水下航行器動力裝置振動頻率自動識別方法

孫 濤, 高愛軍, 王 袆

?

水下航行器動力裝置振動頻率自動識別方法

孫 濤, 高愛軍, 王 袆

(中國船舶重工集團公司第705研究所, 陜西 西安, 710075)

為滿足水下航行器動力裝置振動試驗研究對頻譜分析的及時性要求, 本文以分析對象振動信號的頻譜特征和離散傅里葉變換的數學原理為基礎, 將頻譜細化算法和峰值搜尋算法有機結合, 構造了一種振動頻率自動識別準確率高的自動頻譜分析方法, 并設計編制了模塊化架構的程序。該方法利用頻譜細化算法準確計算動力裝置周期性激勵源的測試頻率, 利用峰值搜尋算法有效提取振動信號優勢成分, 以篩分出的峰值頻率和周期性激勵理論頻率的一致性程度來確定振源, 通過仿真信號和工程實際振動信號進行應用分析。分析表明, 該方法可明顯提高試驗數據的分析效率和準確性。

水下航行器; 動力裝置; 振動頻譜; 自動識別; 模塊化

0 引言

在幾乎所有的機械工程部門, 如機床、飛機、艦船、汽輪機、壓縮機等機械裝備中, 信號處理一直是振動控制、故障診斷、模態分析的基礎, 而運用廣泛且卓有成效的信號處理方法則是在數學理論和快速算法上已取得重大突破的頻譜分析方法。目前, 頻譜分析已成為各類商用振動分析軟件必不可少的功能。雖然商用振動分析軟件提供的頻譜分析功能具有計算精度高、計算速度快、操作界面友好等優點, 但是它們只能對輸入信號進行傅里葉變換生成頻譜, 而判定譜峰頻率對應何種振動原因還需依賴人工進行, 這種分析方式越來越不能滿足振動激勵源查找、振動控制效果評判、振動傳遞路徑識別、復雜機械故障診斷等對海量振動數據分析處理的及時性要求, 如何快速準確地識別譜峰頻率的成因已成為深入應用頻譜分析方法迫切需要解決的難題。

近些年來, 為了保障流程工業中重大關鍵設備(如汽輪機、壓縮機等)的安全高效運行, 各種專用智能故障診斷系統陸續被研制出來并投入使用, 極大地推動了振動頻譜自動識別技術的研究。阮躍論述了建立汽輪發電機組振動頻譜自動識別的原則及典型故障振動頻譜特征可信度的計算方法[1]。盧學軍等根據汽輪發電機組的典型振動故障頻率征兆表, 提出了基于振動頻譜自動識別的綜合自動診斷方法[2]。近年來興起的小波變換能同時提供振動信號的時域和頻域的局部化信息, 為機械故障診斷提供了一種強有力的分析手段。王平等將小波包分析引入滾動軸承振動頻譜的自動識別, 提出了基于小波包分析和包絡檢測的滾動軸承故障特征信息的自動提取方法[3-4]。這些振動頻譜自動識別方法主要適用于汽輪機、滾動軸承等振動故障頻率分布有規律可尋的通用機械設備或機械部件的智能故障診斷, 對于典型振動頻率征兆表尚未建立或很難建立的機械設備的振源查找、振動特性分析等則不太適用。

某水下航行器動力裝置(簡稱動力裝置)為外燃機, 結構復雜, 零部件眾多, 其振動頻譜常包含多種振動源頻率, 各振動源特征頻率的倍頻及伴有的邊頻帶導致頻譜圖中線譜很復雜。為滿足研究其振動特性和查找振源對海量振動試驗數據分析處理的及時性需求, 本文提出基于離散傅里葉變換(discrete fourier transform, DFT)的振動頻率自動識別方法, 利用Matlab語言開發了通用的自動識別程序, 大大提高了試驗數據分析效率, 可有效縮短試驗周期, 具有重要的工程價值。

1 通用振動分析軟件的頻域分析流程

工程上所測得的信號多為時域信號, 為了通過所測得的時域信號了解觀測對象的動態行為, 往往還需要從頻域描述一個隨機信號的特征, 以便獲得頻域信息, 這種把時域信號變換至頻域加以分析的方法稱為頻譜分析。頻譜分析的目的是把復雜的時間歷程波形, 經過傅里葉變換分解成若干單一的諧波分量, 并研究各諧波分量的幅值和相位信息, 從而獲得信號的能量沿頻帶的分布情況[5]。隨著大規模集成電路的迅速發展, 尤其是在1965年, Cooly-Tukey發明了一種快速傅里葉變換算法(fast fourier fransform, FFT), 把傅里葉變換的時間減少了幾個數量級, 極大地推動了頻譜分析技術的工程應用, 目前頻譜分析已成為通用振動分析軟件必不可少的功能。

