【《基于Autogram方法的振动信号分析案例》3900字】

基于Autogram方法的振动信号分析案例目录TOC\o"1-3"\h\u31372基于Autogram方法的振动信号分析案例 1236461.1Autogram特征提取方法 176401.2柱塞泵状态信号的采集 3284261.3柱塞泵滑靴磨损故障振动信号分析 369791.4柱塞泵松靴故障诊振动信号分析 6217871.5柱塞泵斜盘磨损故障振动信号分析 9210481.6柱塞泵正常运行状态振动信号分析 11267231.7本章小结 131.1Autogram特征提取方法针对复杂生产环境下产生的重度高斯和非高斯白噪声，柱塞泵的有效故障特征信息被淹没的情况，Autogram方法提取其特征信息具有显著效果。Autogram方法应用最大重叠离散小波包变换（MODWPT）对柱塞泵各种工作模式的外壳振动信号和出口压力信号进行不同层数分解处理。各层得到若干个信号，对各个信号进行三种无自相关谱峭度分析，得到最大无偏自相关谱峭度所对应的信号，利用该信号作为信号源进行分析。Autogram是一种很好的处理非线性，非平稳性信号的信号处理方法，该方法的具体算法为：（1）最大重复离散小波包变换最大重复离散小波包变换（MODWPT）可以消除离散小波包变换（DWPT）的降采样步骤，克服了小波包变换对时间序列起点的选择较为敏感的问题。MODWPT作为一个滤波器，将信号按不同的固定频带分割为不同的分解层数的信号，各层信号被命名为“node”。“node”作为下一步骤的信号源。（2）无偏自相关性为了去除“node”中的噪声成分，基于无偏自相关性可以更有效地突出特征信息。无偏自相关特性的表达式如下：R(1)（1）式中：X为node的平方包络谱；τ=为了减小方差，增加更多有意义的特征信息，提升故障诊断效果，笔者选取前半部分的无偏自相关进行分析。（3）无偏自相关谱峭度计算选取适当的信号作为数据源对提升特征信息提取效果最为关键，进而提升故障诊断效果。Autogram方法首次提出基于无偏自相关谱峭度选取富含特征信息的node作为下一步的数据源。该方法的三种无偏自相关谱峭度的计算式如下：Kutrosis(X)=(2)Kutrosis(X)=(3)Kutrosis(X)=(4)以上式子中，||+和||−分表代表只进行正数或负数的运算，其余值设为0。x(5)上式中：k是平均加窗信号的长度。式（2）至式（4）三个计算式得到的结果分别为标准Autogram、高Autogram和低Autogram。从上述各式计算结果中筛选出最大无偏自相关谱峭度对应的node，将该node信号作为新的数据源进行下一步的频谱分析处理。（4）基于阈值处理的频谱分析将上一步骤选取出来的node信号分为大于、小于滑动平均值xT1.2柱塞泵状态信号的采集本节主要讲述柱塞泵泵壳振动加速度信号和泵出口压力信号的采集方法。实验相关元器件类型及性能参数：实验对象：MCY14-1B轴向柱塞泵，柱塞数为7个；传感器：SYB-351数字压力传感器，量程范围0-25MPa；YD72D压电式加速度传感器，频率范围1-18kHz；DHF-6A电荷放大器，频响范围0.3-100kHz；USB-6221多功能数据采集卡。图2-1信号采集系统Fig.2-1Signalcollectingsystem1.3柱塞泵滑靴磨损故障振动信号分析本节主要对柱塞泵滑靴磨损故障的轴向振动加速度信号进行处理分析。实验过程中，利用具有滑靴磨损故障的柱塞替换正常柱塞，并采集泵壳轴向振动加速度信号，具体采集过程步骤如下：调整液压系统压力为10MPa，采样频率为50kHz，采样时间1.2秒。截取0.2秒的数据段进行分析，数据段点数为10000点，并生成原始时间信号图像。对截取后的数据进行标准Autogram分析处理，基于式（2），利用无偏自相关谱峭度方法得到基于标准Autogram的滑靴磨损故障信号的无偏自相关谱峭度分布图。