CN109738189B - 一种旋转机械频谱谐波平均优化方法 - Google Patents

一种旋转机械频谱谐波平均优化方法 Download PDF

Info

Publication number
CN109738189B
CN109738189B CN201811578935.2A CN201811578935A CN109738189B CN 109738189 B CN109738189 B CN 109738189B CN 201811578935 A CN201811578935 A CN 201811578935A CN 109738189 B CN109738189 B CN 109738189B
Authority
CN
China
Prior art keywords
frequency
spectrum
harmonic
sequence
frequency spectrum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811578935.2A
Other languages
English (en)
Other versions
CN109738189A (zh
Inventor
张庆
何小高
贾林山
安存昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201811578935.2A priority Critical patent/CN109738189B/zh
Publication of CN109738189A publication Critical patent/CN109738189A/zh
Application granted granted Critical
Publication of CN109738189B publication Critical patent/CN109738189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种旋转机械频谱谐波平均优化方法,首先,通过对原始振动信号进行傅里叶变换获取振动信号的频谱;然后,根据分析需要确定频谱计算范围,并在确定好的频谱计算范围内对所有分析谱线进行倍频平均计算;最后,去除因倍频平均产生的频谱局部极小值均值和伪峰值,实现非谐波成分干扰噪声的去除;本发明利用故障发生时的特征成分具有谐波特性的特点,采用频谱谐波平均的方法消除或削弱频谱及包络谱中的非谐波低频、同频干扰,提高信噪比,实现故障的早期识别和诊断。