通用振動分析軟件的頻譜分析流程: 首先, 從記錄有測試數據的數據庫中選擇待分析的信號; 其次, 利用軟件提供的頻譜分析功能對輸入信號進行傅里葉變換生成頻譜; 最后, 人工判定譜峰頻率和振源的對應關系。這種分析方式效率非常低, 無法滿足試驗研究對數據分析處理的及時性要求, 如何快速準確地識別出譜峰頻率和振源的對應關系已成為迫切需要解決的問題。

2 振動頻率自動識別方法原理及技術實現

動力裝置振動信號的頻譜特點具有一般性, 其特點主要包括: 1) 包含與各組部件工作相關的多種振動頻率; 2) 各種振動源特征頻率往往出現高階倍頻成分。為了滿足動力裝置振動試驗對數據分析處理的及時性要求, 本文將動力裝置振動信號的頻譜特點和DFT的特點相結合, 構造出一種振動頻率自動識別方法。

2.1 振動頻率自動識別方法原理

大量的動力裝置振動頻譜分析表明, 頻譜中主要的離散譜分量對應動力裝置的典型周期性激勵源的特征頻率(發動機軸頻、輔機軸頻、輔機壓力脈動頻率等)。在動力裝置轉速已知條件下, 這些周期性激勵源的特征頻率可通過理論計算得到。

通過計算機對振動信號進行頻譜分析, 本質上是進行DFT, 即將個時間域的采樣序列和個頻率域采樣序列聯系起來, DFT的公式如下[6]

2.2 振動頻率自動識別方法的程序實現

振動頻率自動識別方法的程序采用模塊化設計, 模塊劃分如1所示, 各模塊功能定義: 1)輸入模塊: 讀入振動測量數據; 2)FFT計算模塊: 完成時域到頻域的變換; 3)篩分模塊: 從幅值序列中篩分出滿足條件的幅值樣本; 4)振源定位模塊: 根據篩分出的頻率和動力裝置典型周期性激勵源頻率的匹配程度確定振源; 5)輸出模塊: 按要求格式輸出分析結果。

圖1 程序模塊

在上述5個模塊中, 篩分模塊和振源定位模塊是核心模塊。篩分模塊利用經驗模態分解(empirical mode decomposition, EMD)[7]確定局部極值點的方法從幅值序列中確定出極大值序列, 從而有效篩分出滿足條件的幅值樣本。

該動力裝置為外燃機, 其傳動方式決定了典型激勵源頻率均和發動機主軸的軸頻有關, 根據篩分頻率和典型激勵源頻率來識別振源時, 首先, 需要確定高精度的發動機軸頻, 本程序利用FFT- FT頻率細化方法[8]計算發動機軸頻, 為計算精度高的典型激勵源倍頻奠定了基礎; 其次, 綜合考慮由發動機軸頻推導倍頻時的頻率誤差累積和FFT的頻率分辨率誤差, 確定出計算頻率和測量頻率是否匹配的評判閾值, 通過比較每個篩分頻率和典型激勵源頻率的前100階倍頻的頻率差是否滿足閾值要求, 初步識別出振源。進而利用信號的先驗知識調整參與比較的典型激勵源頻率的種類, 并且結合篩分頻率的頻率間隔是否存在倍數關系等輔助信息以及人工經驗給出最終的識別結果。

3 應用分析

3.1 仿真應用分析

為驗證本方法對振動頻率的自動識別效果, 此處任意構造一個由若干簡諧信號疊加形成的周期信號為例來說明。考察式(2)所示的仿真信號

信號()中包含1(50 Hz)的1倍頻和2倍頻,2(100 Hz)的2倍頻和3倍頻,3(150 Hz)的1倍頻和3倍頻, 共6個頻率成分, 其時域波形和幅值譜如圖2所示。

圖2 仿真信號的時域波形和幅值譜

Fig. 2 Time-domain waveform and amplitude spectrum of simulated signal

篩分條件設置為輸出前6個最大值, 程序的輸出結果如表1所示。可以看出, 自動識別程序不但準確找出了仿真信號中的6個頻率成分, 而且自動判別出了每個頻率成分對應的可能振動原因。將程序的輸出結果和信號的先驗知識相結合即可判斷出每個頻率成分對應的振動原因, 最終的分析結果見表2。

3.2 工程實例

動力裝置能供系統的泵徑向測點振動信號()的時域波形和幅值譜如圖3所示, 可以看出, 譜峰主要分布在頻段1和頻段2。頻段1中最高譜峰對應的幅值為0.009, 頻段2中最高譜峰對應的幅值為0.005, 前者的幅值基本等于后者幅值的2倍, 為了篩分時不漏掉在各自頻段占主要振動能量的頻率成分, 分析時對這2個頻段設置不同的篩分條件。頻段一的篩分條件為該頻段最大幅值的20%, 頻段二篩分條件為該頻段最大幅值的30%。將程序的輸出結果和信號的先驗知識相結合即可判斷出從頻段一中篩分出的頻率成分除了該泵壓力脈動頻率的前3階倍頻成分, 其他都是發動機的軸頻; 頻段二中的離散譜峰全為該泵壓力脈動頻率的倍頻, 范圍為15~39階。

