基于振动信号分析的电机性能退化特征提取.pdf

第3 1 卷第4 期计算机仿真2 0 1 4 年4 月 文章编号：1 0 0 6 9 3 4 8 ( 2 0 1 4 ) 0 4 0 4 1 6 0 6 基于振动信号分析的电机性能退化特征提取 王立，于重重，施彦，张慧妍 ( 北京工商大学计算机与信息工程学院，北京1 0 0 0 4 8 ) 摘要：针对电机性能退化状态分析中性能退化特征难以有效提取且不能准确反映性能退化趋势的问题，通过电机失效机理 分析，得到电机振动信号与性能退化状态的对应关系，给出电机振动信号的测量方案，提出一种基于电机振动信号分析的电 机性能退化特征提取方法。上述方法采用基于H ilb e r t H u a n g 变换的边际能量谱分析来获取振动能量在整个频域上的大 小和分布，根据电机自身性能的退化，在支持向量机( S V M ) 方法的基础上将两分类中的各个频率能量看作两个相互独立分 布未知的总体，提出一种新的权重贡献分配法对频域能量进行自学习提取，最后利用提取的频域能量建立能够表征与反映 电机长期性能变化趋势的振动特征频率能量作为性能退化特征参数，从而解决性能退化特征的有效提取问题。试验结果分 析表明，利用从振动信号中提取的退化特征确实能够反映电机的性能状态退化，并且采用所提出的由特征频率能量所建立 的性能退化参数相比全频域能量能准确地反映电机性能状态退化趋势，从而解决了准确反映性能退化趋势的问题，利用提 出的电机性能退化特征提取方法建立的性能退化参数能够对电机长期退化中的性能状态进行分析及预测。 关键词：特征提取；电机；退化；振动；参数 中图分类号：T P l8 1 ，T P 3 0 2文献标识码：B D e g r a d a t io nC h a r a c t e r is t ic sE x t r a c t io no fE le c t r ic M o t o rP r o p e r t ie sB a s e do nV ib r a t io nS ig n a l A n a ly s is W A N GL i，Y UC h o n g c h o n g ，S H I Y a n ，Z H A N GH u i y a n ( S c h o o lo fC o m p u t e ra n dI n f o r m a t io nE n g in e e r in g ，B e ij in gT e c h n o lo g ya n dB u s in e s sU n iv e r s it y ，B e ij in g1 0 0 0 4 8 ，C h in a ) A B S T R A C T ：A c c o r d in gt ot h er e s u lto ff a ilu r em e c h a n is ma n a ly s iso fe le c t r icm o t o r ，t h ec o r r e s p o n d e n c eb e t w e e nt h e v ib r a t io ns ig n a la n dp e r f o r m a n c ed e g r a d e df a ilu r eo fe le c t r icm o t o rW a Sf o u n d ，a n dad e g r a d a t io nc h a r a c t e r is t ic se x - t r a c t io nm e t h o do fr o t a r ym e c h a n ic a l p r o p e r t ie sb yu s in gac o m b in a t io no fH ilb e r t H u a n gT r a n s f o r m ( H H T ) a n d S u p p o r tV e c t o rM a c h in e ( S V M ) W a Sp r o p o s e db a S e do nt h e v ib r a t io ns ig n a lso fe le c t r icm o t o rt os o lv et h ep r o b le m t h a titisd if f ic u ltt oe f f e c t iv e lye x t r a c td e g r a d a t io nc h a r a c t e r is t ic