Description

一种旋转机械频谱谐波平均优化方法
技术领域
本发明属于旋转机械设备状态监测与故障诊断技术领域,具体涉及一种旋转机械频谱谐波平均优化方法。
背景技术
目前我国在航空、石油、化工、冶金、电力等企业中,旋转机械设备约占80%。为提高工作效率,许多制造工艺均为流水作业,在实际工作中,一旦某一环节出现问题,都会导致整个生产过程瘫痪,带来巨大的经济损失,对于一些工作在高速状态的设备,还可能造成人员伤亡的恶劣事故。因此对上述旋转机械设备进行故障监测诊断具有重大意义。
旋转机械设备常见的故障主要有转子故障、轴承故障、齿轮故障等,目前最有效的诊断方法为基于振动信号的监测方法。由于旋转设备具有旋转运动的工作特点,在设备运行过程中,会激发出大量的振动加速度信号,该信号中蕴含着设备状态的重要信息。频谱分析是故障识别的有效方法,许多故障的振动加速度信号中通常包含故障特征信息,其在频谱上的表现为特定故障频率成分,但在故障的早期阶段,其特征信息能量较小,受传递路径、传感器安装误差、设备部件固有振动等影响,故障信息信噪比较低,难以直接利用频谱分析进行特征提取。以滚动轴承为例,目前通常采用解调谱分析的方法进行早期故障诊断,但对于内圈、滚珠、保持架等故障,由于故障部位距离传感器安装位置较远,传递路径复杂,故障信息经过大幅衰减后易淹没在低频噪声干扰中,故障发展到中期时,虽然可以在频谱低频区观察到故障特征,但易受工频和其它同频干扰影响,为诊断信息的提取带来困难。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种旋转机械频谱谐波平均优化方法,利用故障发生时的特征成分具有谐波特性的特点,采用频谱谐波平均的方法消除或削弱频谱及包络谱中的非谐波低频、同频干扰,提高信噪比,实现故障的早期识别和诊断。
为了实现上述目的,本发明采取的技术解决方案是:
一种旋转机械频谱谐波平均优化方法,首先,通过对原始振动信号进行傅里叶变换获取振动信号的频谱;然后,根据分析需要确定频谱计算范围,并在确定好的频谱计算范围内对所有分析谱线进行倍频平均计算;最后,去除因倍频平均产生的频谱局部极小值均值和伪峰值,实现非谐波成分干扰噪声的去除。
一种旋转机械频谱谐波平均优化方法,包括以下步骤:
步骤1)对原始振动信号进行傅里叶变换,获取信号频谱幅值序列{Ai},{i=1,2,…,N},N为采样点数;
步骤2)根据设备运行工况及部件参数信息,确定信号分析频带上限F,得到分析频率范围0-F,并确定计算频率上限Ft
步骤3)从原始频谱0-Ft频段幅值序列中对分析频率范围0-F的所有谱线进行倍频平均计算,得到谐波平均处理后的幅值序列{Bj},
Figure GDA0002313313960000021
B1=A1,其中
Figure GDA0002313313960000022
Δf为频谱分辨率,fix为向0方向取整,
Figure GDA0002313313960000023
是频率(j-1)*Δf在计算频率0-Ft范围内可计算的谐波个数;
步骤4)去局部极小值均值,Cj=abs(Bj-av),其中
Figure GDA0002313313960000024
是频谱幅值序列局部极小值
Figure GDA0002313313960000025
的平均值,
Figure GDA0002313313960000026
满足Bj<Bj-1且Bj<Bj+1,k=1,2,…,R,R为原始频谱中局部极小值的个数,abs为取绝对值运算;
步骤5)从原始频谱幅值序列{Ai}中抽取有效峰值序列
Figure GDA0002313313960000027
其中
Figure GDA0002313313960000028
满足Ai-1<Ai且Ai>2Ai+1,或2Ai-1<Ai且Ai>Ai+1,m=1,2,…,T1,T1为原始频谱中满足有效峰值条件的个数,对谐波平均处理后序列{Cj},得到其一般峰值序列
Figure GDA0002313313960000029
Figure GDA00023133139600000210
满足Cj-1<Cj且Cj>Cj+1,n=1,2,…,T2,T2为谐波平均处理后频谱中的峰值个数,判断峰值序列
Figure GDA0002313313960000031
中峰值位置及其相邻4个点处是否存在原始频谱的有效峰值序列
Figure GDA0002313313960000032
成分,若存在,Cj=Cj,否则,
Figure GDA0002313313960000033
通过频谱插值的方法消除因频谱平均产生的虚假峰值。
所述的步骤2)中的分析频率范围0-F,包含特征频率2-6个谐波,计算频率Ft取F的2-5倍,且小于采样频率的一半。
所述步骤5)中,在去除虚假峰值时,设置4个频谱分辨率作为判断条件,防止真实成分被误去除,对其余位置处虚假峰值采用线性插值的方法,消除影响。
本发明的有益效果为:
1.本发明对整个分析频段进行倍频平均处理,使得真实谐波成分得到信息增强,低频及同频非谐波干扰成分得到抑制,地毯噪声由于本身的随机分布特点,能量维持不变,从而实现分析频段的非线性滤波,提高早期故障频谱的信噪比。
2.本发明通过求平均运算实现分析频段的频域非线性滤波,过程简单,效果明显。
附图说明
图1是本发明的流程图。
图2是本发明实施例1的滚动轴承实验装置简图。
图3是本发明实施例1的滚动轴承振动加速度信号时域波形图。
图4是本发明实施例1的滚动轴承振动加速度信号频谱图。
图5是本发明实施例1的滚动轴承振动加速度信号频谱谐波平均处理后效果。
图6是本发明实施例2的滚动轴承实验装置简图。
图7是本发明实施例2的滚动轴承振动加速度信号的时域波形。
图8是本发明实施例2的滚动轴承振动加速度信号频谱。
图9是本发明实施例2的滚动轴承振动加速度信号包络谱。
图10是本发明实施例2的滚动轴承振动加速度信号包络谱谐波平均处理后效果。
具体实施方式
以下结合附图和实施例对本发明进一步的详细说明。
实施例1,参照图1,旋转机械频谱谐波平均优化方法,包括以下步骤:
步骤1)对原始振动信号进行傅里叶变换,获取信号频谱幅值序列{Ai},{i=1,2,…,N},N为采样点数;
步骤2根据设备运行工况及部件参数信息,确定信号分析频带上限F,得到分析频率范围0-F,分析频率范围0-F包含特征频率2-6个谐波,为防止平均时高频成分往其分频区映射,造成不必要的虚假频率,计算频率Ft取F的2-5倍,且小于采样频率的一半,本实施例中F=1000Hz,Ft=2000Hz;
步骤3)从原始频谱0-Ft频段幅值序列中对分析频率范围0-F的所有谱线进行倍频平均计算,得到谐波平均处理后的幅值序列{Bj},
Figure GDA0002313313960000041
B1=A1,其中
