CN111307426A - 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 - Google Patents
一种基于FrFT-EWT原理的旋转机械故障特征提取方法 Download PDFInfo
- Publication number
- CN111307426A CN111307426A CN201911144893.6A CN201911144893A CN111307426A CN 111307426 A CN111307426 A CN 111307426A CN 201911144893 A CN201911144893 A CN 201911144893A CN 111307426 A CN111307426 A CN 111307426A
- Authority
- CN
- China
- Prior art keywords
- frequency multiplication
- component
- fractional fourier
- vibration signal
- frft
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于FrFT‑EWT的旋转机械故障特征提取方法,综合利用了分数阶傅里叶变换(Fractional Fourier Transform,简称FrFT)处理多分量线性调频信号的能力和经验小波变换(Empirical Wavelet Transform,简称EWT)自适应提取信号特征分量的能力,将经验小波变换推广至分数阶傅里叶变换域中,实现了非平稳信号的自适应分解,显著地扩展了其应用范围。本发明实现了对于转轴启停车振动信号特征分量的自适应提取,为转轴在启停车阶段的信息自适应处理及早期微弱故障的检测与识别提供了一条有效的途径。
Description
技术领域
本发明属于机械设备故障诊断领域,具体涉及一种基于FrFT-EWT原理的旋转机械故障特征提取方法。
背景技术
大型旋转机械是石油、化工、能源、冶金等许多行业中的关键设备,保障这些关键设备安全、稳定、连续优质地运行,对于安全生产、提高企业经济效益具有十分重要的意义。转轴作为旋转机械设备的关键部件,是故障的高发部位,它的运行状态往往直接影响到设备运行状态的安全性和稳定性。
相比于平稳工作运行工况,转轴启停车过程的振动信号含有更为丰富的状态信息,对于机组动态特性的反映也更为深入和敏感,充分利用这些信息可以发现难以识别的微弱故障。但是,转子启停车振动信号是一种典型的非平稳信号,常常表现为多分量、多调制的现象,且往往伴有大量噪声干扰,一般不能直接利用这类信号进行故障诊断。然而,启停车振动信号可以看作是多个线性调频信号分量的组合,因此需要先将启停车信号中的主要分量提取出来,再进行状态识别与故障诊断。
基于分数阶傅里叶变换(Fractional Fourier Transform,简称FrFT)的滤波方法可以实现非平稳信号中线性调频分量的准确提取,但是该滤波方法在提取每一个线性调频分量时都需要进行一次分数阶傅里叶变换及其逆变换,运算量极大、执行效率低,且在每一个分数阶域内都需要人为构造滤波器,不具备自适应分析信号的能力。作为一种自适应处理方法,经验小波变换(Empirical Wavelet Transform,简称EWT)可以提取出信号中的经验模式分量,具有数学理论完备、运行效率高等优点。但该方法无法实现非平稳信号中有效分量的正确提取。
发明内容
本发明的目的在于克服现有基于分数阶傅里叶变换滤波方法运算量大、不具有自适应处理能力的缺点,提供一种基于FrFT-EWT的旋转机械故障特征提取方法,该方法将分数阶傅里叶变换与经验小波变换相结合,具有自适应处理启停车过程非平稳信号的能力。
为达到上述目的,本发明所采用的技术方案包括以下步骤:
1)获取转轴启车过程的等时间间隔的振动信号和键相信号;
2)使用步骤1)中获取的键相信号,计算转轴在启车过程的升速序列;
3)基于步骤2)的结果,对振动信号进行p1阶次下的分数阶傅里叶变换,得到振动信号的分数阶傅里叶频谱;
4)对步骤3)中的分数阶傅里叶频谱内进行经验小波变换,提取振动信号的1倍频分量、高倍频分量和低倍频分量;
5)对步骤5)中得到的1倍频分量作-p1阶次的分数阶傅里叶变换,可得振动信号1倍频分量的时域波形;
6)基于步骤2)和步骤4)的结果,对振动信号的高阶分量作p3阶次下的分数阶傅里叶变换,提取出高阶分量中的2倍频分量、3倍频分量和4倍频分量;
7)对步骤6)中得到的2、3和4倍频分量作-p3阶次的分数阶傅里叶变换,可得振动信号的2、3和4倍频分量的时域波形;
8)利用步骤5)和步骤7)得到的振动信号的前4个倍频分量的时域波形,进行故障识别与诊断。
所述步骤1)中的信号为转轴上任意测量截面上的等时间间隔采集的振动信号和键相信号。
所述步骤4)中,经验小波变换的分解数目N=3。
所述步骤7)中,经验小波变换的分解数目N=4。
与现有技术相比,本发明具有以下有益效果:
本发明针对转轴启停车非稳态振动数据,综合利用分数阶傅里叶变换和经验小波变换的各自分析优势,将经验小波变换推广至分数阶傅里叶变换域中,可实现多分量线性调频信号和转轴启停车振动信号的自适应分解,扩展了经验小波变换的运用范围,该方法适用于启停车过程振动信号中故障特征分量的自适应提取。
附图说明
图1为本发明实施例模拟转轴启车过程振动信号的时域波形图;
图2为本发明实施例键相信号采集和键相校正示意图;
图3为本发明实施例键相处理后的转速序列图,其中信号调频率为8000转/分钟;
图4为本发明实施例分数阶傅里叶变换和经验小波变换处理的流程图;
