CN105651504A - 基于自适应小波能量的旋转机械故障特征提取方法 - Google Patents

Abstract

本发明为基于自适应小波能量的旋转机械故障特征提取方法，本发明首先在机械故障综合模拟实验台上采集转子振动信号，然后针对信号能量特征受转速和采样频率影响的问题，采用一种新的自适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不对中故障、轴承座松动故障的有效特征提取。同时为了保留旋转机械振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在恒定偏差和不连续以及参数不可调的问题，在该方法中嵌入了一种新型的阈值函数进行去噪。该方法在机械故障模拟实验台上取得了较好的效果，提取的能量特征能有效区分出不同的故障类型。

Description

基于自适应小波能量的旋转机械故障特征提取方法

技术领域

本发明涉及旋转机械故障特征提取技术领域，特别是涉及一种针对风机的故障特征提取方法。

背景技术

随着科学技术的飞速发展，旋转机械不仅在机械、能源、石化、冶金、电力、航空航天和国防军工等行业中应用广泛，而且和人们的日常生活息息相关。比如在城市的轨道交通系统中，地下环境的通风要依靠大型旋转设备即通风机来保障。转子系统和轴承是旋转机械中不可替代的关键部分，在高转速条件下，具有举足轻重的作用。因其长期高速、满载荷运行，极易产生故障。对旋转机械设备实时故障诊断监测，既是设备安全、可靠运行的保证，又能减少大量维修成本，延长设备使用寿命，避免盲目地进行停机维修更换带来的巨大浪费。

基于振动信号处理的故障诊断，信号特征提取是首要解决的问题。目前，在旋转机械故障信号的非线性、非平稳特征提取方面，发展出了很多行之有效的诊断理论。但在故障早期诊断、微弱信号特征提取、多种故障识别等方面还存在缺陷，难以有效地提取机械系统故障信号的动态幅值特征。国内外学者对旋转机械故障的诊断进行了大量研究，主要方法有:

1)时域分析法。采用统计方法对振动信号中的振动的、均值、标准差、波形指标、峰值指标峰-峰值、振动烈度、进行量化处理。这类方法计算特征参数实现起来比较简单，但不能有效识别微弱故障特征。

2)频谱分析法。将振动信号从时域变换到频域，提取振动信号频谱图，如幅值谱、相位谱、功率谱等。该方法适合于对平稳信号的分析，然而旋转机械的振动信号存在非线性、非平稳的特点，因此该类方法在旋转机械的故障特征提取上效果并不理想。

3)时频分析法。先用小波变换对旋转机械轴承振动信号进行分解，然后计算重构信号，提取信号特征值进行故障识别。该方法在小波去噪时采用软、硬阈值函数去噪，在阈值处分别存在恒定偏差和不连续的问题，针对微弱故障特征时去噪效果不好，易出现误判、漏判。

目前,多数研究都是在确定的转速和采样频率下进行的,但是,转速或采样频率一旦发生变化,而小波变换的分解层数不变,则同一故障所提取出的能量特征将大不相同,即小波能量特征的物理意义将随着转速和采样频率的变化而变化。这就使得现有的运用小波分析提取能量特征的方法难于实现特征的自动提取,难于真正应用于实际故障诊断。

本发明首先在机械故障综合模拟实验台上采集转子振动信号，然后针对信号能量特征受转速和采样频率影响的问题，采用一种新的自适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不对中故障、轴承座松动故障的有效特征提取。同时为了保留旋转机械振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在恒定偏差和不连续以及参数不可调的问题，在该方法中引入了一种新型的阈值函数进行去噪。

发明内容

本发明首先在机械故障综合模拟实验台上采集转子振动信号，然后针对信号能量特征受转速和采样频率影响的问题，采用一种新的自适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不对中故障、轴承座松动故障的有效特征提取。同时为了保留旋转机械振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在恒定偏差和不连续以及参数不可调的问题，在该方法中嵌入了一种新型的阈值函数进行去噪。

