风电行业快速发展的背后，隐藏着一个不为人知的痛点——轴承故障。

这些看似简单的零部件，却因长期运行在恶劣环境中而频繁失效，甚至监测系统也难以及时预警。

当一个风力发电机的轴承悄然损坏，企业可能面临巨额损失。

然而，来自中国科研人员的创新方法正在悄然改变这一现状。

通过结合多掩蔽经验模态分解与模糊C均值聚类的FCM-MMEMD故障诊断技术，使轴承故障检测准确率与时效性实现质的飞跃。

这一技术背后的故事，不仅是算法的革新，更是风能可持续发展的关键保障。

风电轴承之痛

随着全球能源危机和环保意识的日益增强，风能作为一种清洁可再生能源正在全球范围内快速发展。

根据研究显示，风能是增长最快的可再生能源之一，并将在未来能源市场中占据显著份额。

然而，这种高速发展的背后隐藏着一个不容忽视的问题——风力发电机组中轴承的故障率居高不下。

轴承作为风力发电机组的核心部件，承担着支撑和传递动力的重要功能。

它们看似简单，却是整个系统运行的关键环节。

当一个轴承出现故障时，整个风力发电机可能被迫停机，不仅造成直接的维修成本，还带来巨大的发电损失。

更令人担忧的是，这些故障往往难以被现有监测系统及时捕捉，导致小问题演变成重大损坏。

风电轴承面临的工作环境堪称恶劣。

它们常年暴露在极端天气条件下，如强风、暴雨、极端温度变化等。

此外，风力发电机的工作特性决定了轴承必须承受变速、交变负荷和重载等复杂工况。

研究表明，这些因素共同作用，极大地缩短了轴承的使用寿命，使得故障率远高于其他应用场景中的轴承。

以某2MW风力发电机组为例，其高速轴轴承正常运行时转速高达1800转/分钟。

这意味着轴承每天要承受数百万次的旋转应力。

加上风速的不稳定性导致的负载变化，轴承材料疲劳破坏的风险大大增加。

实际数据显示，风电场中轴承故障是导致非计划停机的主要原因之一，占总停机故障的约25%至30%。

更为棘手的是，当前的轴承状态监测系统存在明显的局限性。

传统监测方法主要依赖于时域分析、频域分析等技术，而这些方法在处理风电轴承产生的非线性、非平稳振动信号时效果欠佳。

胡永涛等人在研究中发现，风电场的状态监测系统每天都在采集轴承振动信号，但由于数据量庞大且缺乏有效的分析方法，轴承从正常到故障的发展过程难以被准确捕捉，导致系统无法及时报警。

一个典型案例是某风电场的2MW风力发电机组，其高速轴承在长期运行后出现严重损坏，然而状态监测系统直到轴承已经严重受损才发出警报。

后期检查发现，该轴承内圈出现了明显的裂纹，已经无法修复。

这不仅导致数万元的更换成本，还造成了长达一周的停机损失，总经济损失超过十万元。

从技术角度看，风电轴承故障诊断面临几个主要挑战：首先，轴承振动信号包含大量不同频率成分，容易产生模式混叠现象，影响分解精度；其次，轴承从正常到故障是一个渐进过程，如何在海量数据中确定是否存在故障以及故障类型是关键问题；最后，风电场实际运行中的速度波动和负载变化使得故障特征更加复杂化。