图5为本发明实施例启车振动信号经分析后得到的前4个倍频分量的时域波形图;
图6为本发明实施例启车振动信号经分析后得到的前4个倍频分量的分数阶傅里叶变换频谱图;
图7为本发明实施例转子不平衡故障的前4个倍频分量的时域波形图;
图8为本发明实施例转子不对中故障的前4个倍频分量的时域波形图;
图9为本发明实施例转子动静碰摩故障的前4个倍频分量的时域波形图;
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
本发明首先对转轴进行一次启车,采集振动及键相信号,由键相信号计算出启车过程中每转的平均速度,得到启车过程的转速序列。然后对振动信号进行p1阶次下的分数阶傅里叶变换处理,并在该时频域内使用经验小波变换,自适应地提取出振动信号的1倍频分量、高倍频分量和低倍频分量。对1倍频分量使用-p1阶次下的分数阶傅里叶变换,得到振动信号1倍频分量的时域波形。再对振动信号的高阶分量使用p3阶次下的分数阶傅里叶变换,同样在该时频域内使用经验小波变换,自适应地提取出振动信号的2倍频分量、3倍频分量和4倍频分量,对2、3和4倍频分量均使用-p3阶次下的分数阶傅里叶变换,得到振动信号2、3和4倍频分量的时域波形。最后使用提取出的前4个倍频分量的时域波形进行故障类型识别。
具体步骤如下:
(1)在转轴布置电涡流位移传感器和键相传感器,采集同步的等时间间隔的振动信号和键相信号;
(2)利用采集得到的键相信号计算出对应转轴每转下的平均转速值,得到转轴一次启停车下的转速序列;
(3)利用(2)中计算出的转速序列,计算该次启停车的调频率fm的大小,从而可综合信号采样时长T,信号采样频率fs,计算出相应的分数阶傅里叶变换中的关键参数:阶次p1;
p1=2arccot(-fm×T/fs)/π (1-1)
式中:fm——启停车调频率;T——信号采样时长;fs——采样频率。
(4)对启停车振动信号进行p1阶次下的分数阶傅里叶变换,得到振动信号的分数阶傅里叶频谱;
(5)在(4)中得到的分数阶傅里叶频谱内进行经验小波变换,提取出振动信号的1倍频分量、高倍频分量和低倍频分量;
(6)对(5)中得到的1倍频分量作-p1阶次的分数阶傅里叶变换,可得振动信号1倍频分量的时域波形;
(7)基于(3)和(5)的结果,对振动信号的高阶分量作p3阶次下的分数阶傅里叶变换,提取出高阶分量中的2倍频分量、3倍频分量和4倍频分量;
p3=2arccot(-3×fm×T/fs)/π (1-1)
式中:fm——启停车调频率;T——信号采样时长;fs——采样频率。
(8)对(6)中得到的2、3和4倍频分量作-p3阶次的分数阶傅里叶变换,可得振动信号的2、3和4倍频分量的时域波形。
如图1所示,原始采集的启车过程振动信号会有噪声存在,局部还会有毛刺,且信号幅值伴有明显的非线性调制。另外,由相应的傅里叶频谱可以看出原始信号成分非常复杂,当有故障存在时,还会存在高阶次的分量。所以准确提取出各倍频分量,是一种利用启车过程振动信号进行故障诊断的有效分析方法。
如图2所示,对键相信号进行等时间间隔采样时,必须依靠键槽和键相传感器的相对位置来检测转子的空间位置。在采集键相信号的过程中,当转到键槽处时信号幅值将发生一个明显的跳变,预示着转子旋转了一周。理想的采集情况是传感器每次都在临界点A进行采样,这样就有一个固定的参考点,以保证两个键相信号之间恰好是一个整周期。但由于采集卡是等时间间隔采样,所以无法保证每次采样都恰好在A点进行,而有可能在键相槽的某个B点才进行采样,这将导致使用键相信号计算转速时会引起较大的误差。为此,使用键相校正技术来解决这一误差的产生。
如图3所示,为经键相校正后由键相信号得到的转轴启车过程的转速序列。
如图4所示,为本发明所提的综合了分数阶傅里叶变换和经验小波变换的信号处理流程图。
如图5所示,启车过程振动信号经两次分数阶傅里叶变换和经验小波变换后提取出的1至4倍频分量,各个分量更为光滑且滤除了干扰噪声。图6为1至4倍频分量相应的分数阶傅里叶频谱;
如图7到图9所示,为分别模拟不平衡、不对中和动静碰摩三种常见故障后所采集的启车振动信号经分数阶傅里叶变换和经验小波变换处理后所得到的1至4倍频分量。
图7为转轴不平衡启车振动信号的前4倍频分量。可以看出不平衡1倍频占最为主要的成分,并且在临界转速附近的幅值要高于正常状态下的1倍频分量,而其他分量几乎可以忽略不计。随着转速增加,幅值在临界转速区域突然变得非常大。
图8为转轴不对中启车振动信号的前4倍频分量。可以看出不对中1倍频分量幅值最大,占信号振动的最主要成分,且在临界转速附近的幅值要大于正常启停车信号的1倍频。另外,相比于正常启停车信号,2倍频分量的幅值也相对较高,并且在亚临界转速区域突然变得很大。
图9为转轴动静碰摩启车振动信号的前4倍频分量。可以看出碰摩信号1倍频的幅值最大,占信号振动的最主要成分,且在临界转速附近的幅值也要大于正常启车信号的1倍频分量。除此之外,相比于正常启车信号,2倍频的幅值在亚临界转速区域突然变得很大,3倍频分量的幅值在盘车启动到亚临界转速区域内都相对较大。
本发明利用了分数阶傅里叶变换处理非平稳信号的能力和经验小波变换自适应处理信号的能力,通过将经验小波变换推广至分数阶傅里叶变换域,扩展了其应用范围,实现了非平稳信号中线性调频分量的自适应提取。将两种方法进行融合可以实现转轴启停车这类非平稳信号的自适应准确分析,突破了传统的分数阶傅里叶变换需要人为设置滤波器参数的限制,为提升旋转机械故障诊断的自动化能力提供了一条有效的途径。
Claims (4)
1.一种基于FrFT-EWT的旋转机械故障特征提取方法,其特征在于,包括以下步骤:
1)获取转轴启车过程的等时间间隔的振动信号和键相信号;
2)使用步骤1)中获取的键相信号,计算转轴在启车过程的转速序列;
