CN114199365A - 一种振动信号处理方法 - Google Patents
一种振动信号处理方法 Download PDFInfo
- Publication number
- CN114199365A CN114199365A CN202111525234.4A CN202111525234A CN114199365A CN 114199365 A CN114199365 A CN 114199365A CN 202111525234 A CN202111525234 A CN 202111525234A CN 114199365 A CN114199365 A CN 114199365A
- Authority
- CN
- China
- Prior art keywords
- vibration
- amplitude
- frequency
- vibration signal
- acceleration
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 69
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000003595 spectral effect Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100519699 Candida albicans (strain SC5314 / ATCC MYA-2876) PGA11 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种振动信号处理方法,该方法通过获取发动机上两个振动传感器的振动信号并分别进行放大处理后转换为电压信号,连续周期性采样两路电压信号并分开存储后进行并行处理,两路振动信号的处理过程互不干预,防止两路信号之间出现信号干扰问题,保证了计算准确度,降低了计算时间。然后获取发动机转速,并根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,最后基于两路振动信号对应的振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断,若某一路振动信号的振动分量速度幅值或振动总量速度幅值超过预设阈值时,则记录下振动超限状态,从而实现对发动机振动情况的智能化监测。
Description
技术领域
本发明涉及航空发动机振动监测技术领域,特别地,涉及一种振动信号处理方法。
背景技术
航空发动机的结构复杂,工作条件严苛,为了保证其能够稳定、可靠地工作,其性能参数监测为重中之重,其中,振动作为航空发动机的动态参数之一,对于发动机工作的可靠性起到关键性的决定作用。而目前关于发动机的振动监测,通常都是采取在地面模拟发动机的各种工作状态实现振动模拟测试,但是,发动机的振动情况受实际工作环境的影响较大,而实际工作环境变化多端,因此,地面的振动模拟测试结果无法准确表征发动机实际工作的振动情况,无法准确地对发动机的振动超限状态进行监测。
发明内容
本发明提供了一种振动信号处理方法,以解决现有技术无法准确地对发动机的振动超限状态进行监测的技术问题。
根据本发明的一个方面,提供一种振动信号处理方法,包括以下内容:
获取发动机上两个振动传感器的振动信号;
对两个振动传感器的振动信号分别进行放大处理,并将振动传感器输出的电荷信号转换为电压信号;
连续周期性采样两路电压信号;
将两路电压信号分开存储后进行并行处理,并将两路振动信号时域数据转换为两路振动信号频域数据;
获取发动机转速,根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,并基于振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断。
进一步地,所述将两路电压信号分开存储后进行并行处理,并将两路振动信号时域数据转换为两路振动信号频域数据的过程具体包括以下内容:
对采样的两路振动信号电平数据序列进行分区缓存;
对其中一路振动信号电平数据序列进行滤波处理;
对经过滤波处理后的振动信号电平数据序列进行重采样;
将重采样后的振动信号电平数据序列中的电压值转换为振动加速度值,形成振动加速度时域数据序列;
对振动加速度时域数据序列进行加窗处理;
将加窗处理后的振动加速度时域数据序列转换为振动加速度频域数据序列;
计算出振动加速度频域数据序列中每个频率点的加速度幅值,得到加速度幅值序列;
