【船舶动力轴振动信号的处理方法研究现状文献综述4800字】

船舶动力轴振动信号的处理方法研究现状文献综述目录TOC\o"1-3"\h\u14416船舶动力轴振动信号的处理方法研究现状文献综述 1168461.1.1时域分析法 1224051.1.2频域分析法 4290521.1.3时频域分析 732047参考文献 10船舶动力轴系属于中大型旋转类机械，如图1-1所示。对于旋转类机械的机械振动研究起步较早。20世纪60年代，英国作为第一、第二次工业革命的大国，便专门设立了机械健康中心；美国作为第三次工业革命的主要国家，也于同期成立了故障诊断预防小组。自此机械振动故障诊断技术开始在世界范围内普及和推广。大批的科学和工程工作者在这个领域展开积极探索并取得一系列成果ADDINNE.Ref.{3550E440-7189-459B-93D2-9728B37CE8C3}[3]。而振动信号的处理是旋转机械故障诊断的前提。其信号处理方法可分为三种：时域分析法、频域分析法和时间-频率域分析法。图STYLEREF1\s1SEQ图\*ARABIC\s11船舶传动轴系时域分析法机械系统运行过程中，传感器采集到的随时间变化的动态信号就是时域信号。时域信号作为最直接、信息量最大的信号一直是信号处理中最优先选择的信号。时域分析法通过分析时域信号的幅值、均方根幅值、方差、峭度及无量纲指标幅值波形指标等，可以对系统的运行状态进行初步诊断ADDINNE.Ref.{300CF068-DDFC-4D98-B8C2-A20ED9B6CF4F}[4]。（1）讯号振幅的概率密度函数：讯号振幅的概率密度函数表示讯号在单位振幅范围内的概率。如图所示，对于信号，它的幅值落在和之间的概率可以用的比值表示。指时间T在这段时间内的时间。随着T越接近无穷大，就越接近事件发生的概率。越趋近于事件的概率。 (1.1)图STYLEREF1\s1SEQ图\*ARABIC\s12概率密度函数对于传感器采集到的离散信号，，上述式子可以写 (1.2)其中，为离散信号的数据个数，表示信号幅值落在内的总次数。当趋于无穷小时，可将离散序列的幅值谱概率密度定义为 (1.3)机器的运行状态的初步判断信号可以用幅值概率密度函数。比如在无损伤的变速箱概率密度函数中主要为大量量值较小的随机噪声，机率密度函数是高斯分布。有损伤的变速箱概率密度函数中由于混合了缺陷的周期性信号。其其概率密度函数分散度变大，高斯分布曲线的顶部会产生凹陷。请看图1-3。图STYLEREF1\s1SEQ图\*ARABIC\s13高斯分布曲线（2）信号的均方值与均方根：离散信号的均方值计算公式为： (1.4)均方根值为均方值的正平方根： (1.5)信号的均方值是单位时间内的平均功率，均方根在工程上称为有效值。常见的稳态振动故障诊断方法就是对比系统中特征点的振动响应的均方根值大小来判断系统的状态。（3）讯号峭度：离散讯号峭度计算公式为： (1.6)从波形上看，峭度表现了概率密度函数峰顶的凸平。当突然出现较大峰值，也就是概率变大时，峭度随之变大。在实际工程测量中，峭度常用于轴承故障的初期诊断，轴承内外圈裂纹、滚动体剥落等故障会使加速度信号中存在较大的脉冲，此时以峭度指标作为特征量相当有效ADDINNE.Ref.{5DB6E8A2-D2DE-4A24-8C0E-509A1AE26A0C}[5]。在实际测量中，由于上述的各种特征值大小会随负载、转速等变化而变化，给工程测量带来一定的影响。无因次指标为解决这一问题提供了一个较好的方法。通用无因次指标如下：：1）峰值因子 (1.7)2）脉冲因子 (1.8)3）裕度因子 (1.9)其中，当信号为不连续信号时，。4）峭度因子 (1.10)旋转机的振动信号是脉冲和周期信号的混合，从信号的时域波形可以看出系统的共振和拍频现象。它的振动信号成分包括基频和倍频两部分，转轴不对中等故障产生时往往会影响振动信号的倍频ADDINNE.Ref.