3)基于步骤2)的结果,对振动信号进行p1阶次下的分数阶傅里叶变换,得到振动信号的分数阶傅里叶频谱;
4)对步骤3)中的分数阶傅里叶频谱内进行经验小波变换,提取出振动信号的1倍频分量、高倍频分量和低倍频分量;
5)对步骤4)中得到的1倍频分量作-p1阶次的分数阶傅里叶变换,可得振动信号1倍频分量的时域波形;
6)基于步骤2)和步骤4)的结果,对振动信号的高阶分量作p3阶次下的分数阶傅里叶变换,提取出高阶分量中的2倍频分量、3倍频分量和4倍频分量;
7)对步骤6)中得到的2、3和4倍频分量作-p3阶次的分数阶傅里叶变换,可得振动信号的2、3和4倍频分量的时域波形;
8)利用步骤5)和步骤7)得到的振动信号的前4个倍频分量的时域波形,进行故障识别。
2.根据权利要求1所述一种基于FrFT-EWT原理的旋转机械故障特征提取方法,其特征在于:所述步骤1)中的信号为转轴上任意测量截面上的等时间间隔采集的振动信号和键相信号。
3.根据权利要求1所述一种基于FrFT-EWT原理的旋转机械故障特征提取方法,其特征在于:所述步骤4)中,经验小波变换的分解数目N=3。
4.根据权利要求1所述一种基于FrFT-EWT原理的旋转机械故障特征提取方法,其特征在于:所述步骤7)中,经验小波变换的分解数目N=4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144893.6A CN111307426A (zh) | 2019-11-20 | 2019-11-20 | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144893.6A CN111307426A (zh) | 2019-11-20 | 2019-11-20 | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111307426A true CN111307426A (zh) | 2020-06-19 |
Family
ID=71156886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144893.6A Withdrawn CN111307426A (zh) | 2019-11-20 | 2019-11-20 | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111307426A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525507A (zh) * | 2020-11-21 | 2021-03-19 | 西安交通大学 | 一种转子系统启停车过程中振动信息自适应的获取方法 |
CN112963373A (zh) * | 2021-03-12 | 2021-06-15 | 中煤科工集团重庆研究院有限公司 | 一种矿用轴流式主通风机隐患快速识别方法及监测装置 |
CN113639999A (zh) * | 2021-08-16 | 2021-11-12 | 北京信息科技大学 | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655834A (zh) * | 2009-09-17 | 2010-02-24 | 哈尔滨工业大学 | 一种基于分数阶小波变换的信号分离方法 |
CN102508206A (zh) * | 2011-10-31 | 2012-06-20 | 哈尔滨工程大学 | 基于小波包去噪和功率谱熵的线性调频信号参数估计方法 |
CN102798462A (zh) * | 2012-06-26 | 2012-11-28 | 西安交通大学 | 基于自解调变换的无时标阶次跟踪方法 |
CN103728123A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 基于Kalman阶比-全息谱原理的旋转机械故障特征提取方法 |
CN104034412A (zh) * | 2014-06-24 | 2014-09-10 | 西安交通大学 | 一种基于分数阶全息原理的旋转机械故障特征提取方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
CN105302773A (zh) * | 2015-09-18 | 2016-02-03 | 河海大学 | 一种基于同步压缩分数阶的小波变换方法 |
US20170019172A1 (en) * | 2015-07-15 | 2017-01-19 | Beijing Institute Of Technology | Using fractional Fourier transform nonlinear effects in optical fiber link monitoring methods |
US20170168988A1 (en) * | 2015-12-09 | 2017-06-15 | The Aerospace Corporation | Signal/noise separation using frft rotational parameter obtained in relation to wigner distribution |
CN108872962A (zh) * | 2018-05-10 | 2018-11-23 | 南京航空航天大学 | 基于分数阶傅里叶变换的激光雷达微弱信号提取和分解方法 |
