Escolar Documentos
Profissional Documentos
Cultura Documentos
a
Dynamics Research Group, Departamento de Engenharia Mecânica, The University of Sheffield, Mappin Street, Sheffield S1 3JD,
Reino Unido b
Departamento de Robótica e Mecatrônica, Faculdade de Engenharia Mecânica e Robótica, AGH University of Science and Technology,
al. Mickiewicza 30, 30-059 Cracóvia, Polônia
Historia do artigo: Este artigo trata do monitoramento de condições de caixas de engrenagens de turbinas eólicas
Recebido em 18 de fevereiro de 2013 sob condições operacionais variadas. Geralmente, os sistemas de caixa de engrenagens incluem
Recebido em forma revisada
não linearidades, portanto, um modelo de engrenagem não linear simplificado é desenvolvido, no
26 de fevereiro de 2015
qual o método de análise de frequência de tempo proposto é aplicado pela primeira vez para
Aceito em 5 de março de 2015
facilitar a compreensão dos desafios enfrentados. O efeito de cargas variáveis é examinado nas
Disponível online em 25 de abril de 2015
simulações e, posteriormente, em dados experimentais reais da caixa de engrenagens da turbina
Palavras-chave: eólica. O método Empirical Mode Decomposition (EMD) é usado para decompor os sinais de
Monitoramento de condição vibração em componentes de sinal significativos associados a bandas de frequência específicas
Caixas de engrenagens de turbinas eólicas
do sinal. O problema de mistura de modos do EMD é examinado na parte de simulação e os
Cargas variáveis no tempo
resultados nessa parte do artigo sugerem que mais pesquisas podem ser interessantes em termos
Decomposição em modo empírico
de monitoramento de condições. Para a demodulação amplitude-frequência dos componentes do
Operador de energia Teager-Kaiser
transformada de Hilbert sinal produzidos, a Transformada de Hilbert (HT) é usada como método padrão. Além disso, o
operador de energia Teager-Kaiser (TKEO), combinado com um algoritmo de separação de
energia, é um método alternativo recente, cujo desempenho também é testado no artigo. Os
resultados mostram que a abordagem TKEO é uma alternativa promissora ao HT, pois pode
melhorar a estimativa das características espectrais instantâneas dos dados de vibração sob certas condições.
Crown Copyright & 2015 Publicado pela Elsevier Ltd. Este é um artigo de acesso aberto sob a
licença CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
1. Introdução
As estatísticas mostram que os danos mais frequentes observados em sistemas de turbinas eólicas são nos componentes de controle elétrico, nas pás, no
mancal principal e nas caixas de engrenagens e que o componente mais responsável pelas paradas é a caixa de engrenagens [1] . Isso significa que o monitoramento
das condições das caixas de engrenagens das turbinas eólicas é uma prática necessária. A análise de vibração é uma abordagem comumente usada para
monitoramento de condições e é baseada na ideia de que o maquinário rotativo possui uma assinatura de vibração específica para sua condição padrão que muda
com o desenvolvimento de danos. O monitoramento de condições baseado em vibração deve ser uma tarefa relativamente fácil para redutores operando em
condições estáveis, como oferecido em ambientes de laboratório. Infelizmente, as caixas de engrenagens das turbinas eólicas em funcionamento têm uma assinatura
de vibração que também é afetada pelas condições ambientais (variações de temperatura, turbulência do vento) e cargas variáveis no tempo sob as quais operam.
O
n
Autor correspondente. Tel.: +44 0114 222 7827.
Endereço de e-mail: I.Antoniadou@Sheffield.ac.uk (I. Antoniadou).
http://dx.doi.org/10.1016/j.ymssp.2015.03.003 0888-3270/
Crown Copyright & 2015 Publicado pela Elsevier Ltd. Este é um artigo de acesso aberto sob a licença CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 189
as variações de carga das caixas de engrenagens das turbinas eólicas estão longe de ser suaves e geralmente não são determinísticas e, como os sinais
de vibração tendem a mudar com a velocidade e a carga da caixa de engrenagens, cargas variáveis (e/ou velocidades) podem não necessariamente
gerar sinais estacionários. Nesse caso, falsos alarmes podem ser criados nos sinais e as características dos danos podem ser influenciadas pelas variações.
Isso torna difícil o monitoramento da condição das caixas de engrenagens de turbinas eólicas, uma vez que o processamento de sinal necessário neste
caso deve superar o problema de influências não estacionárias nos sinais não relacionados a danos.
Em geral, os métodos de monitoramento de condição não diferem de outros métodos de detecção de danos, exceto pelo fato de que se conhece a
priori as faixas de frequência relacionadas aos danos, para as engrenagens, rolamentos e outros componentes. Uma revisão dos métodos usados para
detecção de danos é fornecida na Ref. [2]. Nos primeiros estudos, algumas das técnicas convencionais usadas para monitoramento de condições eram
as características de distribuição de probabilidade da vibração, como assimetria e curtose [3], espectro de Fourier e bandas laterais de modulação [4,5] e
análise de Cepstrum [6]. Esses métodos têm sido amplamente utilizados para monitoramento de condições e provaram funcionar bem sob certas
condições, como carregamento constante das caixas de engrenagens.
Infelizmente, na maioria dos casos, os sinais da caixa de câmbio possuem características espectrais que variam com o tempo. Essa variação com o
tempo não pode ser obtida usando a transformada de Fourier, pois essa transformada simplesmente expande um sinal como uma combinação linear de
frequências únicas que existem ao longo do tempo. Esta desvantagem foi a motivação para uma maior atenção aos métodos de análise tempo-frequência,
como a distribuição de Wigner-Ville [7], análise wavelet [8] e análise cicloestacionária [9]. A análise wavelet é provavelmente a técnica mais popular [10],
mas tem a desvantagem de que as funções de base das decomposições são fixas e não correspondem necessariamente à natureza variável dos sinais.
Relativamente recentemente, o método Empirical Mode Decomposition (EMD) também foi proposto [11]. Desde então, a atenção foi colocada na aplicação
do EMD no campo de detecção de danos [12,13]. Essa técnica decompõe o sinal em vários componentes de sinal significativos, representando modos
oscilatórios simples combinados com os dados específicos. Esta é uma das vantagens básicas do EMD quando comparado a outros métodos de tempo-
frequência. Após a decomposição do sinal de vibração, a frequência instantânea e a amplitude de cada componente podem ser estimadas, mais
comumente pela aplicação da Transformada de Hilbert (HT). Uma abordagem alternativa para obter as características instantâneas dos sinais de vibração
decompostos é usar um operador de rastreamento de energia para estimar a energia do sinal, conforme desenvolvido por Teager [14,15], mas introduzido
pela primeira vez por Kaiser [16,17], e então usar um algoritmo de separação de energia para a estimativa do envelope de amplitude e frequência
instantânea de cada componente do sinal produzido pelo método EMD. Este método promete alta resolução e baixo poder computacional.
É por isso que alguns estudos primários ocorreram na literatura [18–20] associados à aplicação desse operador de energia no diagnóstico de falhas de
máquinas. Ref. [20] enfoca a aplicação deste operador para o diagnóstico de falhas de redutores planetários de turbinas eólicas, onde o desafio era a
complexidade espectral dos sinais do redutor planetário sob condições de carga constante. O que o presente estudo visa é mostrar como os desafios das
variações de carga dos sinais de vibração da caixa de engrenagens de turbinas eólicas podem ser superados usando uma abordagem tempo-frequência,
neste caso o método EMD em combinação com o TKEO e um algoritmo de separação de energia. Os conjuntos de dados experimentais usados neste
artigo são obtidos de uma caixa de engrenagens de turbina eólica real em operação, ao contrário de muitos outros estudos. Além disso, apenas alguns
estudos anteriores vão além da aplicação de novos métodos de tempo-frequência no monitoramento da condição e examinam os efeitos das cargas
variáveis no tempo nos sinais de vibração da caixa de câmbio ao tentar fazer o monitoramento da condição [21-24] . Nessas referências, é aplicado o uso
do valor RMS do sinal, ou a soma aritmética das amplitudes dos componentes espectrais da malha de engrenagens, bem como o uso da transformada
de Fourier de curto prazo e a distribuição de Wigner-Ville.
É difícil afirmar todas as vantagens e desvantagens do método EMD e outros métodos de bancos de filtros, como a Transformada de Fourier de curto
prazo (STFT) ou as wavelets, principalmente por causa de seus fundamentos teóricos diferentes. Também é razoável afirmar que, para diferentes
situações, diferentes métodos podem funcionar melhor do que outros. A transformada wavelet e a STFT são semelhantes no sentido matemático, ambos
os métodos decompõem o sinal a ser analisado convoluindo-o com uma “base” pré-definida, por exemplo, a wavelet mãe para o caso da transformada
wavelet. Pode ser mais fácil comparar esses dois métodos nesse sentido, embora isso esteja além do objetivo do artigo atual, pois é o método EMD que
os autores estão examinando no momento. Considerando o caso da transformada wavelet, a escolha das wavelets mãe pode influenciar os resultados
da análise. Além disso, a suposição de estacionaridade durante um intervalo de tempo da wavelet mãe (ou janela para o STFT) pode inibir a estimativa
das mudanças sutis nas frequências. Pelo contrário, o método EMD não é exatamente equivalente por si só aos métodos mencionados anteriormente. O
procedimento da decomposição, ainda não comprovado matematicamente, baseia-se na adaptação às características geométricas do sinal, sem sair do
domínio do tempo. O método decompõe o sinal usando informações relacionadas às características locais para cada escala de tempo do sinal.
Por ser um método adaptativo, representa melhor os mecanismos ocultos nos dados, não sendo necessária nenhuma função de base pré-definida ou
wavelet mãe durante o processo, uma vez que a decomposição é totalmente orientada por dados. A adaptabilidade é, portanto, uma grande vantagem do
método e também, em alguns casos, sua capacidade de estimar melhor mudanças sutis no sinal, devido ao fato de não se usar nenhum tipo de função
de janela no processo e não precisar assumir a estacionaridade para qualquer intervalo de tempo do sinal. Como no caso de todos os métodos, é claro,
o EMD também tem algumas limitações. Os mais conhecidos são os problemas de efeito final e mistura de modos que serão descritos com mais detalhes
nas próximas seções do artigo.