{E952C0AB-9311-4ECA-8850-AA5619D93837}[6]。时域波形分析很直观但缺点也很明显，就是无法直接看出其包含信息与故障的具体联系。所以，时域分析法适用于对明显故障的分析。频域分析法信号的傅立叶变换是谱分析的理论基础。从傅立叶级数理论可以看出，任何周期信号都可以展开成几个简谐信号的叠加。假定是周期信号，则 (1.11)其中，为静态分量，为基频，是第次谐波，，为第次谐波的幅度，为第一次谐波的相位。若把频率作为横坐标，或为纵坐标，则可得到相应的幅、相频谱。也就是从时域转换到频域。根据傅立叶级数公式，周期信号的频谱是离散的，其图像上的散点分布在不同的横坐标下。对非周期信号而言，可视为周期信号趋近无限大，频谱间隔趋近无限小，并且频谱是连续的。然而在计算机中傅立叶变换并不能直接使用，由于信号是离散的，所以它被储存在计算机里。数字信号的处理必须借助离散傅立叶变换(DiscreteFourierTransform,DFT)来完成。其公式为 (1.12)它包括：为信号的采样值，为序列点的个数，为采样间隔，为频域离散序列每个值的序号，为时域离散序列每个值的序号。DFT计算的数据量随信号长度的增加而倍增。为了提高效率，Cooley和Tukey于1965年提出了一种更快的傅立叶算法，快速傅立叶算法(FastFourierTransform,FFT)。这种算法把一个长的数据序列分割成若干短的数据序列作DFT计算，将短序列的计算结果合并便可得到代替原序列DFR的计算结果ADDINNE.Ref.{207935BC-5FD0-439C-8452-C4D34CEBB8CD}[7]。在频谱分析中，功率谱密度函数起着不可替代的重要作用，它反映了信号功率在频域上的分布情况。可以将功率谱密度函数分为自功率谱密度函数和互功率谱。可以定义自功率谱密度函数如(1.13)。 (1.13)是双边功率谱，在实际测量中不常用，工程测量中常使用单边功率谱，其定义为(1.14)。 (1.14)互功率谱可以被定义为(1.15)。 (1.15)其单边功率谱为 (1.16)在这种情况下，常规频谱分析很难发现设备的真正故障。要提取有用的信号频率，信号需要进行解调分析。通常使用的解调法有希尔伯特变换，Teager能量算子解调，绝对值解调法等。以下是经典解调分析方法希尔伯特变换。假设是一个复数信号，其频谱是(1.17)。 (1.17)是经过滤波的信号，其滤波器频谱为(1.18)。 (1.18)对于滤波器和，相应的时间函数为。所以复信号是(1.19)。 (1.19)其中， (1.20)上述过程就是的Hilbert变换。是一个单位脉冲滤波器，频谱为 (1.21)另一个形式为 (1.22)可见希尔伯特变换的本质是对信号进行相移处理的过程。因此Hilbert变换也被称为90度相移滤波或垂直滤波。由于传统谱分析主要考虑信号中的幅值、频率信息，忽略了相位对于两个值得影响。而相位作为信号分析中三大要素之一，忽略相位后转换到频域的信号显然不能完整恢复到时域中。针对这种情况，屈梁生院士提出了一种以多传感器信息集合的先进诊断技术全息谱分析。与传统的转子振动信号分析方法相比，全息谱弥补了传统频谱分析方法存在的振幅、相位分离的不足，创造性地将幅值、频率和相位融合在一起，更加真实准确地反映机械振动情况ADDINNE.Ref.{097EE75F-79F8-43B1-B027-1BE2AB3F851E}[9]。下面介绍全息谱的基本理论。全息谱在硬件层面和常规信号采集要求不一样。全息谱分析在传感器上要求每个测量面上安装两个相互垂直的位移传感器。传感器信号通道具有高度一致性，且各路信号具有相同起始时刻、相同采样率。常见的全息谱可分为二维的和三维的两种。本文仅介绍二维全息谱。