sf o re le c t r icm o t o rp e r f o r m a n c ed e g r a d a t io ns t a t u sa n a ly s is F ir s t ，t h es iz ea n dd is t r ib u t io no fv ib r a t io ne n e r g yint h ew h o lef r e q u e n c yd o m a inw e r eo b t a in e db yt h em a r - g in a le n e r g ys p e c t r u ma n a ly s isb a s e do nH ilb e r t H u a n gt r a n s f o r m s T h e n ，a c c o r d in gt ot h ed e g r a d a t io no fr o t a r ym e - c h a n ic a l p r o p e r t ie s ，s e lf le a r n in g e x t r a c t io no ft h ef r e q u e n c yd o m a ine n e r g yW a Sc o n d u c t e db yu s in gt h ew e ig h tc o n - t r ib u t io na llo c a t io nm e t h o db a s e do ns u p p o r tv e c t o rm a c h in e F in a lly ，t h ef r e q u e n c yd o m a ine n e r g yw h ic hc a nc h a r a c t e r iz ea n dr e f le c tt h ec h a n g et r e n do flo n g t e r m p e r f o r m a n c eo fe le c t r icm o t o rv ib r a t io nc h a r a c t e r is t ic sW a Se s t a b - lis h e da s , d e g r a d a t io nc h a r a c t e r is t icp a r a m e t e r sb yu s in gf r e q u e n c yd o m a ine n e r g ye x t r a c t io n E x a m p lea n a ly s iss h o w s t h a tt h ed e g r a d a t io np a r a m e t e r se s t a b lis h e db yc h a r a c t e r is t ic sf r e q u e n c ye n e r g ye x t r a c t io nC a nm o r ee f f e c t iv e lyr e f le c t t h es t a t eo fe le c t r icm o t o rp e r f o r m a n c ed e g r a d a t io nc o m p a r e dw it ht h ew h o lef r e q u e n c yd o m a ine n e r g y K E Y W O R D S ：F e a t u r ee x t r a c t io n ；M e c h a n ic a lp r o p e r t ie s ；D e g r a d a t io n ；V ib r a t io n ；P a r a m e t e r 基金项目：北京工商大学青年教师科研启动基金项目( Q N J J 2 0 1 2 2 1 ) ；国家自然科学藏匿项目( 5 1 1 7 9 0 0 2 ) ；北京市科技新星计划项目 ( 2 0 1 0 8 0 0 7 ) 收稿日期：2 0 1 3 1 2 0 3 修回日期：2 0 1 4 一0 1 0 5 4 1 6 1 引言 电机是石油、化工、机械、冶金、电力等行业的关键设备， 这些设备出现故障后，大多会带来严重的经济损失。电机长 期运行时，一些结构、部件会逐渐劣化，逐渐失去原有性能和 功能，就会暴露出一些不正常状态。 由于电机的运行过程包含着大量的性能状态退化信息， 若能对其进行监测并且预测，则可实现电机故障的预警，从 而避免故障发生。