A estrutura do trabalho será a seguinte: na Seção 2 será descrito minuciosamente o modelo de engrenagem utilizado na parte de simulação do
trabalho, bem como o tipo de cargas e o tipo de falha introduzida no modelo. O objetivo da simulação é basicamente testar como o método de análise de
frequência de tempo proposto corresponde aos sinais simulados, a fim de ter uma ideia inicial do tipo de características de dano que se deve esperar nos
dados reais da turbina eólica. Além disso, o efeito da variação de carga nos sinais será examinado neste ambiente de simulação, que é mais controlado
e fácil de entender. Na Seção 3 serão apresentados os conjuntos de dados experimentais dos dados de vibração da caixa de engrenagens da turbina
eólica. O
Machine Translated by Google
190 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
Pinhão
T1, ÿ1
m1,I 1
r1
K(t) C
Rolando
elemento e(t) T2
rolamentos
r2
f2
Engrenagem
Engrenagem m2,I 2
Fig. 1. (a) Um sistema de rolamento de rotor de engrenagem genérico. (b) Modelo de engrenagem não linear 2DOF.
dois métodos de processamento de sinais, a transformada padrão de Hilbert–Huang, e a abordagem alternativa proposta no presente trabalho, consistindo
na combinação do EMD, o TKEO e um algoritmo de separação de energia, serão explicados em detalhes na Seção 4. Finalmente, os resultados tanto para
a simulação quanto para os dados experimentais serão discutidos na Seção 5.
As conclusões serão dadas na Seção 6.
Muitas equipes científicas examinaram o assunto do comportamento dinâmico das engrenagens e vários modelos matemáticos de engrenagens foram
desenvolvidos no passado. Esses modelos podem ser categorizados em lineares variantes no tempo e não lineares variantes no tempo. Os modelos de
engrenagens lineares são indiscutivelmente muito simplificados e, para fins de precisão, modelos não lineares devem ser usados. Isso ocorre porque as
características geométricas dos dentes da engrenagem afetam a dinâmica dos sistemas de engrenagens. A variação da relação de contato do dente da
engrenagem causa uma variação da rigidez da engrenagem. A folga da engrenagem, que é introduzida intencionalmente nos estágios de projeto ou causada
pelo desgaste, torna as equações de movimento dos sistemas de engrenagens não lineares. Esta é a razão pela qual muitos dos modelos analíticos de
engrenagens desenvolvidos serviram no estudo de não linearidades em engrenagens, instabilidades de atrito paramétrico, resposta de frequência não linear
de engrenagens e bifurcação [25-32]. Revisões de modelos dinâmicos de engrenagens são fornecidas nas referências [33–35].
Um sistema de rolamento de rotor de engrenagem genérico que consiste em um par de engrenagens montadas em eixos flexíveis, suportados por rolos
rolamentos de elemento [27], é mostrado na Fig. 1a. As equações governantes do movimento podem ser dadas na forma de matriz como
onde ½M é a matriz de massa invariante no tempo, fqðtÞg é o vetor de deslocamento, ½C é a matriz de amortecimento (assumida como invariante no
tempo), ½KðtÞ é a matriz de rigidez considerada periodicamente variável no tempo, ffðqðtÞÞg é um vetor de deslocamento não linear que inclui as folgas
radiais nos rolamentos e folga das engrenagens e fF ðtÞg é o torque externo e as excitações de erro de transmissão estática interna.
O sistema da Fig. 1a pode ser descrito pelo modelo não linear de dois graus de liberdade mostrado na Fig. 1b, que foi usado em estudos anteriores
[27,29]. Sua validade também foi comparada com resultados experimentais [27]. A malha da engrenagem é descrita por uma função de deslocamento não
linear BðxðtÞÞ com rigidez variável no tempo KðtÞ e amortecimento viscoso linear C. Os rolamentos e eixos que suportam as engrenagens são considerados
rígidos. A flutuação do torque de entrada está incluída, mas o torque de saída é considerado constante: T 1ðtÞ ¼ TteðtÞþT 1varðtÞ e T 2ðtÞ ¼ T com T 2m
sendo o torque de saída médio, TteðtÞ sendo relacionado a excitações de erro de transmissão
2m,e T 1varðtÞ
sendo o torque de entrada externo flutuação. Nesta
simulação T 1ðtÞ inclui um torque produzido usando o código de projeto FAST [36], e será discutido em detalhes na próxima seção. O principal objetivo de
introduzir esta entrada no modelo é adicionar cargas semelhantes àquelas que as caixas de engrenagens das turbinas eólicas experimentam; os modelos
anteriores de engrenagens não incluíam tal característica.
As equações de movimento que descrevem o modelo de engrenagem dado na forma geral são as seguintes, onde ÿi ðtÞ é o
deslocamento de torção, ri é o raio da base e Ii é o momento de inércia de massa da i-ésima marcha:
_
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 191
1.4
1.3
1.2
1.1
(adimensional)
Rigidez
1
0,9
0,8
0,7
0 5 10 15 20 25
0,16
0,14
0,12
(adimensional)
STE
0,1
0,08
0,06
0 5 10 15 20 25
onde n1 e n2 representam o número de dentes de cada engrenagem e ÿi é a frequência de rotação da i-ésima engrenagem.
A rigidez da malha e o erro de transmissão estática são considerados funções periódicas do tempo e podem ser
expresso em uma forma de série de Fourier:
2p
Kt¼Ktþ m
þ X1 Kj cos jÿmesht þÿkj ð5Þ
ÿmalha ! ¼ j¼1
2p
e¼eþ ej cos jÿmesht þÿej ð6Þ
Kÿmalha ! ¼j ¼X1
1
8 xðtÞbg; xðtÞZbg
onde 2bg representa a folga total da engrenagem. A função de folga dos dentes da engrenagem controla o contato entre os dentes e
permite o fato de que ocasionalmente o contato é perdido.
A diferença entre o erro de transmissão dinâmica e o erro de transmissão estática é descrita como
xðtÞ ¼ r1ÿ1ðtÞr2ÿ2ðtÞðtÞ ð8Þ
Machine Translated by Google
192 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
0
B(x(t))
ÿ1 0 1
x(t)
tabela 1
Parâmetros de simulação.
Eq. (8) ajuda a descrever o modelo original com uma única equação de movimento:
€ _
onde
I1I2
mc ¼ ð10Þ
I1r22 þI2r2 1
T 1m T 2m
Fm ¼ ¼
ð11Þ
r1 r2
ffiffiffiffiff
xðtÞ k m C
As equações de movimento do modelo podem ser escritas de forma adimensional fazendo: xt ¼ bg , wn ¼ mc q ,
com ¼ fffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff
2 mcK m p ,
€
F o ðtÞ e ðtÞ
Kt¼ Para ðtÞ
, Fte t ¼ ¼ mc
F tornou-seÞ
, Fvar t ¼ e t ¼ wnt. Além disso, a frequência de excitação adimensional é
k m mcbgw2n _ mcbgw2 n mcbgw2 n
ÿmalha
ÿmalha ¼ . A Fig. 2a mostra o diagrama da rigidez da engrenagem (valores adimensionais) e a Fig. 2b o diagrama da
wn erro de transmissão estática (STE), usado nas simulações do modelo de engrenagem.
A forma adimensional da equação de movimento original é
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 193
1.4
dentes saudáveis
1.3
dente quebrado
1.2
1.1
(adimensional)
Rigidez
1
0,9
0,8
0,7
0 25
Fig. 4. A rigidez da malha para dentes saudáveis e para um dente com trinca (0,3% de redução da rigidez).
0,4
0,2
dimensional)
Aceleração
(não
ÿ0,2
ÿ0,4
0 360
0,4
0,2
0
dimensional)
Aceleração
(não
ÿ0,2
ÿ0,4
0 360
Fig. 5. Os diagramas de aceleração da simulação. (a) Caixa sem danos, condição de carga constante. (b) Carcaça danificada, condição de carga constante.
xðtÞ1; xðtÞZ1 8
BðxðtÞÞ ¼ 0; 1oxðtÞo1 ð14Þ
><
194 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
Amplitude
dimensional)
(não
10-5
0 2 4 6 8 10 12
Frequência (adimensional)
Fig. 6. Os espectros de Fourier da simulação de casos danificados e não danificados para T 1varðtÞ ¼ 0 (condições de carga permanente).
70
60
50
40
entrada
Torque
[kNm]
de
30
20
10
0
10 20 30 40 50 60 70
Tempo [seg]
Fig. 7. O torque do eixo de alta velocidade para condições de vento turbulento (velocidade do vento¼12 m/s, simulação FAST).
0,4
0,2
Aceleração
0
dimensional)
(não
ÿ0,2
ÿ0,4
0 360
0,4
0,2
Aceleração
0
dimensional)
(não
ÿ0,2
ÿ0,4
0 360
Fig. 8. Os diagramas de aceleração da simulação. (a) Caixa sem danos, condição de carga variável. (b) Carcaça danificada, condição de carga variável.
Apesar de ser um modelo de redutor de turbina eólica muito simples, pois é composto por apenas um estágio de engrenagem de dentes retos e
ignora as vibrações dos rolamentos, quando na realidade as caixas de engrenagens das turbinas eólicas geralmente consistem em três estágios de engrenagem com um ou dois
sendo estágios planetários e o restante, estágios de engrenagens paralelas, é suficiente para o presente estudo. A razão é que o tempo
método de frequência que será usado mais adiante tem a capacidade de isolar componentes de frequência específicos do sinal. Mais
estágios de engrenagem em um sinal de vibração significaria mais componentes de frequência em diferentes bandas de frequência. Danos em um determinado
O estágio da engrenagem seria, portanto, “mostrado” no sinal de vibração associado à frequência de engrenamento e seus harmônicos de
o estágio de engrenagem examinado. O que é importante neste modelo de engrenagem, e o principal objetivo das simulações, é mostrar como
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 195
cargas variáveis no tempo, semelhantes às observadas em turbinas eólicas, influenciam os sinais de vibração, e como os métodos de análise tempo-frequência
propostos ajudam neste caso a superar os desafios produzidos por essas influências.
Certos tipos de danos nos dentes da engrenagem causam uma redução na rigidez dos dentes da engrenagem. Esses tipos de danos podem ser modelados
aqui reduzindo a função de rigidez periodicamente, com o período de rotação da engrenagem com o dente danificado. A rigidez do dente é um parâmetro chave
na dinâmica de engrenagens em relação à determinação de fatores como cargas dinâmicas de dente e as características de vibração do sistema de engrenagens.
As mudanças devido ao dano do dente aparecem no espectro de vibração como modulações de amplitude e fase [37-40]. Isso também tem um efeito na forma de
onda de aceleração, para ser mais específico, um aumento local da magnitude da aceleração pode ser observado. Resumidamente, o mecanismo é o seguinte:
quando o dente defeituoso aceita a carga, a trinca se abre gradativamente com o aumento da carga até o ponto em que a carga atinge seu nível máximo. Então,
a carga é gradualmente transferida para os dentes próximos e a trinca se fecha gradualmente. Isso ocorre uma vez por rotação do eixo.