二维全息谱：将传感器传来的信号在相互垂直的两个方向作傅立叶变换，提取各自的频率、幅值和相位信息并进行合成，然后按照频率顺序排列在一张谱图上即可以达到二维全息谱。假设转子测量面两个相互垂直方向信号的第个频率分量的参数方程为 (1.23)其中，为不同频率分量序号，和是第个频率分量的幅值，为第个频率分量对应的旋转频率，、第个频率分量对应的相位。此时，对应全息谱可用定义为： (1.24)2D全息谱的合成可以用图1-4来表示。图STYLEREF1\s1SEQ图\*ARABIC\s14二维全息谱合成与最下面的图像对应，代表的旋转方向，代表工作频率，-代表逆时针的旋转方向，+代表顺时针的旋转方向。时频域分析根据傅里叶谱分析法得到的频率分量是对信号历程平均化的结果，非平稳信号的信号特征不能得到精确的反映。为了克服上述缺陷，时频域分析应运而生。（1）短时傅里叶变换(Short-TimeFourierTransform,STFT)。传统的傅立叶分析只能对平稳信号进行更有效的分析。为了较好对非平稳信号进行分析，Gabor于1964年提出了窗口傅立叶变换，这一理论又叫短期傅里叶变换ADDINNE.Ref.{CCBA5C65-7BF2-40A0-8348-4CED6FF843CB}[10]。其内容如下。假设宽度有限的窗函数高度为1、。则是经过滤波以后的部分，当的中心位时，经过傅立叶变换便是短时傅立叶变换。 (1.25)图STYLEREF1\s1SEQ图\*ARABIC\s15STFT此式为内积运算，其功能是将映射到这个二维时频平面上，是基函数。是在傅立叶变换中出现的频率。窗口函数选择时间局部化最优高斯函数。 (1.26)其中恒大于0。针对常规STFT方法无法获得任意时频分辨率的问题，上海交通大学的包文杰、涂晓彤等人提出了一种通过快速路径优化的自适应短时傅里叶方法。该方法能有效提取出行星齿轮箱的故障特征ADDINNE.Ref.{F52D16CE-075D-49D8-B4D9-F4BE1EAC4251}[11]。（2）Wigner-Ville分布(Wigner-VilleDistribution,WVD)。对于非平稳瞬变的调制信号，使用对平稳非瞬变信号有效的常规方法分析显然是不太适用的。Wigner-Ville分布作用是分析信号能量在时间和频域中的分布。该方法最初是Wigner于1932年提出用于量子力学分析的ADDINNE.Ref.{D67ADF0E-7EDA-4384-B134-519492F880B9}[12]。尽管存在交叉干扰项的缺点，但经过后续研究人员的补充已经比较完善。相对于STFT等方法，它更适合于信号的时变特征分析。以下是Wigner-Ville分布的具体情况。设是时域的不间断信号，可定义Wigner-Ville分布为 (1.27)这里，是的共轭。也可以从频域上计算Wigner-Ville分布，假定傅里叶变换后得，则Wigner-Ville分布可以用 (1.28)其中，是的共轭。WVD具有能量聚集性高、视频分辨率高等特点。但是其计算过程产生的交叉干扰项使其难以应用于工程中。燕山大学的马昂基于WVD交叉干扰项的问题提出了一种改进局部特征尺寸(LocalCharacteristic-scaleDecomposition,LCD)和WVD相结合的方法，并通过分析燃气轮发电机故障实例证明了新方法在工程上的有效性ADDINNE.Ref.{6AB1C649-92FE-4CD8-8C32-B5EB6DCD0956}[13]。（3）经验模态分解(EmpiricalModeDecomposition,EMD)。除可处理非平稳信号的短时傅里叶变换等方法外，局域性的基本量和基本函数等也可以用来分析非平稳、非线性信号。Norden等人基于瞬时频率的研究提出了本征模式函数和经验模式分解方法EMD，这个方法可以将任何信号分解为IMF，对IMF进行Hilbert变换后产生的时频谱具有确定的物理意义ADDINNE.Ref.