快速高阶对称差分解析能量谱峰度方法在风电传动链故障定位中的应用

《Digital Signal Processing》：Application of Fast High-Order Symmetric Difference Analytic Energy Spectrum Kurtosis for Wind Power Drive Chain Fault Localization

风电机组传动链故障通过新型高阶对称差分分析能量谱峰度（HOSDA-SK）方法实现高精度诊断与定位，该方法通过滤波器组分解信号，利用高阶对称差分分析能量计算各子带谱峰度，选择最优子带有效抑制噪声和周期冲击干扰，实验表明定位误差范围[4.28cm,10.35cm]，优于传统算法。

　　风力涡轮机作为可再生能源系统中的关键设备，其运行状态直接影响能源转换效率和系统稳定性。其中，传动系统（drivetrain）作为涡轮机的核心组成部分，承担着将风能转化为机械能的重要任务。然而，由于复杂的运行环境和机械部件的长期磨损，传动系统极易出现异常情况，例如轴承故障、齿轮损坏等。因此，实现对传动系统故障的准确诊断和精确定位，对于提高设备维护效率、降低停机损失具有重要意义。

传统的故障检测方法主要依赖于设备内部的传感器数据，包括振动、温度和油液状态等。虽然这些方法在一定程度上能够反映设备的运行状况，但在复杂工况下往往受到环境噪声和非周期性冲击的干扰，导致检测精度下降。近年来，随着非接触式监测技术的发展，声学信号在故障诊断中的应用逐渐受到重视。声学信号不仅能够有效反映设备运行状态，而且在风力涡轮机这种复杂结构中，具备独特的诊断优势。例如，通过分析声学模式特征，可以实现对异常声源的精确定位，从而提高早期故障识别的能力。

在现有的声学故障诊断研究中，许多方法致力于提取与故障相关的周期性冲击特征。例如，参考文献[5]通过优化特征模态分解算法，利用稀疏冲击度指标对信号进行分析，计算模态能量并将其转换为单值中性集，进而通过最小单值中性集交叉熵原理识别周期性冲击。参考文献[6]提出了一种基于树状滤波器组的频率带划分方法，通过计算子带信号的峭度值，选择最优的频率带进行滤波。这些方法在一定程度上提高了周期性冲击特征的提取能力，但在噪声抑制和非周期性冲击过滤方面仍存在局限。

此外，参考文献[7]引入了一种基于短时傅里叶变换和树状滤波器组的频率带划分方法，进一步优化了频率带的分配策略，使得中心频率和带宽的分配更加合理。参考文献[8]将小波包变换（WPT）引入到峭度图（Kurtogram）算法中，替代了传统的短时傅里叶变换和树状滤波器组，提高了频率带划分的精度。参考文献[9]则在峭度图的基础上引入了双复小波变换，通过计算子带平均峭度值，进一步优化了频率带的选择过程。参考文献[10]提出了一种具有可调节Q因子的小波变换，通过实值缩放和过采样滤波器组实现对信号振荡特性的自适应调整。参考文献[11]采用动态贝叶斯优化方法对小波包变换参数进行优化，从而实现对中心频率和带宽的精准定位。参考文献[12]则通过粒子群优化算法对可调Q因子小波变换参数进行优化，并结合频谱峭度指标选择最优的子带。

参考文献[13]提出了一种非线性快速峭度（Nonlinear Fast Kurtogram）方法，利用Sigmoid函数增强冲击特征的表示能力，通过频率带划分和最优带选择实现对故障信号的提取。参考文献[14]提出了一种基于子带平均的快速平均峭度（Fast Averaged Kurtogram）方法，通过将信号划分为等长度的子信号并计算所有子信号滤波器的平均峭度值，提高了频率带选择的精度。参考文献[15]则开发了一种基于质心平均频谱划分的峭度图方法，通过预设框架实现快速频谱划分，使得中心频率和带宽的分配更加合理。参考文献[16]提出了一种基于二阶同步挤压变换（Synchrosqueezing Transform）的方法，通过重构信号的振荡成分并结合快速峭度图，实现对信号的重构和峭度分布的获取。参考文献[17]引入了一种基于循环频谱相干性和峭度的稳健指标，用于评估重复瞬态特征，作为一种新颖的频率带选择方法。参考文献[18]则应用了快速峭度图方法，用于表征由齿轮-轨道相互作用引起的不同频率带的振动特征，并研究了不同频率带中的振动相互作用特性，从而捕捉到与周期性冲击相关的异常振动。参考文献[19]设计了一种预设参数（中心频率和带宽）的Morlet小波滤波器，用于去除轴承振动信号中的背景噪声，随后对每个子带的能量值进行分解，并保留对应最大能量值的最优Morlet滤波器参数。参考文献[20]提出了一种Teager能量频谱峭度（Teager Energy Spectral Kurtosis, TESK）方法，作为频率域统计指标，结合了Teager能量算子对冲击特征的增强作用和频率域指标对周期性特征的敏感性。参考文献[21]引入了一种新的周期性冲击指标，通过执行分层模态分解对信号进行处理，计算各成分的峭度值，以实现对周期性冲击特征的提取。参考文献[22]则提出了一种在计算峭度值之前对信号的频谱幅值进行调制的方法，以提高峭度值的计算精度。

