单盘转子故障诊断报告(附MATLAB程序)

合集下载

基于matlab的电机故障诊断

基于matlab的电机故障诊断

如果去 a0=2,τ 0=1 离散化,且如果
满足
我们称
为二进正交小波。上理想电机图形应为一点。
程序: 傅里叶变换: fs = 5000; N=20056; temdat= xlsread('d:\22.xls'); A = temdat(1:N,1); A=A-mean(A); AFFT = fft(A,N); magx = abs(AFFT); k=[0:N/2-1]/N*fs; subplot(2,2,1) plot(k,magx(1:N/2)) axis([0,100,0,1000]); grid on; magx=magx'; n=N/5000; y=max(magx(1,1:n)) for i=1:49 m=max(magx(1,n*i:n*(i+1))); y=[y,m]; end i=0:49; subplot(2,2,2) bar(i,y)
图1 传统的基于傅立叶变换的FFT 频谱分析对平稳随机信号分析和处理很有效, 然而它只 对信号中的正弦成分进行统计, 实际的振动诊断信号中可能包含早期的微弱信号与大量的 非平稳信号, 比如摩擦、旋转失速、机械松动、电磁故障等。利用基于傅立叶变换的频谱分 析显得无能为力。后来采用加窗FFT 也就是STFT (短时FFT )。它的基本思想是把信号分成很
(3)小波分析方法 此方法应用于转子断条故障检测的基本思路是:首先通过小波分解计算定子电流小波 系数,之后对小波系数作频谱分析,从而突出了转子断条故障特征分量 ---(1-2s)f1 、 (1+2s)f1 等边频分量。
二.基于小波分析的转子断条故障诊断
2.1 连续小波基函数 小波(wavelet) ,即小区域的波,是一种特殊的长度有限、均值为零的波形。其函数 的确切定义为:设φ (t)为一平方可积函数,若其傅里叶变换满足条件: (1)

基于SVM的齿轮箱轴承故障诊断(含matlab程序)(可编辑修改word版)

基于SVM的齿轮箱轴承故障诊断(含matlab程序)(可编辑修改word版)

基于SVM的齿轮箱轴承故障诊断(含matlab程序)(可编辑修改word版)基于⽀持向量机(SVM)的齿轮箱轴承故障识别⼀、轴承故障诊断1、概述轴承是旋转设备的⼀个重要部件,它提供重要的负载承受能⼒,以⽀撑转⼦系统抵抗静态的和动态的外⼒。

轴承构件,由于它的使⽤寿命长、负载能⼒⾼、能量损失低⽽被⼴泛应⽤于⼯业和公⽤设施,是⼤型机械装备(包括动⼒机械、机车车辆、泵与风机等)中的关键部件。

⾼速运转的⼤型机械装备,其轴承的载荷重且为交变载荷,⽽且⼯作环境恶劣,经常发⽣轴承性能劣化和损坏,影响整个装置的安全可靠性,⼀旦出现故障将导致严重的损失,有必要对轴承⼯作状态进⾏模式识别与诊断。

轴承根据⼯作的摩擦性质不同可分为滑动摩擦轴承(简称滑动轴承)和滚动摩擦轴承(简称滚动轴承)两⼤类。

本⽂所测得的数据来⾃实验室齿轮箱的滑动轴承,滑动轴承的特点有:(1)在⾼速重载下能正常⼯作,寿命长。

(2)精度⾼。

(3)滑动轴承可做成剖分式的,能满⾜特殊结构的需要。

(4)液体摩擦轴承具有很好的缓冲和阻尼作⽤,可以吸收震动,缓和冲击。

(5)滑动轴承的径向尺⼨⽐滚动轴承的⼩。

(6)起动摩擦阻⼒较⼤。

通过对轴承进⾏故障诊断有以下优势:(1)早期预报、防⽌事故发⽣,降低事故发⽣率;(2)预知性维修,提⾼设备管理⽔平,降低维修费⽤,减少维修时间,增加运⾏时间;(3)提⾼设备的设计、制造⽔平,改进产品质量;(4)确定复杂机器的最佳⼯作参数,提⾼效率;(5)降低噪声,泄露等污染,保护环境。

2、滑动轴承失效形式(1)磨粒磨损进⼊轴承间隙的硬颗粒(如灰尘、砂粒等),在起动、停车或轴颈与轴承发⽣边缘接触时,都将加剧轴承磨损,导致⼏何形状改变、精度丧失,轴承间隙加⼤,使轴承性能在预期寿命前急剧恶化。