Com relação à simulação aqui, uma falha na engrenagem foi introduzida no modelo reduzindo a rigidez da engrenagem KðtÞ para 99,7% da rigidez nominal
da engrenagem para 5 graus de rotação do eixo, periodicamente, para cada rotação da engrenagem danificada. Isso também foi feito em estudos anteriores,
consulte a Ref. [23]. A Fig. 4 mostra a redução da rigidez de um dente com trinca. A Fig. 5a e b mostram os diagramas de aceleração da simulação para os casos
não danificado e danificado, para condições de carga permanente, respectivamente. Os espectros de Fourier desses diagramas são mostrados na Fig. 6, em
escala logarítmica. A diferença devido ao dano é sutil na faixa de frequência 0–2. Diferenças mais aparentes podem ser vistas nas frequências mais altas (3–4).
As turbinas eólicas sofrem variações de tempo e condições de carga transiente, com mudanças de carga longe de serem suaves. Para simular essas condições
de carga, uma série de códigos aerodinâmicos de turbinas eólicas, desenvolvidos pelo Laboratório Nacional de Energia Renovável (NREL, EUA), é usado neste
trabalho [36]. FAST é um código de projeto escrito em FORTRAN que pode ser usado para simular sistemas de turbinas eólicas sob uma variedade de condições
operacionais, incluindo condições relacionadas à variação da velocidade do vento e turbulência, e partidas e desligamentos de geradores. A Fig. 7 mostra o caso
de carga examinado neste trabalho. São consideradas condições de vento turbulento, com velocidade de vento de 12 m/s.
A variação de carga é mostrada no gráfico de tempo-aceleração como um aumento na amplitude de aceleração quando ocorrem mudanças repentinas de
carga. Tal carga cria uma não estacionariedade no sinal de aceleração. Quanto aos valores deste torque de entrada simulado no FAST, T 1varðtÞ, eles
correspondem a um sistema diferente produzido no FAST. Por este motivo foi importante fazer uma normalização antes de inserir a carga no modelo de
engrenagem simulado. As equações desta normalização são descritas na Seção 2.1. O diagrama de aceleração para os casos não danificados e danificados e
condições de carga variáveis é mostrado na Fig. 8a e b, respectivamente. A influência da carga variável no tempo nos diagramas de aceleração pode ser
observada, uma vez que os sinais se tornaram evidentemente menos suaves e mais não estacionários. Além disso, o efeito do dano é mais difícil de ver no sinal
de aceleração, Fig. 8a e b, em comparação com o exemplo anterior. Os espectros de Fourier desses sinais para os casos danificados e não danificados também
são fornecidos na Fig. 9. As diferenças aqui entre os casos danificados e não danificados não são tão claras quanto para a simulação de carga constante dada na
Fig. 6. Nessas circunstâncias, é ainda mais difícil detectar danos em seus estágios iniciais usando técnicas convencionais de monitoramento de vibração. Os
resultados apresentados são uma comparação muito básica e não podem representar ou provar que todas as técnicas convencionais de monitoramento de
vibração, como por exemplo a média síncrona de tempo, falhariam. Esses números conseguem mostrar que efeitos operacionais variados podem afetar os sinais
de uma forma que pode inibir o desempenho de tais técnicas que ainda podem funcionar em alguns casos, mas nem sempre. É por isso que uma abordagem de
frequência de tempo é proposta neste artigo.
(adimensional)
Amplitude
10-5
0 1 2 3 4 5 6
Frequência (adimensional)
Fig. 9. Os espectros de Fourier da simulação de casos danificados e não danificados para a condição de carga variável.
Machine Translated by Google
196 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
Estágio de engrenagem II
Rápido/
Eixo do gerador
Estágio de marcha I
Placa
Haste Eixo lento
ÿ1
Normalizada
Aceleração
ÿ2
0 360 720 1080 1440
Rotação da Engrenagem [graus]
1500
1000
|S(f)|
500
0
0 2000 4000 6000 8000 10000 12000 14000
Frequência (Hz)
105
|S(f)|
100
10-5
0 500 1000 1500 2000 2500 3000
Frequência (Hz)
Fig. 11. Dados da caixa de engrenagens da turbina eólica NEG Micon NM 1000/60. (a) Sinal de histórico de tempo de aceleração (conjunto de dados 4/4/2010). (b) Espectro de Fourier do
sinal mostrado na Fig. 11a. (c) Detalhe da Fig. 11b (escala logarítmica).
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 197
As medições experimentais foram feitas por membros da empresa EC Grupa, uma empresa de engenharia polonesa que mantém o sistema de turbinas eólicas
de onde foram obtidos os conjuntos de dados de vibração da caixa de engrenagens. Os dados experimentais de vibração da caixa de engrenagens analisados neste
estudo vêm de uma turbina eólica NEG Micon NM 1000/60 na Alemanha. A caixa de engrenagens é descrita pelo esquema cinemático mostrado na Fig. 10.
A Fig. 11a mostra o sinal no domínio do tempo do conjunto de dados obtido em 4/4/2010. A caixa de câmbio examinada possui uma engrenagem de 28 dentes
(roda menor) que engrena com uma engrenagem de 86 dentes (roda maior) no estágio paralelo II, que é aquele em que o dano foi observado.
Os componentes de frequência do sinal, conforme mostrado no espectro de aceleração, Fig. 11b e c, são os seguintes:
15,07, 30,14 Hz: frequência de engrenamento relativa e segundo harmônico da engrenagem planetária, 89,535, 179,07
Hz: frequência de engrenamento relativa e segundo harmônico do primeiro estágio de engrenagem paralela, 352, 705, 1410, 2115,
2820 Hz: frequência e harmônicos relativos de engrenamento do estágio da 2ª marcha paralela, Ruído.
Para isolar as frequências de interesse ao analisar um sinal, é necessária a filtragem passa-banda. Desta forma, pode-se excluir partes do sinal de vibração não
associadas ao componente específico examinado, neste caso, a caixa de engrenagens. Também para o caso de redutores multiestágios, onde os sinais de vibração
são influenciados pelas frequências de malha e harmônicos dos diferentes estágios, a aplicação de bancos de filtros é útil. O método EMD decompõe o sinal no
domínio do tempo em um conjunto de componentes de sinal (funções oscilatórias) no domínio do tempo chamadas funções de modo intrínseco (IMFs). Cada IMF
está associado a uma banda de frequência do sinal, de modo que o método EMD é um método de banco de filtros e pode ser usado para isolar componentes
indesejados dos sinais que estão sendo analisados. Por definição, um IMF deve satisfazer as seguintes condições [11]: (a) o número de extremos e o número de
cruzamentos por zero ao longo de todo o comprimento do IMF devem ser iguais ou diferir no máximo por um, e (b) em qualquer ponto, o valor médio da envoltória
definida pelos máximos locais e da envoltória definida pelos mínimos locais é zero. O método EMD é bem conhecido agora, mas a teoria é adicionada aqui para
completar. O procedimento de decomposição de EMD para extrair um IMF é chamado de processo de peneiramento e consiste nas seguintes etapas:
lðtÞþuddÞ
m1ð Þ¼t ð15Þ
2
198 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
O componente h1ðtÞ é aceito como primeiro componente apenas se satisfizer as condições para ser um IMF. Se não for um IMF, o processo de peneiramento é
seguido até que h1ðtÞ satisfaça as condições para ser um IMF. Durante este processo , h1ðtÞ é tratado como o novo conjunto de dados, o que significa que
seus envelopes superior e inferior são formados e o valor médio desses envelopes, m11ðtÞ, é usado para calcular um novo componente h11ðtÞ esperando que
satisfaça os critérios do IMF: h11ðtÞ ¼ xðtÞm11ðtÞ
ð17Þ
O processo de peneiramento é repetido até que a componente h1kðtÞ seja aceita como uma IMF do sinal x(t) e seja denotada por
Durante o processo de peneiramento, o sinal xðtÞ é decomposto em um número finito N de funções de modo intrínseco e, como resultado, N sinais residuais são
obtidos. O sinal residual é usado como o novo conjunto de dados para etapas subsequentes no processo de peneiramento.
O processo termina quando o último sinal residual, rNðtÞ, é obtido e é uma função constante ou monotônica. O sinal original xðtÞ pode ser exatamente
reconstruído como a soma:
O método EMD é puramente um procedimento empírico, não uma transformação matemática. A principal vantagem do método em comparação com a maioria dos
métodos anteriores de análise de dados é que ele é um método adaptativo baseado e derivado dos dados. Em situações determinísticas o método EMD mostra-se
realmente eficiente como método de decomposição. Em situações estocásticas envolvendo ruído, o método EMD é basicamente um banco de filtros diádicos
semelhantes aos envolvidos na decomposição de wavelets [41,42]. A diferença entre eles é que o EMD é um método de filtragem variante no tempo dependente do
sinal que cria modos e resíduos que podem intuitivamente receber uma interpretação “espectral”, diferente de um método de filtragem de subbanda pré-determinado,
como a transformada wavelet [ 42 ]. Portanto, quando o método funciona bem, ele tem a vantagem de decompor o sinal em um número menor de componentes de
sinal significativos; quando isso não acontece, podem ocorrer problemas conhecidos como “mistura de modo” [43]. “Mistura de modos” é definida como qualquer IMF
que consiste em oscilações de escalas dramaticamente díspares causadas na maioria das vezes pela intermitência dos mecanismos de acionamento. Nesse caso,
diferentes processos físicos podem ser representados em um modo. Ainda assim, como será mostrado, mesmo com este problema, o método EMD se mostra
eficiente para detecção de danos.
O que se segue não é uma explicação teórica da mistura de modos, mas sim uma tentativa de mostrar quando esse fenômeno é encontrado e como ele é exibido
ao implementar o algoritmo EMD, usando alguns exemplos de simulação. Uma vez que não existe uma explicação teórica do EMD, é muito difícil explicar teoricamente
também o problema de mistura de modos, mas pode-se encontrar estudos [43] que tentam dar uma descrição mais aprofundada do fenômeno e propor soluções para
isto. De facto, as simulações que se seguem são semelhantes a alguns dos exemplos dados em [43], mas ajustadas de modo a ajustarem-se à análise do tipo de
sinais que serão encontrados mais tarde ao analisar os conjuntos de dados da caixa de velocidades. Nesse artigo, na tentativa de explicar o problema de mistura de
modos, foram simulados dados com uma parte fundamental como uma onda senoidal de baixa frequência com amplitude unitária e nas três cristas médias da onda
de baixa frequência, oscilações intermitentes de alta frequência com uma amplitude de 0,1 foi adicionada com base na fundamental. Foi demonstrado lá que, devido
aos passos seguidos no processo de peneiramento, o envelope superior não se assemelhava nem ao envelope superior da fundamental (que é uma linha plana na
unidade) nem ao superior das oscilações intermitentes (que se supõe ser o fundamental fora das áreas intermitentes). Em vez disso, o envelope é uma mistura dos
envelopes dos sinais fundamental e intermitente que levaram a uma média de envelope distorcida. Consequentemente, a suposição inicial do primeiro IMF é a mistura
das ondas fundamentais de baixa frequência e das ondas intermitentes de alta frequência.