对加速度幅值序列进行加窗修正,得到加窗修正后的振动加速度在频域的幅值序列。
进一步地,所述获取发动机转速,根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,并基于振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断的过程具体包括以下内容:
采用检波算法识别出加窗修正后的加速度幅值序列中的所有峰值点;
获得发动机的转速,并根据发动机转速计算得到本次采样周期内的基频和二倍频,并结合加窗修正后的加速度幅值序列获得基频、二倍频对应的振动分量速度幅值;
根据检波算法识别出的所有峰值点来计算每个峰值点的振动分量速度幅值和振动总量速度幅值;
根据计算得到的所有峰值点的振动分量速度幅值、振动总量速度幅值、基频和二倍频的振动分量速度幅值进行振动超限情况判断,识别出振动超限状态并进行记录。
进一步地,所述检波算法中设定了检波阈值,只有超过阈值的幅值数据才会被检波处理,该检波阈值由无外部振动激励时频域数据中的噪声峰值决定。
进一步地,所述结合加窗修正后的加速度幅值序列获得基频、二倍频对应的振动分量速度幅值的过程具体为:
根据基频、二倍频在加窗修正后的加速度幅值序列中寻找对应的频率点,当基频、二倍频落在两个频率点之间时,取两个频率点的幅值较大者作为该基频/二倍频对应的振动加速度幅值,然后,利用振动加速度幅值计算得到转速对应的基频和二倍频的振动分量速度幅值。
进一步地,所述根据计算得到的所有峰值点的振动分量速度幅值、振动总量速度幅值、基频和二倍频的振动分量速度幅值进行振动超限情况判断,识别出振动超限状态并进行记录的过程具体为:
将所有峰值点的振动分量速度幅值、基频和二倍频的振动分量速度幅值、振动总量速度幅值分别与预设阈值进行比对,其中,振动总量速度幅值的预设阈值为72mm/s,振动分量速度幅值的预设阈值为50mm/s,若某个通道的所有峰值点的振动分量速度幅值、基频和二倍频的振动分量速度幅值和振动总量速度幅值中的任一者超过预设阈值,则判定为振动超限状态,并记录振动超限对应的振动信号原始时域数据和频域数据。
进一步地,所述对其中一路振动信号电平数据序列进行滤波处理的过程具体包括以下内容:
采用加权平均滤波算法对振动信号进行滤波处理;
去除振动信号电平数据序列中的趋势项;
对振动信号电平数据序列进行数据截取,基于截取的数据形成新的振动信号电平数据序列。
进一步地,所述去除振动信号电平数据序列中的趋势项的过程具体包括以下内容:
首先计算振动信号的均值,然后将振动信号的电平数据序列中的每个点数据减去均值,从而得到去趋势项后的电平数据序列。
进一步地,所述对振动加速度时域数据序列进行加窗处理的过程具体为:
采用窗函数法设计的FIR数字滤波器进行加窗处理,将振动加速度时域数据序列与一个相同长度的窗函数系数序列逐项相乘,得到加窗时域数据序列。
进一步地,所述对振动加速度时域数据序列进行加窗处理的过程还包括以下内容:
确定滤波器类型后,基于滤波器的阶数和采样频率计算得到时延大小,基于时延大小将滤波后的信号波形进行平移变换,从而完全消除滤波器时延的影响。
本发明具有以下效果:
本发明的振动信号处理方法,通过获取发动机上两个振动传感器的振动信号并分别进行放大处理,将振动传感器输出的电荷信号转换为电压信号,然后连续周期性采样两路电压信号,并将两路振动信号分开存储后进行并行处理,两路振动信号的处理过程互不干预,防止两路信号之间出现信号干扰问题,保证了计算结果的准确度,并有效降低了计算时间。然后获取发动机转速,并根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,最后基于两路振动信号对应的振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断,一旦某一路振动信号的振动分量速度幅值或振动总量速度幅值超过预设阈值时,则记录下振动超限状态,从而实现对发动机振动情况的智能化监测。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的振动信号处理方法的流程示意图。
图2是图1中步骤S4的子流程示意图。
图3是图2中步骤S42的子流程示意图。
图4是图1中步骤S5的子流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种振动信号处理方法,包括以下内容:
步骤S1:获取发动机上两个振动传感器的振动信号;
步骤S2:对两个振动传感器的振动信号分别进行放大处理,并将振动传感器输出的电荷信号转换为电压信号;
步骤S3:连续周期性采样两路电压信号;
步骤S4:将两路电压信号分开存储后进行并行处理,并将两路振动信号时域数据转换为两路振动信号频域数据;
步骤S5:获取发动机转速,根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,并基于振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断。
可以理解,本实施例的振动信号处理方法,通过获取发动机上两个振动传感器的振动信号并分别进行放大处理,将振动传感器输出的电荷信号转换为电压信号,然后连续周期性采样两路电压信号,并将两路振动信号分开存储后进行并行处理,两路振动信号的处理过程互不干预,防止两路信号之间出现信号干扰问题,保证了计算结果的准确度,并有效降低了计算时间。然后获取发动机转速,并根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,最后基于两路振动信号对应的振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断,一旦某一路振动信号的振动分量速度幅值或振动总量速度幅值超过预设阈值时,则记录下振动超限状态,从而实现对发动机振动情况的智能化监测。
可以理解,在所述步骤S1中,所述振动传感器为压电式加速度传感器。在所述步骤S2中,具体采用基于双路放大器LMC6082构成的一级放大电路和可编程变量增益放大器PGA11构成的二级放大电路来对振动信号进行放大处理,并将振动传感器输出的电荷信号转换为电压信号后输出。在所述步骤S3中,通过ADC采样芯片进行连续周期性采样,采样频率为40000Hz。
可以理解,如图2所示,所述步骤S4具体包括以下内容:
步骤S41:对采样的两路振动信号电平数据序列进行分区缓存;
步骤S42:对其中一路振动信号电平数据序列进行滤波处理;
步骤S43:对经过滤波处理后的振动信号电平数据序列进行重采样;
步骤S44:将重采样后的振动信号电平数据序列中的电压值转换为振动加速度值,形成振动加速度时域数据序列;
步骤S45:对振动加速度时域数据序列进行加窗处理;
步骤S46:将加窗处理后的振动加速度时域数据序列转换为振动加速度频域数据序列;
步骤S47:计算出振动加速度频域数据序列中每个频率点的加速度幅值,得到加速度幅值序列;
步骤S48:对加速度幅值序列进行加窗修正,得到加窗修正后的振动加速度在频域的幅值序列。
可选地,在所述步骤S41中,采用交替缓存的方式缓存采样数据,从而可以避免正在采样的数据影响上一采样周期的采集数据。
可以理解,如图3所示,所述步骤S42具体包括以下内容:
步骤S421:采用加权平均滤波算法对振动信号进行滤波处理;
步骤S422:去除振动信号电平数据序列中的趋势项;
步骤S423:对振动信号电平数据序列进行数据截取,基于截取的数据形成新的振动信号电平数据序列。
其中,在所述步骤S421中,采用加权平均滤波算法对振动信号进行滤波处理,以平滑振动信号的时域波形,可以有效地滤除噪声和干扰。
在所述步骤S422中,趋势项是在测试信号中存在线性项或缓变的非线性项成分,工程实际测量的信号大部分是复杂周期信号与随机信号的混合,而且周期信号往往是研究对象,趋势项的存在会使数值积分的结果产生很大的误差,严重地背离真实情况,因此,在测试信号(积分求速度、位移时)中要先消除趋势项,这是积分中的一个重要的中间步骤。产生趋势项的原因主要有以下几种:
①采样时未对原始信号进行适当处理,如高通滤波,使得信号中含有周期大于采样时间的极低频信号;
②由于外界原因,包括传感器或仪器的零点漂移、基础运动等引起的信号波形偏移;
③在截取记录时,样本长度选择不当;
④由于操作不当,信号经过积分放大后产生趋势项,如零点未调准产生的常数,经积分后成为一条斜直线,低频噪声经积分放大后成为缓慢变化的趋势项。
可见产生趋势项的原因是很复杂的,要在实际采集的数据中完全避免趋势项十分困难,在环境激励法测试时,外界影响大,常会有基础运动,而冲击激励又易产生加速度传感器的零点漂移,这是振动传感器的数据中产生趋势项的主要原因。
可选地,所述步骤S422采用去均值的方式来去除趋势项,具体地,首先计算振动信号的均值,然后将振动信号的时域数据序列(即电平数据序列)中的每个点数据减去均值,从而得到去趋势项后的时域数据序列,可以防止被积函数产生常数值而导致积分后的振动速度信号有趋势项,影响振动有效值的准确性。
在所述步骤S423中,考虑到采样频率为40000Hz,根据机载发动机健康监视单元的技术要求S100-JB-0738,振动监测系统应在720ms内完成2路振动传感器信号的采集和处理,频率采集分析范围为100Hz~9kHz,240Hz~3000Hz内幅值误差不超过3%,频率误差<1.2Hz,其它范围内误差不超过5%,振动信号速度最大测量范围为200mm/s,振动加速度的最大测量范围为500g,因此所述步骤S3在720ms内可连续采样数据28800个。而FFT变换处理的数据点数理论上应选择以2为基数的整数次方来降低运算时间并提高结果准确性,接近28800的两个可选值分别是32768和16384,分别对应实际采样时间周期819.2ms和409.6ms,而对应819.2ms和409.6ms的频域波形分辨率分别是1.2207Hz和2.4414Hz。因此,所述步骤S423在720ms采集周期的限定下从28800个采样点数据中截取16384个采样点数据进行后续的快速傅里叶变换,实际频率分辨率为2.4414Hz,频率范围为0~20000Hz,有效降低了后续数据处理量,提高了计算速度。
可以理解,经过数据截取后仍然有16384个采样点数据,后续处理的数据量仍然较大,计算效率较低。因此,在所述步骤S43中,对经过滤波处理、去除趋势项处理和数据序列截断处理后的振动时域数据序列进行重采样,考虑到需要满足的频率采集分析范围为100Hz~9kHz,对16384个采样点进行间隔采样获得8192个采样点,频率分辨率为2.4414Hz,频率范围为0~10000Hz。通过重采样可以降低采样频率,进一步减少了后续处理的数据量,并且有利于进一步消除干扰。
可以理解,在所述步骤S44中,将重采样后振动信号电平数据序列中的每个采样点数据乘以一个转换系数,将电压值转换为振动加速度值,实现从电压信号到物理量的转换,得到振动加速度时域数据序列。
在所述步骤S45中,对振动加速度时域数据序列进行加窗处理,即将长度为8192的振动加速度时域数据序列与长度为8192的窗函数系数序列逐项相乘,得到长度为8192的加窗时域数据序列。通过在进行FFT变换之前对时域数据序列进行加窗处理,可以降低傅里叶变换时信号截断引入的频谱泄露。
具体地,在所述步骤S45中,采用窗函数法设计的FIR数字滤波器进行加窗处理,窗函数法具有算法原理简单、计算速度快、容易实现的优点,FIR数字滤波器具有良好的线性特性,采用窗函数法设计的FIR数字滤波器的目标是在时域上将设计出的滤波器单位脉冲响应函数尽可能接近理想滤波器单位脉冲响应函数,从而可以有效降低后续FFT变换时的频谱泄露。
但是在利用FIR数字滤波器进行实际振动信号的加窗滤波处理的过程中,发明人发现滤波后信号将会不可避免地产生明显的时延,因此,为了消除FIR数字滤波器的时延问题,本发明进行了优化处理。具体地,FIR数字滤波器具有线性相位的充要条件为单位冲激响应序列h(n)必须满足特定的对称性,其相位延迟应等于h(n)长度的一半,即:其中,τ表示相位延迟,N′表示滤波器长度,而N=N′-1,N为滤波器的阶数,因此,FIR数字滤波器的相位延迟是其滤波器阶数的一半,即:而相位延迟是FIR数字滤波器产生时延的最根本原因,二者关系为:Δt=τ/FS,其中,Δt表示时延,FS表示采样频率。故FIR数字滤波器的时延Δt与滤波阶数N存在如下关系:Δt=N/(2FS)。
因此,所述步骤S45还包括以下内容:在确定滤波器类型后,基于滤波器的阶数N和采样频率FS计算得到时延大小,基于时延大小将滤波后的信号波形进行平移变换,从而完全消除滤波器时延的影响。
例如,以低通滤波器为例,该滤波器参数设置为截止频率Fstop=2000Hz,采样频率Fs=10000Hz,滤波器的阶数N设置为500,根据以上公式,即可算出振动信号经过滤波器滤波后所产生的时延大小:Δt=N/(2FS)=0.025s,通过舍弃前250个数据点的手段,即可实现滤波信号的波形平移,完全消除的滤波后时延的影响。
可选地,所述FIR数字滤波器可以采用低通滤波器、高通滤波器、带通滤波器和带阻滤波器中的任一种。但是不同的滤波器需要选用适配的窗函数,窗函数的选择原则为一是主瓣应尽量窄,能量尽可能集中在主瓣内,从而在谱分析时获得较高的频率分辨力,在数字滤波器设计中获得较小的过渡带;二是尽量减少窗谱最大旁瓣的相对幅度,也就是使能量尽量集中在主瓣,这样可使肩峰和波纹减小,增大阻带的衰减,而在实际应用中,上述两项要求是不能同时满足的,例如常通过增加主瓣宽度以换取对旁瓣的抑制。而选用不同形状的窗函数都是为了得到平坦的幅度响应和较小的阻带波纹(也就是加大阻带衰减),因此不同的滤波器需要选用相适配的窗函数。常用的窗函数有矩形窗、三角窗、巴特利特窗、帕曾窗、汉宁窗、海明窗、布莱克曼窗、布拉克曼-哈里斯窗、余弦坡度窗、指数窗、高斯窗等。当所述FIR数字滤波器采用低通滤波器时,需要其阻带截止频率Fstop处的衰减小于阻带衰耗,并选择过渡带较窄(越接近理想频响)的窗函数,而布莱克曼窗的衰减最大,旁瓣峰值最低,所以干扰抑制性能最为稳定,可以充分抑制干扰频谱的旁瓣泄露,布莱克曼窗较宽的过渡带可以通过增加窗口的长度(即滤波器的阶数)来得到改进。当所述FIR数字滤波器采用高通滤波器时,同低通滤波器一样也采用布莱克曼窗。当所述FIR数字滤波器采用带通滤波器或者带阻滤波器时,考虑到带通滤波器或者带阻滤波器受泄露的影响较大,故采用布拉克曼-哈里斯窗,布拉克曼-哈里斯窗是在布莱克曼窗的基础上进行改进的一种窗函数,不仅具有布莱克曼窗的特性,还可以进一步抑制了旁瓣电平与邻近泄露。
可以理解,在所述步骤S46中,采用快速傅里叶变换将加窗处理后的振动加速度时域数据序列转换为振动加速度在频域的数据序列,即得到一个长度为8192的频域数据序列,而在频域数据序列中只有前4096个点对应实际频谱线,前4096个点对应转换后的频率有效范围为0~10000Hz,频率分辨率为2.4414Hz,每个频率点都对应一个复数,后4096个点位实际频谱线的镜像副本,对应于信号的负频率,可忽略不计。
在所述步骤S47中,对频域数据序列中的前4096个频率点复数的实部和虚部的数值进行计算,得到每个频率点的加速度幅值和相位,从而可以得到长度为4096的加速度幅值序列。
在所述步骤S48中,将长度为4096的加速度幅值序列乘以一个加窗修正系数,从而得到加窗修正后的振动加速度在频域的幅值序列。其中,所述加窗修正系数为一个常系数,由所述步骤S45中选定的窗函数决定,通过对振动加速度幅值序列进行加窗修正可以有效降低加窗对振动信号幅值准确性的影响。
可以理解,如图4所示,所述步骤S5具体包括以下内容:
步骤S51:采用检波算法识别出加窗修正后的加速度幅值序列中的所有峰值点;
步骤S52:获得发动机的转速,并根据发动机转速计算得到本次采样周期内的基频和二倍频,并结合加窗修正后的加速度幅值序列获得基频、二倍频对应的振动分量速度幅值;
步骤S53:根据检波算法识别出的所有峰值点来计算每个峰值点的振动分量速度幅值和振动总量速度幅值;
步骤S54:根据计算得到的所有峰值点的振动分量速度幅值、振动总量速度幅值、基频和二倍频的振动分量速度幅值进行振动超限情况判断,识别出振动超限状态并进行记录。
具体地,在所述步骤S51中,采用检波算法识别出加窗修正后的加速度幅值序列中的4096个峰值点,根据傅里叶变换的频谱特点可知,每个频率突起中只有峰值点才是真实的频率分量值,其他部分均是频谱泄露的结果,因此只关注峰值点可以起到有效监测振动信号中真实频率成分的作用。可选地,为了降低频谱数据中噪声干扰对信号处理结果的影响,所述检波算法中设定了检波阈值,只有超过阈值的幅值数据才会被检波处理,该检波阈值由振动监测系统无外部振动激励时频域数据中的噪声峰值决定。
在所述步骤S52中,通过串口通信获得发动机的转速,再根据基频、二倍频在加窗修正后的加速度幅值序列中寻找对应的频率点,考虑到频域分辨率为2.4414Hz,基频、二倍频正好对应频域幅值谱中的某个频率点的概率很小,当基频、二倍频落在两个频率点之间时,取两个频率点的幅值较大者作为该基频/二倍频对应的振动加速度幅值,然后,利用振动加速度幅值计算得到转速对应的基频和二倍频的振动分量速度幅值。
在所述步骤S53中,先将每个峰值点的振动加速度峰值转换为振动分量速度幅值,然后求所有峰值点的振动分量速度幅值的均方根值,从而得到振动总量速度幅值。
在所述步骤S54中,将所有峰值点的振动分量速度幅值、基频和二倍频的振动分量速度幅值、振动总量速度幅值分别与预设阈值进行比对,其中,振动总量速度幅值的预设阈值为72mm/s,振动分量速度幅值的预设阈值为50mm/s,若某个通道的所有峰值点的振动分量速度幅值、基频和二倍频的振动分量速度幅值和振动总量速度幅值中的任一者超过预设阈值,则判定为振动超限状态,并进行记录。其中,所有峰值点的振动分量速度幅值只要有一个点的振动分量速度幅值超过预设阈值,则判定为振动超限,并记录振动超限对应的振动信号原始时域数据和频域数据。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种振动信号处理方法,其特征在于,包括以下内容:
获取发动机上两个振动传感器的振动信号;
对两个振动传感器的振动信号分别进行放大处理,并将振动传感器输出的电荷信号转换为电压信号;
连续周期性采样两路电压信号;
将两路电压信号分开存储后进行并行处理,并将两路振动信号时域数据转换为两路振动信号频域数据;
获取发动机转速,根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,并基于振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断。
2.如权利要求1所述的振动信号处理方法,其特征在于,所述将两路电压信号分开存储后进行并行处理,并将两路振动信号时域数据转换为两路振动信号频域数据的过程具体包括以下内容:
对采样的两路振动信号电平数据序列进行分区缓存;
对其中一路振动信号电平数据序列进行滤波处理;
对经过滤波处理后的振动信号电平数据序列进行重采样;
将重采样后的振动信号电平数据序列中的电压值转换为振动加速度值,形成振动加速度时域数据序列;
对振动加速度时域数据序列进行加窗处理;
将加窗处理后的振动加速度时域数据序列转换为振动加速度频域数据序列;
计算出振动加速度频域数据序列中每个频率点的加速度幅值,得到加速度幅值序列;
对加速度幅值序列进行加窗修正,得到加窗修正后的振动加速度在频域的幅值序列。
3.如权利要求2所述的振动信号处理方法,其特征在于,所述获取发动机转速,根据发动机转速和两路振动信号频域数据计算得到每路振动信号的振动分量速度幅值和振动总量速度幅值,并基于振动分量速度幅值和振动总量速度幅值进行发动机振动超限判断的过程具体包括以下内容:
采用检波算法识别出加窗修正后的加速度幅值序列中的所有峰值点;
获得发动机的转速,并根据发动机转速计算得到本次采样周期内的基频和二倍频,并结合加窗修正后的加速度幅值序列获得基频、二倍频对应的振动分量速度幅值;
根据检波算法识别出的所有峰值点来计算每个峰值点的振动分量速度幅值和振动总量速度幅值;
根据计算得到的所有峰值点的振动分量速度幅值、振动总量速度幅值、基频和二倍频的振动分量速度幅值进行振动超限情况判断,识别出振动超限状态并进行记录。
4.如权利要求3所述的振动信号处理方法,其特征在于,所述检波算法中设定了检波阈值,只有超过阈值的幅值数据才会被检波处理,该检波阈值由无外部振动激励时频域数据中的噪声峰值决定。
5.如权利要求3所述的振动信号处理方法,其特征在于,所述结合加窗修正后的加速度幅值序列获得基频、二倍频对应的振动分量速度幅值的过程具体为:
根据基频、二倍频在加窗修正后的加速度幅值序列中寻找对应的频率点,当基频、二倍频落在两个频率点之间时,取两个频率点的幅值较大者作为该基频/二倍频对应的振动加速度幅值,然后,利用振动加速度幅值计算得到转速对应的基频和二倍频的振动分量速度幅值。
6.如权利要求3所述的振动信号处理方法,其特征在于,所述根据计算得到的所有峰值点的振动分量速度幅值、振动总量速度幅值、基频和二倍频的振动分量速度幅值进行振动超限情况判断,识别出振动超限状态并进行记录的过程具体为:
将所有峰值点的振动分量速度幅值、基频和二倍频的振动分量速度幅值、振动总量速度幅值分别与预设阈值进行比对,其中,振动总量速度幅值的预设阈值为72mm/s,振动分量速度幅值的预设阈值为50mm/s,若某个通道的所有峰值点的振动分量速度幅值、基频和二倍频的振动分量速度幅值和振动总量速度幅值中的任一者超过预设阈值,则判定为振动超限状态,并记录振动超限对应的振动信号原始时域数据和频域数据。
7.如权利要求2所述的振动信号处理方法,其特征在于,所述对其中一路振动信号电平数据序列进行滤波处理的过程具体包括以下内容:
采用加权平均滤波算法对振动信号进行滤波处理;
去除振动信号电平数据序列中的趋势项;
对振动信号电平数据序列进行数据截取,基于截取的数据形成新的振动信号电平数据序列。
8.如权利要求7所述的振动信号处理方法,其特征在于,所述去除振动信号电平数据序列中的趋势项的过程具体包括以下内容:
首先计算振动信号的均值,然后将振动信号的电平数据序列中的每个点数据减去均值,从而得到去趋势项后的电平数据序列。
9.如权利要求2所述的振动信号处理方法,其特征在于,所述对振动加速度时域数据序列进行加窗处理的过程具体为:
采用窗函数法设计的FIR数字滤波器进行加窗处理,将振动加速度时域数据序列与一个相同长度的窗函数系数序列逐项相乘,得到加窗时域数据序列。
10.如权利要求9所述的振动信号处理方法,其特征在于,所述对振动加速度时域数据序列进行加窗处理的过程还包括以下内容:
确定滤波器类型后,基于滤波器的阶数和采样频率计算得到时延大小,基于时延大小将滤波后的信号波形进行平移变换,从而完全消除滤波器时延的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525234.4A CN114199365A (zh) | 2021-12-14 | 2021-12-14 | 一种振动信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525234.4A CN114199365A (zh) | 2021-12-14 | 2021-12-14 | 一种振动信号处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114199365A true CN114199365A (zh) | 2022-03-18 |
Family
ID=80653551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525234.4A Pending CN114199365A (zh) | 2021-12-14 | 2021-12-14 | 一种振动信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114199365A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760466A (zh) * | 2023-08-23 | 2023-09-15 | 青岛诺克通信技术有限公司 | 一种光缆定位方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004027370A1 (ja) * | 2002-08-30 | 2004-04-01 | Nsk Ltd. | 機械設備の状態監視方法及び装置ならびに異常診断装置 |
CN101532911A (zh) * | 2009-04-24 | 2009-09-16 | 华北电力大学 | 大型汽轮发电机组转子裂纹故障实时诊断方法 |
CN206741242U (zh) * | 2016-08-31 | 2017-12-12 | 陕西千山航空电子有限责任公司 | 一种振动信号采集电路 |
CN107766611A (zh) * | 2017-09-08 | 2018-03-06 | 中国飞行试验研究院 | 飞行试验中动力装置附件系统振动监测参数实时计算方法 |
CN109684898A (zh) * | 2017-10-18 | 2019-04-26 | 中国航发商用航空发动机有限责任公司 | 航空发动机及其振动信号盲分离方法和装置 |
CN111238632A (zh) * | 2020-01-15 | 2020-06-05 | 西安交通大学 | 一种高精度振动信号采集及处理系统 |
-
2021
- 2021-12-14 CN CN202111525234.4A patent/CN114199365A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004027370A1 (ja) * | 2002-08-30 | 2004-04-01 | Nsk Ltd. | 機械設備の状態監視方法及び装置ならびに異常診断装置 |
CN101532911A (zh) * | 2009-04-24 | 2009-09-16 | 华北电力大学 | 大型汽轮发电机组转子裂纹故障实时诊断方法 |
CN206741242U (zh) * | 2016-08-31 | 2017-12-12 | 陕西千山航空电子有限责任公司 | 一种振动信号采集电路 |
CN107766611A (zh) * | 2017-09-08 | 2018-03-06 | 中国飞行试验研究院 | 飞行试验中动力装置附件系统振动监测参数实时计算方法 |
CN109684898A (zh) * | 2017-10-18 | 2019-04-26 | 中国航发商用航空发动机有限责任公司 | 航空发动机及其振动信号盲分离方法和装置 |
CN111238632A (zh) * | 2020-01-15 | 2020-06-05 | 西安交通大学 | 一种高精度振动信号采集及处理系统 |
Non-Patent Citations (2)
Title |
---|
吴成浩等: "一种基于窄带频谱筛选的振动数据分析方法", 2021年中国航空工业技术装备工程协会年会, pages 9 * |