Figure GDA0002313313960000042
Δf为频谱分辨率,fix为向0方向取整,
Figure GDA0002313313960000043
是频率(j-1)*Δf在计算频率0-Ft范围内可计算的谐波个数,本实施例中Δf=0.977Hz;
步骤4)去局部极小值均值,Cj=abs(Bj-av),其中
Figure GDA0002313313960000044
是频谱幅值序列局部极小值
Figure GDA0002313313960000045
的平均值,
Figure GDA0002313313960000046
满足Bj<Bj-1且Bj<Bj+1,k=1,2,…,R,R为原始频谱中局部极小值的个数,abs为取绝对值运算;
步骤5)从原始频谱幅值序列{Ai}中抽取有效峰值序列
Figure GDA0002313313960000047
其中
Figure GDA0002313313960000048
满足Ai-1<Ai且Ai>2Ai+1,或2Ai-1<Ai且Ai>Ai+1,m=1,2,…,T1,T1为原始频谱中满足有效峰值条件的个数,对谐波平均处理后序列{Cj},得到其一般峰值序列
Figure GDA0002313313960000049
Figure GDA00023133139600000410
满足Cj-1<Cj且Cj>Cj+1,n=1,2,…,T2,T2为谐波平均处理后频谱中的峰值个数,判断峰值序列
Figure GDA0002313313960000051
中峰值位置及其相邻4个点处是否存在原始频谱的有效峰值序列
Figure GDA0002313313960000052
成分,若存在,Cj=Cj,否则,
Figure GDA0002313313960000053
通过频谱插值的方法消除因频谱平均产生的虚假峰值;
考虑受栅栏效应等因素影响,易出现频谱分辨率和真实频率不重叠现象,在去除虚假峰值时,设置4个频谱分辨率作为判断条件,防止真实成分被误去除,对其余位置处虚假峰值采用线性插值的方法,消除影响。
参照图2,本实施例选择美国智能维护系统(IMS)中心的滚动轴承实验装置。在一个轴上安装四个滚动轴承,将转速恒定保持在2000RPM。通过弹簧机构在轴和轴承上施加6000lb径向载荷。所有轴承都被强制润滑,在每个轴承上安装了两个PCB353B33高灵敏度石英ICP加速度计,共有8个加速度计(每个垂直Y和水平X)。以轴承1为分析对象,数据采样时间为02/12/200410:32:39到02/19/200406:22:39,采样时间间隔为10分钟,采样频率20kHz,采样点数20480,共984组数据,取早期故障的第700组数据进行分析。
参照图3,轴承1故障类型为外圈故障,从其时域波形中可以看到由故障引起的冲击成分,但不明显。
参照图4,分析频谱1000Hz以内成分,可以看到轴承故障的四个谐波成分,但存在较大能量的低频区干扰,且在轴承故障4次谐波处存在高幅值同频干扰。
参照图5,采用频谱谐波平均优化方法处理,低频和同频干扰均得到消除和大幅度抑制,轴承故障谐波成分得到明显增强。
实施例2,参照图1,旋转机械频谱谐波平均优化方法,包括以下步骤:
步骤1)对原始振动信号进行傅里叶变换,获取信号频谱幅值序列{Ai},{i=1,2,…,N},N为采样点数;
步骤2)根据设备运行工况及部件参数信息,确定信号分析频带上限F,得到分析频率范围0-F,分析频率范围0-F包含特征频率2-6个谐波,为防止平均时高频成分往其分频区映射,造成不必要的虚假频率,计算频率Ft取F的2-5倍,且小于采样频率的一半,本实施例中F=200Hz,Ft=800Hz;
步骤3)从原始频谱0-Ft频段幅值序列中对分析频率范围0-F的所有谱线进行倍频平均计算,得到谐波平均处理后的幅值序列{Bj},
Figure GDA0002313313960000061
B1=A1,其中
Figure GDA0002313313960000062
Δf为频谱分辨率,fix为向0方向取整,
Figure GDA0002313313960000063
是频率(j-1)*Δf在计算频率0-Ft范围内可计算的谐波个数,本实施例中Δf=0.25Hz;
步骤4)去局部极小值均值,Cj=abs(Bj-av),其中
Figure GDA0002313313960000064
是频谱幅值序列局部极小值
Figure GDA0002313313960000065
的平均值,
Figure GDA0002313313960000066
满足Bj<Bj-1且Bj<Bj+1,k=1,2,…,R,R为原始频谱中局部极小值的个数,abs为取绝对值运算;
步骤5)从原始频谱幅值序列{Ai}中抽取有效峰值序列
Figure GDA0002313313960000067
其中
Figure GDA0002313313960000068
满足Ai-1<Ai且Ai>2Ai+1,或2Ai-1<Ai且Ai>Ai+1,m=1,2,…,T1,T1为原始频谱中满足有效峰值条件的个数,对谐波平均处理后序列{Cj},得到其一般峰值序列
Figure GDA0002313313960000069
Figure GDA00023133139600000610
满足Cj-1<Cj且Cj>Cj+1,n=1,2,…,T2,T2为谐波平均处理后频谱中的峰值个数,判断峰值序列
Figure GDA00023133139600000611
中峰值位置及其相邻4个点处是否存在原始频谱的有效峰值序列
Figure GDA00023133139600000612
成分,若存在,Cj=Cj,否则,
Figure GDA00023133139600000613
通过频谱插值的方法消除因频谱平均产生的虚假峰值;
考虑受栅栏效应等因素影响,易出现频谱分辨率和真实频率不重叠现象,在去除虚假峰值时,设置4个频谱分辨率作为判断条件,防止真实成分被误去除,对其余位置处虚假峰值采用线性插值的方法,消除影响。
参照图6,本实施例采用实验室滚动轴承试验平台,该试验台包括调速器、直流驱动电机、动力箱、滚动轴承安装架、轴向加载装置和径向加载装置等部分构成,将转速恒定保持在1050RPM。
参照图7,故障轴承型号为6308,故障类型为内圈故障,在1050RPM转速下,理论外圈故障特征频率为85.4Hz,从其时域图中可以看到故障引起的冲击成分。
参照图8,信号频谱低频区噪声较大,难以直接进行分析,在3500Hz附近存在一个共振峰。
参照图9,对原始振动信号3200-4000Hz频带进行巴特沃斯带通滤波,并通过希尔伯特变换和FFT,得到其包络谱,包络谱中仍存在大量低频和同频噪声,轴承外圈故障特征被淹没在噪声中。
参照图10,采用频谱谐波平均优化方法处理,低频和同频噪声干扰得到大幅抑制,明显看到轴承内圈故障特征频率及其谐波。