传统的故障诊断方法如短时傅里叶变换（STFT）、小波变换（WT）和Wigner-Ville分布（WVD）在处理这类信号时都存在各自的局限性。

STFT和WT难以获得高分辨率，且在非平稳信号分析中表现不佳；WVD则容易受到不可避免的交叉项干扰，不适合许多实际应用。

经验模态分解（EMD）作为一种适用于非线性、非平稳信号处理的方法，可以将轴承振动信号自适应地分解为一系列本征模态函数（IMF），理论上能够更好地分析轴承故障。

然而，EMD存在模式混叠的缺点，这在包含大量不同频率成分的轴承振动信号分析中尤为明显，严重影响了分解的准确性。

为了解决这些问题，国内外专家进行了大量研究并提出了多种方法，其中最著名的是集合经验模态分解（EEMD）。

EEMD通过向原始信号添加有限振幅的白噪声，改变了局部极值，使信号在尺度上连续，避免了立方样条插值中由于极值分布不均匀造成的拟合误差，从而抑制了模式混叠。

但EEMD也有其缺点：添加到原始信号中的白噪声难以控制，且需要多次分解以抵消噪声的影响，大大增加了计算复杂度。

这一系列的技术挑战和实际问题，促使研究人员不断探索更加高效、准确的轴承故障诊断方法，以满足风电行业的迫切需求。

双剑合璧新技术

面对风电轴承故障诊断的重重困难，研究人员不断探索更有效的解决方案。

在这样的背景下，胡永涛等人提出了一种创新方法——FCM-MMEMD，它巧妙地结合了多掩蔽经验模态分解（MMEMD）和模糊C均值（FCM）聚类技术，为风电轴承故障诊断提供了全新思路。

要理解这一创新技术，我们需要先了解其核心组成部分。

经验模态分解（EMD）是一种处理非线性、非平稳信号的有效方法，它能将轴承振动信号自适应地分解为一系列本征模态函数（IMF）。

每个IMF代表一个近似单频率信号，不同的IMF包含不同频带的大量特征信息。

结合希尔伯特变换，可以通过包络归一化幅频谱识别轴承故障特征频率，从而确定故障类型。

然而，EMD存在模式混叠的明显缺点。

所谓模式混叠，指的是在信号分解过程中，不同频率成分相互干扰，导致分解结果不准确。

具体表现为低频成分错误地混入了高频成分中，或者一个IMF中包含多个频率成分。

轴承振动信号因包含大量不同频率成分而特别容易产生模式混叠现象，这严重影响了故障诊断的准确性。

为了克服EMD的这一缺点，研究人员提出了多种改进方法。

其中，掩蔽经验模态分解（MEMD）通过向原始信号添加一个掩蔽信号并用EMD进行分解，能在一定程度上抑制模式混叠。

但MEMD仅向原始信号添加一个掩蔽信号，缺乏理论基础，且掩蔽信号的确定较为复杂。

针对MEMD的不足，胡永涛等人在论文中提出了改进方法——多掩蔽经验模态分解（MMEMD）。

MMEMD的核心思想是在不同分解层次上，向待分解信号添加多个不同频率的掩蔽信号，这样能有效防止低频成分在筛选过程中混入高频成分，从而更好地抑制模式混叠。

MMEMD的数学原理复杂但工作流程清晰。

首先，通过分析原始信号的DFT谱，确定分解层次和各频带的近似频率。

然后通过计算相邻两个频带的平均值作为掩蔽信号的频率，以较高频率成分的幅度作为掩蔽信号的幅度。

这种方法相比MEMD具有更强的抑制模式混叠能力，且掩蔽信号更容易确定。

研究人员通过模拟信号分解实验验证了MMEMD的性能。

他们选取了一个多分量信号，包含三个不同频率的正弦波（50Hz、100Hz和150Hz），采样频率为4000Hz，采样时间为0.256秒，共得到1024个采样点。

实验比较了EMD、EEMD、MEMD和MMEMD四种方法的分解效果。

结果显示，EMD分解得到的IMF1中包含三个频率成分（150Hz、100Hz和50Hz），存在明显的模式混叠；EEMD能在一定程度上抑制模式混叠，但IMF1仍包含两个频率成分；MEMD的效果优于EEMD，但IMF2中仍包含三个成分；而MMEMD的IMF1虽然包含150Hz和100Hz两个成分，但100Hz的幅度非常小，且IMF2的幅度没有减小，基本上不存在模式混叠。

通过均方根误差（RMSE）和计算时间（TC）两个评价指标进一步比较，MMEMD的RMSE最小（RMSE1=0.1880，RMSE2=0.2138，RMSE3=0.1152），表明它获得的IMF能更好地代表原始信号的不同频率成分。

在计算时间方面，EMD最短（0.0308秒），EEMD最长（23.4909秒，约为EMD的80倍），MMEMD略长于EMD（0.4375秒），但相比于避免模式混叠的效果，这一计算时间是可以接受的。