Aqui, uma simulação semelhante será mostrada. A onda fundamental de menor frequência será uma soma de senoides, descrita pela equação:
enquanto as intermitências serão pulsos senoidais modulados gaussianamente (função Matlab gauspuls.m). A razão para usar tais tipos de intermitência na simulação
é o fato de que danos nos dentes da engrenagem e danos nos rolamentos na maioria das vezes aparecem como impulsos nos sinais de aceleração. Inicialmente a
simulação foi realizada sem adicionar ruído aos sinais.
As primeiras etapas do processo de peneiramento são mostradas nas Figuras 12a e b, onde é óbvio que o que foi afirmado em [43] é verdadeiro.
Quando existem intermitências na simulação, a envoltória média produzida é influenciada tanto pelas envoltórias dos sinais fundamental quanto dos sinais
intermitentes, de fato.
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 199
4
Amplitude
ÿ2
0 100 200 300 400 500
Número do ponto de amostragem
4
Amplitude
ÿ2
0 100 200 300 400 500
Número do ponto de amostragem
Fig. 12. Ilustração das primeiras etapas do processo de peneiramento. A linha azul mostra o sinal, as linhas vermelhas os envelopes superior e inferior e a linha verde
o valor médio dos envelopes. Um sinal contendo (a) nenhuma intermitência e (b) intermitências. (Para interpretação das referências a cores neste
legenda da figura, o leitor é encaminhado para a versão web deste artigo.)
com intermitências
sem intermitências
Amplitude
10-2
O que será mais interessante no estudo atual, porém, é o número de IMFs produzidos nas simulações mostradas, e
o conteúdo de frequência de cada IMF. O PSD dos sinais da Fig. 12a e b é dado na Fig. 13. É evidente que o
sinal contém uma frequência fundamental mais baixa, para ambas as simulações. A existência de intermitências cria alguma maior
componentes de frequência.
Depois de aplicar o algoritmo EMD aos conjuntos de dados descritos anteriormente, foram produzidos dois IMFs para o primeiro caso
e seis FMIs para o segundo caso. Isso é mostrado na Fig. 14. O número de IMFs produzidos é influenciado pelo número de execuções
do algoritmo necessário ao processo de peneiramento para produzir um sinal residual (função constante ou monotônica). Desde
A mistura de modo é a razão pela qual, durante as primeiras etapas do processo de peneiração, as partes de frequência mais alta e mais baixa do
sinal não são separados, mas levados para os próximos modos, pode-se afirmar que a mixagem de modo pode ser uma causa adicional de
a produção de um maior número de IMFs durante a decomposição, o que é realmente confirmado pelos resultados da simulação
dada neste caso.
O resultado da mistura de modos é mostrado na Fig. 15, onde o PSD dos três primeiros IMFs é dado. É óbvio aqui que esses
modos têm bandas de frequência coincidentes.
Este problema parece ser melhorado quando se usa uma abordagem de “análise de dados assistida por ruído” para o EMD, o EEMD e
vários estudos focaram no desempenho do algoritmo EMD na presença de ruído [42,43]. Se a decomposição
é insensível ao ruído adicionado de pequena amplitude e suporta apenas pequenas mudanças, a decomposição é geralmente considerada
estável e satisfaz uma condição de singularidade física; caso contrário, a decomposição é instável e não satisfaz
Machine Translated by Google
200 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
1 2
0,5 1
FMI
1
FMI
1
0 0
ÿ0,5 ÿ1
ÿ1 ÿ2
0 100 200 300 400 500 0 100 200 300 400 500
Número do ponto de amostragem Número do ponto de amostragem
3.2 1
3 0,5
FMI
2
FMI
2
2.8 0
2.6 ÿ0,5
ÿ1
0 100 200 300 400 500 0 100 200 300 400 500
0,5
FMI
3
0
ÿ0,5
ÿ1
0 100 200 300 400 500
FMI
4
0
ÿ1
ÿ2
0 100 200 300 400 500
Número do ponto de amostragem
1,5
0,5
FMI
5
ÿ0,5
ÿ1
0 100 200 300 400 500
3.2
FMI
6
2.8
2.6
2.4
2.2
0 100 200 300 400 500
Fig. 14. IMFs dos sinais mostrados na Fig. 12a e b. Mais particularmente: IMFs de sinal com (a) sem intermitências (linha azul de 12a (a)) e
(b) intermitências (linha azul de 12b (b)). (Para interpretação das referências a cores nesta legenda da figura, o leitor deve consultar a versão web
deste papel.)
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 201
20
FMI 1
FMI 2
15 FMI 3
PSD
10
0
0 0,1 0,2 0,3
Frequência (normalizada)
Fig. 15. O PSD dos três primeiros IMFs do segundo sinal (que contém intermitências).
Amplitude
ÿ2
0 100 200 300 400 500
Número do ponto de amostragem
Amplitude
ÿ2
0 100 200 300 400 500
Número do ponto de amostragem
Fig. 16. Ilustração das primeiras etapas do processo de peneiramento. A linha azul mostra o sinal, as linhas vermelhas os envelopes superior e inferior e a linha verde
o valor médio dos envelopes. Um sinal contendo (a) ruído gaussiano e sem intermitências e (b) ruído gaussiano e intermitências. (Para
interpretação das referências a cores nesta legenda de figura, o leitor é encaminhado para a versão web deste artigo.)
singularidade física. Deste ponto de vista, o EMD é considerado uma técnica instável, pois devido ao modo de mixagem qualquer
a perturbação pode resultar em um novo conjunto de IMFs conforme relatado por [44].
Para sinais determinísticos, ou mesmo sinais que possam conter uma quantidade razoável de ruído, qualquer sinal adicional
componentes devem resultar em IMFs adicionais (uma vez que o algoritmo deve decompor sinais em sinais significativos).
componentes). Se o sinal não contém nenhum ruído e apresenta intermitências, um número ainda maior de IMFs pode ser
esperado. Como o ruído parece resolver o problema de mixagem de modo, se o sinal contém uma certa quantidade de ruído, então
componentes adicionais resultariam em IMFs adicionais novamente, mas desta vez a mistura do modo pode ou não ocorrer,
dependendo da quantidade de ruído que o sinal contém e do tipo de intermitência. Isso será mostrado no próximo
simulação.
Ao analisar o ruído Gaussiano com o EMD, vale ressaltar que conforme já provado em [42], o método EMD
atua como um banco de filtros diádicos. Nesse caso, um número específico de IMFs com bandas de frequência sobrepostas será criado. Isso é
geralmente acredita-se que o ruído parece resolver o problema de mixagem de modo.
Para ter uma ideia de como a adição de ruído influenciaria a simulação anterior, os mesmos conjuntos de dados são usados
novamente no próximo exemplo (Fig. 16a e b), desta vez depois de adicionar ruído gaussiano com uma relação sinal-ruído de 25.
número de IMFs produzidos neste caso é seis para o primeiro conjunto de dados que não contém as intermitências e oito para o
conjunto de dados que contém as intermitências (Fig. 17). A existência de ruído nos conjuntos de dados gerou um número maior de
IMFs, mas novamente para o sinal que continha os pulsos senoidais modulados gaussianamente (intermitências), ainda mais IMFs
foi produzido. Portanto, é óbvio a partir desta simulação que a adição de impulsos em um sinal que contém um pouco de ruído irá
Machine Translated by Google
202 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
0,2 0,4
0,1 0,2
0
FMI
1
FMI
1
0
ÿ0,1 ÿ0,2
ÿ0,2 ÿ0,4
0 100 200 300 400 500 0 100 200 300 400 500
0,1 0,4
0,05 0,2
0
FMI
2
FMI
2
0
ÿ0,05 ÿ0,2
ÿ0,1 ÿ0,4
0 100 200 300 400 500 0 100 200 300 400 500
0,05 0,2
0,1
0
FMI
3
FMI
3
0
ÿ0,1
ÿ0,05 ÿ0,2
0 100 200 300 400 500 0 100 200 300 400 500
0,1 0,2
0,05 0,1
0
FMI
4
FMI
4
0
ÿ0,05 ÿ0,1
ÿ0,1 ÿ0,2
0 100 200 300 400 500 0 100 200 300 400 500
Número do ponto de amostragem Número do ponto de amostragem
1 0,1
0,5 0,05
0
FMI
5
FMI
5
0
ÿ0,5 ÿ0,05
ÿ1 ÿ0,1
0 100 200 300 400 500 0 100 200 300 400 500
3 0,2
2.9
0,1
FMI
6
2.8
FMI
6
0
2.7
2.6 ÿ0,1
2.5 ÿ0,2
0 100 200 300 400 500 0 100 200 300 400 500
0,5
FMI
7
0
ÿ0,5
ÿ1
0 100 200 300 400 500
3.2
3
FMI
8
2.8
2.6
Fig. 17. IMFs dos sinais mostrados na Fig. 16a e b. Mais particularmente: IMFs de sinal com (a) sem intermitências (linha azul de 16a) e (b) com intermitências
(linha azul de 16b). (Para interpretação das referências a cores nesta legenda de figura, o leitor deve consultar a versão web deste artigo.)
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 203
0,4
0,3
PSD 0,2
FMI 3
0,1 FMI 2
FMI 1
0
0 0,2 0,4 0,6 0,8 1
Frequência Normalizada
Fig. 18. O PSD dos três primeiros IMFs do segundo sinal (que contém intermitências).
adicione novamente IMFs adicionais ao executar o método EMD. Os resultados apresentados aqui não são de forma alguma
uma prova teórica de como o problema de mistura de modos afeta a análise EMD em geral, como já mencionado anteriormente,
a referência [43] tem uma explicação mais teoricamente completa do efeito de mistura de modos no método EMD. As
simulações aqui apresentadas visam, sim, ajudar o leitor a entender o que poderia ser esperado nos resultados da análise
neste caso. Finalmente, a Fig. 18 mostra o conteúdo de frequência das três primeiras IMFs do segundo sinal, aquele que
contém as intermitências, para melhor demonstração das diferentes regiões de frequência que essas três IMFs contêm.
