的風速全年累積7 905  ,極具風力發電空間。
  
  2016 年11 月,國家能源局印發的楓電發展第十三個五年規劃綱要》設定風電發展總量目標為:到 2020 年,風電累計并網裝機容量確保達到2.1 億千瓦以上,其中海上風電并網裝機容量達到 500萬千瓦以上;風電建設總投資估算 7000 億元以上,風電年發電量確保達到4 200 億千瓦時,約占全國總發電量的 6%  。
  
  在大力發展風電的過程中,對環境影響較為突出的問題便是風機運轉帶來的噪聲污染。近距離內,風機噪聲會妨礙正常通訊和交談,干擾居民體息、影響市民的正常生活,也不利于學校的教學。因此風機機組所在地就不適合人們生活,也不宜建造各種生活建筑?紤]到這些噪聲帶來的不良影響,在何處建設風電廠已成為不可忽略的考慮因素。在前期規劃階段,合理預測噪聲值及其影響范圍顯得尤為必要。
  
  說道噪聲的識別與控制,首先要進行噪聲來源的識別判斷。噪聲源識別的分類有很多,按照噪聲源所在系統中的位置不同,可分為表面噪聲源識別和內部噪聲源識別。
  
  表面噪聲源識別是確定設備表面部件的噪聲輻射貢獻;內部噪聲源識別目的是找到設備內部部件的噪聲輻射貢獻。
  
  大型風力機服役環境的特殊性使得其結構設計標準具有局限性,這個局限性需要長期設計經驗累積才能夠解決,故現階段對運行狀態的檢測及故障診斷就顯得尤為重要,但傳統時頻技術等對環境力引起狀態劣化產生的強耦合微弱信號識別方面效果不佳。利用在時間尺度上不同結構、不同狀態下的結構噪聲輻射不同的特性,能夠實現大型風力機傳動系統強耦合微弱結構噪聲信號的識別。因此,必須研究針對大型風力機傳動系統結構噪聲信息特征提取方法。
  
  1.3、國內外研究動態 。
  

  國內外學者對噪聲源的識別方法進行了廣泛的研究,總的來說可以歸結為三大類。
  
  第一類:傳統噪聲源識別方法。這類方法主要基于工廠的實際生產,較為簡單。主要方法有主觀評價法、選擇運行法、頻譜分析法[6]。按照生產人員的傳統經驗知識,在對設備實際施工操作中識別噪聲源的方法稱為主觀評價法。該方法主要靠的是用人耳來聽噪聲位置,因此只適用于非常簡單的設備,按照檢測維修經驗來判斷,那么就會受到較大的人為因素干擾。當不知道機械設備具體哪個部件產生噪聲時,選擇其中的部分單個或幾個單獨運行來識別噪聲源的方法稱為選擇運行法?梢钥闯鲞@種方法具有較大的盲目性與局限性,可以用來進行初步的噪聲估計處理。將采集的時域信號轉化到頻域分析,計算信號的幅值譜和功率譜的方法稱為頻譜分析法。通過計算采集信號的頻域特征來診斷,但是忽視了時域信息,對一些非穩態信號的處理就顯得無能為力。
  
  第二類:基于聲源的識別方法。近年來隨著聲學理論與傳感技術的不斷飛速發展,在工程應用方面有了很大的進步。該方法的顯著特點就是成本較高,但識別精度與效率都比較好,原因在于聲學傳感器的造價昂貴;诼曌R別的方法主要有聲強測量法和聲全息法,聲強測量法是上世紀七八十年代發展起來的聲學測量技術[6, 7]。聲功率測量法主要分為離散點法和掃描法。通過對聲源的聲強級大小的測量來識別噪聲源所在[8]。此方法的優點在于對測量環境的要求較低,不需要一定在消聲室中進行測量[9]。此方法的不足在于需要較多的聲學傳感器,前面提到的造價較高限制了此方法的發展。在應用聲強識別某高速增壓柴油機中,學者郝志勇[10]發現 100 Hz 頻率成分主要來自于油底殼,200  Hz 頻率成分主要來自于齒輪室。驗證了聲強法識別發動機噪聲源的有效性。除此之外,按照聲波干涉來識別噪聲源的方法稱為聲全息技術,基本原理為通過傅里葉變換推導全息面和重建面的聲壓聯系,隨后分析全息面,得到重建面。此方法利用了聲相位[11]的特點。在生產工程中,近場聲全息技術得到了廣泛應用,因為其精度可以達到幾十分之一波長[12]。相比較聲強法而言具有更好的識別效果。但是其存在顯著的缺點即為對測量環境要求較高,一般需要在消聲室中進行。這兩種方法都屬于表明噪聲源識別方法。學者于飛將近場聲全息應用于噪聲源的識別與定位中,并從數值仿真[13]和測量實驗[14] 兩個角度驗證了識別算法的有效性。
  
