英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
基于能量的特征提取的旋转机械故障诊断
摘要
本文提出了一种基于能量的方法旋转机械和机械零件的缺陷诊断，这增强了连续小波变换的能力振动信号特征提取。具体而言，能源振动信号小波系数的测量对滚动轴承进行了评估，选择合适的基小波和分解尺度的识别缺陷引起的信号特征明显改善。通过提取信号的后续包络谱分析特点，在轴承的结构缺陷的位置可以识别监控。进行实验研究双球轴承已经表明开发的方法是更多有效地诊断轴承缺陷比使用传统技术。
关键字：连续小波变换（CWT），缺陷诊断，特征提取，信号降噪。
一．引言
旋转机械已广泛应用于制造业行业，适当的收集和理解与他们的工作状态相关的数据可以早期识别潜在故障，从而减少了昂贵的机器停机时间的可能性，确保生产率高。对旋转缺陷诊断中的各种技术机器，如力测量法或涡流测量，以及机器振动的频谱分析法。由于它识别特定频率特征的能力，被广泛接受。然而，由于缺陷引起的信号可以平稳，平稳或非平稳（其谱，传播在一个广泛的频率范围内，并经常被埋葬在机传噪声），频谱分析的有效性缺陷检测和诊断是有限的。
小波变换已被越来越多地研究用于处理非平稳信号，及其应用在机器状态监测和健康诊断已经在过去十年中成为一个活跃的研究领域。例如，小波变换的应用已被报道关于监测轴承状况，机床故障，在发动机熄火和点火爆震，洗衣机故障，交流电机驱动器。已经看到一些发表的研究是如何选择一个合适的基础小波，并定义了最佳规模缺陷特征可以最有效地提取。本文在解决这些问题的背景下，分析滚动轴承缺陷引起的典型的脉冲振动信号。众所周知，滚动轴承是在任何旋转机器中的一个关键因素。以前的已经报道了使用各种基础小波的做法，如Daubechies 2小波，高斯小波，Morlet小波，对轴承的健康诊断。然而，这基小波的选择基本上仍然作为一个特定的过程，形状匹配已被用作一种方式提取信号的基小波分析。它被规定的信号的组成，部分可以在一个具有形状相似的基础小波时提取出来的对组件采用。然而，这是困难的，但是不是不可能的，视觉上与信号的形状匹配小波基。本文介绍了一种基于能量的方法，利用小波系数的能量含量作为被分析的信号的标准，选择适当的基波，以及最佳的分解规模。
本文组织如下。第二节介绍细节基于能量的特征提取技术，以及在它们的适用性方面比较了不同的小波脉冲振动信号的分解。此外，解决了通过减少噪音来提高效率的问题以及分解尺度选择的的问题。在第三节，提出了采用由两defectseeded ball收集实验数据验证球轴承。得出结论在第四部分。
二．通过信号变换提取特征
信号转换涉及数学运算，从一个域映射到另一个域的信号。这样的操作可能有助于识别隐藏在原始信号中未被识别的信号。作为一种工具，连续小波变换的非平稳信号分析（CWT）将一个信号x（t）上的一组基函数，进行缩放（符号S表示）和转移（用符号tau;表示）从小波（t）。在数学上，CWT定义为：
（1）
图1 集成的缺陷特征提取技术。
在符号lowast;表示复共轭。方程（1）表明连续小波变换的系数代表分布在时间尺度域的信号特征。它进一步保持能量守恒，只要基小波满足弱可容许性条件：
（2）
在的傅里叶变换为代表小波。这意味着下面的能量保原则：
（3）
此外，（1）意味着这个信号嵌入的频率特性，这通常与潜在的机器的缺陷联系在一起，不仅仅是由CWT的单独决定的。举个列子，当滚动轴承存在缺陷时，脉冲振动将产生并嵌入在信号中由缺陷引起的周期性激发。因为旋转机械旋转的本质，这样的冲击振动周期性地发生，并产生缺陷的相关特性频率分量。可想而知，各种各样的来自不同领域的信号变换技术的融合，可以提高目的旋转机械故障诊断的研究特征提取的有效性。本文介绍了这样一种方法基于评估信号的能量含量。如图1所示，所获得的振动信号从传感器被分解成不同的尺度使用CWT。在选择最适合的尺度提取信号特征之后，进行傅立叶变换在表面上提取特征，以确定是否存在缺陷和具体缺陷所在。在下面的章节中，三个问题涉及到特征提取技术：1）基小波选择；2）分解刻度选择；3）信号噪声还原。
2.1基小波的选择
一个连续小波变换的优点是有很多在过去的几十年来发展起来的小波变换（例如，Daubechies，Morlet,，Haar小波）[ 27 ]。众多的应用用于制造设备和过程监控的小波分析都已经在文献报道[ 23 ] [ 26 ]，[ 28 ]，[ 29 ]，似乎有一个缺乏发表的结果，特别是解决小波基的选择以适应特殊机监控问题。鉴于各种机器和所涉及的瞬态信号的非平稳性质，选择最适合的基础小波需要考虑在应用程序的上下文中。一般来说，一个信号可以以它的能量含量为特征的，它被表示为：