O HT é um operador integral linear [45]. Pode ser usado para derivar a representação analítica do sinal x(t). A
representação analítica de um sinal facilita a estimativa da amplitude instantânea e frequência de um sinal. Se x^ðtÞ é o HT
de um sinal xðtÞ, é dado pela equação:
1 þ1
xðÿÞ 1 dÿ ¼ x tð
xt ^ð Þ ¼ Þn tÿ ÿt ð22Þ
pZ 1
onde AðtÞ é o envelope de amplitude do sinal, e ÿðtÞ a fase instantânea. O envelope de amplitude e a fase instantânea
podem ser estimados pelas seguintes equações:
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff
2 2
AttÞ ¼ q xðtÞ thx^ðtÞ ¼ jzðtÞj ð25Þ
Combinando o acima com o método EMD, o sinal original x(t) pode ser expresso como
8
9 i R ÿjðtÞ dt ð28Þ
xðtÞ ¼ Re XN
< AjðtThe =
1 j:¼ ;
onde j é o número dos IMFs e Aj e ÿj a amplitude instantânea e a frequência angular instantânea do jth IMF, respectivamente. A equação acima permite representar
a amplitude instantânea e a frequência instantânea do sinal em um gráfico tridimensional. Esta representação de tempo-frequência é designada como o espectro
de Hilbert.
O FT da Eq. (22) dá
X^ ðÿÞ ¼ XðÿÞðj sgnðÿÞÞ ð29Þ
Eq. ((29) mostra que o HT pode ser estimado de uma forma mais simples: transformando o sinal no domínio da frequência,
e deslocando a fase das componentes de frequência positiva em ÿ=2 e das componentes negativas em þÿ=2 e então
transformando de volta ao domínio do tempo. Portanto, duas propriedades importantes do HT são
204 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
0,5
Amplitude
0
ÿ0,5
ÿ1
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2
Tempo [seg]
O HT é estimado na seguinte análise usando a função Matlab hilbert:m. O algoritmo usado para
calcular o HT usa as seguintes etapas:
A Transformada Rápida de Fourier (FFT) da sequência de entrada é calculada armazenando o resultado em um vetor x.
Um vetor h (janela de Hilbert) é criado. Os elementos deste vetor (h(i)) têm os valores: • para i ¼ 1; þ1 • 2 para i ¼ 2; 3; …
n
• 0 para i ¼ 2
n
2
n
2
þ2;…; n
Estimar a amplitude instantânea após essas etapas é simples, pois é a amplitude do complexo Hilbert
transformar. A frequência instantânea é a taxa de tempo de mudança do ângulo de fase instantâneo.
O operador de energia Teager-Kaiser (TKEO) pode estimar a “energia” instantânea de um sinal e é definido como
onde x(t) é o sinal e x_ðtÞ e x€ðtÞ são suas primeira e segunda derivadas, respectivamente. No caso de tempo discreto, as derivadas de tempo na Eq. (30) pode ser
aproximado por diferenças de tempo:
2
ÿd½xðnÞ ¼ xðnÞ xðnþ1Þxðn1Þ ð31Þ
O TKEO oferece excelente resolução de tempo porque apenas três amostras são necessárias para o cálculo de energia em cada instante de tempo. Os operadores
ÿc e ÿd foram desenvolvidos por Teager durante seu trabalho em modelagem de produção de fala [14,15] onde ele descreveu as não linearidades da produção de
fala e mostrou um gráfico da “energia criando som”, sem fornecer o algoritmo para calcular isso “ energia". Posteriormente, Kaiser apresentou o algoritmo desenvolvido
por Teager em seu trabalho [16,17].
Uma abordagem alternativa ao algoritmo de separação por transformada de Hilbert para a estimativa do envelope instantâneo A(t) e da frequência instantânea
do sinal f(t) foi desenvolvida em [ 47]. Ele usa o TKEO para estimar inicialmente a energia necessária para gerar o sinal que está sendo analisado e depois separá-lo
em seu componente de amplitude e frequência usando um algoritmo de separação de energia.
1 x_ðtÞ
f tð Þ¼ ð32Þ
2ÿ
ÿ½xðtÞ s
ÿ½xðtÞ
A tðÞ ¼ ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff
ð33Þ
ÿ½xðtÞ p
Essas equações estimam exatamente a frequência instantânea e o envelope de amplitude de um sinal senoidal, e os erros de aproximação para os casos de
modulação em amplitude (AM), modulação em frequência (FM) e sinais AM-FM são pequenos [48] . Foram desenvolvidos vários algoritmos de separação de energia
em tempo discreto; aqui
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 205
2.5
1,5
Amplitude
0,5
2.5
1,5
Amplitude
0,5
Fig. 20. Envelope de amplitude do sinal chirp usando as duas abordagens diferentes de demodulação amplitude-frequência. Resultados obtidos usando (a) o HT e (b) o
TKEO e Desa-1.
300
200
Frequência
[Hz]
100
300
200
Frequência
[Hz]
100
Tempo [seg]
Fig. 21. Frequência instantânea do sinal chirp usando as duas abordagens diferentes de demodulação de amplitude-frequência. Resultados obtidos usando (a) o HT e
(b) o TKEO e Desa-1.
Machine Translated by Google
206 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
0,2
0,1
Aceleração
dimensional)
(não
0
ÿ0,1
ÿ0,2
0 360 720 1080
0,2
0,1
Aceleração
0
dimensional)
(não
ÿ0,1
ÿ0,2
0 360 720 1080
0,2
0,1
Aceleração
dimensional)
(não
0
ÿ0,1
ÿ0,2
0 360 720 1080
Fig. 22. Diagramas de aceleração das simulações. (a) Caixa não danificada – carga constante. (b) Caixa não danificada – carga variável no tempo. (c) Dano precoce em um
dente – carga variável no tempo.
ÿd½xðnÞ
A n d Tj ð35Þ
2
1 1ÿd½yðnÞþÿd½yðnþ1Þ
uau 4ÿd½xðnÞ
onde x(n) é o sinal e yðnÞ ¼ xðnÞxðn1Þ é sua diferença assimétrica para trás e se T é o período de amostragem:
Fi ¼ f iT ð36Þ
A parte de estimativa de frequência assume que 0oFiðnÞoÿ , o que significa que o algoritmo pode estimar frequências até
1/2 da frequência de amostragem. Isso se deve ao fato de que a função seno e sua inversa têm uma correspondência única
entre 0 e ÿ=2. Como o argumento do seno é Fi=2, segue-se que a frequência pode ser determinada exclusivamente para qualquer Fi
entre 0 e ÿ. Um exemplo simulado simples para mostrar o desempenho da Transformada de Hilbert e da
A abordagem TKEO/Desa-1 é fornecida aqui. A frequência instantânea e o envelope de amplitude de um sinal chirp, Fig. 19, são
calculado por ambos os métodos. Os resultados, fig. 20a, b, 21a e b, mostram que ambos os métodos têm quase a mesma resolução
com o método de separação de energia fazendo um pouco melhor.
A razão pela qual os resultados do HT mostram um problema de efeitos finais pior está relacionada a um problema de convolução circular [49]. Esse
O problema provavelmente poderia ser resolvido se alguém escolhesse preencher com zeros ou truncar os dados analisados. Isso também poderia melhorar a
resolução do método, embora tornasse o algoritmo um pouco mais lento. Uma vez que a análise dos dados experimentais
não apresentou problemas semelhantes, como será mostrado mais adiante, pois as variações nos sinais não eram tão dramáticas quanto as
variação no chirp simulado, este problema não é de grande importância no presente estudo.
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 207
FMI
1 FMI
1 FMI
1
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
2 0,01 0,01
FMI
8 FMI
8
FMI
8
0 0 0
ÿ2 ÿ0,01 ÿ0,01
ÿ4 ÿ0,02 ÿ0,02
0,01 0,02
Rotação da Engrenagem [graus]
0,005 0,01
FMI
10
FMI
10
0 0
ÿ0,005 ÿ0,01
ÿ0,01 ÿ0,02
0 360 720 1080
0,005
FMI
11
ÿ0,005
ÿ0,01
x 10
1
0,5
FMI
12
ÿ0,5
ÿ1
x 10
ÿ4
ÿ5
FMI
13
ÿ6
ÿ7
ÿ8
0 360 720 1080
Fig. 23. Funções de modo intrínseco de simulações: (a) caso não danificado – carga constante, (b) caso não danificado – carga variável no tempo e (c) dano precoce em um
dente – carga variável no tempo.
Machine Translated by Google
208 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
0,015
FMI 5, caso 3
FMI 3, caso 2
0,01
FMI 2, caso 1
PSD
0,005
0
0 1 2 3 4 5
Frequência (adimensional)
0,02
FMI 6, caso 3
FMI 4, caso 2
0,015
FMI 3, caso 1
0,01
PSD
0,005
0
0 1 2 3 4 5
Frequência (adimensional)
Fig. 24. PSD usando o método de Welch dos IMFs mostrados na Fig. 23. (a) 1º IMF do 1º caso, 2º IMF do 2º caso e 4º IMF do 3º caso. (b) 2º
FMI do 1º caso, 3º FMI do 2º caso e 5º FMI do 3º caso. (c) 3º FMI do 1º caso, 4º FMI do 2º caso e 6º FMI do 3º caso.
O principal problema que ocorre durante a estimativa das características instantâneas do sinal em análise,
usando ambos os métodos, é que existe uma diferenciação no processo. Esta é a razão pela qual sinais com baixa relação sinal-ruído
A relação não pode ser analisada de forma eficiente, uma vez que a diferenciação amplifica o ruído. Portanto, aplicando um filtro apropriado antes do
a estimativa das características instantâneas, a fim de reduzir o ruído do sinal, é importante. Mais particularmente, o TKEO pode
ser aplicado apenas a sinais monocomponentes, portanto, um método de banco de filtros deve primeiro ser aplicado ao sinal analisado para
extrair seus monocomponentes e analisá-los separadamente com a abordagem TKEO/Desa-1. Neste caso, o método EMD é
o método do banco de filtros aplicado. Além disso, deve-se prestar atenção para ter sinais suaves o suficiente para ambos
a separação amplitude-frequência se aproxima, uma vez que a diferenciação pode produzir picos nos pontos onde o sinal é
Não suave. Por esta razão, uma interpolação spline cúbica no processo de peneiração EMD é preferida, em oposição a uma linear
interpolação que não produziria IMFs suaves, e também um filtro de suavização deveria ser aplicado aos IMFs produzidos
antes da estimativa de suas características instantâneas.
