基于小波和能量特征提取的旋轉機械故障診斷方法分析

鄭勇

（南京工程學院，江蘇南京，211167）

基于小波和能量特征提取的旋轉機械故障診斷方法分析

鄭勇

（南京工程學院，江蘇南京，211167）

軸承和轉子系統在旋轉機械中是非常關鍵的部件，小波包對振動故障信號的特征提取是對于旋轉機械故障診斷的關鍵。針對傳統的軟、硬閾值量化方法在閾值常數偏差和不連續的問題，設計一個可調參數改進的連續函數以用來量化閾值。對于旋轉機械轉子常出現故障采用振動信號的小波包分解、去噪然后進行小波包能量特征提取。

特征提取；小波包分析；旋轉機械；故障診斷

0 引言

旋轉機械設備在很多領域都有廣泛的應用，尤其是在石油化工電力等重要工業領域中起著關鍵作用。軸承和轉子系統在旋轉機械中是非常關鍵的部件，但是在長期高速運轉以及滿負荷運行后，很容易發生故障。為了保障其安全可靠正常運行以及減縮不必要的維修成本，實時監測旋轉機械設備的故障診斷是非常有必要的。

1 旋轉機械故障診斷概況

目前在旋轉機械故障的早期故障診斷、微弱信號特征提取以及多種故障辨別等實時詳細數據分析方面還存在問題，很難有效地提取機械系統故障信號的幅度動態特性。使用振動信號的小波包分解、去噪而后進行小波包能量特征提取對旋轉機械的轉子不平衡故障、不對中故障、轉子動靜碰摩故障進行有效診斷。有效保留了旋轉機械振動信號的原始特征，克服了閾值的恒定偏差和不連續性以及不可調參數問題。

（1)時域分析法。這種辦法主要是計算特征參數完成簡略，關于微弱故障特征不能夠有效的進行識別。統計方法對于振動信號中振動的峰值、振動強度、波形指數、峰值指標、平均值、標準偏差進行量化。

（2)時頻分析法。首先分解小波變更對旋轉機械軸承的振動信號，而后計算并重構信號，取其信號特征值進行故障識別。這種措施采用軟、硬閾值函數進行去噪，然而在在閾值處存在恒定偏向和不延續的問題，關于微弱故障特點時去噪效果不大，很容易產生判斷失誤以及遺漏判斷。

（3)頻譜分析法。把振動信號從時域轉換到頻域，而后提取振動信號的頻譜圖，包括相位譜、功率譜和幅值譜等。這種措施相比較適宜用于對信號平穩的判別分析，然而關于旋轉機械非線性信號和不是很平穩振動信號，不容易同時提高時域和頻域的分辨率。

2 故障診斷系統設計

以軸承振動信號作為旋轉機械故障探討對象，軸承振動信號的取得須要搭建相應的故障診斷系統。

圖1 旋轉機械監測系統硬件結構

旋轉機械監測系統硬件關鍵構造是由信號數據采集模塊、數據發送和接收模塊構成。把電渦流傳感器相互垂直縱向安裝在轉子，在轉子上安裝圓形環中開出一個凹槽的鍵相環以便測量其轉速。旋轉機械轉子的振動信號以及轉速經過電渦流和加速傳感器測量后，經由采集模塊進行數據采集，同時通過無限數據發送模塊及數據。上位機從無線數據接收模塊獲取轉子的振動和轉速信號，以此完成故障診斷。

3 小波的振動信號的故障特征提取

3.1 進行小波包的振動信號采集

進行旋轉機械轉子模擬不同的故障特征需要在旋轉機械轉子上設計多個柱體形狀孔，均勻分布，然后放置不同數量的柱體。

轉子振動信號基本的特征頻率計算公式：f=n/60（n=轉子轉速；f=基本特征頻率）。測試時，系統的速度440轉/分，而后基頻為7.33赫茲，經過擰緊質量轉子配重桿改動鋼條帶的數目是不同水平的不平衡振動信號下得到的。不對中實驗時，改換偏心轉軸，使轉子軸核心位置與轉子軸銜接電機軸的中心位置產生偏移，導致非線性振動信號的故障的原因是機械設施的裝置的錯誤，地基沉降、支撐軸支撐架擴張等。碰摩螺釘和軸之間的摩擦伴隨著切線方向摩擦力使轉子出現振動大，轉子不平衡的嚴重失調也可能引起的碰摩故障。使用這樣的測試方法，用所設計的數據采集系統采集到的旋轉機械轉子在不同的情況下的振動信號（圖2所示），表現出旋轉機械轉子在不同狀態下，振動信號的波狀也不一樣，不平衡故障信號和不對中故障信號差別比較大。