除了MMEMD外，FCM-MMEMD方法的另一个关键组成部分是模糊C均值（FCM）聚类技术。

风力发电机轴承（无论是否存在故障）的振动信号每天都被状态监测系统采集，但轴承从正常到故障是一个发展过程，数据集庞大，难以发现故障是否未被报警以及故障类型是什么。

因此，需要对数据集进行分类，确认是否存在故障以及有多少种故障类型。

FCM聚类是一种无监督学习算法，它能根据一定的规则和要求将数据分成若干组，而不需要先验知识。

由于FCM聚类简单、快速、准确的优势，它在机械故障诊断中得到广泛应用。

在FCM-MMEMD方法中，FCM被用来将数据集分类，确认是否存在异常信号。

如果存在异常信号，则使用MMEMD对异常信号进行分解，并用希尔伯特包络最终确定故障类型。

具体来说，首先从轴承信号中采样N个点，计算均方根值和峰度值作为故障特征。

然后使用FCM聚类将数据集分为n类，n的取值根据分区系数（PC）确定，PC值越大，聚类结果越好。

如果FCM聚类结果显示存在异常类别，则从每个类别中取一个样本，用MMEMD进行分解，得到不同频带（IMF）。

最后，使用希尔伯特包络分析高频成分，确定故障类型。

这种将FCM和MMEMD结合的方法，充分发挥了两者的优势：FCM能快速筛选出异常信号，MMEMD能准确分解振动信号，两者结合使得故障诊断更加快速准确。

模拟实验、轴承故障诊断实验和应用结果都证明了该方法的有效性和高准确性。

从实验到应用

为了验证FCM-MMEMD方法的有效性和优越性，研究人员进行了一系列实验和实际应用测试。

这些测试不仅包括模拟信号分解实验，还包括轴承故障诊断实验和2MW风力发电机组的实际应用案例，全面检验了该方法在不同条件下的表现。

首先，通过模拟信号分解实验，研究人员对比了EMD、EEMD、MEMD和MMEMD四种方法的分解效果。

实验使用了一个多分量信号，由三个不同频率的正弦波组成：x1（t）=sin（100πt），x2（t）=1.5sin（200πt）和x3（t）=sin（300πt），即频率分别为50Hz、100Hz和150Hz。

采样频率设为4000Hz，采样时间为0.256秒，共得到1024个采样点。

通过皮尔逊相关系数分析，EMD分解得到的最相关IMF是IMF1、IMF2和IMF3，其中IMF1应该对应x3（t），但实际上它包含了三个频率成分（150Hz、100Hz和50Hz），明显存在模式混叠问题；IMF2应该对应x2（t），但其幅度明显减小。

EEMD方法对模式混叠有所抑制，但IMF1仍然包含两个频率成分，IMF2的幅度也有所减小。

MEMD方法的效果优于EEMD，但IMF2中仍然包含三个成分，只是主频率成分的幅度大于混入的模式。

而MMEMD的分解结果最为理想，IMF1虽然包含150Hz和100Hz两个成分，但100Hz的幅度非常小，且IMF2的幅度没有减小，基本上不存在模式混叠。

通过均方根误差（RMSE）和计算时间（TC）两个评价指标的对比，MMEMD的三个RMSE值（RMSE1=0.1880，RMSE2=0.2138，RMSE3=0.1152）均为最小，表明它获得的IMF能更好地代表原始信号的不同频率成分。

虽然MMEMD的计算时间（0.4375秒）略长于EMD（0.0308秒），但远短于EEMD（23.4909秒），考虑到其出色的模式混叠抑制效果，这个计算时间是完全可以接受的。