本发明采用了如下的技术方案及实现步骤：

1)信号采集。

利用加速度传感器和NI信号采集设备,在MFS机械故障综合模拟实验台上以采样率f_s采集转子正常振动信号和不平衡、不对中、轴承座松动三类转子故障信号，转子旋转频率为f_n。

试验装置如图2所示,实验台由基座、轴承座、轴承、转轴、负重块组成，控制器控制电动机转速，由电动机带动，通过转速传感器获知转速,在轴承座上垂直安装加速度传感器测量转子振动信号，NI9234模块和NI9171便携式机箱配合计算机进行振动信号的采集。

2)对信号进行重采样。

旋转机械的故障信号通常在精确的倍频或分频处有明显的突出幅值，即故障特征频率与旋转频率f_n成比例关系，显然,信号的倍频特征是不会随着转速频率f_n的变化而变化的。那么,根据Fourier变换定理，对输入信号x(t)进行尺度为f_n的变换,有如果对时间扩展后的时域信号x(f_nt)以时间间隔Δt_s进行采样,那么相当于对原始信号x(t)以Δt_s/f_n的间隔进行采样。频率压缩后的信号采样的时间间隔Δt_s，直接由小波分解后得到的最高倍频决定。通常,转子故障信号的频率特征需要满足最高倍频在10倍以上。因此,Δt_s需要满足Δt_s＜(1/2)/10＝0.05。这里选用Δt_s＝0.01。

Δt_s确定后，对原始振动信号按Δt_s/f_n进行重采样。

3)确定小波分解层数并对重采样信号进行小波分解。

小波分析是一种信号时频分析方法，每次对分解后的低频信号继续分解。小波分解的原理如图3所示。信号经小波分解后在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。通过小波变换可以将研究对象分解到不同尺度的空间进行分析和处理,然后根据需要进行相应的重构。

信号x(t)的连续小波变换为 $\left(W_{\mathrm{\&Psi;}}x\right)(a,b)=<x,{\mathrm{\&Psi;}}_{a,b}>={\left|a\right|}^{-1/2}\underset{R}{\&Integral;}x\left(t\right)\stackrel{\&OverBar;}{\mathrm{\&Psi;}\left(\frac{t-b}{a}\right)}dt,$ 连续小波函数为小波基函数ψ(t)经过b及a变化而形成的小波函数簇，其中，a为尺度参数，a＞0，b∈R为平移参数。

将尺度参数a和平移参数b作离散化：其中j∈Z,a₀≠1。小波函数的离散化即离散小波函数 ${\mathrm{\&Psi;}}_{j,k}\left(t\right)=a_0^{-j/2}\mathrm{\&Psi;}\left(\frac{t-{\mathrm{ka}}_0^j{b}_0}{a_0^j}\right)=a_0^{-j/2}\mathrm{\&Psi;}(a_0^{-j}t-{\mathrm{kb}}_0),$ 信号x(t)的离散小波变换系数为 ${\mathrm{\&omega;}}_{j,k}=<x\left(t\right),{\mathrm{\&Psi;}}_{j,k}\left(t\right)>={\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}x\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&Psi;}}_{j,k}\left(t\right)d}t,$ ω_j,k表示j尺度下点k位置的小波变换系数。

小波分解的层数m由分解后得到的最低倍频确定，通常,转子故障信号的频率特征需要满足最低倍频在0.5倍以下。因此，小波分解层数m需要满足在Δt_s＝0.01时，m>6.64,取m＝7。

分解层数确定后，对重采样的振动信号进行m层的db5小波分解。

4)小波阈值去噪。

在旋转机械振动信号采集过程中，由于现场环境和设备的干扰，使得正常信号中混入噪声。为消除噪声获得有用信号，采用小波阈值去噪方法。信号通过小波分解后，有用信号对应的小波系统比较大，而噪声信号所对应的小波系数比较小，因此可以设定合适的阈值，对小于阈值的系数置零，大于阈值的系数保留或置零。对阈值处理后的小波系数进行小波逆变换，即信号重构，就完成了整个的小波阈值去噪过程。由于下一步要在小波系数基础上进行分频段能量特征提取，这一步中只进行小波系数阈值处理。