5. Resultados
A Fig. 23 exibe os resultados do EMD nos sinais de vibração simulados dados na Fig. 22a, b e c que correspondem a
três casos diferentes. O primeiro caso é uma simulação sob condições de carga constante e sem nenhum dano de dente na engrenagem
modelo. O segundo caso é uma simulação sob carga variável no tempo, produzida em FAST e sem nenhum dano ao dente no
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 209
1,5
Frequência
0,5
0
0 360 720 1080
Rotação da Engrenagem [graus]
1,5
Frequência
0,5
0
0 360 720 1080
Rotação da Engrenagem [graus]
Fig. 25. Frequência instantânea da 3ª FMI do terceiro caso simulado. (a) Resultados da Transformada de Hilbert. (b) Resultados de TKEO e DESA-1.
modelo de engrenagem. Finalmente, o terceiro caso é a simulação sob carga variável no tempo e com um dente danificado precocemente. Os diagramas
representam três revoluções da engrenagem. Pode-se observar que o primeiro caso produzido possui o menor número de componentes do sinal IMF.
A aplicação da carga variável no tempo no modelo criou efeitos no sinal que foram reconhecidos pelo algoritmo EMD como mais componentes do sinal
do que no caso anterior; é por isso que desta vez mais um FMI foi extraído.
Finalmente, a introdução do dano criou três IMFs a mais do que o segundo caso. A razão pela qual mais três IMFs foram produzidos neste caso, em
vez de apenas um, está relacionada ao problema de “mistura de modos” discutido nas Seções 4.1 e 4.3.
Basicamente, os IMFs 2, 3 e 4 contêm a região de frequência dos harmônicos da frequência de malha e incluem recursos de dano que provavelmente
deveriam ser encontrados em apenas um IMF e seriam separados do restante dos componentes do sinal se o algoritmo EMD funcionasse perfeitamente.
O dano é mostrado nesses IMFs como pulsos periódicos com o período de revolução da engrenagem danificada. Portanto, o dano é uma intermitência
no sinal de vibração.
A melhor IMF que representa os efeitos do dano visualmente (os pulsos são mais aparentes) é a IMF 3. As características instantâneas desta IMF
podem fornecer provavelmente os melhores recursos para detecção de danos, embora a análise das outras duas IMFs forneça recursos suficientes
também. A ocorrência do problema de “mistura de modos” do EMD, da forma como é mostrado nesta simulação, sugere que novas pesquisas podem
ser interessantes para saber se o número de IMFs, para o caso de sinais de caixa de câmbio que não contêm uma quantidade significativa de ruído,
pode servir como mais um indicador de dano, tendo em vista que um maior número de IMFs pode ser produzido neste caso não apenas devido a novas
frequências no sinal relacionadas ao dano, mas também devido à mistura de modos.
Esta é uma observação interessante que não foi encontrada em outros estudos, que trataram a “mistura de modos” como uma desvantagem e
propuseram métodos aprimorados do algoritmo para monitoramento de condições. Estritamente falando, a “mistura de modo” é de fato uma característica
problemática do algoritmo em termos de processamento de sinal, uma vez que pode reduzir a resolução da análise tempo-frequência. Ainda assim,
mesmo sob essas circunstâncias, o EMD produz, se não melhor, pelo menos resultados iguais aos de outros métodos de frequência de tempo, como
wavelets. Tudo o que foi dito acima leva os autores a acreditar que pode haver um potencial em usar essa característica do EMD como um indicador de
dano, uma vez que o dano é uma forma de intermitência nos sinais de vibração que poderia criar um número significativamente maior de IMFs
produzidos.
Outra observação é que o tipo de carga variável no tempo usada nessas simulações tem efeito no primeiro IMF dos sinais. A maior parte do efeito
da variação de carga é decomposta no primeiro IMF da decomposição e, portanto, identificada principalmente como “ruído” ou um componente de alta
frequência pelo método EMD. É importante dizer aqui que o primeiro IMF de cada caso representa uma banda de frequência diferente. Basicamente,
no segundo e terceiro casos examinados, existe uma componente de alta frequência, influenciada pela carga variável no tempo, e representada pelo
primeiro IMF, que não existe no primeiro caso, que é o caso de carga estável sem danos. A segunda FMI do segundo caso, Fig. 23b, e a quarta FMI do
terceiro caso, Fig. 23c, são equivalentes à primeira FMI do primeiro caso, Fig. 23a. Eles representam a mesma banda de frequência, em torno dos
harmônicos da frequência de malha. E de maneira semelhante, as IMFs que seguem para os três casos examinados representam as mesmas bandas
de frequência do sinal. Isso é mostrado na Fig. 24a, onde as densidades espectrais de potência (PSDs) do 1º IMF da primeira simulação, o 2º IMF da
segunda simulação e o 4º IMF da terceira simulação são comparados e é óbvio que
Machine Translated by Google
210 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
0,08
0,06
0,04
Amplitude
0,02
0
0 360 720 1080
Rotação da Engrenagem [graus]
0,08
0,06
0,04
Amplitude
0,02
0
0 360 720 1080
Rotação da Engrenagem [graus]
Fig. 26. Amplitude instantânea da 3ª FMI do terceiro caso simulado. (a) Resultados da Transformada de Hilbert. (b) Resultados de TKEO e DESA-1.
0,5 0,5 1
0 0 0
FMI
1 FMI
1 FMI
1
ÿ0,5 ÿ0,5 ÿ1
ÿ1 ÿ1 ÿ2
0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000
ÿ2000
ÿ0,5
ÿ4000
ÿ5000 ÿ6000 ÿ1
0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000
ÿ2000
ÿ0,5
ÿ4000
ÿ5000 ÿ6000 ÿ1
0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000
0 0 0
FMI
4 FMI
4 FMI
4
Fig. 27. Os primeiros quatro IMFs dos dados da caixa de engrenagens do aerogerador: (a) 31/10/2009, (b) 02/11/2010 e (c) 04/04/2010.
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 211
10
FMI 1
FMI 2
FMI 3
FMI 4
FMI 5
10 FMI 6
PSD
FMI 7
FMI 8
FMI 9
FMI 10
FMI 11
10 FMI 12
FMI 13
10
FMI 1
FMI 2
FMI 3
10
FMI 4
FMI 5
FMI 6
PSD
10
FMI 7
FMI 8
FMI 9
10
FMI 10
FMI 11
FMI 12
10
0 2000 4000 6000 8000 10000 12000 14000
Frequência [Hz]
10
FMI 1
FMI 2
FMI 3
FMI 4
FMI 5
FMI 6
10 FMI 7
PSD
FMI 8
FMI 9
FMI 10
FMI 11
FMI 12
10 FMI 13
Fig. 28. PSD das IMFs decompostas para cada conjunto de dados. (a) Dataset 31/10/2009. (b) Conjunto de dados 02/11/2010. (c) Conjunto de dados 4/4/2010. (Para interpretação do
referências a cores nesta legenda de figura, o leitor é encaminhado para a versão web deste artigo.)
eles caem nas mesmas bandas de frequência. Da mesma forma, os PSDs dos próximos dois FMIs de cada caso são comparados em
As Fig. 24b ec levam à mesma conclusão. Os efeitos da carga variável no tempo também influenciam essas bandas de frequência,
ainda assim, isso não criará nenhum problema na parte de detecção de danos. A razão é principalmente porque o algoritmo EMD
consegue criar um IMF representando as frequências de efeitos de danos no sinal de vibração, neste caso o IMF 3 do
terceira simulação e a isola do restante dos componentes do sinal.
Finalmente, deve-se lembrar ao proceder na análise dos FMIs que o primeiro FMI representa o maior
componente de frequência do sinal, e os seguintes representam componentes de frequência mais baixa. Então ruído, que neste
caso não tenha sido adicionado aos sinais, os harmônicos da frequência de malha do modelo de engrenagem, a frequência de malha de
o modelo e os componentes de frequência mais baixa são representados nesta ordem específica pelos IMFs, se existirem no sinal.
O mesmo número de IMF não necessariamente representa a mesma escala de tempo do sinal para os diferentes casos examinados.
Além disso, geralmente são os primeiros IMFs que terão indicadores de danos, pois representam a maior frequência
componentes, e são mais adequados para a identificação de danos.
A separação amplitude-frequência do terceiro IMF do terceiro caso (danificado), usando ambas as abordagens, o Hilbert
A transformação e a abordagem do operador Teager Kaiser são apresentadas nesta seção. Ambos os métodos parecem ter efeitos semelhantes
resolução nos diagramas de frequência (Fig. 25a eb) e amplitude (Fig. 26a eb). O que se mostra aqui é que o
frequência do terceiro IMF, que foi identificado como o mais sensível ao dano, cai no ponto onde ocorre o dano,
enquanto a amplitude aumenta. O aumento da amplitude instantânea pode ser explicado devido ao aumento da
níveis de vibração quando o dente danificado se encaixa. A frequência instantânea, por outro lado, cai porque o
Machine Translated by Google
212 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
Fig. 29. Os espectros de Teager dos três conjuntos de dados. O eixo horizontal mostra a rotação aproximada da engrenagem e o eixo vertical a frequência instantânea. O
espectro Teager de (a) conjunto de dados 31/10/2009, (b) conjunto de dados 02/11/2010 e (c) conjunto de dados 04/04/2010.
a rigidez da malha cai e a complacência aumenta nesse momento. Isso acontece porque o dente danificado é mais flexível (mais complacente) devido ao dano. A frequência
instantânea pode ser potencialmente usada para diagnósticos. A única restrição neste caso pode ser que a estimativa de frequência pode ser muito influenciada pelo ruído,
mas existem soluções simples para este problema (filtragem, que é o que o método EMD faz, e suavização).
Uma medida do poder do terceiro IMF pode ser estimada de acordo com a equação:
P ¼ 21 A2 e ð Tht ð37Þ
onde Ai é a amplitude instantânea do i-ésimo IMF. Esta medida pode ser usada para criar o diagrama Teager Spectrum que é mostrado mais adiante nos resultados
experimentais. Esta medida de potência nada tem a ver com a “energia” Teager que também pode ser estimada de acordo com a Eq. (30). Desta forma, é aceitável fazer
comparações entre os resultados que ambos os métodos produzem.
