CN109540560B - 旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法 - Google Patents

Abstract

旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法，涉及一种机械故障诊断方法。在恒定转速运转的旋转机械设备轴承座上安装非接触式电涡流传感器，对采集振动位移信号进行去均值处理；通过冗余傅里叶变换特征提取信号中的各高能量谐波成分的频率、幅值和相位信息；通过离散单位脉冲响应序列获取分解深度为J的提升小波包滤波器频率响应；通过小波包频谱函数对提取的谐波成分进行加权滤波；观察小波子空间序列的时域波形，并且进行Hilbert包络分析并计算损失幅值、瞬时频率从而确定故障特征。

Description

旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法

技术领域

本发明涉及一种机械故障诊断方法，尤其是涉及一种基于时域、频域信息对信号进行小波包滤波的故障特征提取方法的旋转机械结构复谐动态过程的绝对抗混叠多尺 度滤波方法。

背景技术

振动位移信号采集是机械设备状态监测及故障诊断的重要数据来源，由电涡流传感器实现。由于电涡流传感器主要对低频成分敏感，信号的频谱由幅值不一的多个谐 波成分及测量噪声构成。由于旋转机械设备往往运行于复杂恶劣的工况下，机械零件 早期故障十分微弱，由之引起的振动通常淹没于强大的谐波成分之下。如何从量取的 复谐动态信号中提取微弱的故障特征成为重要而有挑战性的问题。

目前，线性多尺度时频分析方法常用来研究振动信号中的故障特征成分。巩晓赟等(巩晓赟等.小波包能量谱在转子碰摩故障诊断中的应用.机械设计与制造,2017, (7):171-174)采用Daubechies正交小波包能量谱对振动位移信号进行分解，分析了故 障发生时各尺度上的关键特征。王宏超等(王宏超.可调品质因子小波变换在转子早 期碰摩故障诊断中应用.振动与冲击,2014,33(10)：77-80)采用可调品质因子小波变换 提取转子早期碰摩故障特征,其中利用了该种小波的可调时频原子特性。于明月等(于 明月等.基于小波包分析和支持向量机的转静碰摩部位识别[J].航空动力学报,2013, 28(1)：46-53)结合基于小波包分析和支持向量机对转静碰摩部位识别，其中小波包 分析被用于信号预处理。虽然目前采用小波变换对振动位移信号的分析取得了卓有成 效的应用，但无论是从时域上进行卷积或是从频域上进行，都无法克服强大谐波成分 能量泄露造成分解结果的畸变。

发明内容

本发明的目的在于针对机械故障中的振动测试信号复谐特征多尺度分析问题，提供结合时域、频域信息对信号进行绝对抗混叠小波包分解的旋转机械结构复谐动态过 程的绝对抗混叠多尺度滤波方法。

本发明包括以下步骤：

1)在恒定转速运转的旋转机械设备轴承座上安装非接触式电涡流传感器，对采集振动位移信号进行去均值处理，得到x:＝{x(n)|n＝0,2,…,N-1}，信号的采样频率为f_s,信号的采样长度N为偶数，采集过程作硬件的抗混叠滤波处理，对频率≥0.5f_s的成分 进行抑制；

在步骤1)中，所述信号的采样频率分辨率可为Δf＝f_s/N≤2Hz。

2)通过冗余傅里叶变换特征提取信号中的各高能量谐波成分的频率、幅值和相位信息；

在步骤2)中，所述通过冗余傅里叶变换特征提取信号中的各高能量谐波成分的频率、幅值和相位信息的具体方法可为：

(1)引入序列y，初始化序列y＝x，引入整数值索引变量k＝1；

(2)为提高频谱分辨率，对序列y后面增补长度为999N的零，得到序列z，定 义为：

(3)对序列{z(n)}进行快速傅里叶变换，频率分辨率提高为10^-3Δf，在频谱函数的前半段

中搜索谱峰最大值c_i：

(4)提取复制谱线z(c_k)的频率f_k、幅值A_k和相位信息φ_k以构建该谐波成分时域信号comp_k(n)：

谐波成分

其中，n＝0,1,…,N-1；

(5)从序列y中减去补偿信号comp_k(n)，即y＝y-comp_k；若A_k＜10^-3·A₁，则结 束循环，令正整数K＝k；否则，对变量进行自加，k＝k+1，回到步骤(2)。