其困难之处在于，需要首先通过对电机进 行退化试验及失效机理分析，确认该产品的薄弱环节、失效 类型等，从而针对其主要失效机理与性能状态变化的对应原 理，找出能够反映其性能状态退化的参数： 此外，工程实际中，从电机上所测得的信号千变万化，其 中大量为非平稳、非高斯分布和非线性的随机信号。H ilb e n H u a n g 变换时频分析方法1 1 。适用于对复杂的非平稳、非 线性信号进行分析，目前已在故障诊断等领域得到了广泛 应用：4 圳。 然而，在对电机长期监测过程中，随着电机的性能退化， 性能状态参数量值会逐渐增大、”。传统的信号分析包含了 大量的噪声信号，会影响其对电机状态变化的敏感度。因 此，需研究对电机性能状态退化参数进行提取分析的方法， 采用更为灵敏的特征参数对电机性能退化状态进行描述。 目前未见相关领域研究报道。 2 电机失效机理 为对电机进行失效机理分析，首先令电机在额定电压下 空载运行至失效，可知电机的运行失效过程包括换向器磨损 和断裂两个阶段。图1 左边是电机换向器运行过程中的表 面形态变化情况。右边是在扫描电子显微镜下换向器表面 形态变化的更为清晰的放大照片。 图1电机运行退化失效过程及放大照片 图2 左边圆圈内所示的是从换向器上断裂并脱落在电 机机壳内的换向片残片。右边是换向片残片在扫描电子显 微镜下的放大照片。 图2 换向片残片及放大照片 可见，在电机故障的诸多失效机理中，转子的磨损是引 起电机性能退化失效的主要失效机理之一。由于工程实际 中，电机转子的磨损量通常难以直接监测，但其磨损量的变 化情况往往能够由振动量的变化反映，且振动量值容易监 测，因此通过测量振动量值可达到间接测量磨损量的目的， 则可以将电机的振动量值作为反映其磨损程度的性能退化 特征参数，算法结构如图3 。 图3间接测量的算法结构 考虑到转子是一个高速旋转的部件，直接在转子上安装 传感器对其进行实时监测不太合理，而在实际电机运行过程 中，转子振动会通过主轴传递到轴承上，由于电机的尺寸较 小，且其轴承与机壳制造为一体，其机壳的振动即为轴承的 振动，所以，对电机转子的振动监测实际上是通过对其机壳 进行振动监测来实现的，其测量安装如图4 所示。 图4 电机测量安装图 基于这种思路，根据电机的结构特点，以及现有的试验 条件，确定电机振动信号的测量方式、部位及数量，电机的安 装方式，电机性能退化响应信号测量的设备及其安装方式， 以及整个试验系统的构建。如图5 。 图5电机振动信号算法结构 一4 1 7 3 振动信号处理及性能退化参数提取 针对采集到的振动信号，本文采用H ilb e r t H u a n g 变换 进行振动信号处理，再在S V M 方法基础上将两分类中的各 个频率能量看作两个相互独立分布未知的总体，提出一种新 的权重贡献分配法进行电机性能退化特征提取。 3 1 振动信号处理 H ilb e r t H u a n g 变换包括经验模态分解( E M D ) 和H il b e r t 变换两个过程。H ilb e r t H u a n g 变换通过E M D 将信号 中不同尺度的波动或趋势逐级分解出来，产生一系列具有不 同特征尺度的本征模态函数( I M F ) 。对每个I M F 分量进行 H ilb e r t 变换，并忽略残余函数，对原信号将幅值以等高线形 式显示在时间一频率平面上，得到幅值的时频分布表示，即 H ilb e r t 谱。 3 2 基于权重贡献分配法的性能退化参数提取 由于机械振动信号呈现非平稳、非线性特性，为了对振 动频域能量进行分析，本文采用基于H ilb e r t H u a n g 变换的 边际能量谱分析来获取振动能量在整个频域上的大小和分 布。其算法结构如图6 所示，首先利用H ilb e r t H u a n g 变换 对振动信号进行时频谱分析，然后利用获得的振动时频谱构 造出H ilb e r t 边际能量谱，从而获取振动能量在整个频域上的 大小和分布。 I 振动信号l 上 H ilb e r t - H u a n g 变换 J r 边际能量谱分析 上 l频域能量l 图6 振动频域能量的算法结构 本文根据电机自身性能退化，在S V M 方法基础上提出 一种新的权重贡献分配法对频域能量进行自学习提取，利用 提取的频域能量建立电机振动特征频率能量作为性能退化 特征。 