Os três diferentes conjuntos de dados obtidos a partir dos dados da caixa de engrenagens da turbina eólica também foram decompostos usando o método EMD e os
resultados são mostrados na Fig. 27. O primeiro conjunto de dados foi decomposto em 13 IMFs, o segundo em 12 IMFs e o terceiro em 13 IMFs . Os diagramas representam
quatro rotações da roda menor do estágio paralelo 2 (danificado
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 213
6250
5000
Frequência
3750
2500
1250
0 360 720 1080 1440
6250
5000
Frequência
3750
2500
1250
0 360 720 1080 1440
Rotação da Engrenagem [graus]
6250
5000
Frequência
3750
2500
1250
0 360 720 1080 1440
Rotação da Engrenagem [graus]
Fig. 30. Diagramas de frequência instantânea (TKEO/ Desa-1) do 2º IMF. (a) Dataset 31/10/2009. (b) Conjunto de dados 02/11/2010. (c) Conjunto de dados 4/4/2010.
engrenagem). Pequenas flutuações de velocidade podem existir, então o período de rotação pode não ser exatamente constante durante toda a duração do
conjuntos de dados.
Apenas os primeiros quatro FMIs são apresentados aqui. O conteúdo de frequência de cada IMF é mostrado na Fig. 28a, b e c que mostra
o PSD de todos os IMFs para cada conjunto de dados. Os primeiros quatro IMFs são as frequências dadas pelo azul escuro, verde, vermelho e claro
linhas azuis nesta figura (domínio da frequência). O primeiro IMF é a banda de frequência mais alta do sinal (ruído). O segundo FMI
contém parte do quarto e do quinto harmônico de frequência de malha (faixa de frequência: 2.500–5.000 Hz). O terceiro FMI
contém principalmente o terceiro e parte do quarto harmônico de frequência de malha (faixa de frequência: 500–3000 Hz). O quarto
IMF contém principalmente o segundo harmônico de frequência de malha (faixa de frequência: 200–1500 Hz). O quinto FMI contém principalmente
a primeira frequência de malha harmônico-fundamental (faixa de frequência: 150–600 Hz). O restante dos FMIs (não fornecidos aqui) são
relacionados com as frequências e harmônicos de malha dos outros estágios da caixa de engrenagens e com componentes de frequência mais baixa de
os sinais.
A falha do dente é mostrada mais claramente no segundo IMF como pulsos (quase) periódicos ocorrendo no momento em que o
a engrenagem danificada (pequena roda do estágio da terceira marcha) engata. O período desses pulsos coincide com o período de rotação de
a engrenagem danificada.
Pulsos periódicos podem ser vistos, mas com menos clareza no terceiro IMF. Sem proceder a qualquer análise mais aprofundada, há claramente
alguma indicação de dano no primeiro conjunto de dados que foi inicialmente considerado como descrevendo a caixa de câmbio em um estado não danificado
doença. Esta conclusão é tirada neste ponto pelo fato de que pulsos periódicos foram produzidos no segundo e no terceiro
FMI do primeiro caso também. O método EMD produziu 13 IMFs, número igual ao produzido no terceiro
caso, onde o dano foi avançado, e um em número a mais do que o número de IMFs do segundo caso.
Machine Translated by Google
214 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
x 106
6
4
Poder
0
0 360 720 1080 1440
Rotação da Engrenagem [graus]
x 106
12
10
8
6
Poder
4
2
0
0 360 720 1080 1440
Rotação da Engrenagem [graus]
x 107
4
2
Poder
0
0 360 720 1080 1440
Rotação da Engrenagem [graus]
Fig. 31. Potência (TKEO/ Desa-1) do 2º IMF. (a) Dataset 31/10/2009. (b) Conjunto de dados 02/11/2010. (c) Conjunto de dados 4/4/2010.
Os autores foram informados após terem realizado a análise que o primeiro conjunto de dados, descrito como um conjunto de dados de referência,
foi realmente tirada quando a caixa de câmbio já havia mostrado algumas primeiras indicações de danos. Os autores também foram informados
que na verdade não é facilmente viável obter conjuntos de dados de uma caixa de engrenagens durante sua condição saudável e danificada.
Coletar todos os dados de vibração de uma caixa de engrenagens saudável com a expectativa de que ela possa falhar em um futuro próximo ou não tão próximo,
significaria que um grande armazenamento de dados é necessário.
Uma observação final sobre a influência da carga variável da caixa de engrenagens da turbina eólica será dada aqui. Apesar do
fato de que o caso aqui examinado diz respeito à terceira marcha, que não deve ser tão afetada quanto a primeira marcha, por
a variação de carga causada pelas turbulências do vento, a análise dos dados experimentais mostra que mesmo nesta etapa do
caixa de engrenagens é influenciada, sublinhando a importância de examinar mais a fundo o caso de monitoramento de condição sob carga variável
condições. Neste caso, grande parte da influência da carga variável nos sinais de vibração é transportada no primeiro IMF, assim como em
das simulações, além de outros tipos de ruídos que possam existir na nacele do aerogerador. Variação de carga devido ao vento
a turbulência influencia principalmente as bandas de frequência mais altas do sinal. A variação de carga também pode ser observada em outros IMFs
relacionados a outras bandas de frequência. O fato de o segundo caso, conjunto de dados 02/11/2010, produzir um número menor de IMFs do que
os outros dois, apesar de já ter sido identificado pelos sistemas de monitoramento da condição do aerogerador como
descrevendo uma caixa de câmbio danificada e, portanto, deve ter pelo menos o mesmo número de IMFs do primeiro caso, é provavelmente
explicado pelas diferentes condições de carga que podem ter existido nas medições específicas.
De fato, saber agora que a caixa de câmbio está danificada em todos os conjuntos de dados e como os níveis de ruído são altos significa que esses dados
não pode ser usado para apoiar ou contradizer a hipótese de que o dano pode ser refletido no número de IMFs. Ao contrário do
Machine Translated by Google
I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216 215
simulações, todos os conjuntos de dados experimentais parecem ter danos e quase o mesmo nível de carga ambiental.
Por outro lado, os dados não contradizem a hipótese. Mais pesquisas são necessárias.
Para obter o envelope de amplitude e a frequência instantânea das IMFs apresentadas na seção anterior, as IMFs foram primeiro filtradas com um filtro de
suavização (filtro de suavização sgolay no Matlab). Desta forma, com o cálculo das características instantâneas das IMFs pode-se obter os diagramas 3D dos sinais,
mostrados na Fig. 29a, b e c. Apenas os resultados obtidos usando os algoritmos TKEO/Desa-1 são mostrados aqui, pois foi mostrado anteriormente que ambas as
abordagens, HT e TKEO, fornecem resultados semelhantes nas simulações.
O dano tem novamente o mesmo padrão das simulações, então basicamente a frequência do segundo IMF, que ocupa a banda de frequência 2500–5000 Hz
(aproximadamente), cai cada vez que o dente danificado se encaixa (Fig. 29a, b e c ) . Isso é melhor mostrado na Fig. 30a, b e c, onde o diagrama de frequência
instantânea é plotado. Este IMF representa a banda de frequência do quinto harmônico do estágio II da engrenagem paralela (2820 Hz, conforme mencionado
anteriormente). Os níveis de potência também aumentam naquele momento específico, Fig. 31a, b e c. À medida que o dano aumenta, os níveis de poder aumentam
e, portanto, as escalas nos diagramas 3D aumentam. Além disso, confirma-se nesta parte da análise que também existem algumas indicações de danos no primeiro
conjunto de dados e, como está em uma escala de potência relativamente muito mais baixa, deve estar em um estado inicial.
Uma observação final que pode ser feita aqui está relacionada aos resultados de frequência instantânea. Geralmente as flutuações na velocidade levam à
modulação de frequência, enquanto as modulações de amplitude estão relacionadas principalmente às variações de carga. As Fig. 30a, b, c deste ponto de vista
sugerem que também existem variações de velocidade nas medições que são possivelmente maiores para os dois últimos conjuntos de dados (2/11/2010) e (4/4/2010).
O método proposto, portanto, pode ter um uso potencial em casos onde tanto a carga quanto a velocidade variam.
6. Discussão e conclusão
Este estudo tem dois propósitos principais. O primeiro é testar uma técnica de separação de amplitude-frequência recentemente emergida, a fim de realizar o
monitoramento de condição baseado em análise de tempo-frequência com o uso do método EMD. O segundo é examinar o efeito das condições de carga variável no
tempo presentes nas caixas de engrenagens das turbinas eólicas ao tentar realizar o monitoramento da condição de tais sistemas. Com relação ao primeiro objetivo
do trabalho, foi demonstrado que o TKEO, em combinação com o algoritmo de separação de energia Desa-1, pode ser uma boa abordagem alternativa ao HT, pois
oferece, sob a condição de análise monocomponente, suave e limpo sinais, pelo menos os mesmos resultados de qualidade que o HT. Em relação ao segundo objetivo
do estudo, tanto os resultados de um modelo de engrenagem não linear simulado que incluiu condições de carga variáveis semelhantes às produzidas em turbinas
eólicas quanto os resultados de dados reais da caixa de engrenagens de turbinas eólicas confirmaram que cargas variáveis podem criar dificuldades no monitoramento
da condição. O método EMD conseguiu separar a maior parte das influências de carga variável no tempo dos sinais de vibração, deixando os componentes do sinal
que poderiam estar relacionados a danos, disponíveis para análise posterior com as técnicas HT ou TKEO. A análise de frequência de tempo realizada com a
abordagem TKEO extraiu com sucesso características sensíveis a danos. Mais particularmente, a amplitude instantânea, ou uma medida estimada de potência, do
IMF que corresponde à região de frequência dos harmônicos da frequência de engrenamento do par de engrenagens danificado pode indicar a existência de danos
como pulsos periódicos. A frequência instantânea também pode ser utilizada para a extração de características, desde que as quedas de frequência apareçam no
mesmo IMF. Uma hipótese, inicialmente levantada devido aos resultados das simulações, e que sugeria que o número de IMFs poderia ser uma indicação de danos e/
ou diferentes condições de carga nos conjuntos de dados examinados (com algumas restrições), não foi confirmada ou contrariada pelo conjuntos de dados
experimentais analisados neste estudo. Portanto, novas pesquisas podem ser interessantes sobre esse assunto.
Reconhecimentos
Este trabalho faz parte do projeto SYSWIND, no âmbito da Rede Marie Curie e financiado pelo Sétimo Programa-Quadro da Comissão Europeia. O apoio do
Conselho de Pesquisa em Engenharia e Ciências Físicas do Reino Unido (EPSRC) por meio da referência de concessão no. EP/J016942/1 também é muito
reconhecido.
Os autores também gostariam de agradecer aos revisores por seus comentários perspicazes que ajudaram significativamente a melhorar este artigo.
