基于小波和能量特征提取的旋转机械故障诊断方法分析

郑勇

（南京工程学院，江苏南京，211167）

基于小波和能量特征提取的旋转机械故障诊断方法分析

郑勇

（南京工程学院，江苏南京，211167）

轴承和转子系统在旋转机械中是非常关键的部件，小波包对振动故障信号的特征提取是对于旋转机械故障诊断的关键。针对传统的软、硬阈值量化方法在阈值常数偏差和不连续的问题，设计一个可调参数改进的连续函数以用来量化阈值。对于旋转机械转子常出现故障采用振动信号的小波包分解、去噪然后进行小波包能量特征提取。

特征提取；小波包分析；旋转机械；故障诊断

0 引言

旋转机械设备在很多领域都有广泛的应用，尤其是在石油化工电力等重要工业领域中起着关键作用。轴承和转子系统在旋转机械中是非常关键的部件，但是在长期高速运转以及满负荷运行后，很容易发生故障。为了保障其安全可靠正常运行以及减缩不必要的维修成本，实时监测旋转机械设备的故障诊断是非常有必要的。

1 旋转机械故障诊断概况

目前在旋转机械故障的早期故障诊断、微弱信号特征提取以及多种故障辨别等实时详细数据分析方面还存在问题，很难有效地提取机械系统故障信号的幅度动态特性。使用振动信号的小波包分解、去噪而后进行小波包能量特征提取对旋转机械的转子不平衡故障、不对中故障、转子动静碰摩故障进行有效诊断。有效保留了旋转机械振动信号的原始特征，克服了阈值的恒定偏差和不连续性以及不可调参数问题。

（1)时域分析法。这种办法主要是计算特征参数完成简略，关于微弱故障特征不能够有效的进行识别。统计方法对于振动信号中振动的峰值、振动强度、波形指数、峰值指标、平均值、标准偏差进行量化。

（2)时频分析法。首先分解小波变更对旋转机械轴承的振动信号，而后计算并重构信号，取其信号特征值进行故障识别。这种措施采用软、硬阈值函数进行去噪，然而在在阈值处存在恒定偏向和不延续的问题，关于微弱故障特点时去噪效果不大，很容易产生判断失误以及遗漏判断。

（3)频谱分析法。把振动信号从时域转换到频域，而后提取振动信号的频谱图，包括相位谱、功率谱和幅值谱等。这种措施相比较适宜用于对信号平稳的判别分析，然而关于旋转机械非线性信号和不是很平稳振动信号，不容易同时提高时域和频域的分辨率。

2 故障诊断系统设计

以轴承振动信号作为旋转机械故障探讨对象，轴承振动信号的取得须要搭建相应的故障诊断系统。

图1 旋转机械监测系统硬件结构

旋转机械监测系统硬件关键构造是由信号数据采集模块、数据发送和接收模块构成。把电涡流传感器相互垂直纵向安装在转子，在转子上安装圆形环中开出一个凹槽的键相环以便测量其转速。旋转机械转子的振动信号以及转速经过电涡流和加速传感器测量后，经由采集模块进行数据采集，同时通过无限数据发送模块及数据。上位机从无线数据接收模块获取转子的振动和转速信号，以此完成故障诊断。

3 小波的振动信号的故障特征提取

3.1 进行小波包的振动信号采集

进行旋转机械转子模拟不同的故障特征需要在旋转机械转子上设计多个柱体形状孔，均匀分布，然后放置不同数量的柱体。

转子振动信号基本的特征频率计算公式：f=n/60（n=转子转速；f=基本特征频率）。测试时，系统的速度440转/分，而后基频为7.33赫兹，经过拧紧质量转子配重杆改动钢条带的数目是不同水平的不平衡振动信号下得到的。不对中实验时，改换偏心转轴，使转子轴核心位置与转子轴衔接电机轴的中心位置产生偏移，导致非线性振动信号的故障的原因是机械设施的装置的错误，地基沉降、支撑轴支撑架扩张等。碰摩螺钉和轴之间的摩擦伴随着切线方向摩擦力使转子出现振动大，转子不平衡的严重失调也可能引起的碰摩故障。使用这样的测试方法，用所设计的数据采集系统采集到的旋转机械转子在不同的情况下的振动信号（图2所示），表现出旋转机械转子在不同状态下，振动信号的波状也不一样，不平衡故障信号和不对中故障信号差别比较大。

图2 转子振动信号时域波形

3.2 小波包分析与分解系数重构

运用信号时频分析措施进行小波分析，对每一次分解后的低频信号持续分解，在低频部分具有较高的频率分辨率。小波分析在高频中分辨率比较低，能够在小波分析的基础上进行拓展从而形成小波包分析，公式为：