在验证了MMEMD方法的优越性后，研究人员进行了轴承故障诊断实验，以验证FCM-MMEMD方法的有效性。

实验数据来自轴承故障诊断实验台，该实验台由1.47kW电机、扭矩传感器/编码器、测力计和控制电子装置组成。

轴承型号为SFK6205，通过放电在球、内圈和外圈上分别制造了直径为0.007英寸的单点故障。

电机转速为1750r/min，负载为1.47kW，采样频率为12kHz。

根据这些参数，球故障、内圈故障和外圈故障的特征频率分别为57.5Hz、157.9Hz和104.6Hz。

对于每种信号（包括正常状态），收集了10个样本，总计40个样本。

计算并归一化了均方根值（Xrms）和峰度值（Kv），如文献中的表3所示。

使用FCM聚类对这些样本进行分类，聚类结果显示样本被分为4类，说明存在4种轴承状态。

为了验证MMEMD对轴承故障振动信号分解的高准确性，研究人员使用MMEMD分解了一个样本，并与MEMD的分解结果进行了对比。

结果显示，MMEMD得到的三个高频分量的波形和幅频特性比MEMD更清晰，冲击特性更为明显。

MEMD分解的IMF1中，2000Hz至3000Hz的频率成分混在一起，表明存在模式混叠，而MMEMD能更好地抑制模式混叠。

从每个类别中取一个样本，用MMEMD进行分解，并对最高频率分量进行希尔伯特包络分析。

在故障轴承的情况下，可以清楚地找到故障特征频率及其倍频。

根据故障特征频率，从上到下依次是正常、球故障、内圈故障和外圈故障。

结合FCM聚类结果，可以确认如果信号能被聚类到不同簇中，就可以确定存在异常信号。

然后通过MMEMD和希尔伯特包络进一步分析每个簇的样本，就能确定故障类型。

最后，研究人员将FCM-MMEMD方法应用于一个实际案例——2MW风力发电机。

该风力发电机配备了状态监测系统，但由于报警失效，高速轴承严重损坏。

高速轴承的振动信号每天以10分钟为间隔进行采样，采样率为97656Hz，采样时间为6秒，单位为Gs（1g是地球标准重力加速度）。

高速轴由20齿齿轮驱动，额定转速为1800r/min。

根据额定转速，球故障、内圈故障和外圈故障的特征频率分别为86.1Hz、284.3Hz和201.8Hz。

风力发电机轴承的工作状态非常复杂，转速随时间变化，如图12所示，高速轴承信号呈现非平稳特性。

图13展示了某一天高速轴承的波形和幅频特性，可以看出高速轴承逐渐损坏，但状态监测系统未能及时发出警报，直到轴承严重损坏。

研究人员对50天的数据应用FCM-MMEMD方法进行分析。

FCM聚类结果（图14）显示数据被分为3类，表明存在3种轴承状态。

从每个类别中取一个样本进行进一步分析，图15展示了三个样本的波形和IMF1希尔伯特包络。

样本1（第11天）为正常状态，因为波形中没有冲击，希尔伯特包络中也没有故障特征频率；样本2（第34天）存在故障，因为希尔伯特包络中可以找到280.1Hz的故障特征频率（对应内圈故障，284.3Hz），波形中也有冲击。

但2倍频不明显，冲击也较轻微，说明样本2是内圈轻微损伤；样本3（第48天）存在严重故障，因为波形中有严重冲击，希尔伯特包络中的故障特征频率更为明显，2倍频比样本2更明显，表明样本3处于严重损伤状态。

通过上述分析，可以看出轴承从第34天开始受损，并在之后逐渐恶化。

然而，状态监测系统直到轴承严重损坏才发出警报。

图16展示了50天后维修时的受损轴承，可以看到轴承出现了严重裂纹，功率质量也严重下降。

而使用FCM-MMEMD方法，当样本被聚类到第2类（异常信号）时，就应该引起注意。

为了确保风力发电机正常运行和产生高质量的电能，应该在第34天进行维护，防止情况恶化。

这一系列实验和应用案例充分证明了FCM-MMEMD方法在轴承故障诊断中的高效性和准确性，特别是对于风力发电机这种复杂工况下的故障预警具有重要价值。

前景与价值

FCM-MMEMD方法通过实验和实际应用证明了其在风电轴承故障诊断领域的显著价值。

这一创新技术不仅解决了传统方法的局限性，还为风电行业带来了多方面的实际效益，同时也为未来智能故障诊断技术的发展指明了方向。

首先，FCM-MMEMD方法大幅提升了风电轴承故障诊断的准确性和及时性。

在传统监测系统中，轴承故障往往在已经造成严重损坏后才被发现，如案例中的2MW风力发电机组，状态监测系统直到轴承出现严重裂纹才发出警报。

而通过FCM-MMEMD方法，研究人员能够在故障初期（案例中的第34天）就识别出异常信号，比传统方法提前了近16天发现潜在问题。

这种提前预警的能力源于两个关键技术的结合：FCM聚类能够在海量数据中快速识别异常模式，而MMEMD则能更准确地分解复杂振动信号，克服了模式混叠问题，使故障特征更加明显。

准确率方面，通过对比分析不同分解方法的RMSE（均方根误差）值，MMEMD的三个RMSE值（RMSE1=0.1880，RMSE2=0.2138，RMSE3=0.1152）均为最小，比传统的EMD方法（RMSE1=0.5564，RMSE2=0.5610，RMSE3=0.1731）低了近66%，表明其分解结果更加准确。