设振动有凡个频率能量，即E ( ，) = 1 ，2 ， ，n ，由不同 性能状态构造学习样本 ( 黾，Y ；) ，i= 1 ，2 ， ，z ) ，其中Y ，= + 1 ，一1 ) ，x f = E ( ( c ，1 ) ，E ( 2 ) ， ，E ( 。) lR ”，且有并i = E ( t o j ) l E R 。利用支持向量两类分类机对性能状态进 行自学习辨识，从而获取能够反映各个频率能量贡献分配大 小的权值向量 2 髟= a iy ix ij J = 1 ，2 ， ，n 其中，a i为支持向量机L a r g r a n g e 乘子。 为消除学习样本集中各频率能量数值大小差异及分布 离散度的影响，从而确定各频率能量对性能状态的贡献大 小，本文在文献 1 0 的基础上，进一步提出将两分类中的各 一4 18 一 个频率能量看作两个相互独立分布未知的总体，以两分类中 各总体的样本均值反映各总体的数值大小，以各总体的样本 方差反映各总体的离散程度，并与S V M 权值向量相结合提 出贡献分配因子的建立方法，再对其进行归一化处理，即 一十一一 c i：形I ? 兰兰兰I 。1 J s ；+ + s ? 一I r r 0 i= 产 专坠= 1 ，2 ， ，儿 ( 1 ) b m “一乙m in 其中，；，表示所有Y 。取值为+ 1 分类的性能状态学习样本 中第J 个频率能量的样本均值，互J - 表示所有Y 。取值为一1 分 类的性能状态学习样本中第J 个频率能量的样本均值，s ；+ 表示所有Y i取值为+ 1 分类的性能状态学习样本中第J 个频 率能量的样本方差，S 2 一表示所有Y ；取值为一1 分类的性能 状态学习样本中第，个频率能量的样本方差，已，反映了第J 个频率能量对性能状态变化的贡献程度。 从式( 1 ) 可以看出贡献分配因子大小的计算不仅与各分 类的总体均值之差有关，且与各分类的总体离散度之和有 关，当各分类总体的离散度越大，其两分类间的总体差异越 小，则说明相应频率能量的贡献也越小，如图7 。 图7 两分类总体分布 样本 因此，可以设定贡献大小阈值s ，取占( 0 ，1 ) ，对满足e ， 8 的频率能量认为是噪声能量或对性能状态变化不敏感 的频率能量，从而剔除这些频率能量，提取出能够反映性能 变化的各频率能量作为频域能量特征。 综上所述，基于支持向量机权重贡献分配的频域能量特 征提取算法如图8 所示。 构造学习样本“x , ? iI 扛1 ，2 ， ，l 利用样本训练学习得到I a r 日m n 萨乘子4 f 上 构造各频率能量贡献分配权值向量嘭 上 建立贡献分配因子c j 上 归一化贡献分配因子己 上 睫取西的频率能量 图8 频域能量特征提取算法过程 在对电机长期监测过程中，随着电机的性能退化，振动 的频域能量会逐渐增大。因此，本文采用提取的频域能量特 征建立能够表征与反映长期性能变化趋势的性能退化特征 参数 s 。= 亡 E ( 。) 】 ( 3 ) 其中，k 为提取的频域能量特征数。 4 试验结果分析 本文根据实际采集的电机振动信号，给出基于振动信号 分析的电机性能状态退化特征提取的试验结果分析。 测试系统由电源、电动机、传感器、电荷放大器、数据采 集卡、计算机六个部分组成，如图9 。首先由电源对电动机施 加一个恒定电压，电动机空载状态下运转并产生振动，由振 动传感器测量到振动信号并转换成电信号，电信号经过电荷 放大器放大，由数据采集卡进行信号采集，最后传输到计算 机进行数据处理。 图9 测试系统结构图 对振动信号每隔1 5 分钟测试一次，每次测试持续1 秒 钟，每次测试的采样频率为3 k H z 。以振动信号某次测试1 秒 钟的时域图为例，如图1 0 ，及其E M D 分解结果，如图1 l。 时同，8 图1 0 振动信号时域图 该振动信号经E M D 分解为9 个I M F 分量和一个残余分 量，每个I M F 分量经过H ilb e r t 变换后的瞬时频率如图1 2 ，其 时一频一幅值谱的三维视图，如图1 3 。 对该振动信号进行基于H ilb e r t H u a n g 变换的频域能 量分析，其相应的振动边际幅值谱如。将边际幅值谱与傅里 叶变换的幅值谱对比，如图1 4 和图1 5 。基于H ilb e r t H u a n g 变换振动边际能量谱如图1 6 。 可见，基于H ilb e r t H u a n g 变换的边际幅值或能量谱分 析能够准确地描述电机振动幅值或能量在整个频域( 0 一 一0I 广 r r 一- - 一 ；。