从上述无偏自相关谱峭度图中得到最大无偏自相关谱峭度所对应的node信号，将该node信号作为新数据源，进行频谱分析，得到基于该node信号的无阈值、上阈值和下阈值频谱。柱塞泵滑靴磨损故障轴向振动加速度信号原始时域图像如图2-2所示。图2-2基于滑靴磨损信号的原始时域图像Fig.2-2Originaltime-domainimagebasedonslipperwearfaultsignal对柱塞泵滑靴磨损故障振动信号进行无偏自相关谱峭度分析，得到无偏自相关谱峭度分布图，如图2-3所示。图2-3基于标准Autogram的滑靴磨损信号的无偏自相关谱峭度分布图Fig.2-3UnbiasedautocorrelationspectrumkurtosisdistributionofslipperwearfaultsignalbasedonstandardAutogram分析图2-2可得：当MODWPT的分解层数为2时，node（2,3）所对应的无自相关谱峭度最大，值为85.6，其中心频率为15625Hz，带宽为6250Hz。因此，将node（2,3）作为新数据源，进行Autogram频谱分析，得到无阈值，上阈值和下阈值频谱，结果如图2-4所示。图2-4基于标准Autogram的滑靴磨损故障信号的频谱Fig.2-4SpectrumofSlipperWearFaultSignalBasedonStandardAutogram由图2-3可得：在基于无阈值和上阈值方法求得的频谱图可以有效地提取出滑靴磨损故障特征频率25kHz及其所有倍频处的幅值，其余频率处噪声得到极大的抑制，且基于无阈值方法的频谱幅值比基于下阈值方法的频谱幅值大很多。比较图2-2的传统频谱与图2-4的上阈值频谱可知：Autogram方法可以有效地提取滑靴磨损故障特征信息，且较传统频谱而言具有显著的特征信息提取优势。因此，本文选择故障信号的无阈值频谱进行后续分析处理。1.4柱塞泵松靴故障诊振动信号分析松靴故障是轴向柱塞泵的主要失效形式之一。当轴向柱塞泵发生松靴故障时，柱塞泵内部产生液压冲击，且柱塞球头严重冲击滑靴，这些冲击导致柱塞泵产生附加冲击振动，噪声增加，减少寿命[22]。松靴故障实验与滑靴磨损故障实验方法相同，利用已有松靴故障的柱塞代替正常柱塞。信号处理分析方法与滑靴磨损故障信号处理方法一致。柱塞泵松靴故障轴向振动加速度信号原始时域图像如图2-5所示。图2-5基于松靴故障信号的原始时域图像Fig.2-5Originaltime-domainimagebasedonlooseslipperfaultsignal对柱塞泵松靴故障振动信号进行无偏自相关谱峭度分析，得到无偏自相关谱峭度分布图，如图2-6所示。图2-6基于标准Autogram的松靴故障信号的无偏自相关谱峭度分布图Fig.2-6UnbiasedautocorrelationspectrumkurtosisdistributionoflooseslipperfaultsignalbasedonstandardAutogram由图2-6可以得到，node（1,2）对应着最大无偏自相关谱峭度，值为355.5，带宽为12500Hz，中心频率为18750Hz，说明node（1,2）包含着丰富的故障特征信息。因此，选择node（1,2）作为新数据源，按上节步骤进行频谱分析，可以得到基于松靴故障信号的无阈值，上阈值和下阈值频谱，如图2-7所示。图2-7基于标准Autogram的松靴故障信号的频谱Fig.2-7SpectrumofLooseSlipperFaultSignalBasedonStandardAutogram观察图2-7可以得到，在基于无阈值和上阈值的频谱图中噪声得到了明显抑制，谱图清晰，松靴故障特征频率25Hz及其所有倍频处的幅值得到凸显，柱塞泵松靴故障信息得到了有效提取。