为保留旋转机械振动信号更多的原始特征，克服传统阈值函数量化方法的缺陷，设计了一种新型的阈值去噪函数量化方法如下式

${\widehat{\mathrm{\&omega;}}}_{j,k}=\left\{\begin{array}{c}sign\left({\mathrm{\&omega;}}_{j,k}\right)\&CenterDot;\left(\left|{\mathrm{\&omega;}}_{j,k}\right|-\mathrm{\&alpha;}\mathrm{\&lambda;}+\frac{2\mathrm{\&lambda;}\stackrel{\&OverBar;}{\mathrm{\&alpha;}(1-\&part;)}}{\exp \left({\mathrm{\&omega;}}_{j,k}\right)}\right),\left|{\mathrm{\&omega;}}_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|{\mathrm{\&omega;}}_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，λ为设定的阈值，sign(·)为符号函数，ω_j,k为j尺度下点k位置的小波变换系数(未经阈值处理)，为对应的经阈值处理后的小波系数，在0和1之间适当调节参数的大小，可以获得更好的去噪效果。

5)提取能量特征

信号小波变换后的能量与原始信号能量等价。旋转机械不同故障状态下的振动信号差别较大，对应的小波分解后各频带内的能量也有所差别，根据各频带能量差异性可以判断旋转机械的故障类型。以阈值处理后的小波系数为基础，求取信号各频段能量。以m层小波分解为例，m个低频段和1个高频段由低到高依次编号为1,2，…m+1。

各频段能量计算公式为： $E_j={\underset{k=1}{\overset{n}{\&Sigma;}}\left|{\widehat{\mathrm{\&omega;}}}_{j,k}\right|}^2,j=1,2,...,m+1.$ 式中，表示j尺度下点k处经阈值处理后的小波系数。

因此，转子故障特征向量为T＝[E₁,E₂,...,E_m+1]。

有益效果

与现有技术相比，本发明将自适应的小波能量特征提取方法应用到旋转机械的故障特征提取中，并将改进的阈值去噪方法融入其中，既摆脱了转速和采样频率对信号故障特征的影响，也较好的还原了信号的真实特征情况，提取的故障特征能很好的区分出不同故障情况。该发明在旋转机械故障综合模拟实验台上取得了较好的效果。

附图说明

图1为本发明的方法流程图；

图2为旋转机械故障模拟实验台示意图；

图3为小波分解原理图；

图4为利用该方法提取的正常信号小波能量特征直方图；

图5为利用该方法提取的转子不对中故障信号小波能量特征直方图；

图6为利用该方法提取的转子不平衡故障信号小波能量特征直方图；

图7为利用该方法提取的轴承座松动故障信号小波能量特征直方图；

图8为用本发明方法进行故障特征提取后的故障分类结果；

图9为用传统方法进行故障特征提取后的故障分类结果；

具体实施方式

本发明方法有如下的实现步骤：

步骤1：振动信号采集。

用MFS机械故障综合模拟实验台模拟风机的运行，如图2所示，在轴承座上安装加速度传感器，并且在转轴处安装光电式转速计，利用NI9234模块和NI9171便携式机箱配合从传感器，进行振动信号的采集，以采样率f_s分别采集转子正常振动信号和不平衡、不对中、轴承座松动3类转子故障信号，转子旋转频率为f_n。

步骤2：对信号进行重采样。

首先，对输入信号x(t)进行尺度为f_n的变换,对x(f_nt)以时间间隔Δt_s进行采样相当于对原始信号x(t)以Δt_s/f_n的间隔进行采样。按照约束公式Δt_s＜(1/2)/10＝0.05设定Δt_s的值，这里选用Δt_s＝0.01。