V0=W1⊕V1=W1⊕W2⊕V2=....j/⊕/j=1 Wj⊕Vj

公式中:J为分解尺度，Vj和Wj(j=1，2，…，J)分别为V0空间在差异标准下通过正交分解所得到的子空间，⊕为空间向量相加符号。

小波分解公式：u2（nt）=2∑h(k)un(2t-k)u2n-t(t)=2∑g(k)un(2t-k)

公式中:un为被分解信号序列，h(k)和g(k)为分解滤波器，在进行每一次分解后的低频和高频两个序列，都要再次的分解。

在提取振动信号过程中，往往因旋转机械振动测试遭到现场环境和设施的噪声扰乱，使信号中出现噪声，因此，使用小波分析对振动信号进行去噪，以此获得有效信号。有效信号被小波分解集中在几个频带上，所相应的小波系数较大而噪声信号相应的小波系数小，噪声能量平均散布于全部频带上，信号的重构要设定适合的阈值，系数较阈值小设定为0，系数较阈值大不动，然后对系数逆变换，以此实现信号重构。其中一个小波基和适宜的分解数j，对含有噪声信号s采取小波分解。

针对旋转机械不对中故障信号进行去噪，采取db9小波基，用阈值量化函数以及硬阈值和软阈值去噪分析。不对中故障信号去噪（图 3）。

图3 不对中故障信号去噪结果

3.3 能量特征提取

对振动信号处理的故障诊断，关键在于信号的特征提取。旋转机械的故障类别的差异，振动信号也有很大的不同，相应的小波包分解后不同频带内的能量也都不同，能够按照不同频带能量的差别从而判断故障类型。

其中，采用小波包基，对振动信号进行小波分解。从低频到高频提取8个频率的信号特征，重构各频带内的信号。

设定对应每个频带内的重构信号为X3j(j=0,1,…,7)，相应能量便为E3j(j=0,1,…,7)，E3j∫|X3j（t)|2dt=a∑k|xjk|2

其中公式中xjk（j=0,1,…,7,k=0,1,…,n)作为表示重构信号X3j相对应离散点的幅值大小。

令T=[E30,E31,E32,E33,E34,E35,E36,E37],E=7∑J=0|E3j|2,归一化后能量特征向量 ：T’=［E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E］。

4 实验与分析

提取第三层重构信号的能量特征，分别对转子正常，不平衡故障以及不对中故障和动静碰摩故障诊断信号进行小波包分解（图 4）。

图4 转子振动故障信号相对能量

由此得出转子在不同故障下小波包分解后的归一化能量值不同于同一故障。

不同条件下，不同子代的能量值也不同。当轴承存在不同故障可以通过小波包分解将各子带的能量值作为故障诊断的特征向量然后采用模式识别程度方法进行辨识故障。

5 结语

旋转机械故障诊断方法是基于小波变换和能量特征提取，用不同子带小波包分解的能量特征对不同类型的旋转机械进行故障诊断。可以有效的根据旋转机械转子通过进行小波包的分解后的不同特点，在现有实验平台的旋转机械故障诊断的不同子带能量不平衡、不对中故障和碰摩转子故障。旋转机械故障诊断虚拟仪器组合在旋转机械振动测试系统，实现对振动信号的分析和处理收集，观察振动信号的时域波形和频谱特性，能量可以得到各个频段的故障信号，小波包分析能量特征提取相结合的虚拟仪器平台，提供故障模式识别的一种有效方法，更利于现场数据的故障诊断。

[1]石明江,罗仁泽,付元华.小波和能量特征提取的旋转机械故障诊断方法[J].电子测量与仪器学报,2015,29(08):1114-1120.

[2]于波,徐雪娇,郑听.基于小波包分解的能量特征提取在旋转机械故障诊断中的应用研究[J].化工自动化及仪表,2016,43(10):1056-1059.

Analysis of Rotating Machinery Fault Diagnosis Method Based on Wavelet and Energy Feature Extraction

Zheng Yong
(Nanjing Institute of Technology,Nanjing Jiangsu,211167)

Bearing and rotor systems are very critical components in rotating machines,and the feature extraction of vibration signals from wavelet packet is the key to the fault diagnosis of rotating machinery Aiming at the problems of threshold constant deviation and discontinuity in traditional soft and hard threshold quantization methods,an improved continuous function with adjustable parameters is designed to quantify the threshold.The rotor of rotating machinery often fails.Wavelet packet decomposition and noise elimination of vibration signals are adopted,then wavelet packet energy feature extraction is carried out.

Feature Extraction;Wavelet PacketAnalysis;Rotating Machinery;Fault Diagnosis