Referências
[1] Tabela de resumo de dados de turbinas eólicas 2. WindStats Newsletter 1 (2007) 20.
[2] SW Doebling, CR Farrar, MB Prime, DW Shevitz, Identificação de Danos e Monitoramento da Saúde de Sistemas Estruturais e Mecânicos de Mudanças
em Vibration Characteristics: A Literature Review, Los Alamos National Laboratory, 1996.
[3] J. Antoni, A curtose espectral: uma ferramenta útil para caracterizar sinais não estacionários, Mech. Sist. Processo de sinal. 20 (2006) 282-307.
[4] M. Inalpolat, A. Kahraman, Uma investigação teórica e experimental de bandas laterais de modulação de conjuntos de engrenagens planetárias, J. Sound Vib. 323 (3–5) (2009)
677-696.
[5] M. Inalpolat, A. Kahraman, Um modelo dinâmico para prever bandas laterais de modulação de um conjunto de engrenagens planetárias com erros de fabricação, J. Sound Vib. 329
(4) (2010) 371–393.
[6] ME Badaoui, F. Guillet, J. Daniére, Novas aplicações do cepstrum real para sinais de engrenagens, incluindo a definição de um indicador de falha robusto, Mech. Sist.
Processo de sinal. 18 (5) (2004) 1031–1046.
Machine Translated by Google
216 I. Antoniadou et al. / Sistemas Mecânicos e Processamento de Sinais 64-65 (2015) 188–216
[7] WJ Staszewski, K. Worden, GR Tomlinson, Análise de tempo-frequência na detecção de falhas de caixas de engrenagens usando a distribuição e padrão de Wigner-Ville
reconhecimento, Mec. Sist. Processo de sinal. 11 (5) (1997) 673-692.
[8] WJ Staszewski, GR Tomlinson, Aplicação da transformada wavelet para detecção de falhas em uma engrenagem reta, Mech. Sist. Processo de sinal. 8 (3) (1994) 289–307.
[9] J. Antoni, RB Randall, Diagnóstico diferencial de falhas de engrenagens e rolamentos, J. Vib. Acústico. 124 (2) (2009) 165–171.
[10] ZK Peng, FL Chu, Aplicação da transformada wavelet no monitoramento da condição da máquina e diagnóstico de falhas: uma revisão com bibliografia, Mech.
Sist. Processo de sinal. 18 (2) (2004) 199–221.
[11] NE Huang, Z. Shen, SR Long, MC Wu, HH Shih, Q. Zheng, et al., A decomposição do modo empírico e o espectro de Hilbert para não lineares e não
análise de séries temporais estacionárias, Proc. R. Soc. Lond. Ser. R: Matemática. Física Eng. ciência 454 (1971) (1998) 903–995.
[12] R. Ricci, P. Pennacchi, Diagnóstico de falhas de engrenagem baseado em EMD e seleção automática de funções de modo intrínseco, Mech. Sist. Processo de sinal. 25 (3)
(2011) 821–838.
[13] A. Parey, ME Badaoui, F. Guillet, N. Tandon, Modelagem dinâmica de par de engrenagens retas e aplicação de estatística baseada em decomposição de modo empírico
análise para detecção precoce de defeito dentário localizado, J. Sound Vib. 294 (3) (2006) 547–561.
[14] HM Teager, SM Teager, Um modelo fenomenológico para a produção de vogais no trato vocal, em: Speech Science: Recent Advances, College-Hill Press, San Diego, CA, 1985, pp.
73–109 (Capítulo 3).
[15] HM Teager, SM Teager, Evidência de mecanismos de produção de som não linear no trato vocal, em: Conferência Internacional sobre Acústica, Fala,
e Processamento de Sinal, vol. D, Kluwer Academic Publications, França, 1990, pp. 241–261 (Capítulo 55).
[16] JF Kaiser, Sobre um algoritmo simples para calcular a 'energia' de um sinal, em: Conferência Internacional sobre Acústica, Fala e Processamento de Sinais, vol. 1,
1990, pp. 381–384.
[17] JF Kaiser, Sobre o algoritmo de energia de Teager e sua generalização para sinais contínuos, em: Proceedings of IEEE DSP Workshop, New Paltz, NY, 1990.
[18] C. Junsheng, Y. Dejie, Y. Yu, A aplicação da abordagem de demodulação do operador de energia baseada em EMD no diagnóstico de falhas de máquinas, Mech. Sist. Processo de
sinal . 21 (2) (2007) 668–677.
[19] I. Antoniadou, G. Manson, N. Dervilis, SG Taylor, K. Worden, CR Farrar, Detecção de danos em sistemas de telescópios de raptores usando análise de frequência de tempo
métodos, em: 5º Congresso Internacional de Diagnóstico Técnico, setembro de 2012.
[20] Z. Feng, M. Liang, Y. Zhang, S. Hou, Diagnóstico de falhas para caixas de engrenagens planetárias de turbinas eólicas via análise de demodulação baseada no modo empírico conjunto
decomposição e separação de energia, Renovar. Energia 47 (2012) 112–126.
[21] W. Bartelmus, F. Chaari, R. Zimroz, M. Haddar, Modelagem da dinâmica da caixa de engrenagens sob carga não estacionária variável no tempo para detecção de falhas distribuídas
e diagnóstico, Eur. J. Mech.—A/Solids 29 (4) (2010) 637–646.
[22] W. Bartelmus, R. Zimroz, Monitoramento da condição de vibração da caixa de engrenagens planetárias sob carga externa variável, Mech. Sist. Processo de sinal. 23 (1) (2009)
246–257.
[23] P. Stander, C. Heyns, Monitoramento de velocidade angular instantânea de caixas de engrenagens sob condições de carga estacionária não cíclica, Mech. Sist. Processo de sinal. 19
(4) (2005) 817–835.
[24] C. Stander, P. Heyns, W. Schoombie, usando monitoramento de vibração para detecção de falha local em engrenagens operando sob condições de carga flutuante, Mech.
Sist. Processo de sinal. 16 (6) (2002) 1005–1024.
[25] A. Kahraman, R. Singh, Dinâmica não linear de um par de engrenagens retas, J. Sound Vib. 142 (1) (1990) 49–75.
[26] A. Kahraman, R. Singh, Dinâmica não linear de um sistema de rolamento de rotor com engrenagens com múltiplas folgas, J. Sound Vib. 144 (3) (1991) 469-506.
[27] A. Kahraman, R. Singh, Interações entre rigidez de malha variável no tempo e folga não linear em um sistema de engrenagens, J. Sound Vib. 146 (1) (1991)
135–156.
[28] R. Parker, S. Vijayakar, T. Imajo, resposta dinâmica não linear de um par de engrenagens de dentes retos: modelagem e comparações experimentais, J. Sound Vib. 237 (3)
(2000) 435–455.
[29] S. Theodossiades, S. Natsiavas, Dinâmica não linear de sistemas de par de engrenagens com rigidez periódica e folga, J. Sound Vib. 229 (2) (2000) 287–310.
[30] S. Theodossiades, S. Natsiavas, Dinâmica periódica e caótica de sistemas motorizados de pares de engrenagens com folga, Chaos Solitons Fractals 12 (13) (2001)
2427-2440.
[31] M. Vaishya, R. Singh, Análise de sistemas de malha de engrenagens que variam periodicamente com atrito de Coulomb usando a teoria de Floquet, J. Sound Vib. 243 (3) (2001)
525–545.
[32] T. Lim, R. Singh, Transmissão de vibração através de rolamentos de elementos rolantes. Parte iii: estudos de sistema de rotor com engrenagem, J. Sound Vib. 151 (1) (1991) 31–54.
[33] HN Ozguven, D. Houser, modelos matemáticos usados na dinâmica de engrenagens — uma revisão, J. Sound Vib. 121 (3) (1988) 383–411.
[34] J. Wang, R. Li, X. Peng, Pesquisa de vibração não linear de sistemas de transmissão de engrenagens, Appl. Mec. Rev. 56 (3) (2003) 309–329.
[35] A. Parey, N. Tandon, modelos dinâmicos de engrenagens retas incluindo defeitos: uma revisão, Shock Vib. Escavação. 35 (2003) 465-478.
[36] J. Jonkman, Aerodyn, Fast and Adams Design Codes, 2012, URL ÿhttp://wind.nrel.gov/designcodes/simulatorsÿ.
[37] JD Smith, Gear Noise and Vibration, 1999.
[38] H. Endo, RB Randall, C. Gosselin, diagnóstico diferencial de lasca versus rachaduras na região do filete do dente da engrenagem: validação experimental, Mech. Sist. Processo de
sinal . 23 (3) (2009) 636-651.
[39] I. Howard, S. Jia, J. Wang, A modelagem dinâmica de uma engrenagem reta em malha, incluindo fricção e uma rachadura, Mech. Sist. Processo de sinal. 15 (5) (2001)
831–853.
[40] F. Chaari, W. Baccar, MS Abbes, M. Haddar, Efeito da lasca ou quebra do dente na rigidez da malha de engrenagens e na resposta dinâmica de uma engrenagem reta de um estágio
transmissão, Eur. J. Mech.—A/Solids 27 (4) (2008) 691–705.
[41] M. Feldman, Hilbert Transform Applications in Mechanical Vibration, Wiley, Chichester, West Sussex, Inglaterra, 2011.
[42] P. Flandrin, G. Rilling, P. Gonçalves, Decomposição em modo empírico como banco de filtros, Processo de Sinal. Deixe IEEE 11 (2) (2004) 112–114.
[43] Z. Wu, NE Huang, Decomposição de modo empírico de conjunto: um método de análise de dados assistido por ruído, Adv. Adaptar. Análise de Dados. 1 (2009) 1–49.
[44] RJ Gledhill, Métodos para investigar mudanças conformacionais em simulações biomoleculares (tese de doutorado), Universidade de Southampton, 2003, p. 201.
[45] D. Hilbert, Fundamentos de uma teoria geral de equações integrais lineares, 1953.
[46] D. Gabor, Teoria da comunicação, J. Inst. Eletr. Eng. Lond. 93 (3) (1946) 429-457.
[47] P. Maragos, JF Kaiser, TF Quatieri, Separação de energia em modulações de sinal com aplicação à análise de fala, IEEE Trans. Processo de sinal. 41 (10)
(1993) 3024-3051.
[48] E. Kvedalen, processamento de sinais usando o operador de energia Teager e outros operadores não lineares (dissertação de doutorado), 2003.
[49] K. Worden, G. Tomlinson, Nonlinearity in Structural Dynamics: Detection, Identification and Modelling, Institute of Physics Publishing, Bristol, Reino Unido,
2001.