h 忡州m 州m 忡柑州似卅帅州 一一0I - - - - - - - - - - J - - - - - - - - - - - L - - - - - - - - - - J - - - - - - - - - - - L - - - - - - - - - - J - - - - - - - - - - - L - - - - - - - - - - - - - - - - - - - - - L - - - - - - - - - - J - - - - - - _ J i：鼍哑匦巫哑巫巫囹 ；。卜小M ，P 州小，M ，n M 卜删州 1 0 i工睑= = 型型Y 望型Y 二2 0i0E 三王三三三乏三至三三三|!一IL - - - - - - - J - - - - - - - - L - - - - - L L - L - - - J - - - - - - - - - - - - _ J i0 ；iE 乏至三三三三三三三三三习 00 l 02 030 4050 60 7n8 0 9 I1 0 1 jF = = 二= = = = = = 二二= 二习 ! 一2L J L J L J L J - _ J 00 l02030405O 607080 9 i。”F 二二= = = 3 。= = = 二 i01 5 葛 1 占 百 盖 1 占 言 志 1 言 言F 时间s 它0 ： 1 趔0 5 馨 0 】 图1 1E M D 分解结果 图1 2 瞬时频率 图1 3 时一频一幅值谱的三维视图 1 5 0 0 H z ) 的大小和分布，具有较好的频域幅值或能量分辨率， 而傅里叶变换频谱只能反映几个主要频率点对应的幅值，而 无法反映幅值频域分布。 - - - - 4 1 9 - - - 图1 4H ilb e r t H u a n g 变换边际幅值谱 图1 5 傅里叶变换的幅值谱 - 什 。，h 批 札 、 E f ) 【Inc ) nI 、4 频率z H ilb e r t I t u a n g 变换边际能谱 对该电机振动信号长期测试的H ilb e r t 边际能量谱，取 1 5 0 0 个能量谱作为有效的频域能量。选择前后各2 0 次测试 的频域能量作为两种性能状态的自学习样本，对频域能量进 行权重贡献分配提取，各频率能量对性能状态变化的贡献度 如图1 7 。 可见，在1 5 0 0 个振动频率能量中，大多数频率能量对性 能状态变化贡献程度较小，可视其为振动噪声能量或性能变 化不敏感频率能量。在取特征贡献阈值8 = 0 1 的情况下， 可有效提取图1 7 中所指示的贡献度较大的频率能量作为反 映性能状态变化的振动频域能量。 采用提取出的振动频域能量特征建立的电机性能退化 参数如图1 8 。采用未提取的全频域能量建立的性能退化参 数如图1 9 。 4 2 0 频率lt z 图1 7 各频率能量对性能状态变化的贡献程度 5 结论 由上述结果可知，利用从振动信号中提取的退化特征确 实能够反映电机的性能状态退化，并且采用本文所提出的由 特征频率能量所建立的性能退化参数相比全频域能量更能 准确地反映电机性能状态退化趋势，从而解决了性能特征参 数的有效提取以及准确反映性能退化趋势的问题，因此利用 本文提出的电机性能退化特征提取方法建立的性能退化参 数能够对电机长期退化中的性能状态进行分析及预测。 需要指出的是，本文性能退化特征提取方法主要针对电 机长期性能状态退化阶段的描述更加有效，也就是电机的换 向器磨损阶段，然而在电机失效的后期，也就是f 临近电机的 换向器断裂的阶段，其机理发生了改变，因此性能状态的变 化可能并不是一个缓慢渐变的过程，而是一个突变的过程， 此时本文方法不再适用于描述该阶段的性能状态变化，但是 可以通过对性能退化阶段的特征参数设定某一临界阈值，使 其在达到该临界阈值时，便给出预警，从而避免故障的发生。 参考文献： 1 NEH u a n g ，ZS h e n ，SRL o n g T h ee m p ir ic a l m o d ed e c o m p o s i t io na n dt h eH ilb e r ts p e c t r u mf o rn o n lin e a ra n dn o n s t a t io n a r y t im es e r ie sa n a ly s is C P r o c e e d in g so ft h eR o y a lS o c ie t yo fL o n d o nS e r ie saM a t h e m a t ic a l P h y s ic a l a n d E n g in e e r in