基于LabVIEW的轴心轨迹故障自动识别系统

基于LabVIEW的轴心轨迹故障自动识别系统刘其洪;叶聪;李伟光;万好;乔于格【摘要】针对目前旋转机械故障诊断的计算量大、识别准确度不高、自动化程度低等问题,提出一种基于LabVIEW的轴心轨迹故障自动识别的新方法.对比小波与传统去噪算法,选用效果更优的小波提纯仿真轴心轨迹.通过改进的HU不变矩函数提取轴心轨迹的特征值,保证比例缩放不变性.两路相互垂直的位移传感器连接西门子LMS采集振动信号,结合关联度算法,在LabVIEW轴心轨迹故障自动识别系统上进行转子不对中故障测试,识别的结果与外8字轴心轨迹关联度高达97%,同时信号的Matlab时域轴心轨迹图为外8字,信号频谱图主要为一倍频和二倍频,均符合转子不对中故障特征.结果表明:该系统能够进行在线故障识别,为旋转机械的智能故障诊断提供参考依据.%For the problems of large computational quantity, low recognition precision and low automatization of rotating machinery fault diagnosis, a new method of automatic recognition system for shaft orbit faults based on LabVIEW is proposed. The wavelet and traditional denoising algorithms are compared and the shaft orbit simulation with wavelet purification of better effects is selected. The characteristic value of the shaft orbit is extracted by the improved HU invariant-moment function to ensure the invariance of scaling. Two mutually vertical displacement sensors are connected with Siemens LMS to acquire vibration signals. With the correlation degree algorithm, fault test is conducted for the automatic recognition system for shaft orbit faults based on LabVIEW. The results show that the correlation between the recognized results and the external 8-character shaft orbit reaches as high as 97%. Meanwhile, the signal'sMatlab time domain shaft orbit is external 8-character and the signal frequency spectrum is mainly of one time frequency and doubled frequency, fully according with the fault characteristic of rotor misalignment. The results show that the system can recognize the faults on line and it provides a reference for intelligent fault diagnosis of rotating machinery.【期刊名称】《中国测试》【年(卷),期】2018(044)004【总页数】6页(P69-74)【关键词】LabVIEW系统;轴心轨迹;关联度;故障诊断;Matlab【作者】刘其洪;叶聪;李伟光;万好;乔于格【作者单位】华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640【正文语种】中文0 引言对于大型旋转机械，由于现场工作环境的复杂性，以及通常需要在高速重载工况下连续运行，不可避免会出现振动，一旦振幅过大，极有可能造成机械系统运行不稳定，严重时会引起机械故障或停机，甚至会对现场工作人员的人身安全造成威胁，引发安全事故[1]。

监测旋转机械的状态，对及早发现整个机械系统的故障具有重要意义[2]。

实际应用中，一般利用相关特征进行转子故障诊断[3]；其中，旋转机械轴心轨迹的形状、稳定性以及进动方向反映了旋转机械的实际工况。

文献[4]对轴心轨迹的方向特征进行了研究，文献[5]通过一系列编码来表现轨迹特征，本文通过提取轨迹的不变矩特征进行故障诊断，这是目前研究最广泛也是研究的热点方向。

提取轨迹不变矩特征后，需要进行轴心轨迹的识别分类，文献[6]基于SVM（向量机）进行分类，但该方法特征参数无法自适应选择，致使分类性能不高。

文献[7]用BP神经网络进行轨迹的分类，但神经网络训练时间长，样本数量需求大，导致分类的精确性无法保证。

文献[8]用深度学习算法进行轨迹分类，文献[9]用蚁群算法进行分类，但二者算法复杂，测试时间长，计算量大，在工程实际运用中并不现实。

为此，本文利用关联度算法进行轴心轨迹识别和故障自动分类，开发了基于LabVIEW的轴心轨迹故障自动识别系统，包括LMS数据采集模块，轴心轨迹仿真模块，小波滤波模块和轴心轨迹故障自动识别模块。

实验结果表明该系统能直观有效地对旋转机械进行故障诊断。

1 轴心轨迹仿真及振动信号的测量1.1 轴心轨迹仿真工程实际中，轴心轨迹是对旋转机械进行故障诊断的重要特征，不同的故障类别对应不同的轴心轨迹形状。

轴心轨迹通常是由两路振动信号进行合成，在LabVIEW 中仿真模型为图1 轴心轨迹仿真式中：x（t）、y（t）——两路相互垂直的振动信号；ω——角频率；a1、a2、φ1、φ2、b1、b2、θ1、θ2——两路振动信号的一倍频，二倍频分量幅值和初始相位，通过改变两路振动信号方程式的8个分量，仿真出轴心轨迹。

