[发明专利]基于自适应小波能量的旋转机械故障特征提取方法

说明书

技术领域

本发明涉及旋转机械故障特征提取技术领域，特别是涉及一种针 对风机的故障特征提取方法。

背景技术

随着科学技术的飞速发展，旋转机械不仅在机械、能源、石化、 冶金、电力、航空航天和国防军工等行业中应用广泛，而且和人们的 日常生活息息相关。比如在城市的轨道交通系统中，地下环境的通风 要依靠大型旋转设备即通风机来保障。转子系统和轴承是旋转机械中 不可替代的关键部分，在高转速条件下，具有举足轻重的作用。因其 长期高速、满载荷运行，极易产生故障。对旋转机械设备实时故障诊 断监测，既是设备安全、可靠运行的保证，又能减少大量维修成本， 延长设备使用寿命，避免盲目地进行停机维修更换带来的巨大浪费。

基于振动信号处理的故障诊断，信号特征提取是首要解决的问 题。目前，在旋转机械故障信号的非线性、非平稳特征提取方面，发 展出了很多行之有效的诊断理论。但在故障早期诊断、微弱信号特征 提取、多种故障识别等方面还存在缺陷，难以有效地提取机械系统故 障信号的动态幅值特征。国内外学者对旋转机械故障的诊断进行了大 量研究，主要方法有:

1)时域分析法。采用统计方法对振动信号中的振动的、均值、 标准差、波形指标、峰值指标峰-峰值、振动烈度、进行量化处理。 这类方法计算特征参数实现起来比较简单，但不能有效识别微弱故障 特征。

2)频谱分析法。将振动信号从时域变换到频域，提取振动信号 频谱图，如幅值谱、相位谱、功率谱等。该方法适合于对平稳信号的 分析，然而旋转机械的振动信号存在非线性、非平稳的特点，因此该 类方法在旋转机械的故障特征提取上效果并不理想。

3)时频分析法。先用小波变换对旋转机械轴承振动信号进行分 解，然后计算重构信号，提取信号特征值进行故障识别。该方法在小 波去噪时采用软、硬阈值函数去噪，在阈值处分别存在恒定偏差和不 连续的问题，针对微弱故障特征时去噪效果不好，易出现误判、漏判。

目前,多数研究都是在确定的转速和采样频率下进行的,但是, 转速或采样频率一旦发生变化,而小波变换的分解层数不变,则同一 故障所提取出的能量特征将大不相同,即小波能量特征的物理意义 将随着转速和采样频率的变化而变化。这就使得现有的运用小波分析 提取能量特征的方法难于实现特征的自动提取,难于真正应用于实 际故障诊断。

本发明首先在机械故障综合模拟实验台上采集转子振动信号，然 后针对信号能量特征受转速和采样频率影响的问题，采用一种新的自 适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不 对中故障、轴承座松动故障的有效特征提取。同时为了保留旋转机械 振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在 恒定偏差和不连续以及参数不可调的问题，在该方法中引入了一种新 型的阈值函数进行去噪。

发明内容

本发明首先在机械故障综合模拟实验台上采集转子振动信号，然 后针对信号能量特征受转速和采样频率影响的问题，采用一种新的自 适应小波能量特征提取方法，完成对旋转机械的转子不平衡故障、不 对中故障、轴承座松动故障的有效特征提取。同时为了保留旋转机械 振动信号更多的原始特征，并且克服传统去噪方法在阈值处分别存在 恒定偏差和不连续以及参数不可调的问题，在该方法中嵌入了一种新 型的阈值函数进行去噪。

本发明采用了如下的技术方案及实现步骤：

1)信号采集。

利用加速度传感器和NI信号采集设备,在MFS机械故障综合模 拟实验台上以采样率f_s采集转子正常振动信号和不平衡、不对中、轴 承座松动三类转子故障信号，转子旋转频率为f_n。

试验装置如图2所示,实验台由基座、轴承座、轴承、转轴、负 重块组成，控制器控制电动机转速，由电动机带动，通过转速传感器 获知转速,在轴承座上垂直安装加速度传感器测量转子振动信号，NI 9234模块和NI9171便携式机箱配合计算机进行振动信号的采集。

2)对信号进行重采样。