gS c ie n c e s ， 1 9 9 8 ，4 5 4 ( 1 9 7 1 ) ：9 0 3 9 9 5 2 N o r d e nEH u a n g ，Z h e n gS h e na n dS t e v e nRL o n g An e wv ie wo f n o n lin e a rw a t e rw a v e s ：T h eH ilb e r ts p e c t r u m J A n n u a lR e v ie w o fF lu idM e c h a n ic s ，1 9 9 9 ，3 1 ：4 1 7 4 5 7 3 P a u lAH w a n g ，N o r d e nEH u a n ga n dD a v idWW a n g An o t eo n a n a ly z in gn o n lin e a ra n dn o n s t a t io n a r yo c e a nw a v ed a t a J A p p lie dO c e a nR e s e a r c h ，2 0 0 3 ，2 5 ( 4 ) ：1 8 7 1 9 3 4 ZP e n g ，FC h ua n dYH e V ib r a t io ns ig n a l a n a ly s isa n df e a t u r ee x t r a c t io nb a s e do nr e a s s ig n e dw a v e le ts c a lo g r a m J J o u m a l o f S o u n da n dV ib r a t io n ，2 0 0 2 ，2 5 3 ( 5 ) ：1 0 8 7 1 1 0 0 5 王醇涛，陆金铭，周海港基于H H T 边际谱与S V M 的柴油机 故障诊断方法研究 J 船海工程，2 0 1 0 ，3 9 ( 3 ) ：7 3 7 6 ( 上接第3 2 9 页) 3 KZ h a o ，AK u m a r ，JY e n A c h ie v in g H ig hR o b u s t n e s sinS u p p ly D is t r ib u t io nN e t w o r k sb yR e w ir in g J I E E ET r a n s a c t io n so nE n 一 舀n e e r in gM a n a g e m e n t 2 0 11 ，5 8 ( 2 ) ：3 4 7 3 6 2 4 MEJN e w m a n T h es t r u c t u r ea n df u n c t io no fn e t w o r k s J C o m p u t e rP h y s ic sC o m m u n ic a t io n s ，2 0 0 2 ，1 4 7 ：4 0 4 5 5 胡海波，王林关于因特网自治系统的连接率的幂律关系 J 西安理工大学学报，2 0 0 5 ，2 l( 2 ) ：2 0 4 2 0 7 6 冯国，L in u x 驱动程序开发实例 M 北京：机械工业出版 社2 0 1 1 6 HTV ic e n t D a m a g ed e t e c t io nu s in ge m p ir ic a l m o d ed e c o m p o s it io n m e t h o da n dac o m p a r is o nw it hw a v e le ta n a ly s is C P r o c e e d in g so f t h eS e c o n dI n t e r n a t io n a l W o r k s h o po nS t r u c t u r a l H e a lt hM o n it o r in g ，S t a n f o r d ，1 9 9 8 ：8 9 1 9 0 0 7 A DV e lt c h e v a ，CG u e d e s ，SS o a r e I d e n t if ic a t io no ft h ec o m p o n e n t so fw a v es p e c t r ab yt h eH ilb e aH u a n gt r a n s f o r mm e t h o d J A p p lie dO c e a nR e s e a r c h