圖2 轉子振動信號時域波形

3.2 小波包分析與分解系數重構

運用信號時頻分析措施進行小波分析，對每一次分解后的低頻信號持續分解，在低頻部分具有較高的頻率分辨率。小波分析在高頻中分辨率比較低，能夠在小波分析的基礎上進行拓展從而形成小波包分析，公式為：

V0=W1⊕V1=W1⊕W2⊕V2=....j/⊕/j=1 Wj⊕Vj

公式中:J為分解尺度，Vj和Wj(j=1，2，…，J)分別為V0空間在差異標準下通過正交分解所得到的子空間，⊕為空間向量相加符號。

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為被分解信號序列，h(k)和g(k)為分解濾波器，在進行每一次分解后的低頻和高頻兩個序列，都要再次的分解。

在提取振動信號過程中，往往因旋轉機械振動測試遭到現場環境和設施的噪聲擾亂，使信號中出現噪聲，因此，使用小波分析對振動信號進行去噪，以此獲得有效信號。有效信號被小波分解集中在幾個頻帶上，所相應的小波系數較大而噪聲信號相應的小波系數小，噪聲能量平均散布于全部頻帶上，信號的重構要設定適合的閾值，系數較閾值小設定為0，系數較閾值大不動，然后對系數逆變換，以此實現信號重構。其中一個小波基和適宜的分解數j，對含有噪聲信號s采取小波分解。

針對旋轉機械不對中故障信號進行去噪，采取db9小波基，用閾值量化函數以及硬閾值和軟閾值去噪分析。不對中故障信號去噪（圖 3）。

圖3 不對中故障信號去噪結果

3.3 能量特征提取

對振動信號處理的故障診斷，關鍵在于信號的特征提取。旋轉機械的故障類別的差異，振動信號也有很大的不同，相應的小波包分解后不同頻帶內的能量也都不同，能夠按照不同頻帶能量的差別從而判斷故障類型。

其中，采用小波包基，對振動信號進行小波分解。從低頻到高頻提取8個頻率的信號特征，重構各頻帶內的信號。

設定對應每個頻帶內的重構信號為X3j(j=0,1,…,7)，相應能量便為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)作為表示重構信號X3j相對應離散點的幅值大小。

令T=[E30,E31,E32,E33,E34,E35,E36,E37],E=7∑J=0|E3j|2,歸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 實驗與分析

提取第三層重構信號的能量特征，分別對轉子正常，不平衡故障以及不對中故障和動靜碰摩故障診斷信號進行小波包分解（圖 4）。

圖4 轉子振動故障信號相對能量

由此得出轉子在不同故障下小波包分解后的歸一化能量值不同于同一故障。

不同條件下，不同子代的能量值也不同。當軸承存在不同故障可以通過小波包分解將各子帶的能量值作為故障診斷的特征向量然后采用模式識別程度方法進行辨識故障。

5 結語

旋轉機械故障診斷方法是基于小波變換和能量特征提取，用不同子帶小波包分解的能量特征對不同類型的旋轉機械進行故障診斷。可以有效的根據旋轉機械轉子通過進行小波包的分解后的不同特點，在現有實驗平臺的旋轉機械故障診斷的不同子帶能量不平衡、不對中故障和碰摩轉子故障。旋轉機械故障診斷虛擬儀器組合在旋轉機械振動測試系統，實現對振動信號的分析和處理收集，觀察振動信號的時域波形和頻譜特性，能量可以得到各個頻段的故障信號，小波包分析能量特征提取相結合的虛擬儀器平臺，提供故障模式識別的一種有效方法，更利于現場數據的故障診斷。

[1]石明江,羅仁澤,付元華.小波和能量特征提取的旋轉機械故障診斷方法[J].電子測量與儀器學報,2015,29(08):1114-1120.

[2]于波,徐雪嬌,鄭聽.基于小波包分解的能量特征提取在旋轉機械故障診斷中的應用研究[J].化工自動化及儀表,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