目前，可以进行轴心轨迹识别的常见故障类型有：油膜震荡、转子不平衡、转子不对中、油膜涡动、转子磨碰以及综合故障（同时包含转子不对中和转子不平衡故障）[10-11]，本文主要研究后5种故障类型，其对应的轴心轨迹形状分别为：椭圆形、外8字、内8字、星形和香蕉形。

仿真结果如图1所示。

1.2 振动信号的测量本文采用自主设计和研发的轴承试验平台进行故障实验。

本试验台主要包括基座、伺服电机、联轴器、轴承座以及测试和控制系统。

轴承系统参数包括转子轴颈直径180 mm，伺服电机额定功率160 kW，最大转速4000r/min。

采用西门子LMS振动噪声测试系统进行数据采集，其示意图如图2所示。

图2 数据采集示意图当启动轴承试验平台时，振动信号通过相互垂直的两个电涡流传感器获取测量数据，再经由放大、滤波，将数据送入西门子LMS采集装置后，数据在上位机LabVIEW中存储、处理和分析。

2 小波变换与轴心轨迹提纯2.1 小波变换小波分析是窗口面积不变，但时间窗和频率窗的形状都可变的时频分析方法。

在应用中，小波分析利用一簇小波基去逼近某一信号或函数，从而进行信号的处理优化。

离散小波的构造为函数ω（t）∈L2（R），并且满足：其中 H（t）是 h（x）的傅里叶变换。

函数 f（x）∈L2（R）的连续小波变换为式中的共轭函数。

在信号处理时，一般是对采集的数据离散化；因此，对连续的小波，需要将其变换成离散的小波。

离散的过程为则小波ωa，b（t）变为离散小波定义为时域上，小波变换对于不同频率，在取样步长上是可调的，这符合信号在低频时缓慢变化，在高频时迅速变化，正是由于小波变换的这个特点，使其比傅里叶变换有更好的时频窗口特性，处理信号的效果也会更好。

2.2 轴心轨迹提纯在LabVIEW编程环境中通过调用Matlab小波函数工具包Wavelet Toolbox来实现小波变换提纯轴心轨迹。

小波去噪依据噪声和信号在小波谱的不同表现，将噪声小波谱分量去掉，保留信号小波谱，最后利用小波变换重构出原信号。

如图3所示，在LabVIEW上实现小波去噪，其中，小波分解层数5层，阈值去噪算法为最优预测变量heursure。

图中也对比了小波与传统去噪算法的效果，并用信噪比（SNR）、均方根误差（RMSE）两个参数量化去噪算法的优劣，从SNR、RMSE 的值可以明显看出，小波去噪更优。

3 轴心轨迹特征值提取3.1 离散HU不变矩图3 小波去噪与传统算法去噪对比轴心轨迹通常被看作是一个二维的图形，利用图像处理中的模式识别来对轴心轨迹进行特征值的提取和后续的自动识别。

HU不变矩[12]理论在二维图像识别中的特征值提取是一种简单并且常用的方法。

由于图像的识别处理是在离散状态下进行的，因此，需对连续的HU不变矩离散化。

在离散状态下图像M×N的 f（x，y）的p+q阶函数混合原点矩：在离散状态下图像M×N的 f（x，y）的p+q阶函数混合中心矩：质心坐标（x¯，y¯）：在离散状态下图像M×N的函数f（x，y）的归一化中心距：式中 r=（p+q+2）/2；p+q=2，3，4，…。

利用式（12）构造了7个不变矩函数，为便于数据处理，对不变矩函数取对数，压缩区间取值范围，从而完成图像特征值提取；但经过后期的研究发现，这7个不变矩函数[13]能保证旋转和位移不变性，但并不能保证比例缩放不变性，为此必须对其进行改进和完善。

3.2 改进HU不变矩为对图形进行正确识别，必须使不变矩的比例缩放同时保证不变性。

设比例缩放因子为ρ，为消除比例缩放的影响，以λ2为基准，求其余不变矩函数：式中ηi、ηi′是缩放前后的归一化中心距，则构造的新不变矩函数为 m1、m3、m4、m5、m6、m7，从公式中可以看出已经消除比例因子ρ的影响，可以同时实现比例、旋转、缩放都保持不变。

3.3 轴心轨迹不变矩提取仿真的轴心轨迹，分别对应转子不平衡、转子不对中、油膜涡动、转子磨碰以及综合故障5种不同故障类别，通过改变参数，每一种仿真15组同类型的轴心轨迹，根据3.2节改进的HU不变矩函数计算出不变矩特征值，分别对5种类型的轴心轨迹计算15组特征值取加权平均值作为标准特征值，作为后续轴心轨迹自动识别的依据。