摘要
风能作为一种可再生的循环利用能源，近年来风电技术不断得到发展，风力发电机经常处于恶劣的工作环境下，其载荷处于长期的交变状态下，在大力发展风电的过程中，对环境影响较为突出的问题便是风机运转带来的噪声污染。由于风力机机组包含非常多的机械部件，因此在正常运行与异常状态下都会产生各种噪声与振动。通常采用传感器进行信号的采集时，往往伴随着诸如润滑系统的振动信号、温控循环系统的振动信号等强干扰信号，为了将机械噪声信号从中分离出来，需要将这些强干扰信号去除，因为干扰信号与噪声之间会发生耦合，使想要的机械信号埋没其中不易识别。
为此，本文拟采用盲分离手段对混合信号进行去干扰处理。经过预处理后采用EMD-Fast Ica 对混合信号实施盲源分离，盲处理的优点是可以在不必源信号的数量和传递参数未知条件下，实现对采集的混合信号中的各数据进行分离。为了验证此算法的分离效果与可行性，本文先进行仿真实验模拟出风电机组机械系统中的典型振动信号，并选择风力机主要传动系统部件齿轮作为识别实例，验证了此方法确实可以分离出机械噪声信号。
关键词：大型风力发电机，盲分离，经验模式分解，独立分量分析，噪声识别。
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 绪论
以风力发电为代表的清洁能源技术逐步替代以煤炭、石油等为代表的传统能源技术是必然的。风电产业在过去几年相关技术尚不成熟的情况下盲目扩张、发展过热，造成风电装备成本高、设备寿命短，其运行状态难以掌控，事故频发，严重影响风力机的运行效率及可靠性[1]。大型风力风电机组在极端的天气诸如暴风雪、暴雨环境中，承受的疲劳载荷将会发生瞬态变化，使得风力机主轴和增速箱等传动部件性能退化严重、甚至失效，必须采取措施保障其安全运行。目前提高风力机传动系统运行安全性的措施主要有两种：一是设计环节上提出一些标准，二是运行状态监测与故障诊断。
由于服役环境的不同，风力机传动结构设计标准具有很大的局限性[2]，故运行状态监测与故障诊断技术成为目前提高风力机传动系统运行安全性的主要措施并广泛应用，取得了一定的效果[3]。但传统时频技术难以适应大型风力机的发展需要，如振动信号的小波分析方法、自适应模糊推理方法等对环境力引起状态劣化产生的强耦合微弱信号识别方面效果不佳；声发射方法对低频信号分析能力不足等。因此，迫切需要研究新的传动系统运行状态监测与故障诊断方法，尤其需要针对早期故障的检测诊断方法。
随着世界制造业的再一次转型升级（如德国工业4.0、美国先进制造伙伴计等），2015年5月，我国正式印发《中国制造2025》，工业大数据分析理论开始广受关注[4,5]；结构噪声作为机械振动的产物，通常需要将其降低和控制，但大型风力机结构噪声在不同运行状态下会呈现不同的声辐射性质，即可以“结构噪声利用”。 因此，将大数据分析理论应用在大型风电机组的传动系统中去，来实现其在恶劣环境下的识别运行状态与故障噪声识别，继而对大型风力机的维护安全运行提供参考价值。
1.1、课题来源 。
本文的研究工作基于以下基金的支持国家自然科学基金项目（51675350）：基于结构噪声信息的大型风力机传动系统运行状态识别与故障诊断方法研究。
1.2、问题的提出 。
风能作为一种新可循环再生能源，其显着特点为污染较小、可开发性大。早在二十世纪初人们一开始尝试进行风力发电。通常风速为3. 4~5.4m / s的三级风已具备利用价值。中国风力资源丰富，绝大多数地区的年平均风速都在3 m / s以上，东南沿海及其岛屿地区 3m / s 的风速全年累积7 905 ，极具风力发电空间。
2016 年11 月，国家能源局印发的枫电发展第十三个五年规划纲要》设定风电发展总量目标为：到 2020 年，风电累计并网装机容量确保达到2.1 亿千瓦以上，其中海上风电并网装机容量达到 500万千瓦以上；风电建设总投资估算 7000 亿元以上，风电年发电量确保达到4 200 亿千瓦时，约占全国总发电量的 6% 。