  第三類:基于現代數字信號處理的識別方法。近年來信息技術飛速發展,現代數字信號處理得到了飛速發展與補充。在機械工程領域,學者們通過研究與擴展提出了許多基于現代數字信號處理的識別方法,并對其進行了工程應用來驗證。其中偏相干分析法[15]是應用較多的一種,偏向干分析是基于相干分析法擴展的。對一組混合輸入信號,選取其中一個信號,去掉其與其他輸入信號的相干部分,得到殘余信號,分析殘余信號對輸出信號的響應,以此步驟重復分析每個輸入信號對輸出信號的影響。此方法較多應用在在多輸入單輸出系統的噪聲源識別問題中。根據輸入聲源信號的特點不同,特別是當系統的信號存在強耦合和強相干時,學者楊德森[16]
  
  提出了改進方法,通過采取希爾伯特變換與倒頻譜分析和偏相干技術三種方法相結合,來確定混合信號中相干成分間的影響,此方法可以避免各個輸入信號之間存在的耦合,并建立潛艇艙段模型,分析識別了其中的機械噪聲。層次分析法,是指將與決策總是有關的元素分解成目標、準則、方案等層次,在此基礎之上進行定性和定量分析的決策方法。吳海平[17]學者巧妙地將層次分析法應用于潛艇的噪聲源識別,并結合偏向干分析方法按照各個噪聲源的貢獻量不同進行識別排序。雖然上述兩種方法應用于潛艇設備,在機械領域也同樣適用。
  
  就上述提到的噪聲源各種識別方法而言,其適用范圍是不同的。其中,傳統的四種識別方法(主觀評價法、選擇運行法、聲強測量法和聲全息法)由于其方法特點與測量環境,是在機械系統外部或表面進行測量,忽略了機械系統的內部運行,因此屬于表面噪聲源識別技術;另一種方法頻譜分析法則不需要苛刻的測試環境,其目的在于分析系統內部的噪聲輻射機理,控制或減小噪聲,因此屬于內部噪聲源識別技術。
  
  隨著噪聲識別技術的發展,單單的傳統識別方法與基于的噪聲源識別方法已經不能滿足實際工程中遇到的噪聲難題,而近年來現代數字信號處理方法多被采用在實際工程中并取得了滿意的效果與精度。
  
  根據風力發電機組的工作環境特點,采集到的振動噪聲信號往往都伴隨著各種沖擊等瞬態變化,傳統方法中的頻譜分析不適用來針對一些非穩態信號,不能滿足噪聲源識別的要求。以常用的兩種時頻分析方法為例,小波變換和短時傅里葉變換由于Heisenberg 測不準,只能獲得部分頻段的時頻,在全頻段上存在分辨率不足的缺點。
  
  1998美籍華人 Huang[18]年提出經驗模態分解(Empirical Mode Decomposition,EMD)方法來針對瞬時非穩態信號。將混合信號分解為一系列表征不同時間尺 度 的 固 有 模 式 函數(Intrinsic Mode Function,IMF)[19]。該方法與短時傅里葉變換比較自適應好,可以消除 Heisenberg 測不準帶來的頻段限制問題,對非穩態信號的分析有效性提供了保證。
  
  同樣的經驗模態分解方法的不足在于混合信號出現斷點時,會出現在模態混合的情況,對分解結果的準確性造成影響。Gledhill[20]和 Flandrin[21]在進行經驗模態分解之前,在混合信號中加入白噪聲信號,可以有效避免這一不足。在此基礎上,Wu[22]等學者為了提高 EMD 分析的準確性,在混合信號中加入白噪聲信號后,進行重復分解直到達到最終分離要求,提出了總體經驗模態分解 (Ensemble Empirical Mode Decomposition  ,EEMD)方法。鄭旭[23]針對總體經驗模態分解方法中的問題,通過改進加入的白噪聲信 號 , 提 出 了 改 進 的 總 體 經 驗 模 態 分 解 (Modified  Ensemble  Empirical  ModeDecomposition,MEEMD)方法,改善了識別方法的準確性。
  
  風力機的噪聲源來源廣泛,由于整個機組的機械部件非常多,造成噪聲的傳遞過程較為復雜,從而由傳感器測得的混合信號中有各種噪聲源信號。且在復雜的運行狀態中存在某些噪聲源的頻譜相互重疊的情況,小波變換、EMD 等方法難以將重疊的特征頻率分離開來,從而導致識別失敗。根據風力機振動信號的復雜特點,宜采用盲源分離手段來處理。盲源分離的常用方法之一就是獨 立 分 量 分 析(IndependentComponent Analysis,ICA)[24]。最早其提出是為了解決“雞尾酒會”問題[25]。芬蘭學者提出快速獨立分量分析(FICA)算法[24],基于固定點(Fixed-point)迭代優化理論,將負熵作為目標函數,計算混合信號中某一分量的非高斯性最大值,收斂速度快,有效的提高了 ICA 算法的效率。在工程應用方面,徐紅梅[26]
  