（4）
L是按数据点的数目测量的分析信号的长度，和x（i）是振幅的采样信号。因此，系数产生的连续小波变换进行特征可以用能量在每个规模的，这是表示为：
（5）
W（s，i）是小波系数。鉴于连续小波变换的信号基本措施的程度的“相似性”，如果是小波函数和信号本身，如果一个频率对应于特定小波域的组件存在在信号中，小波函数（在该尺度）将显示高水平的相似性的信号，在那里的位置频率分量发生。因此，其相应的小波系数将比其他地方有相对更高的幅度。这意味着缺陷引起的嵌入在测量信号中的振动可以提取规模。基于这个概念，选择一个基本小波可以通过比较提取的能量不同分析基小波的信号。一个从信号中提取最大的能量然后代表最合适的小波缺陷引起的振动分析。
为了评估基于能量的小波选择过程中，模拟缺陷引起的振动的信号轴承是由一个球的冲击响应构造的轴承（型号2214）。这种脉冲响应得到从冲击试验使用的仪表锤。图2说明了三采样球轴承的冲击响应20000赫兹的频率，在其中占主导地位的频率被确定为3242赫兹的信号。产生的信号这种轴承的脉冲响应如图3所示。一连续脉冲响应的25毫秒时间间隔在这项研究中使用，它模拟了周期性缺陷–滚道与40赫兹的重复频率的相互作用。图4说明了模拟信号的时间尺度，表示Morlet小波和Haar小波作为基小波。可以看出，Morlet小波能量集中在一个狭窄的范围为中心的规模为5左右的情况下。Haar小波，能量是均匀分布在很宽的范围内。这说明了利用能量作为定量测度的有效性。
图2 脉冲响应的一个球轴承(2214)
图3 Defect-induced振动信号脉冲响应
小波尺度对应的中心频率是最接近3242赫兹被选为分析这样一个信号。规模及其对应的中心频率是相关的:
（6）
Delta;是采样周期，和是中心频基小波。
使用（2），缺陷引起的振动的平均能量为图3中所示为11.62 J的能量，结果如表一所示，应注意在这项研究中，只有真正的值小波进行了调查。虽然调查已被限制为九个这样的小波，他们代表了一个广泛的小波家庭。选择标准是适用于任何其他的真实值小波。在表中，我认为没有一个小波能从信号中提取100%能量。这可以解释的事实，根据连续小波变换的定义，只当基波是完全匹配的信号分析（即波形和相关性是相同的）。它们之间的系数有一个可以的能量信号被完全提取。在现实中，因为没有基地小波已被构造的脉冲响应的在本文中研究的特定类型的轴承，只有不到100%的能量，可以通过小波变换从信号提取。
最好的提取一个特征嵌入在一个信号，用于信号的小波尺度的频率分解应该匹配的功能（例如，3242赫兹的轴承振动信号）尽可能密切。对于一个给定的中心频率，Delta;W与小波的带宽不同，小波尺度会有所不同。因此，能源的带宽比一般主要是量化的小波选择的过程。这个比例表示为:
(7)
电子是以小波为例，以提取能量表i，和Delta;W是在规模的基小波的带此参数计算如下：
（8）
在和分析是基础小波的中心频率其缩放版本。符号表示计算基小波的频率分辨率，这是计算如下：
（9）
符号代表的傅里叶变换小波基，和flowast;是功能的中。基于上述的解释，这是显而易见的能量比带宽更高，更有效提取基小波在缺陷引起的振动。表二列出了能量带宽比。这是看到的Morlet小波具有带宽比能量最高（REW = 22.91 MJ / Hz）相比其他基小波。这表明在滚动轴承这项研究中，分解缺陷引起的振动特征，Morlet小波是最适合的基础小波。
图4 时间尺度的模拟信号 (a)Morlet小波基小波 (b)Haar小波基小波。
图5 计算时间与中心频率区间
表1 从DEFECT-INDUCED提取能量
表2 能量带宽比
2.2分解尺度的选择
给定的基小波选择最适合的分解规模是捕捉隐藏在振动信号测量的特征组件(如机器上。滚动轴承)另一个关键问题。
如图所示在表格1中，与缺陷引起的振动有关的能量是大多集中在一个特定的规模。因此，规模最大的能量输出量应该是最适合的规模。为了调查在不同尺度上的缺陷引起的振动提取的效果，很多种按比例缩小的基本小波，谁对应的中心频率间隔在一个固定的中心频率间隔，就被选为分解信号。