3)通过离散单位脉冲响应序列获取分解深度为J的提升小波包滤波器频率响应；

在步骤3)中，所述通过离散单位脉冲响应序列获取分解深度为J的提升小波包 滤波器频率响应的具体方法可为：

(1)构建单位脉冲响应函数δ(n-0.5N)；

(2)对δ(n-0.5N)进行深度为J的小波包分解并单枝重构，获得2^J个小波包的时 域响应信号wp＝{wp_k(n)|k＝1,2,...2^J；n＝0,1,...,N-1}；

(3)对wp_J中的各元素进行傅里叶逆变换，得到其幅值谱函数

4)通过小波包频谱函数

对提取的谐波成分进行加权滤波；

在步骤4)中，所述通过小波包频谱函数

对提取的谐波成分进行加权滤波的具体方法可为：

(1)输入：信号

频谱函数

(2)在幅值谱函数

上对频率值{f₁,f₂,...,f_K}所在的谱线进行三次样条插值，得到加权值{v_k,1,v_k,2,...,v_k,K},得到滤波后的小波子空间序列c_J,k(n)，表示为：

5)观察小波子空间序列的时域波形，并且进行Hilbert包络分析并计算损失幅值、瞬时频率从而确定故障特征。

本发明以机械设备状态监测中采集的振动位移信号为分析对象。为采集振动位移信号常在轴承坐上安装非接触式的电涡流传感器，要求分析信号的频率分辨率高于 2Hz。

电涡流传感器对机械振动的低频成分较为敏感，采样信号可以看成具有测量噪声的多简谐波耦合信号(复谐过程)。由于有限的采样长度，各谐波成分在频谱上不可避 免地存在栅格效应和能量混叠。目前的小波变换，无论是时域卷积实现还是频域实现， 都是从滤波器设计的角度进行较小滤波结果的混叠。本发明结合了信号的时域信息和 小波包滤波器的频域信息进行综合考虑。首先在通过对原信号进行补零操作，以冗余 快速傅里叶变换以此提取个谐波成分的频率、幅值、相位信息从而构建谐波成分的原 始波形。从原信号依次减去谐波成分信号时从根本上消除了能量混叠现象。对信号进 行滤波时，首先构造各小波包的频率响应谱函数，根据提取的若干谐波频率信息在响 应谱函数上寻找加权信息，最好通过加权系数对各谐波成分进行线性组合得到滤波结 果。

本发明根据信号频谱及小波滤波器特性对分析结果中能量混叠效应产生的影响，提出了基于时域信息和频域信息的绝对抗混叠滤波算法。在滤波前通过冗余傅里叶变 换高精度地提取谐波的频率、幅值、相位信息，再构造各成分的时域波形，从根本上 消除了能量混叠来源。滤波的结果正则性好，基于此提取的时域、频域、包络解调信 息鲁棒性好。发明内容具有较好的工程应用推广价值。

附图说明

图1为本发明方法用于转子实验台轴承座上采集的振动位移信号。在图1中，(a)时域 波形；(b)信号的傅里叶频谱图。

图2为从图1中振动位移信号补零之原长度1000倍后的傅里叶频谱图。

图3为消去第一个谐波成分后剩余信号的冗余傅里叶频谱图。

图4为分解深度J＝3的8个提升小波包函数频率响应谱图。

图5为采用绝对抗混叠滤波后的一个小波包尺度时域波形图。

图6为从图5的时域波形中提取的动态特征信息。在图6中，(a)包络解调谱；(b)瞬时频率随时间变化曲线图。

具体实施方式

下面结合附图对本发明的内容作进一步详细说明。

本发明包括以下步骤：

1.在恒定转速运转的旋转机械设备轴承座上安装非接触式电涡流传感器，对采集振动位移信号(如图1所示)进行去均值处理，得到x:＝{x(n)|n＝0,2,...,N-1}，信号 的采样频率为f_s,信号的采样长度N必须为偶数，采集过程作硬件的抗混叠滤波处理， 对频率大于等于0.5f_s的成分进行抑制，要求信号的频率分辨率Δf＝f_s/N≤1Hz。