尽管上述方法在一定程度上提高了周期性冲击特征的提取能力，但在实际应用中仍面临一些挑战。首先，传统快速峭度图（Fast Kurtogram, FK）方法对非周期性冲击和强高斯噪声的敏感性构成了其固有的局限。虽然相关研究通过改进滤波器组或引入新的峭度指标对快速频谱峭度进行了优化，取得了一定的进展，但在噪声抑制和非周期性冲击过滤方面仍未能实现同时优化。这种局限性直接导致了信号时延计算的准确性下降，进而影响基于声学信号的故障定位精度。

其次，现有的故障定位技术在实际应用中也存在一些瓶颈。例如，参考文献[23,24]采用的32通道麦克风阵列虽然在诊断上具有可行性，但在风力涡轮机机舱部署中面临空间限制和高成本的问题。参考文献[25,26]使用的声发射传感器需要与设备表面直接接触，然而这种接触方式使得传感器容易受到振动引起的特征失真影响，从而需要大量传感器部署，成本和实用性均较差。参考文献[27]采用的超声波传感器在结构复杂的环境中如风力涡轮机机舱中表现出有限的性能，其高灵敏度对障碍物的反应使得信号处理变得更加复杂。

因此，当前的研究表明，需要在两个层面进行优化：1）精确的特征提取，以及2）低成本、稀疏传感器的定位方法。为了解决这些问题，本文提出了一种新的特征提取指标，即高阶对称差分分析能量频谱峭度（High-Order Symmetric Difference Analytic Energy Spectrum Kurtosis, HOSDA-SK）。该方法通过滤波器组将信号分解为子带，对每个子带进行高阶对称差分分析能量运算，生成频率域的谱时序信号，最终计算能量谱时序信号的峭度值，以获取能量频谱平面上的峭度分布，并提取具有最大峭度值的子带。这一方法不仅能够有效抑制噪声和非周期性冲击干扰，还能够准确提取与故障相关的子带信号。

此外，本文还提出了一种双麦克风定位方案，该方案利用新指标生成的高质量特征和时延信息，实现对故障位置的估计。这一方法在保持定位精度的同时，有效规避了多传感器阵列的空间限制和成本问题，同时也克服了声发射和超声波技术在部署过程中的局限性。通过结合这两种创新方法，本文构建了一个兼顾诊断精度和实际应用性的集成框架。

为了验证所提出方法的有效性，本文设计了多种模拟测试，将快速峭度图（FK）[7]、Teager能量频谱峭度（TESK）[20]、双树复小波包变换快速平均峭度（DTCWPT-FAK）[14]、非线性快速峭度（Nonlinear Fast Kurtogram）[13]等方法进行对比。使用两组具有不同参数的模拟信号，分别评估基于不同冲击非周期性冲击幅值的特征提取子带的准确性。结果表明，所提出的方法在抑制噪声和非周期性冲击干扰方面表现出色，能够更精确地提取与故障相关的子带信号。

在实验方面，本文在风力涡轮机传动系统测试平台上进行了实际测试，验证了所提出方法的定位能力。对于恒定风速和变风速两种工况下的轴承和齿轮故障，所提出方法的定位置信区间分别为[4.28 cm, 5.90 cm]和[4.47 cm, 10.35 cm]。这些结果优于现有的先进算法，在定位误差和计算复杂度方面均表现出优势。实验结果表明，HOSDA-SK方法在风力涡轮机传动系统的故障诊断和健康监测中具有良好的应用前景。