(2)刮伤进⼊轴承间隙中的硬颗粒或轴颈表⾯粗糙的轮廓峰顶,在轴承上划出线状伤痕,导致轴承因刮伤失效。

(3)咬合(胶合)当轴承温升过⾼,载荷过⼤,油膜破裂时,或在润滑油供应不⾜条件下,轴颈和轴承的相对运动表⾯材料发⽣粘附和迁移,从⽽造成轴承损坏。

使用Matlab技术进行故障检测的基本步骤

使用Matlab技术进行故障检测的基本步骤

使用Matlab技术进行故障检测的基本步骤随着科学技术的不断发展,人们对于工程设备使用中的故障检测越来越重视。

而Matlab作为一种强大的数学建模和仿真软件,被广泛应用于各个领域中,包括故障检测。

本文将介绍使用Matlab技术进行故障检测的基本步骤,旨在帮助读者了解如何利用该软件来提高设备的可靠性和性能。

1. 数据采集与预处理故障检测的第一步是数据采集。

通过传感器、仪表或其他相关设备,收集机器或系统运行过程中所产生的数据。

这些数据包括振动信号、电流信号、温度信号等,以及与工程设备相关的操作参数。

数据质量的好坏直接影响到后续故障检测的准确性和可信度。

在数据采集之后,对数据进行预处理是必不可少的。

这包括数据滤波、降噪、归一化等过程。

例如,通过将信号进行低通滤波,可以降低高频噪声对故障检测结果的干扰。

通过归一化处理,可以消除由于不同传感器测量范围不同而带来的问题。

预处理的目的是提高原始数据的质量和可用性,为后续的故障检测算法提供更好的输入。

2. 特征提取与选择在完成数据预处理之后,下一步是从原始数据中提取有用的特征。

特征是指反映设备状态和特性的数值或统计量。

常用的特征包括振幅谱、频率谱、时频分析等。

它们能够揭示设备在不同时间和频率上的特定行为,如共振、共振频率变化等。

特征的选择要根据具体的故障类型和设备特性来确定,以充分反映设备的工作状态。

值得一提的是,特征工程是整个故障检测流程中最重要的环节之一。

一个恰当选择的特征集合能够提高故障检测的准确性和鲁棒性。

而Matlab提供了丰富的工具包和函数,以帮助用户进行特征提取和选择工作。

读者可以根据具体需求选择合适的方法和工具来完成特征工程。

3. 故障检测算法的建模与训练在得到有效的特征之后,下一步是选择合适的故障检测算法。

常见的算法有支持向量机(SVM)、人工神经网络(ANN)、卷积神经网络(CNN)等。

这些算法能够根据输入的特征和标签进行模型的建立和训练,从而实现故障检测的功能。

故障诊断实验——转子实验台振动信号的时域、频域分析

故障诊断实验——转子实验台振动信号的时域、频域分析

故障诊断第一次实验报告——转子实验台振动信号的时域、频域分析1.由时域信号得出震动的平均值、方差、峭度信息程序代码如下:y=Data(1:6000,1);y=y';[a,b]=xcorr(y,'unbiased');figure(1);plot(b,a);grid;xlabel('位移信号自相关')figure(2);x=0:1/2560:1;plot(x,mean(y));gtext('平均值');hold on;figure(3);plot(x,var(y));gtext('方差');hold on;figure(4);plot(x,kurtosis(y));gtext('峭度');位移信号当转速为600r/min时当转速为1000r/min时当转速为1500r/min时速度信号速度为600速度1000速度15001.由频域信号得出信号的傅里叶变换、功率谱密度信息程序代码如下:t=0:1/2560:1;f=Data;f=f';y=fft(f,82944);m=abs(y);f1=(0:length(y)/2-1)'*2560/length(y); %计算变换后不同点对应的幅值figure(1);plot(f1,m(1:length(y)/2));ylabel('幅值的模');xlabel('时间(s)');title('原始信号傅里叶变换');grid;p=y.*conj(y)/82944; %计算功率谱密度ff=(0:length(y)/2-1)'*2560/length(y); %计算变换后不同点对应的频率值figure(2);plot(ff,p(1:length(y)/2));ylabel('幅值');xlabel('频率(Hz)');title('功率谱密度');grid;位移信号速度600速度1000速度1500速度信号速度600速度1000速度1500。