比较图2-4与图2-7的无阈值频谱，可以发现基于滑靴磨损故障信号的无阈值频谱幅值与基于松靴故障信号的无阈值频谱幅值有明显差值，说明Autogram方法的无阈值频谱可以鉴别不同故障特征，这对后续的故障诊断极为有益。无阈值频谱与下阈值频谱相比较，前者特征频率及其倍频处的幅值是后者的百余倍，特征信息提取效果更加显著。因此，本文选取松靴故障信号的无阈值频谱进行后续的分析处理和故障诊断。1.5柱塞泵斜盘磨损故障振动信号分析斜盘是轴向柱塞泵的一个核心关键部件。当柱塞泵在高转速、高压力的工况下运行，发生斜盘磨损故障将引起明显的扭矩跃升异常，产生额外振动，导致柱塞泵失效[23]。在本节中，采用人为磨损的斜盘来代替正常斜盘，模拟工作磨损的斜盘磨损故障。采集了柱塞泵处于斜盘磨损故障状态时的泵壳轴向振动加速度信号。与上节信号分析处理步骤一致，截取0.2秒时间段的数据，数据点数为10000点。柱塞泵斜盘磨损故障轴向振动加速度信号原始时域图像如图2-8所示。图2-8基于斜盘磨损故障信号的原始时域图像Fig.2-8Originaltime-domainimagebasedonswashplatefaultsignal对柱塞泵斜盘磨损故障振动信号进行无偏自相关谱峭度分析，得到无偏自相关谱峭度分布图，如图2-9所示。图2-9基于标准Autogram的斜盘磨损故障信号的无偏自相关谱峭度分布图Fig.2-9UnbiasedautocorrelationspectrumkurtosisdistributionofswashplatefaultsignalbasedonstandardAutogram从图2-9可知，最大无偏自相关谱峭度对应的信号为node（1，2），最大无偏自相关谱峭度值为234.8，中心频率为18750Hz，带宽为12500Hz。故选择含有丰富特征信息的node（1,2）作为新数据源进行下一步Autogram频谱分析，结果如图2-10所示。图2-10基于标准Autogram的斜盘磨损故障信号的频谱Fig.2-10SpectrumofSwashPlateFaultSignalBasedonStandardAutogram通过图2-10可以看出，基于无阈值和上阈值的频谱噪声过滤干净，特征信息清晰，斜盘磨损故障特征频率25Hz及其全部倍频得以清晰呈现。对比图2-4、图2-7和图2-10可知，各个故障在同一特征倍频下的幅值差值较大，可以很好地分辨出各个故障模式，对后续的故障诊断提供了很好地基础。1.6柱塞泵正常运行状态振动信号分析为了完善后续DS证据理论的结构，增加故障诊断的准确性、可靠性，对柱塞泵正常运行状态信号进行相同的分析处理。柱塞泵正常运行状态轴向振动加速度信号原始时域图像如图2-11所示。图2-11基于正常运行状态信号的原始时域图像Fig.2-11Originaltime-domainimagebasedonnormalstatesignal对柱塞泵正常运行状态振动信号进行无偏自相关谱峭度分析，得到无偏自相关谱峭度分布图，如图2-12所示。图2-12基于标准Autogram的正常运行状态信号的无偏自相关谱峭度分布图Fig.2-12UnbiasedautocorrelationspectrumkurtosisdistributionofnormalstatesignalbasedonstandardAutogram由图2-12可知，选取node（2,2）作为新数据源进行Autogram频谱分析，结果如图2-13所示。图2-13基于标准Autogram的正常运行状态信号的频谱Fig.2-13SpectrumofNormalStateSignalBasedonStandardAutogram1.7本章小结本章主要介绍了Autogram方法的基本理论及其具体实施步骤，即（1）最大重复离散小波变换（MODW