Δt_s确定后，对采集的原始振动信号按Δt_s/f_n进行重采样。

步骤3：确定小波分解层数并对重采样信号进行小波分解。

根据约束公式计算分解层数m的值。在Δt_s＝0.01时，m>6.64,取m＝7。

分解层数m确定后，选择常用的db5小波，对重采样的振动信号进行m层的db5小波分解。

步骤4：小波阈值去噪。

对小波分解后的各层小波系数，设定合适的阈值λ，采用新型的阈值去噪函数 ${\widehat{\mathrm{\&omega;}}}_{j,k}=\left\{\begin{array}{c}sign\left({\mathrm{\&omega;}}_{j,k}\right)\&CenterDot;\left(\left|{\mathrm{\&omega;}}_{j,k}\right|-\mathrm{\&alpha;}\mathrm{\&lambda;}+\frac{2\mathrm{\&lambda;}\stackrel{\&OverBar;}{\mathrm{\&alpha;}(1-\&part;)}}{\exp \left({\mathrm{\&omega;}}_{j,k}\right)}\right),\left|{\mathrm{\&omega;}}_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|{\mathrm{\&omega;}}_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$ 进行阈值去噪。

其中，λ为设定的阈值，sign(·)为符号函数，ω_j,k为j尺度下点k位置的小波变换系数(未经阈值处理)，为对应的经阈值处理后的小波系数。

步骤5：提取能量特征

对重构后的各频段信号进行编号，以m层小波分解为例，m个低频段和1个高频段由低到高依次编号为1,2，…m+1。

按照公式 $E_j={\underset{k=1}{\overset{n}{\&Sigma;}}\left|{\widehat{\mathrm{\&omega;}}}_{j,k}\right|}^2,(j=1,2,...,m+1)$ 计算各频段信号的能量。

转子故障特征向量为T＝[E₁,E₂,...,E_m+1]。

图4-图7分别为正常信号、转子不对中故障信号、转子不平衡故障信号和轴承座松动故障信号的小波能量特征的直方图，从图中可以看出不同类别信号的能量特征存在明显差别。

图8是采用本发明方法提取转子故障特征向量后进行故障分类的结果，图9是采用传统方法提取转子故障特征向量后用同样模式识别方法进行故障分类的结果。若测试样本预测类别和实际类别一致，则说明分类正确；否则分类错误。两图结果对比，可以明显看出，本发明方法的故障特征提取效果更好，更能有效的区分出不同的故障类型。

Claims (1)

1.基于自适应小波能量的旋转机械故障特征提取方法，其特征在于：

本方法首先在机械故障综合模拟实验台上采集转子振动信号，然后针对信号能量特征受转速和采样频率影响的问题，采用一种自适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不对中故障、轴承座松动故障的有效特征提取；同时为了保留旋转机械振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在恒定偏差和不连续以及参数不可调的问题，在该方法中嵌入了一种阈值函数进行去噪；

实现步骤如下，

1)信号采集；

利用加速度传感器和NI信号采集设备,在MFS机械故障综合模拟实验台上以采样率f_s采集转子正常振动信号和不平衡、不对中、轴承座松动三类转子故障信号，转子旋转频率为f_n；

实验台由基座、轴承座、轴承、转轴、负重块组成，控制器控制电动机转速，由电动机带动，通过转速传感器获知转速,在轴承座上垂直安装加速度传感器测量转子振动信号，NI9234模块和NI9171便携式机箱配合计算机进行振动信号的采集；

2)对信号进行重采样；

旋转机械的故障信号通常在精确的倍频或分频处有明显的突出幅值，即故障特征频率与旋转频率f_n成比例关系，显然,信号的倍频特征是不会随着转速频率f_n的变化而变化的；那么,根据Fourier变换定理，对输入信号x(t)进行尺度为f_n的变换,有如果对时间扩展后的时域信号x(f_nt)以时间间隔Δt_s进行采样,那么相当于对原始信号x(t)以Δt_s/f_n的间隔进行采样；频率压缩后的信号采样的时间间隔Δt_s，直接由小波分解后得到的最高倍频决定；通常,转子故障信号的频率特征需要满足最高倍频在10倍以上；因此,Δt_s需要满足Δt_s＜(1/2)/10＝0.05；这里选用Δt_s＝0.01；

Δt_s确定后，对原始振动信号按Δt_s/f_n进行重采样；

3)确定小波分解层数并对重采样信号进行小波分解；

小波分析是一种信号时频分析方法，每次对分解后的低频信号继续分解；信号经小波分解后在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率；通过小波变换可以将研究对象分解到不同尺度的空间进行分析和处理,然后根据需要进行相应的重构；