在实际轴承故障诊断实验中，FCM-MMEMD方法能够准确区分正常状态、球故障、内圈故障和外圈故障四种不同状态，并清晰识别出各种故障的特征频率（球故障为57.5Hz，内圈故障为157.9Hz，外圈故障为104.6Hz）。

更重要的是，这种提高的准确性和及时性直接转化为经济效益。

风力发电机轴承故障一旦发生，不仅需要更换轴承本身（成本可达数万元），还会导致发电机停机，造成发电量损失。

以案例中的2MW风力发电机为例，如果能在第34天而不是等到轴承严重损坏后才进行维护，不仅可以避免高达十万元的总经济损失，还能延长轴承使用寿命，减少维护频率。

从风电场运营的角度看，FCM-MMEMD方法的应用能显著降低维护成本并提高发电效率。

传统的维护策略主要有两种：一种是定期维护，不论设备状态如何都按计划进行检修，这种方式可能导致对好的轴承进行不必要的更换；另一种是故障维护，等到设备出现明显故障后才进行维修，这种方式往往导致严重损坏和长时间停机。

而FCM-MMEMD方法支持的状态监测维护策略，能够基于设备的实际状态确定最佳维护时间，既避免了不必要的更换成本，又防止了严重故障导致的长时间停机损失。

根据风电行业的数据，轴承故障引起的非计划停机约占总停机故障的25%至30%，每次停机的平均修复时间可达数天至一周。

如果能通过FCM-MMEMD方法将这些故障提前发现并处理，一个装机容量为100MW的风电场每年可节省数百万元的维护成本和停机损失。

此外，轴承状态的改善还能提高风力发电机的运行效率，减少能量损失，间接增加发电量。

然而，FCM-MMEMD技术的推广应用仍面临一些挑战。

首先是计算复杂度问题，虽然MMEMD的计算时间（0.4375秒）远优于EEMD（23.4909秒），但对于需要实时处理大量数据的风电场监测系统来说，仍需进一步优化算法效率。

其次，轴承工作状态的多样性和复杂性要求更强的算法适应能力，如何使FCM-MMEMD方法适应不同工况、不同转速和负载条件下的轴承故障诊断，是未来研究的重要方向。

针对这些挑战，可采取以下策略：一是进一步优化MMEMD算法，如通过并行计算减少处理时间；二是建立更完善的轴承故障特征库，提高诊断的普适性；三是结合深度学习等人工智能技术，增强算法的自适应能力；四是开发用户友好的故障诊断软件系统，降低技术应用门槛。

展望未来，随着物联网和大数据技术的发展，智能故障诊断技术将向着更加智能化和集成化的方向发展。

FCM-MMEMD方法提供的高精度信号分解和故障识别能力，可以与人工智能、云计算等技术结合，实现风电设备的全生命周期健康管理。

例如，通过建立基于FCM-MMEMD的轴承健康度评估模型，可以实现轴承剩余使用寿命的预测；通过将FCM-MMEMD方法扩展应用到齿轮箱、叶片等其他关键部件，可以构建风力发电机组的整体健康监测系统。

总之，FCM-MMEMD方法作为一种新型的风电轴承故障诊断技术，通过提高诊断的准确性和及时性，不仅可以降低维护成本、提高发电效率，还为风电设备的智能运维提供了技术支撑，有望成为推动风电行业可持续发展的重要工具。

随着技术的不断完善和应用范围的扩大，FCM-MMEMD方法将为更多旋转机械设备的故障诊断带来新的解决方案，为工业设备的健康管理开辟新的途径。

参考文献

Hu， Y.， Zhang， S.， Jiang， A.， et al. （2019）. A New Method of Wind Turbine Bearing Fault Diagnosis Based on Multi-Masking Empirical Mode Decomposition and Fuzzy C-Means Clustering. Chinese Journal of Mechanical Engineering， 32:46.

Wu， Z.， & Huang， N. E. （2011）. Ensemble empirical mode decomposition: A noise-assisted data analysis method. Advances in Adaptive Data Analysis， 1（01）， 1-41.

Lei， Y.， He， Z.， & Zi， Y. （2009）. Application of the EEMD method to rotor fault diagnosis of rotating machinery. Mechanical Systems and Signal Processing， 23（4）， 1327-1338.

Feng， Z.， Chen， X.， & Liang， M. （2015）. Time-frequency demodulation analysis based on iterative generalized demodulation for fault diagnosis of planetary gearbox under nonstationary conditions. Mechanical Systems and Signal Processing， 62-63， 54-74.