CN105527077A - 一种基于振动信号的通用旋转机械故障诊断与检测的方法 - Google Patents

Abstract

本发明的目的在于提供一种基于振动信号的通用旋转机械故障诊断与检测的方法，主要用于周期信号和冲击及噪声信号的分离。为了实现所述目的，本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法，包括如下步骤：记录系统初始时刻振动信号用来作为参考信号，记录系统i时刻振动信号作为对比信号；将两信号相减得到残差信号，提取残差信号的统计学数值作为特征值，对特征值进行分析即可得到系统振动特征是否变化通过这样的设置，本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法综合运用了数字信号处理和统计模型分析方法，通过对比机械振动信号的差别来判别系统振动信号是否变化。

Description

一种基于振动信号的通用旋转机械故障诊断与检测的方法

技术领域

本发明涉及一种机械系统故障诊断方法，尤其涉及一种基于振动信号的通用旋转机械故障诊断与检测的方法。

背景技术

旋转机械结构复杂，对运转条件要求高，并长期处于高速运行状态，而且在正常运行过程中，即使有先兆性故障隐患也难以被察觉。但是一旦故障爆发就会带来难以估计的损失。如果将旋转机械停止定期检修虽然可以预防事故发生，但是也相应降低了生产和工作的效率。

针对这样的问题，现有技术中设计了专利号为201310223686.6的发明专利《基于瞬时频率估计的旋转机械振动信号角域重采样方法》，该专利涉及一种机械故障诊断管理方法，所述方法包括：采集旋转机械的振动信号、时域降采样、计算振动信号的瞬时频率、划分瞬时频率序列、拟合瞬时频率曲线、计算信号角域采样时刻序列、计算信号角域采样时刻对应的幅值序列；计算信号角域采样时刻对应的幅值序列利用拉格朗日插值算法，求取对应的重采样时刻原信号的幅值序列A(t)，最终获得振动信号在角域内的重采样信号R(t)。该方法不需要额外的转速计来提取转速信息，直接从振动信号中获取转轴的转速信息，本方法分析精度高，硬件成本低，不受环境限制，特别是对企业现有设备的技术改造具有意义。

但是在仔细分析后可以发现，对比文件目的是在没有转速计的情况下,估算设备的运转速度,并利用估算的信息来重新采样信号,从而获得更好的和转速相关的信息。但是这样的方案在快速变化转速的设备效果上值得商榷，尤其是对于信号相位的计算没有提及，这是旋转机械故障诊断比较重要的方面。由此可见计算的精确度难以令人满意。

发明内容

本发明的目的在于提供一种基于振动信号的通用旋转机械故障诊断与检测的方法，主要用于周期信号和冲击及噪声信号的分离。

为了实现所述目的，本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法，包括如下步骤：记录系统初始时刻振动信号用来作为参考信号，记录系统i时刻振动信号作为对比信号；将系统初始时刻振动信号和系统i时刻振动信号分别进行时域同步平均(TSA)后进行统一相位；此时分别得到处理后知识库信号和处理后未知信号，将两信号相减得到残差信号，提取残差信号的统计学数值作为特征值，对特征值进行分析即可得到系统振动特征是否变化；即如果i时刻系统振动特征和系统初始时刻振动特征相似，那么残差信号为白噪声信号，如果i时刻系统振动特征变化那么残差信号将不再是白噪声。

优选的，所述系统振动信号通过由自适应滤波算法将其分成周期信号和脉冲信号加噪声信号，对于脉冲信号加噪声信号部分，通过时域同步平均(TSA)进一步分离噪声信号以进一步提高脉冲信号的信噪比。

优选的，所述自适应滤波算法采用的是LMS自适应滤波算法或者RLS自适应滤波算法。这两种算法简单便捷，适合本发明。

优选的，所述量化残差信号特征值的方法为Kurtosis算法，即

$k=\frac{{\Σ}_{i=1}^n{(xi-\stackrel{\‾}{x})}^4/n}{{\left({\Σ}_{i=1}^n\right({(xi-\stackrel{\‾}{x})}^2/n\left)\right)}^2}$

其中k为kurtosis值，即待计算的特征值，xi为第i时刻信号值，为xi的均值，n为第n个采样。通过这样的算法可以更精确的获得量化残差信号的特征值。

通过这样的设置，本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法综合运用了数字信号处理和统计模型分析方法，通过对比机械振动信号的差别来判别系统振动信号是否变化。采用Time‐SynchronizedAverage(TSA)技术对原始的振动信号进行处理，以提高振动信号的信噪比。本方法可以灵敏地检测旋转机械系统振动信号的变化，而且结果更为精准。

附图说明

图1是本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法的系统原理框图。

图2是本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法的模拟健康机械系统振动信号图。其中横坐标是采样点数n,纵坐标是幅值(电压V)。

图3是本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法的模拟故障机械系统振动信号图。其中横坐标是采样点数n,纵坐标是幅值(电压V)。