在MATLAB中进行故障诊断与预测的方法

在MATLAB中进行故障诊断与预测的方法

在MATLAB中进行故障诊断与预测的方法引言:故障诊断与预测是现代工业中一个重要的领域,它可以帮助企业提高生产效率、降低成本、延长设备寿命。

在过去,人们主要依靠经验和直觉来进行故障诊断与预测,但这种方法存在着主观性高、效率低等问题。

而现在,随着计算机和数据处理技术的发展,利用MATLAB进行故障诊断与预测已经成为一个更加可行和有效的选项。

一、数据收集与预处理在故障诊断与预测的过程中,首先需要收集相关的数据。

这些数据可以来自设备传感器、生产记录、日志文件等。

在收集到数据后,我们需要进行预处理,以去除噪声、填补缺失值、标准化数据等。

在MATLAB中,可以利用各种统计方法和函数进行数据预处理,以确保后续的分析准确可靠。

二、特征提取与选择特征提取是指从原始数据中提取有用的特征,以便用来描述和表示数据。

特征可以是数值型的(如平均值、方差等)或者是分类型的(如是否存在某种状态)。

在MATLAB中,可以使用各种信号处理、图像处理和统计分析等方法进行特征提取。

另外,特征选择是指从所有提取出的特征中选择出最具代表性和相关性的特征。

特征选择可以帮助我们减少特征维度,提高模型的可解释性和精确度。

三、模型建立与训练在故障诊断与预测中,选择适合的模型是非常重要的。

常用的模型包括神经网络、支持向量机、决策树等。

在MATLAB中,可以利用自带的工具箱或者编写自定义函数来建立和训练模型。

对于不同的故障诊断与预测问题,选择合适的模型是一个关键的挑战。

在选择模型的过程中,需要考虑数据的性质、问题的复杂度、模型的可解释性等因素。

四、故障诊断与预测在完成模型的建立和训练后,我们可以利用这个模型来进行故障诊断与预测。

对于故障诊断来说,我们可以利用模型来对未知状态的设备进行分类和判别。

例如,我们可以将设备状态分为正常和故障两类,用来判断设备是否存在故障。

对于故障预测来说,我们可以利用模型来对设备未来的状态进行预测,以便提前采取相应的维修和保养措施。

Matlab中的异常检测和故障诊断方法

Matlab中的异常检测和故障诊断方法

Matlab中的异常检测和故障诊断方法在工程和科学领域中,异常检测和故障诊断是非常重要的任务。

随着技术的发展和数据量的增加,传统的方法已经无法满足对异常事件和故障的准确识别和定位的需求。

作为一种功能强大且易于使用的计算工具,Matlab为异常检测和故障诊断提供了多种高级方法和技术。

一、异常检测方法在Matlab中,有多种异常检测方法可以选择。

其中一种常用的方法是基于统计学原理的方法,如均值和方差的检测。

这些方法假设数据服从正态分布,通过计算数据的均值和方差与预先设定的阈值进行比较,来判断数据是否异常。

然而,这种方法对于非正态分布的数据效果可能不佳。

另一种常用的异常检测方法是基于机器学习的方法,如聚类、分类和离群点检测。

在Matlab中,可以使用机器学习工具箱来实现这些方法。

例如,可以使用支持向量机(SVM)算法来进行异常检测。

该算法通过训练一个分类器来划分正常和异常数据,然后对新样本进行分类。

如果新样本被分类为异常,则可以认为该样本是异常数据。

除了以上方法,还有一些其他的异常检测方法,如基于神经网络的方法和基于时间序列的方法。

这些方法有各自的特点和适用范围,根据具体问题选择合适的方法进行异常检测。

二、故障诊断方法与异常检测相比,故障诊断更加复杂和困难。

故障诊断是在异常检测的基础上,进一步分析和推断异常的原因和根源。

在Matlab中,也有多种故障诊断方法可以选择。

其中一种常用的故障诊断方法是基于逻辑推理的方法,如专家系统和诊断树。

这些方法通过构建一个基于规则的知识库,根据给定的观测数据和先验知识,推断系统中存在的故障。

例如,可以使用模糊逻辑方法来构建一个模糊规则库,根据输入数据的模糊集合和规则的模糊推理,来诊断系统中的故障。

另一种常用的故障诊断方法是基于统计模型的方法,如隐马尔可夫模型(HMM)和贝叶斯网络。

这些方法通过建立一个概率模型,根据给定的观测数据和系统模型,推断系统中存在的故障。

例如,可以使用HMM来建立一个模型,将系统的状态表示为隐变量,并通过观测数据进行学习和推断,来诊断系统中的故障。

