基于自适应小波能量的旋转机械故障特征提取方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105651504A(43)申请公布日2016.06.08(21)申请号201610028927.5(22)申请日2016.01.15(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人王普温峥高学金(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人沈波(51)Int.Cl.G01M13/00(2006.01)G01H17/00(2006.01)G01M3/14(2006.01)权利要求书2页说明书5页附图6页(54)发明名称基于自适应小波能量的旋转机械故障特征提取方法(57)摘要本发明为基于自适应小波能量的旋转机械故障特征提取方法，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。该方法在机械故障模拟实验台上取得了较好的效果，提取的能量特征能有效区分出不同的故障类型。CN105651504ACN105651504A权利要求书1/2页1.基于自适应小波能量的旋转机械故障特征提取方法，其特征在于：本方法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阈值函数进行去噪；实现步骤如下，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fs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fn；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，NI9234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；旋转机械的故障信号通常在精确的倍频或分频处有明显的突出幅值，即故障特征频率与旋转频率fn成比例关系，显然,信号的倍频特征是不会随着转速频率fn的变化而变化的；那么,根据Fourier变换定理，对输入信号x(t)进行尺度为fn的变换,有如果对时间扩展后的时域信号x(fnt)以时间间隔Δts进行采样,那么相当于对原始信号x(t)以Δts/fn的间隔进行采样；频率压缩后的信号采样的时间间隔Δts，直接由小波分解后得到的最高倍频决定；通常,转子故障信号的频率特征需要满足最高倍频在10倍以上；因此,Δts需要满足Δts＜(1/2)/10＝0.05；这里选用Δts＝0.01；Δts确定后，对原始振动信号按Δts/fn进行重采样；3)确定小波分解层数并对重采样信号进行小波分解；小波分析是一种信号时频分析方法，每次对分解后的低频信号继续分解；信号经小波分解后在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率；通过小波变换可以将研究对象分解到不同尺度的空间进行分析和处理,然后根据需要进行相应的重构；信号x(t)的连续小波变换为：连续小波函数为小波基函数ψ(t)经过b及a变化而形成的小波函数簇，其中，a为尺度参数，a＞0，b∈R为平移参数；将尺度参数a和平移参数b作离散化：其中j∈Z,a0≠1；小波函数的离2CN105651504A权利要求书2/2页散化即离散小波函数信号x(t)的离散小波变换系数为ωj,k表示j尺度下点k位置的小波变换系数；小波分解的层数m由分解后得到的最低倍频确定，通常,转子故障信号的频率特征需要满足最低倍频在0.5倍以下；因此，小波分解层数m需要满足在Δts＝0.01时，m>6.64,取m＝7；分解层数确定后，对重采样的振动信号进行m层的db5小波分解；4)小波阈值去噪；在旋转机械振动信号采集过程中，由于现场环境和设备的干扰，使得正常信号中混入噪声；为消除噪声获得有用信号，采用小波阈值去噪方法；信号通过小波分解后，有用信号对应的小波系统比较大，而噪声信号所对应的小波系数比较小，因此设定合适的阈值，对小于阈值的系数置零，大于阈值的系数保留或置零；对阈值处理后的小波系数进行小波逆变换，即信号重构，就完成了整个的小波阈值去噪过程；由于下一步要在小波系数基础