信号x(t)的连续小波变换为：

$\left(W_{\mathrm{\&Psi;}}x\right)(a,b)=<x,{\mathrm{\&Psi;}}_{a,b}>=\left|a{|}^{-1/2}\underset{R}{\&Integral;}x\right(t)\stackrel{\&OverBar;}{\mathrm{\&Psi;}\left(\frac{t-b}{a}\right)}dt,$

连续小波函数为小波基函数ψ(t)经过b及a变化而形成的小波函数簇，其中，a为尺度参数，a＞0，b∈R为平移参数；

将尺度参数a和平移参数b作离散化：其中j∈Z,a₀≠1；小波函数的离散化即离散小波函数 ${\mathrm{\&Psi;}}_{j,k}\left(t\right)=a_0^{-j/2}\mathrm{\&Psi;}\left(\frac{t-{\mathrm{ka}}_0^j{b}_0}{a_0^j}\right)=a_0^{-j/2}\mathrm{\&Psi;}(a_0^{-j}t-{\mathrm{kb}}_0),$ 信号x(t)的离散小波变换系数为 ${\mathrm{\&omega;}}_{j,k}=<x\left(t\right),{\mathrm{\&Psi;}}_{j,k}\left(t\right)>={\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}x\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&Psi;}}_{j,k}\left(t\right)}dt,$ ω_j,k表示j尺度下点k位置的小波变换系数；

小波分解的层数m由分解后得到的最低倍频确定，通常,转子故障信号的频率特征需要满足最低倍频在0.5倍以下；因此，小波分解层数m需要满足在Δt_s＝0.01时，m>6.64,取m＝7；

分解层数确定后，对重采样的振动信号进行m层的db5小波分解；

4)小波阈值去噪；

在旋转机械振动信号采集过程中，由于现场环境和设备的干扰，使得正常信号中混入噪声；为消除噪声获得有用信号，采用小波阈值去噪方法；信号通过小波分解后，有用信号对应的小波系统比较大，而噪声信号所对应的小波系数比较小，因此设定合适的阈值，对小于阈值的系数置零，大于阈值的系数保留或置零；对阈值处理后的小波系数进行小波逆变换，即信号重构，就完成了整个的小波阈值去噪过程；由于下一步要在小波系数基础上进行分频段能量特征提取，这一步中只进行小波系数阈值处理；

为保留旋转机械振动信号更多的原始特征，克服传统阈值函数量化方法的缺陷，设计了一种新型的阈值去噪函数量化方法如下式

${\widehat{\mathrm{\&omega;}}}_{j,k}=\left\{\begin{array}{c}sign\left({\mathrm{\&omega;}}_{j,k}\right)\&CenterDot;\left(\right|{\mathrm{\&omega;}}_{j,k}|-\mathrm{\&alpha;}\mathrm{\&lambda;}+\frac{2\mathrm{\&lambda;}\stackrel{\&OverBar;}{\mathrm{\&alpha;}(1-\&part;)}}{\exp \left({\mathrm{\&omega;}}_{j,k}\right)}),\left|{\mathrm{\&omega;}}_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|{\mathrm{\&omega;}}_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，λ为设定的阈值，sign(·)为符号函数，ω_j,k为j尺度下点k位置的小波变换系数(未经阈值处理)，为对应的经阈值处理后的小波系数，在0和1之间适当调节参数的大小，可以获得更好的去噪效果；

5)提取能量特征

信号小波变换后的能量与原始信号能量等价；旋转机械不同故障状态下的振动信号差别较大，对应的小波分解后各频带内的能量也有所差别，根据各频带能量差异性可以判断旋转机械的故障类型；以阈值处理后的小波系数为基础，求取信号各频段能量；以m层小波分解为例，m个低频段和1个高频段由低到高依次编号为1,2，…m+1；

各频段能量计算公式为：j＝1,2,…,m+1；式中，表示j尺度下点k处经阈值处理后的小波系数；

因此，转子故障特征向量为T＝[E₁,E₂,...,E_m+1]。