CN110059639A (zh) * | 2019-04-22 | 2019-07-26 | 桂林电子科技大学 | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 |
CN110186682A (zh) * | 2019-07-08 | 2019-08-30 | 石家庄铁道大学 | 基于分数阶变分模态分解的滚动轴承故障诊断方法 |
CN110269642A (zh) * | 2019-06-28 | 2019-09-24 | 中南大学 | 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法 |
-
2019
- 2019-11-20 CN CN201911144893.6A patent/CN111307426A/zh not_active Withdrawn
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655834A (zh) * | 2009-09-17 | 2010-02-24 | 哈尔滨工业大学 | 一种基于分数阶小波变换的信号分离方法 |
CN102508206A (zh) * | 2011-10-31 | 2012-06-20 | 哈尔滨工程大学 | 基于小波包去噪和功率谱熵的线性调频信号参数估计方法 |
CN102798462A (zh) * | 2012-06-26 | 2012-11-28 | 西安交通大学 | 基于自解调变换的无时标阶次跟踪方法 |
CN103728123A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 基于Kalman阶比-全息谱原理的旋转机械故障特征提取方法 |
CN104034412A (zh) * | 2014-06-24 | 2014-09-10 | 西安交通大学 | 一种基于分数阶全息原理的旋转机械故障特征提取方法 |
CN104714925A (zh) * | 2015-02-02 | 2015-06-17 | 北京工业大学 | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 |
US20170019172A1 (en) * | 2015-07-15 | 2017-01-19 | Beijing Institute Of Technology | Using fractional Fourier transform nonlinear effects in optical fiber link monitoring methods |
CN105302773A (zh) * | 2015-09-18 | 2016-02-03 | 河海大学 | 一种基于同步压缩分数阶的小波变换方法 |
US20170168988A1 (en) * | 2015-12-09 | 2017-06-15 | The Aerospace Corporation | Signal/noise separation using frft rotational parameter obtained in relation to wigner distribution |
CN108872962A (zh) * | 2018-05-10 | 2018-11-23 | 南京航空航天大学 | 基于分数阶傅里叶变换的激光雷达微弱信号提取和分解方法 |
CN110059639A (zh) * | 2019-04-22 | 2019-07-26 | 桂林电子科技大学 | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 |
CN110269642A (zh) * | 2019-06-28 | 2019-09-24 | 中南大学 | 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法 |
CN110186682A (zh) * | 2019-07-08 | 2019-08-30 | 石家庄铁道大学 | 基于分数阶变分模态分解的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
YANG ZHANG 等: "An adaptive method based on fractional empirical wavelet transform and its application in rotating machinery fault diagnosis", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 * |
王红庆 等: "分数阶S变换及其在齿轮箱故障诊断中的应用", 《电子测量与仪器学报》 * |
陈浩 等: "基于经验小波变换的目标加速度估计算法", 《北京航空航天大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525507A (zh) * | 2020-11-21 | 2021-03-19 | 西安交通大学 | 一种转子系统启停车过程中振动信息自适应的获取方法 |
CN112963373A (zh) * | 2021-03-12 | 2021-06-15 | 中煤科工集团重庆研究院有限公司 | 一种矿用轴流式主通风机隐患快速识别方法及监测装置 |