2.通过冗余傅里叶变换特征提取信号中的各高能量谐波成分的频率、幅值和相位信息，步骤为：

1)引入序列y,初始化序列y＝x。引入整数值索引变量k＝1

2)为提高频谱分辨率，对序列y后面增补长度为999N的零,得到序列z，定义为：

3)对序列{z(n)}进行快速傅里叶变换(其傅里叶频谱图如图2所示)，频率分辨 率提高为10^-3Δf，在频谱函数的前半段

中搜索谱峰最大值 c_i。

4)提取复制谱线z(c_k)的频率f_k、幅值A_k和相位信息φ_k以构建该谐波成分时域信号comp_k(n)：

谐波成分

其中n＝0,1,...,N-1。

5)从序列y中减去补偿信号comp_k(n)，即y＝y-comp_k。第一次谐波补偿之后残 余信号的频谱如图3所示。若A_k＜10^-3·A₁，则结束循环，令正整数K＝k；否则，对 变量进行自加，k＝k+1，回到步骤2)

3.通过离散单位脉冲响应序列获取分解深度为J的提升小波包滤波器频率响应，步骤为：

①构建单位脉冲响应函数δ(n-0.5N)。

②对δ(n-0.5N)进行深度为J的小波包分解并单枝重构，获得2^J个小波包的时域响应信号wp＝{wp_k(n)|k＝1,2,...2^J；n＝0,1,...,N-1}。

③对wp_J中的各元素进行傅里叶逆变换，得到其幅值谱函数

如图4所示。

4.通过小波包频谱函数

对提取的谐波成分进行加权滤波，其步骤为：

(1)输入:信号

频谱函数

(2)在幅值谱函数

上对频率值{f₁,f₂,...,f_K}所在的谱线进行三次样条插值，得到加权值{v_k,1,v_k,2,...,v_k,K},得到滤波后的小波子空间序列c_J,k(n)，表示为：

5.观察小波子空间序列的时域波形(如图5所示)，并且进行Hilbert包络分析 并计算损失幅值、瞬时频率从而确定故障特征，如图6所示。

下面结合工程例对图1～6的内容进行进一步说明。

本工程例用于验证本发明内容的有效性和正确性。在单跨转子系统上安装电涡流传感器 量取转轴的振动位移信号(采样频率：2000Hz,采样长度：1024)。转子系统的的转轴频率为 33.33Hz(2000r/min)。信号的时域波形及其傅里叶频谱分别如图1(a)和1(b)所示，频谱的频率 分辨率为1.95Hz。在原始信号后补充1998000个零(信号原长度的999倍)后进行快速傅里叶 变换，插值频谱如图2所示。插值频谱的频率分辨率为0.00195Hz。从插值频谱中的最大谱 线中识别谐波成分的谐波信息(频率、幅值、相位)。从提取的谐波信息构建补偿信号并从原 信号中减去该信号。第一次谐波补偿后残余信号的频谱如图3所示。按同样的方法逐个识别 各个谐波成分。为了对原信号进行绝对抗混叠滤波，通过提升小波包变换对单位脉冲信号进 行分解获取J＝3时的8个小波包的频谱曲线。通过8个小波包的频谱曲线对各谐波成分进行 加权得到滤波后的信号。一个滤波后的小波包信号时域波形如图4所示。从信号的时域波形(图 6(a))及其包络解调瞬时频率曲线(图6(b))可以确认转子系统中存在转子碰摩故障。