Claims (3)

1.一种旋转机械频谱谐波平均优化方法,其特征在于:首先,通过对原始振动信号进行傅里叶变换获取振动信号的频谱;然后,根据分析需要确定频谱计算范围,并在确定好的频谱计算范围内对所有分析谱线进行倍频平均计算;最后,去除因倍频平均产生的频谱局部极小值均值和伪峰值,实现非谐波成分干扰噪声的去除;
所述的一种旋转机械频谱谐波平均优化方法,包括以下步骤:
步骤1)对原始振动信号进行傅里叶变换,获取信号频谱幅值序列{Ai},{i=1,2,…,N},N为采样点数;
步骤2)根据设备运行工况及部件参数信息,确定信号分析频带上限F,得到分析频率范围0-F,并确定计算频率上限Ft
步骤3)从原始频谱0-Ft频段幅值序列中对分析频率范围0-F的所有谱线进行倍频平均计算,得到谐波平均处理后的幅值序列{Bj},
Figure FDA0002357992570000011
B1=A1,其中
Figure FDA0002357992570000012
Δf为频谱分辨率,fix为向0方向取整,
Figure FDA0002357992570000013
是频率(j-1)*Δf在计算频率0-Ft范围内可计算的谐波个数;
步骤4)去局部极小值均值,Cj=abs(Bj-av),其中
Figure FDA0002357992570000014
是频谱幅值序列局部极小值
Figure FDA0002357992570000015
的平均值,
Figure FDA0002357992570000016
满足Bj<Bj-1且Bj<Bj+1,k=1,2,…,R,R为原始频谱中局部极小值的个数,abs为取绝对值运算;
步骤5)从原始频谱幅值序列{Ai}中抽取有效峰值序列
Figure FDA0002357992570000017
其中
Figure FDA0002357992570000018
满足Ai-1<Ai且Ai>2Ai+1,或2Ai-1<Ai且Ai>Ai+1,m=1,2,…,T1,T1为原始频谱中满足有效峰值条件的个数,对谐波平均处理后序列{Cj},得到其一般峰值序列
Figure FDA0002357992570000019
Figure FDA00023579925700000110
满足Cj-1<Cj且Cj>Cj+1,n=1,2,…,T2,T2为谐波平均处理后频谱中的峰值个数,判断峰值序列
Figure FDA0002357992570000021
中峰值位置及其相邻4个点处是否存在原始频谱的有效峰值序列
Figure FDA0002357992570000022
成分,若存在,Cj=Cj,否则,
Figure FDA0002357992570000023
通过频谱插值的方法消除因频谱平均产生的虚假峰值。
2.根据权利要求1所述的一种旋转机械频谱谐波平均优化方法,其特征在于:所述的步骤2)中的分析频率范围0-F,包含特征频率2-6个谐波,计算频率Ft取F的2-5倍,且小于采样频率的一半。
3.根据权利要求1所述的一种旋转机械频谱谐波平均优化方法,其特征在于:所述步骤5)中,在去除虚假峰值时,设置4个频谱分辨率作为判断条件,防止真实成分被误去除,对其余位置处虚假峰值采用线性插值的方法,消除影响。
CN201811578935.2A 2018-12-24 2018-12-24 一种旋转机械频谱谐波平均优化方法 Active CN109738189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811578935.2A CN109738189B (zh) 2018-12-24 2018-12-24 一种旋转机械频谱谐波平均优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811578935.2A CN109738189B (zh) 2018-12-24 2018-12-24 一种旋转机械频谱谐波平均优化方法