CN113639999A (zh) * | 2021-08-16 | 2021-11-12 | 北京信息科技大学 | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Matching synchrosqueezing transform: A useful tool for characterizing signals with fast varying instantaneous frequency and application to machine fault diagnosis | |
Saidi et al. | Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis | |
Wang et al. | Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
Shi et al. | Bearing fault diagnosis under variable rotational speed via the joint application of windowed fractal dimension transform and generalized demodulation: A method free from prefiltering and resampling | |
Sahraoui et al. | The use of a modified prony method to track the broken rotor bar characteristic frequencies and amplitudes in three-phase induction motors | |
CN110617964A (zh) | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 | |
CN111307426A (zh) | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 | |
CN110763462B (zh) | 一种基于同步压缩算子的时变振动信号故障诊断方法 | |
Shi et al. | Sensorless speed measurement of induction motor using Hilbert transform and interpolated fast Fourier transform | |
Li et al. | Incipient fault information determination for rolling element bearing based on synchronous averaging reassigned wavelet scalogram | |
CN111397877B (zh) | 一种旋转机械拍振故障检测与诊断方法 | |
Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Dziedziech et al. | A novel method for speed recovery from vibration signal under highly non-stationary conditions | |
Berntsen et al. | Enhanced demodulation band selection based on Operational Modal Analysis (OMA) for bearing diagnostics | |
Randall et al. | Gear diagnostics under widely varying speed conditions | |
Zhang et al. | Wind turbine planetary gearbox fault diagnosis via proportion-extracting synchrosqueezing chirplet transform | |
Chen et al. | A time-varying instantaneous frequency fault features extraction method of rolling bearing under variable speed | |
CN117686232A (zh) | 一种燃气轮机振动基频实时提取方法、装置及存储介质 | |
CN115356108B (zh) | 一种调制高阶水平挤压变换机械故障诊断方法与装置 | |
CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
Hua et al. | Matching linear Chirplet strategy-based synchroextracting transform and its application to rotating machinery fault diagnosis | |
CN112781723B (zh) | 一种基于频谱方差的谐波成分检测方法 | |
Gong et al. | Identification of multi-fault in rotor-bearing system using spectral kurtosis and EEMD |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200619 |
|
WW01 | Invention patent application withdrawn after publication |