在大力发展风电的过程中，对环境影响较为突出的问题便是风机运转带来的噪声污染。近距离内，风机噪声会妨碍正常通讯和交谈，干扰居民体息、影响市民的正常生活，也不利于学校的教学。因此风机机组所在地就不适合人们生活，也不宜建造各种生活建筑。考虑到这些噪声带来的不良影响，在何处建设风电厂已成为不可忽略的考虑因素。在前期规划阶段，合理预测噪声值及其影响范围显得尤为必要。
说道噪声的识别与控制，首先要进行噪声来源的识别判断。噪声源识别的分类有很多，按照噪声源所在系统中的位置不同，可分为表面噪声源识别和内部噪声源识别。
表面噪声源识别是确定设备表面部件的噪声辐射贡献；内部噪声源识别目的是找到设备内部部件的噪声辐射贡献。
大型风力机服役环境的特殊性使得其结构设计标准具有局限性，这个局限性需要长期设计经验累积才能够解决，故现阶段对运行状态的检测及故障诊断就显得尤为重要，但传统时频技术等对环境力引起状态劣化产生的强耦合微弱信号识别方面效果不佳。利用在时间尺度上不同结构、不同状态下的结构噪声辐射不同的特性，能够实现大型风力机传动系统强耦合微弱结构噪声信号的识别。因此，必须研究针对大型风力机传动系统结构噪声信息特征提取方法。
1.3、国内外研究动态 。
国内外学者对噪声源的识别方法进行了广泛的研究，总的来说可以归结为三大类。
第一类：传统噪声源识别方法。这类方法主要基于工厂的实际生产，较为简单。主要方法有主观评价法、选择运行法、频谱分析法[6]。按照生产人员的传统经验知识，在对设备实际施工操作中识别噪声源的方法称为主观评价法。该方法主要靠的是用人耳来听噪声位置，因此只适用于非常简单的设备，按照检测维修经验来判断，那么就会受到较大的人为因素干扰。当不知道机械设备具体哪个部件产生噪声时，选择其中的部分单个或几个单独运行来识别噪声源的方法称为选择运行法。可以看出这种方法具有较大的盲目性与局限性，可以用来进行初步的噪声估计处理。将采集的时域信号转化到频域分析，计算信号的幅值谱和功率谱的方法称为频谱分析法。通过计算采集信号的频域特征来诊断，但是忽视了时域信息，对一些非稳态信号的处理就显得无能为力。
第二类：基于声源的识别方法。近年来随着声学理论与传感技术的不断飞速发展，在工程应用方面有了很大的进步。该方法的显着特点就是成本较高，但识别精度与效率都比较好，原因在于声学传感器的造价昂贵。基于声识别的方法主要有声强测量法和声全息法，声强测量法是上世纪七八十年代发展起来的声学测量技术[6, 7]。声功率测量法主要分为离散点法和扫描法。通过对声源的声强级大小的测量来识别噪声源所在[8]。此方法的优点在于对测量环境的要求较低，不需要一定在消声室中进行测量[9]。此方法的不足在于需要较多的声学传感器，前面提到的造价较高限制了此方法的发展。在应用声强识别某高速增压柴油机中，学者郝志勇[10]发现 100 Hz 频率成分主要来自于油底壳，200 Hz 频率成分主要来自于齿轮室。验证了声强法识别发动机噪声源的有效性。除此之外，按照声波干涉来识别噪声源的方法称为声全息技术，基本原理为通过傅里叶变换推导全息面和重建面的声压联系，随后分析全息面，得到重建面。此方法利用了声相位[11]的特点。在生产工程中，近场声全息技术得到了广泛应用，因为其精度可以达到几十分之一波长[12]。相比较声强法而言具有更好的识别效果。但是其存在显着的缺点即为对测量环境要求较高，一般需要在消声室中进行。这两种方法都属于表明噪声源识别方法。学者于飞将近场声全息应用于噪声源的识别与定位中，并从数值仿真[13]和测量实验[14] 两个角度验证了识别算法的有效性。
第三类：基于现代数字信号处理的识别方法。近年来信息技术飞速发展，现代数字信号处理得到了飞速发展与补充。在机械工程领域，学者们通过研究与扩展提出了许多基于现代数字信号处理的识别方法，并对其进行了工程应用来验证。其中偏相干分析法[15]是应用较多的一种，偏向干分析是基于相干分析法扩展的。对一组混合输入信号，选取其中一个信号，去掉其与其他输入信号的相干部分，得到残余信号，分析残余信号对输出信号的响应，以此步骤重复分析每个输入信号对输出信号的影响。此方法较多应用在在多输入单输出系统的噪声源识别问题中。根据输入声源信号的特点不同，特别是当系统的信号存在强耦合和强相干时，学者杨德森[16]