表1 仿真信號頻譜自動識別初步結果

表2 仿真信號頻譜自動識別最終結果

圖3 振動信號h(t)的時域波形和幅值譜

雖然該自動識別程序輸出結果的最終確定仍需人工參與, 但由于程序自動從FFT計算結果所產生的成百上千的頻率成分中篩分出符合條件的頻率成分, 并在表格中自動填入相關信息, 完成振源定位的大部分分析工作, 所以大大降低了分析強度和時間。此外, 人工判定譜峰對應何種特征頻率一般采用查表方式, 一旦看到和某振源頻率相近便判定由該振源引起, 往往導致誤判。因此, 自動識別程序列出頻率成分對應的所有可能振動原因一定程度上會提高分析的準確性。

4 結束語

動力裝置結構和工況復雜, 零部件眾多, 建立能較好模擬其振動特性的數學模型相當困難, 振動試驗仍然是目前研究動力裝置振動特性的主要手段。頻譜分析是振動數據處理長期有效的工具, 本文結合動力裝置振動信號的頻譜特點和DFT變換的特點, 構造出一種動力裝置振動頻率自動識別方法, 較好地解決了通用振動分析軟件無法根據振動信號頻譜特征自動確定激振原因的局限性, 大大提高了動力裝置頻譜分析的效率。本方法的原理具有一般性, 可用于設計各種機械設備的振動頻率自動識別程序, 針對動力裝置開發的程序在實際工作中已用于振源查找、故障診斷等, 取得了較好的效果。

[1] 阮躍. 汽輪發電機組振動頻譜的自動識別[J]. 電站系統工程, 2000, 16(1): 45-47. Ruan Yue.Auto-Recognition of Vibration Spectrum of Steam Turbine-Generator Units[J].Power System Engineering, 2000, 16(1): 45-47.

[2] 盧學軍, 繆思恩, 顧晃. 汽輪發電機組振動故障的綜合自動診斷方法研究[J]. 中國機械工程, 2002, 13(14): 1193- 1195. Lu Xue-jun, Liao Si-en, Gu Huang. Study on the Comp- rehensive Automatic Fault Diagnosis Method for Turbine Generator Sets[J]. China Mechanical Engineering, 2002, 13(14): 1193-1195.

[3] Mallet S G. A theory for Multi-resolution Signal Decomposition: the Wavelet Representation[J]. IEEE Transactions. on Pattern Analysis and Machine Intelligence, 1989, 11(7): 674-693.

[4] 王平, 廖明夫. 滾動軸承故障特征信息的自動提取方法研究[J]. 機械強度, 2003, 25(6): 604-609. Wang Ping, Liao Ming-fu. Auto-Extraction of Fault Features in Rolling Element Bearing Fault Diagnosis[J].Journal of Mechanical Strength, 2003, 25(6): 604-609.

[5] 谷立臣. 機械信號處理及應用[M]. 西安: 陜西科學技術出版社, 2000.

[6] 何正嘉, 訾艷陽, 張西寧. 現代信號處理技術及應用[M]. 西安: 西安交通大學出版社, 2006.

[7] Huang N E, Shen Z, Long S R. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[C]//proceedings: Math- ematical, Physical and Engineering Sciences of the Rouyal Society, 1998: 903-995.

[8] 劉進明, 應懷樵．FFT譜連續細化分析的富里葉變換法[J]．振動工程學報, 1995, 5(2): 162-166. Liu Jin-ming, Ying Huai-qiao. Zoom FFT Spectrum by Fou- rier Transform[J]. Journal of Vibration Engineering, 1995, 5 (2): 162-166．

An Automatic Recognition Method of Vibration Frequency for Underwater Vehicle Power System

SUN Tao, GAO Ai-jun, WANG Yi

(The 705 Research Institute, China Shipbuilding Industry Corporation, Xi′an 710075, China)

To satisfy the timely demand of vibration spectrum analysis for underwater vehicle power system in vibration test, on the basis of the signal spectrum feature and discrete Fourier transform(DFT)principle, an automatic vibration fre- quency recognition method is presented via zoom-FFT(fast Fourier transform)combining with peak search algorithm, and the corresponding modularized program is coded. The method uses zoom-FFT to calculate the exact measuring frequency of the power system periodic motivation, and utilizes peak search algorithm to extract the dominant frequency component in order to confirm the vibration source with the consistent degree of two kinds of frequencies. The application of the present method to simulated signal and real signal shows the analysis efficiency and accuracy are improved markedly.

underwater vehicle; power system; vibration spectrum; automatic recognition; modularization

TB53

A

1673-1948(2011)02-0120-04

2010-03-10;

2010-04-14.

孫 濤(1977-), 男, 博士, 主要研究方向為機械信號處理、振動測量和控制、振動一致性評判與診斷.

(責任編輯: 陳 曦)