应该注意的是，一个较宽的中心频率间隔导致一个“粗”的网格，所以要寻找最佳的适合规模。研究能从信号中提取最大能量的影响作为中心频率的函数区间，其对应的小波中心频率是相等的间隔在小波中心频率间隔FINV如图6所示。通过确定中心频率FSL是最接近对缺陷引起的振动主频FD每个给定的中心频率间隔，最大的提取在这个区间
内的能量被确定。图7所示最大量的提取能量之间的关系中心频率间隔。如图7所示从信号中提取的能量降低为中心频率间隔增加。对于中心频率间隔高达200赫兹，超过95%的能量可以提取。这个能量百分比被定义为一个给定中心频率间隔内所提取的能量的量最大的比值。
表三显示了从信号中提取的归一化能量，在与中心频率高于5.8千赫的尺度没有列出，因为没有明显的能量已经显示在这些尺度上提取。与相应的比例5.07中心频率为3.2千赫已显示提取最大能量的量。因此，它被选为最适合的提取缺陷引起的振动分解量表特点，如图3所示。
2.3信号降噪。
噪声的存在降低了在一个信号中的信噪比（SNR），可能会导致选择不正确的适合分解量。由于噪声通常覆盖范围广频率范围，其对应的小波系数扩散到所有的分解尺度。另一方面，缺陷引起的振动信号，其对应的物理对被监视的机器的激励模式，只存在于他们表现出更高程度的有限分解尺度比噪声分量。因此，一个适当的门槛可以被定义为由缺陷引起的振动信号和那些噪声贡献系数之间的分界。去噪后的小波系数可以表示为:
(10)
是小波系数。在本文中，阈值与小波长度成正比在规模的系数使用[ 33 ]。我们有:
(11)
是在尺度为s时的小波系数的数目，sigma;为噪声的标准偏差，这被认为是高斯分布。虽然噪声水平sigma;在大多数情况下，它可以被估计为:
(12)
MAD()指的是绝对偏差的中位数零点，0.6745是使用的校准高斯分布得出的[ 30 ]。当使用小波系数去噪之后、能量在尺度为s上的计算方法如下：
（13）
W（S，I）是去噪后的小波系数。
评价噪声对选择的影响最适合的分解尺度，白噪声被添加到图3中的信号，结果如图8所示，信噪比被minus;9分贝。利用Morlet小波，一系列的尺度，其对应中心频率与200赫兹相等间隔，已被评估的信号分解如图8所示。如图9所示，当小波系数进行去噪处理，该比例为5.07，对应的中心频率为3.2千赫，已提取出的能量最高。如果不执行的小波降噪操作系数，规模4.51，具有相应的中心频率示出3.6千赫，提取的最高能量（如图10）。鉴于其与缺陷引起的密切匹配在3242赫兹的振动特征，规模5.07被认为是是最适合的分解尺度。
构建一系列的测试信号，进行系统的比较在不同信噪比下所选择的尺度，白噪声在图3中的信号被添加到该信号中。只能看到它随着噪声的减少可以最适合的分解尺度确定，如表所列。这说明了必要性正确选择最佳小波变换的降噪信号特征提取尺度。
在图7中，小波系数在选定的5.07图8中的信号分解。一个清晰的模式缺陷引起的振动脉冲与25毫秒的时间间隔可以识别，这说明了有效性缺陷特征提取中的小波尺度。
利用缺陷相关的频率信息的特点缺陷的–滚道相互作用的周期发生，一个小波系数的包络线的选择先提取规模。这可以从希尔伯特变换，它代表一个有限的脉冲的操作响应滤波器。希尔伯特变换circ;macr;W（S，I）小波macr;系数W（S，I）在一个给定的尺度是从卷积计算：
（14 ）
图6分解尺度搜索过程
图7 提取能量（百分比）与中心频率间隔。
三．实验验证
已调查的实验案例验证所提出的特征提取技术的有效性轴承缺陷诊断。基于所提出的能量措施，Morlet小波作为基小波对轴承振动信号进行连续小波变换。降噪在选择分解前进行操作规模。结果在以下几节中讨论。
3.1外圈缺陷诊断
第一个实验是在6207型进行在外的0.2-mm格罗夫轴承宽度滚道。轴承转速为3000转/分，并传球频率特性外滚道被计算为182赫兹。测得的振动信号及其相应的频谱图如图13所示，以16千赫的采样率。缺陷特征频率为182赫兹无法识别通过直接傅立叶谱分析。而传统的使用带通滤波的包络谱检测缺陷特征频率及其谐波适当的共振区域（例如，在大约6，8千赫）的频谱是需要确定的首先建立适当的带通滤波器的带宽。
图8 轴承振动信号的小波分析。
图9 振动信号小波系数的相关能量
3.2内圈缺陷诊断 剩余内容已隐藏，支付完成后下载完整资料
资料编号：[148124]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