提出了改进方法，通过采取希尔伯特变换与倒频谱分析和偏相干技术三种方法相结合，来确定混合信号中相干成分间的影响，此方法可以避免各个输入信号之间存在的耦合，并建立潜艇舱段模型，分析识别了其中的机械噪声。层次分析法，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。吴海平[17]学者巧妙地将层次分析法应用于潜艇的噪声源识别，并结合偏向干分析方法按照各个噪声源的贡献量不同进行识别排序。虽然上述两种方法应用于潜艇设备，在机械领域也同样适用。
就上述提到的噪声源各种识别方法而言，其适用范围是不同的。其中，传统的四种识别方法（主观评价法、选择运行法、声强测量法和声全息法）由于其方法特点与测量环境，是在机械系统外部或表面进行测量，忽略了机械系统的内部运行，因此属于表面噪声源识别技术；另一种方法频谱分析法则不需要苛刻的测试环境，其目的在于分析系统内部的噪声辐射机理，控制或减小噪声，因此属于内部噪声源识别技术。
随着噪声识别技术的发展，单单的传统识别方法与基于的噪声源识别方法已经不能满足实际工程中遇到的噪声难题，而近年来现代数字信号处理方法多被采用在实际工程中并取得了满意的效果与精度。
根据风力发电机组的工作环境特点，采集到的振动噪声信号往往都伴随着各种冲击等瞬态变化，传统方法中的频谱分析不适用来针对一些非稳态信号，不能满足噪声源识别的要求。以常用的两种时频分析方法为例，小波变换和短时傅里叶变换由于Heisenberg 测不准，只能获得部分频段的时频，在全频段上存在分辨率不足的缺点。
1998美籍华人 Huang[18]年提出经验模态分解(Empirical Mode Decomposition，EMD)方法来针对瞬时非稳态信号。将混合信号分解为一系列表征不同时间尺 度 的 固 有 模 式 函数（Intrinsic Mode Function，IMF）[19]。该方法与短时傅里叶变换比较自适应好，可以消除 Heisenberg 测不准带来的频段限制问题，对非稳态信号的分析有效性提供了保证。
同样的经验模态分解方法的不足在于混合信号出现断点时，会出现在模态混合的情况，对分解结果的准确性造成影响。Gledhill[20]和 Flandrin[21]在进行经验模态分解之前，在混合信号中加入白噪声信号，可以有效避免这一不足。在此基础上，Wu[22]等学者为了提高 EMD 分析的准确性，在混合信号中加入白噪声信号后，进行重复分解直到达到最终分离要求，提出了总体经验模态分解 （Ensemble Empirical Mode Decomposition ，EEMD）方法。郑旭[23]针对总体经验模态分解方法中的问题，通过改进加入的白噪声信 号 ， 提 出 了 改 进 的 总 体 经 验 模 态 分 解 (Modified Ensemble Empirical ModeDecomposition，MEEMD)方法，改善了识别方法的准确性。
风力机的噪声源来源广泛，由于整个机组的机械部件非常多，造成噪声的传递过程较为复杂，从而由传感器测得的混合信号中有各种噪声源信号。且在复杂的运行状态中存在某些噪声源的频谱相互重叠的情况，小波变换、EMD 等方法难以将重叠的特征频率分离开来，从而导致识别失败。根据风力机振动信号的复杂特点，宜采用盲源分离手段来处理。盲源分离的常用方法之一就是独 立 分 量 分 析（IndependentComponent Analysis，ICA）[24]。最早其提出是为了解决“鸡尾酒会”问题[25]。芬兰学者提出快速独立分量分析（FICA）算法[24]，基于固定点（Fixed-point）迭代优化理论，将负熵作为目标函数，计算混合信号中某一分量的非高斯性最大值，收敛速度快，有效的提高了 ICA 算法的效率。在工程应用方面，徐红梅[26]