Publications (2)

Publication Number Publication Date
CN109738189A CN109738189A (zh) 2019-05-10
CN109738189B true CN109738189B (zh) 2020-03-31

Family

ID=66359609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811578935.2A Active CN109738189B (zh) 2018-12-24 2018-12-24 一种旋转机械频谱谐波平均优化方法

Country Status (1)

Country Link
CN (1) CN109738189B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440909B (zh) * 2019-07-31 2021-07-13 安徽智寰科技有限公司 一种基于噪声自适应识别的振动信号信噪比计算方法
CN114235318A (zh) * 2021-12-09 2022-03-25 湖南崇德科技股份有限公司 多功能振动测试试验台

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3017327A1 (de) * 1980-05-06 1981-11-12 Nippon Seiko K.K., Tokyo Einrichtung zur analyse von harmonischen schwingungen
JP5565120B2 (ja) * 2010-06-09 2014-08-06 富士電機株式会社 転がり軸受部振動データの高周波電磁振動成分除去方法および高周波電磁振動成分除去装置、回転機械の転がりの軸受診断方法および軸受診断装置
US9109517B2 (en) * 2011-03-14 2015-08-18 General Electric Company Condition monitoring of mechanical drive train coupled with electrical machines
CN104568444B (zh) * 2015-01-28 2017-02-22 北京邮电大学 变转速火车滚动轴承故障特征频率提取方法

Also Published As

Publication number Publication date
CN109738189A (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN109682601B (zh) 一种变转速工况下滚动轴承的早期故障识别方法
Wang et al. Multi-scale enveloping order spectrogram for rotating machine health diagnosis
CN110044610B (zh) 齿轮故障诊断方法
CN111089726A (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CN109738189B (zh) 一种旋转机械频谱谐波平均优化方法
CN111238813B (zh) 一种强干扰下提取滚动轴承故障特征的方法
CN109029996B (zh) 一种轮毂轴承故障诊断方法
CN109029999B (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
CN112183259B (zh) 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法
Hou et al. A resonance demodulation method based on harmonic wavelet transform for rolling bearing fault diagnosis
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN113239613A (zh) 一种水轮机组摆度报警判断方法
CN111307426A (zh) 一种基于FrFT-EWT原理的旋转机械故障特征提取方法
CN112597969B (zh) 一种滚动轴承故障诊断方法、系统及介质
JP2014010139A (ja) 動的設備の状態監視システムとその方法とそのプログラム
CN110147637B (zh) 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法
CN115235768A (zh) 一种滚动轴承故障诊断方法及系统
CN114757226A (zh) 一种参数自适应分解结构的轴承故障特征增强方法
Hemmati et al. Rolling element bearing condition monitoring using acoustic emission technique
CN115683580A (zh) 一种基于相位域自适应滤波的旋转机械故障诊断方法
CN111220386B (zh) 一种自适应频移变尺度共振技术的轴承故障早期诊断方法
Jiang et al. Fault diagnosis method based on precise frequency domain integral and vibration severity
Damine et al. Comparative study between EEMD-MED and VMD-MED techniques dedicated to bearing fault detection in induction motors
Ahmed Advanced detection of reb defects through sound emission using envelope analysis and spectral kurtosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant