基于振动信号的机械故障特征与诊断分析

基于振动信号的机械故障特征与诊断分析[摘要]机械故障诊断对于保障机械设备的安全、稳定运行具有重要意义。基于振动信号分析的机械故障诊断方法具有可在线、实时、非损伤、诊断便捷准确等优点，已经得到广泛应用。本文以轴承、齿轮为主要研究对象，针对机械故障特征提取与诊断问题，?用基于振?有藕欧治龅姆椒ǎ?研究了基于经验模态分解的信号降噪方法；基于小波变换、小波包变换、变换、独立分量分析等现代信号处理方法的机械故障特征提取技术，研究了基于支持向量机、最近邻分类器的机械故障识别方法。本文提出一些机械故障特征提取与诊断的新方法。[关键词]振动信号；机械故障；经验模态分解；小波变换中图分类号：TH165文献标识码：A文章编号：1009-914X（2018）18-0189-010引言信号的自相关函数反映信号自身取值在两个不同时刻的自相似性。若随机信号含有周期成分，则它的自相关函数中亦含有周期成分，而且的周期与信号的周期成分相同。利用自相关函数可在复杂的噪声中发现隐藏的周期分量，确定机器的故障。特别是对于早期故障，周期信号不明显，直接观察难以发现，自相关分析就显得尤为重要。1、机械振动信号处理技术研究综述1.1时域信号处理技术经过动态测试仪器采集、记录并显示机械设备在运行过程中各种随时间变化的动态信息，如振动、噪声、温度、压力等，就可以得到待测对象的时间历程，即时域信号。时域信号包含的信息量大，具有直观、易于理解等特点，是机械故障诊断的原始依据。1.2时域统计分析信号的时域统计分析是指对动态信号的各种时域参数、指标的估计或计算，通过选择和考察合适的信号动态分析指标，可以对不同类型的故障做出准确的判断。根据量纲的有无可以分为有量纲特征值和无量纲特征值，有量纲特征值包括：最大值、最小值、峰峰值、均值、方差、均方值、均方根值。有量纲特征值的数值大小常因负载、转速等条件的变化而变化，给工程应用带来一定的困难，因此，机械故障诊断中还?用了多种无量纲指标，常用的无量纲指标有：波形指标、峰值指标、裕度指标、峭度指标以及脉冲指标。峭度指标、裕度指标和脉冲指标对于机械设备中存在的冲击脉冲类型故障比较敏感，特别当机械设备出现早期故障时，这些指标会有明显的增加；但当上升到一定程度后，随着机械故障的不断发展，这些指标反而会下降，表明它们对机械早期故障有较高的敏感性，但是在稳定性方面不好。一般情况下，均方根值的稳定性较好，但是对机械早期故障信号不敏感。因此，为了取得较好的故障诊断效果，常常将一些指标同时应用，以使在敏感性和稳定性方面都能取得较好的效果。1.3相关分析相关分析方法是对机械振动信号进行时域分析的常用方法之一，也是故障诊断的重要手段，无论是分析两个随机变量之间的关系，还是分析两个信号或一个信号在一定时移前后之间的关系，都需要应用相关分析。所谓相关，就是指变量之间的线性联系或相互依赖关系，相关分析包括自相关分析和互相关分析。2、机械故障特征提取“小波变换方法同时考虑了信号在时域和频域的特征，可更好的表征信号局部特征”，但高频分解却不够精细，而小波包分解法正弥补了这一不足，可实现对高频部分的精细化分解，为此，本文采用小波包分解与支持向量机来进行机械故障特征提取，首先应用小波包分解法对振动信号进行小波分解，以获取的相对小波能量作为特征向量，并应用支持向量机SVM分类器进行机械故障诊断，具体流程如图1所示。结合能量守恒定理，可得：机械运行状态的变化会牵动振动信号各频带信号能量随之改变，由此分解频带信号能量占总能量之比组成特征向量e能够更好地表征设备故障特征，其表达公式为：（2）基于支持向量机的故障诊断本文以支持向量机作为机械故障诊断的分类器，采用“一对一”的SVM多类识别方法。3、机械设备故障识诊断3.1EMD分解Hilbert-Huang变化法的第一步是运用EMD方法将表征不同故障类型的振动信号进行分解，获得一系列IMF分量和参与函数res，每一个IMF分量包含了不同的时间特征尺度，各个IMF分量与该层提取之前的IMF分量比较，蕴含着更低的频率成分，参与函数res的频率很低，同时，前几个IMF分量所涉及的信息较多，故障特征的主要信息都包含其中，在应用IMF进行机械故障诊断时，可仅对前几个IMF分量进行分析即可。3.2Hilbert变换对经EMD分解得到的多个IMF组合进行Hilbert变换，就能获取各个IMF分量的瞬时频率和瞬时幅值，将其进行综合分析即可得到Hibert谱，据此，将EMD分解得到的各个内蕴模态函数ci（t）进行Hibert变换得出：同时，依据公式（15）可得到瞬时频率为：结束语机械故障诊断关系到设备和行驶的安全，是当前的研究热点之一。本文提出了一种基于分形指数理论和小波网络的船舶机械故障诊断方法，相比于传统方法，这种方法不仅能够实现较高的诊断精度和较快的诊断速度，同时能够应用于非线性机械系统，具有较好的实用性。参考文献[1]王晓冬，程学报，何正嘉，誉艳阳.多小波自适应构造方法及滚动轴承复合故障诊断研究[[J].振动工2010[2]袁静，何正嘉23（4）：438-444.誉艳限基于提升多小波的机电设备复合故障分离和提取[J].机械工程学报2010，46（1）：79-85.[3]何正嘉，陈进，王太勇，等.机械故障诊断理论及应用「M].北京：高等教育出版社，2010.