此外，本文还探讨了现有研究中的一些技术瓶颈。例如，虽然传统的快速峭度图方法在一定程度上提高了周期性冲击特征的提取能力，但在噪声抑制和非周期性冲击过滤方面仍存在局限。因此，本文提出了一种新的特征提取指标，即HOSDA-SK，通过结合高阶对称差分分析能量运算和频谱峭度计算，实现了对噪声和非周期性冲击的联合抑制。这一方法不仅能够提高特征提取的准确性，还能够为后续的定位提供可靠的时延估计基础。

在定位方面，本文提出了一种双麦克风定位方案，该方案利用新指标生成的高质量特征和时延信息，实现了对故障位置的估计。这一方法在保持定位精度的同时，有效规避了多传感器阵列的空间限制和成本问题，同时也克服了声发射和超声波技术在部署过程中的局限性。通过结合这两种创新方法，本文构建了一个兼顾诊断精度和实际应用性的集成框架。

本文的研究成果为风力涡轮机传动系统的健康监测和故障诊断提供了新的技术支持。通过HOSDA-SK方法的引入，不仅提高了故障特征提取的准确性，还增强了对噪声和非周期性冲击的抵抗能力。同时，双麦克风定位方案的提出，使得在实际应用中能够实现对故障位置的精确定位，而无需依赖于复杂的多传感器阵列或高成本的声发射/超声波技术。这些创新方法的结合，使得风力涡轮机传动系统的故障诊断更加高效、可靠，并且具备良好的实际应用价值。

在实际应用中，风力涡轮机传动系统的故障诊断不仅需要高精度的特征提取，还需要高效的定位方法。因此，本文提出的方法在两个方面均实现了优化。一方面，通过HOSDA-SK方法的引入，提高了对噪声和非周期性冲击的抵抗能力，从而提高了特征提取的准确性。另一方面，通过双麦克风定位方案的提出，使得在实际部署中能够实现对故障位置的精确定位，而无需依赖于复杂的多传感器阵列或高成本的声发射/超声波技术。这些优化方法的结合，使得风力涡轮机传动系统的故障诊断更加高效、可靠，并且具备良好的实际应用价值。

此外，本文还探讨了现有研究中的一些技术瓶颈。例如，虽然传统的快速峭度图方法在一定程度上提高了周期性冲击特征的提取能力，但在噪声抑制和非周期性冲击过滤方面仍存在局限。因此，本文提出了一种新的特征提取指标，即HOSDA-SK，通过结合高阶对称差分分析能量运算和频谱峭度计算，实现了对噪声和非周期性冲击的联合抑制。这一方法不仅能够提高特征提取的准确性，还能够为后续的定位提供可靠的时延估计基础。

在定位方面，本文提出了一种双麦克风定位方案，该方案利用新指标生成的高质量特征和时延信息，实现了对故障位置的估计。这一方法在保持定位精度的同时，有效规避了多传感器阵列的空间限制和成本问题，同时也克服了声发射和超声波技术在部署过程中的局限性。通过结合这两种创新方法，本文构建了一个兼顾诊断精度和实际应用性的集成框架。

本文的研究成果不仅为风力涡轮机传动系统的健康监测和故障诊断提供了新的技术支持，也为其他旋转机械的故障诊断研究提供了借鉴。通过HOSDA-SK方法的引入，不仅提高了对噪声和非周期性冲击的抵抗能力，还增强了对周期性冲击特征的提取能力。同时，双麦克风定位方案的提出，使得在实际部署中能够实现对故障位置的精确定位，而无需依赖于复杂的多传感器阵列或高成本的声发射/超声波技术。这些优化方法的结合，使得风力涡轮机传动系统的故障诊断更加高效、可靠，并且具备良好的实际应用价值。

综上所述，本文提出了一种新的特征提取指标HOSDA-SK，该方法通过滤波器组将信号分解为子带，对每个子带进行高阶对称差分分析能量运算，生成频率域的谱时序信号，最终计算能量谱时序信号的峭度值，以获取能量频谱平面上的峭度分布，并提取具有最大峭度值的子带。这一方法不仅能够有效抑制噪声和非周期性冲击干扰，还能够准确提取与故障相关的子带信号。此外，本文还提出了一种双麦克风定位方案，该方案利用新指标生成的高质量特征和时延信息，实现了对故障位置的估计。这一方法在保持定位精度的同时，有效规避了多传感器阵列的空间限制和成本问题，同时也克服了声发射和超声波技术在部署过程中的局限性。通过结合这两种创新方法，本文构建了一个兼顾诊断精度和实际应用性的集成框架。该框架不仅能够提高风力涡轮机传动系统的故障诊断效率，还能够为其他旋转机械的故障诊断研究提供新的思路和技术支持。