具体实施方式

如图1所示，为本发明一种基于振动信号的通用旋转机械故障诊断与检测的方法，包括如下步骤：记录系统初始时刻振动信号用来作为参考信号，记录系统i时刻振动信号作为对比信号；将系统初始时刻振动信号和系统i时刻振动信号分别进行时域同步平均(TSA)后进行统一相位；此时分别得到处理后知识库信号和处理后未知信号，将两信号相减得到残差信号，提取残差信号的统计学数值作为特征值，对特征值进行分析即可得到系统振动特征是否变化；即如果i时刻系统振动特征和系统初始时刻振动特征相似，那么残差信号为白噪声信号，如果i时刻系统振动特征变化那么残差信号将不再是白噪声。

所述系统振动信号通过由自适应滤波算法将其分成周期信号和脉冲信号加噪声信号，对于脉冲信号加噪声信号部分，通过时域同步平均(TSA)进一步分离噪声信号以进一步提高脉冲信号的信噪比。

所述自适应滤波算法采用的是LMS自适应滤波算法或者RLS自适应滤波算法。所述量化残差特征值的方法为Kurtosis算法，即

$k=\frac{{\Σ}_{i=1}^n{(xi-\stackrel{\‾}{x})}^4/n}{{\left({\Σ}_{i=1}^n\right({(xi-\stackrel{\‾}{x})}^2/n\left)\right)}^2}$

其中k为kurtosis值，即待计算的特征值，xi为第i时刻信号值，为xi的均值，n为第n个采样。其中n的最短长度应该满足n乘上采样频率不小于需要检测旋转部件旋转一周的时间。

本发明采用两类仿真数据来加以说明。第一类仿真信号由周期信号和噪声信号组成，用于模拟健康机械系统振动信号，如图2所示。第二类仿真信号由周期信号，脉冲信号，和噪声组成，用于模拟故障机械系统振动信号，如图3所示。图2(a)外侧细线为仿真参照信号，中间粗黑线为经过TSA处理降噪后的信号，图2(b)外侧细线为仿真信号，红线为经过TSA处理降噪后的信号，图2(c)为图2(a)和(b)相减后的残差信号。图3(a)外侧细线为仿真参照信号，黑粗线为经过TSA处理降噪后的信号，图3(b)外侧细线为仿真信号，黑粗线为经过TSA处理降噪后的信号，图3(c)为图3(a)和(b)相减后的残差信号。对比图2图3结果，我们可以清晰的看出算法有效地捕捉到了系统由于故障所引起的变化。

	健康设备特征值	故障设备特征值(故障原因)
			设备1	3.02	5.13(轴承内圈故障)
设备2	3.13	5.45(轴承滚动体故障)
			设备3	3.10	6.12(齿轮齿根松动故障)
设备4	3.25	5.35(轴承外圈故障)
			设备5	3.15	5.40(齿轮断齿故障)
设备6	3.05	5.53(机械摩擦故障)
			设备7	3.14	6.35(基座松动故障)
设备8	3.67	5.58(轴承混合故障)
			设备9	3.78	5.67(齿轮齿面剥落故障)

这个原理是经过均值运算后，健康机械信号被提取出来，所以健康机械信号残差信号应该为白噪声信号，而故障机械信号经过残差运算后不为白噪声信号。因此，通过计算根据最终残差信号的特征值就可以判断是否有故障存在。

Claims (4)

1.一种基于振动信号的通用旋转机械故障诊断与检测的方法，其特征在于：包括如下步骤：记录系统初始时刻振动信号用来作为参考信号，记录系统i时刻振动信号作为对比信号；将系统初始时刻振动信号和系统i时刻振动信号分别进行时域同步平均(TSA)后进行统一相位；此时分别得到处理后知识库信号和处理后未知信号，将两信号相减得到残差信号，提取残差信号的统计学数值作为特征值，对特征值进行分析即可得到系统振动特征是否变化；即如果i时刻系统振动特征和系统初始时刻振动特征相似，那么残差信号为白噪声信号，如果i时刻系统振动特征变化那么残差信号将不再是白噪声。

2.根据权利要求1所述一种基于振动信号的通用旋转机械故障诊断与检测的方法，其特征在于，所述系统振动信号通过由自适应滤波算法将其分成周期信号和脉冲信号加噪声信号，对于脉冲信号加噪声信号部分，通过时域同步平均(TSA)进一步分离噪声信号以进一步提高脉冲信号的信噪比。

3.根据权利要求2所述一种基于振动信号的通用旋转机械故障诊断与检测的方法，其特征在于，所述自适应滤波算法采用的是LMS自适应滤波算法或者RLS自适应滤波算法。

4.根据权利要求1所述一种基于振动信号的通用旋转机械故障诊断与检测的方法，其特征在于，所述量化残差特征值的方法为Kurtosis算法，即

其中k为kurtosis值，即待计算的特征值，xi为第i时刻信号值，为xi的均值，n为第n个采样。