张红梅等: "FIR滤波器时延分析及其在信号融合中的应用", 武汉大学学报(工学版), vol. 49, no. 2, pages 303 - 308 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116760466A (zh) * | 2023-08-23 | 2023-09-15 | 青岛诺克通信技术有限公司 | 一种光缆定位方法及系统 |
CN116760466B (zh) * | 2023-08-23 | 2023-11-28 | 青岛诺克通信技术有限公司 | 一种光缆定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114199364A (zh) | 一种航空发动机的振动监测系统 | |
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
JP4312762B2 (ja) | 内燃機関におけるミスファイアの検出 | |
JP5335803B2 (ja) | 自動車システムのノック信号検出 | |
CN108764073B (zh) | 一种结合频谱能量形态拟合的加速度滤噪和积分方法 | |
CN111623982B (zh) | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 | |
JP3050825B2 (ja) | 電子器具における測定精度を改善するための方法および測定精度が高められた電子器具 | |
WO2011123014A1 (en) | Method for rolling bearing fault detection based on enhancing statistical asymmetry | |
CN113970419B (zh) | 一种基于时频变换的激波风洞测力天平信号数据处理方法 | |
Davies et al. | A comparison of Fourier and parametric methods for structural system identification | |
CN114199365A (zh) | 一种振动信号处理方法 | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN108680247B (zh) | 基于振动烈度低频滤波修正的振动信号转换方法 | |
CN111323233B (zh) | 一种用于低速旋转机械故障诊断的局部均值分解方法 | |
CN107610055B (zh) | 傅里叶变换光谱仪干涉图噪声检测及抑制方法 | |
CN105300688A (zh) | 基于rms的自适应齿轮箱转速的快速评估方法 | |
CN113108973A (zh) | 超声螺栓预紧测试系统和测试方法 | |
Bakó et al. | Improved-speed parameter tuning of deconvolution algorithm | |
CN111351645A (zh) | 一种粮食机械设备微弱故障信号诊断方法 | |
Phillips et al. | A new excitation method: combining burst random excitation with cyclic averaging | |
Chi et al. | Effect of scale-varying fractional-order stochastic resonance by simulation and its application in bearing diagnosis | |
Luo et al. | Envelope Analysis Scheme for Multi-Faults Vibration of Gearbox Based on Self-Adaptive Noise Cancellation | |
CN114757242B (zh) | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 | |
CN115604066B (zh) | 一种基于离散傅立叶变换的低成本窄带干扰频率估计方法 | |
CN114216676B (zh) | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 |
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 |