将独立分量分析方法应用于六缸柴油机的噪声分离中，将内燃机燃烧噪声、正时齿轮噪声和活塞敲击噪声分离识别出来。Minka 提出基于Minka Bayesian 选择模型的（MIBS）信号子空间维数估计法[20]在通过实际应用验证了该算法的有效性，确定了噪声源信号的维数。当出现欠定问题时即采集的信号数量小于估计源信号的数量时，学者们提出了用经验模态分解方法和独立分量分析方法相结合来解决 EMD 模态混合的问题，并能满足ICA 方法对输入信号数目的要求。李林洁[27]以 EMD-ICA 方法对柴油机进行单通道采样，采用EMD 来构造估计虚拟信号，目的在于确定估计源信号的维数，之后对构造的虚拟信号进行 ICA处理。当采集的混合信号存在多种噪声耦合的情况，若直接使用 ICA 算法进行分析，那么计算过程中需要分解很多特征分量，存在计算量过大的缺点。当混合信号中噪声源数目较多时，计算效率不能得到有效的保证。因此，ICA 适用于频率交叠的非平稳信号，实现噪声源解耦分离的目的。在工程生产中如果只需要对其中的已知特征频率的噪声源进行分析，可以在独立分量分析基础上进行改进，应用约束独立成分分析（cICA）[28, 29]。王志阳[30]应用 cICA 在已知滚动轴承特征频率的情况下，成功提取了轴承的故障信号。杨伟新[31]将支持向量机(Support Vector Machine，SVM)方法应用在EMD-ICA 结合中进行滚动轴承故障诊断。对于频率交叠的信号ICA 可以有效地去除混合信号中背景噪声和回声干扰。
【由于本篇文章为硕士论文，如需全文请点击底部下载全文链接】
1.4、本文研究内容
第2章 风机信号的EMD及ICA盲分离算法
2.1、风机混合信号的盲分离处理
2.2、盲分离的基本概念与分类
2.2.1、混合信号的前期处理
2.2.2、盲分离数学模型
2.2.3、分离标准
2.3、混合信号的独立分量分析算法.
2.3.1、独立分量分析原理
2.3.2、独立分量分析算法步骤
2.4、混合信号的经验模态分解算法.
2.4.1、 筛选停止标准
2.5、本章小结
第3章 风机信号的预处理
3.1、风机混合信号简介.
3.2、基于ICA的去干扰算法
3.3、风机信号预处理仿真分析
3.4、本章小结
第4章 风机混合信号的分离
4.1、基于EMD-Fast Ica的风机混合信号分离.
4.2、风机混合信号的分离仿真实验
4.3、本章小结
第5章 风机混合信号机械噪声识别实例
5.1、风力机齿轮振动噪声来源
5.2、风机齿轮的特征频谱
5.3、风机齿轮失效及其特征
5.3.1、风机齿轮失效形式，
5.3.2、风机齿轮失效特征.
5.4、识别实例
5.5、本章小结
第 6 章 结论
本文以大型风力发电机为研究背景，针对风力机噪声振动信号的非线性和非稳定性等特点，通过对比现代数字信号处理技术，来进行噪声源的相关盲分离处理研究，本文所做主要工作如下：
（1）对大型风力机的工作环境以及传动系统结构做了简要阐述，并研究了主要传动系统齿轮箱的振动机理，分析了其机械噪声主要来源，建立了齿轮和轴承的振动信号模型（2）采用基于ICA的方法对风力机混合信号进行去干扰处理，相对于含有多个干扰信号的混合信号，去干扰将想要的微弱机械特征信号分离出来，通过设计仿真实验验证了其分离效果，可以作为盲分离的预处理手段（3）采用EMD对原始混合信号进行分解，得出各频段的强干扰信号，以此作为Fast-Ica盲分离的IMF分量，分离出有效的弱信号，将欠定盲分离问题转化为满秩盲分离问题，保证了盲分离的实际意义。通过进行仿真信号的实验验正，体现了EMD-FastIca联合分离技术相较于传统时频分析技术在风力机应用方面的优越性。（4）通过对齿轮箱的振动信号实测分析，运用EMD-Fast Ica方法诊断识别出了由齿轮磨损产生的噪声信号，结果表明此方法可以用来进行风力机机械噪声信号的识别研究。
参考文献.