{84F91317-9371-46B9-BE7C-82EB96A5F8ED}[14]。要理解经验模态分解，必须先理解瞬时频率和本征模式函数。对于任何时域信号，其希尔伯特变换为 (1.29)其解析函数为 (1.30)相位函数为 (1.31)求出的导数就可以得到瞬时频率 (1.32)本征模式函数的提出是为了使瞬时频率具有明确的物理意义。为了使瞬时频率有意义，本征模式函数需要满足两个条件。前提是，在整个信号序列中，极值点数等于过零点数。第二，在任意时刻，数据的局部极大值的上包络线和局部极小值的下包络线均为零。满足上述两个条件后，本征模式函数连续两个过零点之间只有一个极值点。工程学上应用较多的是以EMD为基础的HHT黄变换。其基础如下。先将源信号分解成IMF和一个余项的和。 (1.33)Hilbert变换可以得到上式的IMF部分 (1.34)在公式中，Re表示取实，可以忽略。上式在三维空间中可以表示信号幅值关于时间和频率的函数，又名希尔伯特时频谱。EMD方法虽然应用广泛，但也存在几个缺点。第一是不知道EMD分解成若干本征函数IMF后的有效性问题，分量中存在有效和无效信号，但不能以统一标准确定。第二是EMD分解过程中IMF会由于三次样条插值引起的不完全包络等数个问题而失真。其三，在EMD分解过程中将产生模式混叠效应。针对HHT处理复杂频率成分时无法准确估计瞬时频率的问题，浙江大学的熊炘提出了一种以能量占优滤波为基础的BF-HHT方法ADDINNE.Ref.{1ABD0543-5F7B-4CFE-90AE-990199A48A6C}[15]。。参考文献[1]. 余红英,机械系统故障信号特征提取技术研究,2005,中北大学.第137页.[2]. 孙潇潇,船舶推进轴系故障特征信息识取方法研究及应用,2019,浙江海洋大学.[3]. 王国彪等,机械故障诊断基础研究“何去何从”.机械工程学报,2013.49(01):第63-72页.[4]. 等陈长征,设备振动分析与故障诊断技术.2007:科学出版社.[5]. 韩清凯等,基于振动分析的现代机械故障诊断原理及应用.2010:科学出版社.[6]. 等何正嘉,机械故障诊断理论及应用.2010:高等教育出版社.[7]. James,W.C.,There-discoveryofthefastFouriertransformalgorithm.MikrochimicaActa,1987.93(1-6).[8]. 王望望,滚动轴承故障特征提取及状态识别方法研究,2020,兰州理工大学.[9]. 屈梁生,机械故障的全息诊断原理.2007:科学出版社.[10]. D.,G.,etal.,Opticalimagesynthesis(complexamplitudeadditionandsubtraction)byhollographicfouriertransformation.PhysicsLetters,1965.18(2).[11]. 包文杰等,参数化的短时傅里叶变换及齿轮箱故障诊断.振动.测试与诊断,2020.40(02):第272-277+417页.[12]. 马晶,Wigner-Ville分布及其在故障诊断中的应用.仪表技术,2011(01):第54-56页.[13]. 马昂,基于改进LCD的WVD算法及其在故障诊断中应用的试验研究,2015,燕山大学.第80页.[14]. 李舜酩,郭海东与李殿荣,振动信号处理方法综述.仪器仪表学报,2013.34(08):第1907-1915页.[15]. 熊炘,基于希尔伯特—黄变换的故障转子振动模式分析方法研究,2012,浙江大学.第124页.[16]. Jutten,C.andJ.Herault,Blindseparationofsources,partI:Anadaptivealgorithmbasedonneuro