  將獨立分量分析方法應用于六缸柴油機的噪聲分離中,將內燃機燃燒噪聲、正時齒輪噪聲和活塞敲擊噪聲分離識別出來。Minka 提出基于Minka Bayesian 選擇模型的(MIBS)信號子空間維數估計法[20]在通過實際應用驗證了該算法的有效性,確定了噪聲源信號的維數。當出現欠定問題時即采集的信號數量小于估計源信號的數量時,學者們提出了用經驗模態分解方法和獨立分量分析方法相結合來解決 EMD 模態混合的問題,并能滿足ICA 方法對輸入信號數目的要求。李林潔[27]以 EMD-ICA 方法對柴油機進行單通道采樣,采用EMD 來構造估計虛擬信號,目的在于確定估計源信號的維數,之后對構造的虛擬信號進行 ICA處理。當采集的混合信號存在多種噪聲耦合的情況,若直接使用 ICA 算法進行分析,那么計算過程中需要分解很多特征分量,存在計算量過大的缺點。當混合信號中噪聲源數目較多時,計算效率不能得到有效的保證。因此,ICA 適用于頻率交疊的非平穩信號,實現噪聲源解耦分離的目的。在工程生產中如果只需要對其中的已知特征頻率的噪聲源進行分析,可以在獨立分量分析基礎上進行改進,應用約束獨立成分分析(cICA)[28,  29]。王志陽[30]應用 cICA 在已知滾動軸承特征頻率的情況下,成功提取了軸承的故障信號。楊偉新[31]將支持向量機(Support  Vector  Machine,SVM)方法應用在EMD-ICA 結合中進行滾動軸承故障診斷。對于頻率交疊的信號ICA 可以有效地去除混合信號中背景噪聲和回聲干擾。
  
  【由于本篇文章為碩士論文,如需全文請點擊底部下載全文鏈接】
 
  
  1.4、本文研究內容
  
  第2章  風機信號的EMD及ICA盲分離算法
  
  2.1、風機混合信號的盲分離處理
  
  2.2、盲分離的基本概念與分類

  2.2.1、混合信號的前期處理
  2.2.2、盲分離數學模型
  2.2.3、分離標準
  
  2.3、混合信號的獨立分量分析算法.
  2.3.1、獨立分量分析原理
  2.3.2、獨立分量分析算法步驟
  
  2.4、混合信號的經驗模態分解算法.
  2.4.1、 篩選停止標準
  
  2.5、本章小結
  
  第3章  風機信號的預處理

  
  3.1、風機混合信號簡介.
  3.2、基于ICA的去干擾算法
  3.3、風機信號預處理仿真分析
  3.4、本章小結
  
  第4章  風機混合信號的分離
  
  4.1、基于EMD-Fast Ica的風機混合信號分離.
  4.2、風機混合信號的分離仿真實驗
  4.3、本章小結
  
  第5章  風機混合信號機械噪聲識別實例
  
  5.1、風力機齒輪振動噪聲來源
  5.2、風機齒輪的特征頻譜
  5.3、風機齒輪失效及其特征
  5.3.1、風機齒輪失效形式,
  5.3.2、風機齒輪失效特征.
  5.4、識別實例
  5.5、本章小結

  第 6 章   結論

  本文以大型風力發電機為研究背景,針對風力機噪聲振動信號的非線性和非穩定性等特點,通過對比現代數字信號處理技術,來進行噪聲源的相關盲分離處理研究,本文所做主要工作如下:

 。1)對大型風力機的工作環境以及傳動系統結構做了簡要闡述,并研究了主要傳動系統齒輪箱的振動機理,分析了其機械噪聲主要來源,建立了齒輪和軸承的振動信號模型(2)采用基于ICA的方法對風力機混合信號進行去干擾處理,相對于含有多個干擾信號的混合信號,去干擾將想要的微弱機械特征信號分離出來,通過設計仿真實驗驗證了其分離效果,可以作為盲分離的預處理手段(3)采用EMD對原始混合信號進行分解,得出各頻段的強干擾信號,以此作為Fast-Ica盲分離的IMF分量,分離出有效的弱信號,將欠定盲分離問題轉化為滿秩盲分離問題,保證了盲分離的實際意義。通過進行仿真信號的實驗驗正,體現了EMD-FastIca聯合分離技術相較于傳統時頻分析技術在風力機應用方面的優越性。(4)通過對齒輪箱的振動信號實測分析,運用EMD-Fast Ica方法診斷識別出了由齒輪磨損產生的噪聲信號,結果表明此方法可以用來進行風力機機械噪聲信號的識別研究。

  參考文獻.

    白曠甲. 風力機機械噪聲識別技術研究[D]. 沈陽工業大學 2019
      相關內容推薦
    相近分類:
    • 成都網絡警察報警平臺
    • 公共信息安全網絡監察
    • 經營性網站備案信息
    • 不良信息舉報中心
    • 中國文明網傳播文明
    • 學術堂_誠信網站
    顶呱刮中奖彩票