本发明公开一种联合时域和频域信息对复谐信号进行绝对抗混叠滤波的方法，首先针对从机械设备上采集的振动位移信号进行补零和冗余傅里叶变换，以提高频谱密 度函数的频率分辨率。然后提取幅值最大谱线的频率、幅值、相位信息构造各谐波成 分的时域信号。每提取一个小波成分后都从信号中进行补偿消除该成分以减小其对其 它成分谐波信息提取的影响。在滤波算法上，需要通过单位脉冲响应函数获取各小波 包的幅值响应谱，根据提取的各谐波频率信息在幅值响应谱上进行插值获取加权系数， 通过加权系数对谐波时域信号进行线性组合得到滤波结果。最后可以通过波形观察、 包络解调等方法提取滤波结果的动态特征信息。

Claims (5)

1.旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法，其特征在于包括以下步骤：

1)在恒定转速运转的旋转机械设备轴承座上安装非接触式电涡流传感器，对采集振动位移信号进行去均值处理，得到x:＝{x(n)|n＝0,2,...,N-1}，信号的采样频率为f_s,信号的采样长度N为偶数，采集过程作硬件的抗混叠滤波处理，对频率≥0.5f_s的成分进行抑制；

2)通过冗余傅里叶变换特征提取信号中的各高能量谐波成分的频率、幅值和相位信息；

3)通过离散单位脉冲响应序列获取分解深度为J的提升小波包滤波器频率响应；

4)通过小波包频谱函数

对提取的谐波成分进行加权滤波，其中，k＝1,2,...,2^J；

5)观察小波子空间序列的时域波形，并且进行Hilbert包络分析并计算瞬时幅值、瞬时频率从而确定故障特征。

2.如权利要求1所述旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法，其特征在于在步骤1)中，所述信号的采样频率分辨率为Δf＝f_s/N≤2Hz。

3.如权利要求1所述旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法，其特征在于在步骤2)中，所述通过冗余傅里叶变换特征提取信号中的各高能量谐波成分的频率、幅值和相位信息的具体方法为：

(1)引入序列y，初始化序列y＝x，引入整数值索引变量k＝1；

(2)为提高频谱分辨率，对序列y后面增补长度为999N的零，得到序列z，定义为：

(3)对序列{z(n)}进行快速傅里叶变换，频率分辨率提高为10^-3Δf，在频谱函数的前半段

中搜索谱峰最大值c_k：

(4)提取幅值谱线z(c_k)的频率f_k、幅值A_k和相位信息φ_k以构建该谐波成分时域信号comp_k(n)：

谐波成分

其中，n＝0,1,...,N-1；

(5)从序列y中减去补偿信号comp_k(n)，即y＝y-comp_k；若A_k＜10^-3·A₁，则结束循环，令正整数K＝k；否则，对变量进行自加，k＝k+1，回到步骤(2)。

4.如权利要求1所述旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法，其特征在于在步骤3)中，所述通过离散单位脉冲响应序列获取分解深度为J的提升小波包滤波器频率响应的具体方法为：

(1)构建单位脉冲响应函数δ(n-0.5N)；

(2)对δ(n-0.5N)进行深度为J的小波包分解并单枝重构，获得2^J个小波包的时域响应信号wp_J＝{wp_k(n)|k＝1,2,...2^J；n＝0,1,...,N-1}；

(3)对wp_J中的各元素进行傅里叶变换，得到其幅值谱函数

5.如权利要求1所述旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法，其特征在于在步骤4)中，所述通过小波包频谱函数

对提取的谐波成分进行加权滤波的具体方法为：

(1)输入：信号

频谱函数

(2)在幅值谱函数

上对频率值{f₁,f₂,...,f_K}所在的谱线进行三次样条插值，得到加权值{v_k,1,v_k,2,…,v_k,K},得到滤波后的小波子空间序列c_J,k(n)，表示为：

Images