風(fēng)機(jī)振動(dòng)信號(hào)特征提取基本方法研究

 風(fēng)機(jī)振動(dòng)信號(hào)特征提取基本方法研究
3.1  引言
風(fēng)機(jī)等復(fù)雜機(jī)械系統(tǒng)發(fā)生故障時(shí)的振動(dòng)信號(hào)往往是非平穩(wěn)、非線性的，一般的時(shí)域、頻域分析方法往往效果不理想。為解決復(fù)雜工況下風(fēng)機(jī)軸承振動(dòng)信號(hào)非平穩(wěn)、非線性特征難以提取及量化問題，本章基于局部均值分解的瞬態(tài)信號(hào)分解方法和基于信息熵的信號(hào)特征定量描述方法進(jìn)行研究，并分別利用數(shù)值仿真信號(hào)和實(shí)測(cè)信號(hào)進(jìn)行分析。
3.2  基于 LMD 的振動(dòng)信號(hào)特征分析方法
3.2.1 LMD 算法原理
局部均值分解(LMD)是一種自適應(yīng)的時(shí)頻分解方法，可以得到信號(hào)多尺度上的時(shí)頻特性。算法具體過(guò)程如下：
(1)  找出原始信號(hào)的所有極值點(diǎn)，確定出局部均值函數(shù)和局部包絡(luò)函數(shù)。假設(shè) p表示分解的 PF 分量的個(gè)數(shù)，q表示求取每個(gè) PF 分量時(shí)的迭代次數(shù)。對(duì)所有相鄰兩個(gè)極值點(diǎn)求得局部均值和局部包絡(luò)估計(jì)值再通過(guò)滑動(dòng)平均技術(shù)，可以確定局部均值函數(shù)m (t  )和局部包絡(luò)函數(shù)a (t  )。
事實(shí)上，LMD 分解是一個(gè)逐漸剔除高頻分量的過(guò)程，因此，PF1包含原始信號(hào)中頻率最高的成分，而且 PF1是一個(gè)單分量的調(diào)制信號(hào)，對(duì)系統(tǒng)狀態(tài)的特征提取十分有效。PF1分量的包絡(luò)信號(hào)就是瞬時(shí)幅值函數(shù)，可以很好的反映系統(tǒng)信號(hào)的幅值變化趨勢(shì)，而瞬時(shí)頻率可以由純調(diào)頻函數(shù)求導(dǎo)得出。這樣我們可以得到原始信號(hào)某一個(gè)單分量信號(hào)的時(shí)頻表述特征，排除噪聲和其他干擾，更好的對(duì)機(jī)械系統(tǒng)進(jìn)行特征提取。
做一個(gè)新的信號(hào)重復(fù)上述步驟k 次，直到 ( )ku t 為一個(gè)常數(shù)或者不再包含振蕩模式，分離過(guò)程.
3.2.2  基于 LMD 的仿真信號(hào)分析
下面用 LMD 算法對(duì)仿真信號(hào)進(jìn)行分析，其解析表達(dá)式為： x (t  ) ? [1 ? 0.5sin(14?  t )]cos[200?  t ? 1.5sin(18?  t )] ? 0.5sin(60? t),  t ? [0,1]    (3-13) 該信號(hào)由一基頻為 100Hz，調(diào)制頻率為 9Hz 的調(diào)幅調(diào)頻信號(hào)和一頻率為 30Hz 的正弦信號(hào)疊加而成，時(shí)域波形如圖 3-2 所示。
 4 章  軸承振動(dòng)信號(hào)特征提取及故障診斷研究
4.1  引言
在上一章振動(dòng)信號(hào)特征提取基本方法的研究基礎(chǔ)上，針對(duì)風(fēng)機(jī)軸承振動(dòng)信號(hào)特點(diǎn)，本章從風(fēng)機(jī)軸承振動(dòng)信號(hào)瞬態(tài)特征描述和非線性特征分析兩個(gè)角度出發(fā)，分別建立基于Wigner-Ville譜熵和支持向量機(jī)(SVM)的信號(hào)瞬態(tài)特征提取及故障診斷模型和基于 LMD 的多尺度排序熵的非線性特征定量描述方法，并利用典型軸承實(shí)驗(yàn)平臺(tái)進(jìn)行軸承故障診斷實(shí)驗(yàn)，驗(yàn)證所研究動(dòng)態(tài)信號(hào)特征提取及故障診斷方法的有效性。 4.2  振動(dòng)信號(hào)瞬態(tài)能量特征提取及故障診斷
當(dāng)軸承發(fā)生故障時(shí)，其振動(dòng)信號(hào)大多數(shù)是非平穩(wěn)、非線性、強(qiáng)耦合的。不同運(yùn)行狀態(tài)或不同故障情形下的振動(dòng)信號(hào)蘊(yùn)含的故障信息是不同的，其能量分布特征也會(huì)出現(xiàn)不同。本節(jié)將研究基于 Wigner-Ville 譜熵振動(dòng)信號(hào)瞬態(tài)能量特征提取方法，用定量刻畫軸承不同狀態(tài)下振動(dòng)信號(hào)的時(shí)頻能量分布的不同，并設(shè)計(jì)基于 LS-SVM的智能故障診斷模型，實(shí)現(xiàn)軸承狀態(tài)和故障類型的自動(dòng)分類和識(shí)別。
4.2.1  基于 LMD 和 Wigner-Ville 分布的 Wigner-Ville 譜熵方法
為進(jìn)一步將非平穩(wěn)信號(hào)經(jīng) LMD 分解后不同頻帶上的時(shí)頻分布特性進(jìn)行有效描述，本文提出一種基于 LMD 和 Wigner-Ville 分布的時(shí)頻譜熵特征提取方法。
Wigner-Ville 分布是一種基本的時(shí)頻表述形式，具有很高的時(shí)頻分辨力，對(duì)時(shí)變和瞬態(tài)信號(hào)的分析十分有效，但存在由雙線性結(jié)構(gòu)本質(zhì)導(dǎo)致交叉項(xiàng)干擾的缺點(diǎn)。結(jié)合LMD和 Wigner-Ville 分布各自的優(yōu)點(diǎn)，便可在得到單分量信號(hào)的同時(shí)避免交叉項(xiàng)的干擾，使時(shí)頻能量分布包含更多的故障信息。
 

  石家莊風(fēng)機(jī)廠 石家莊風(fēng)機(jī) 石家莊市風(fēng)機(jī)廠 石家莊風(fēng)機(jī)維修 石家莊風(fēng)機(jī)銷售