故障诊断实验——MATLAB自相关及频谱分析

故障诊断实验——MATLAB自相关及频谱分析1、在MATLAB环境下编写自相关分析程序,并给出正弦信号、含随机噪声的正弦信号的相关分析结果程序如下:x=(-15:0.1:15);y1=sin(x);figure(1)plot(x,y1,'b')gridxlabel('正弦信号')z1=0.5*randn(1,301);y2=y1+z1;figure(2)plot(x,y2,'b')gridxlabel('正弦+噪声信号')[a,b]=xcorr(y1,'unbiased');%自相关figure(3)plot(b,a)gridxlabel('正弦信号自相关函数')[c,d]=xcorr(y2);figure(4)plot(d,c)gridxlabel('正弦+噪声信号自相关函数')截图如下:2、编写频谱分析程序,并绘制方波、三角波信号的频谱程序如下:fs=100;N=101;n=0:N-1;t=n/fs;x1=sawtooth(10*pi*t,0.5);figure(1)plot(t,x1);gridxlabel('三角波')y1=fft(x1,N);mag=abs(y1);f=n*fs/N;figure(2)plot(f,mag);gridxlabel('三角波自功率谱密度函数') x2=square(5*pi*t);figure(3)plot(t,x2);gridxlabel('方波')y2=fft(x2,N);mag=abs(y2);figure(4)plot(f,mag);gridxlabel('方波自功率谱密度函数') 运行截图:。

如何在Matlab中进行数据故障诊断

如何在Matlab中进行数据故障诊断数据故障诊断是在数据分析中的一项重要任务。

在现代科技发展的背景下,随着数据的海量积累和快速传输,数据故障诊断显得尤为重要。

其中,Matlab作为一款功能强大的数据处理和分析工具,为我们提供了丰富的数据故障诊断方法和工具。

下面将就如何在Matlab中进行数据故障诊断进行介绍。

首先,我们要了解什么是数据故障诊断。

数据故障诊断是指通过对数据进行分析和处理,识别出其中的异常值、错误或潜在故障,帮助我们发现和解决数据中的问题。

在数据故障诊断中,我们常常需要用到统计方法和机器学习算法来辅助分析。

在Matlab中,我们可以利用一些基本的数据故障诊断方法来进行数据分析。

首先是利用统计方法识别异常值。

Matlab中提供了一系列的统计函数,如mean、std等,可以用来计算数据的均值和标准差,通过这些统计量,我们可以判断数据中是否存在异常值。

此外,Matlab还提供了hist函数用于绘制数据分布直方图,通过观察数据的分布形态,我们也可以大致判断出数据中是否存在异常。

除了统计方法,Matlab还提供了一些经典的机器学习算法,如聚类分析、主成分分析等,用于进行复杂的数据故障诊断。

聚类分析可以将数据集根据数据之间的相似性进行分组,通过观察每个群组内的数据情况,我们可以发现其中的异常群组。

而主成分分析可以将多个变量通过线性组合的方式转化为少数几个主成分,通过分析主成分的贡献度,我们可以了解各个变量对数据的影响程度,从而发现数据中的异常变量。

除了以上提到的数据故障诊断方法,Matlab还提供了一些其他有用的工具和函数。

例如,异常检测工具箱(Anomaly Detection Toolbox)提供了一系列用于异常检测的算法和函数,包括基于统计学的方法、基于机器学习的方法等。

通过使用这些工具和函数,我们可以更加方便地进行数据故障诊断。

此外,Matlab还提供了数据可视化工具,如绘制散点图、曲线图等,可以帮助我们更直观地观察数据的分布和趋势,从而更好地进行故障诊断。

转子的故障诊断系统研究

摘要现代机械设备发展的一个明显的趋势是向大型化、高速化、连续化和自动化的方向发展。

由此而导致设备的功能越来越多,性能指标越来越高,组成和结构越来越复杂,同时对设备管理与维修人员的素质要求也越来越高。

保证高效、安全生产,减少设备特别是重要设备因故障引起的停机时间,是企业提高经济效益和社会效益的前提,而设备状态监测与故障诊断技术将为此提供一个有效的解决途径。

在机械学领域内,机械故障诊断技术可谓是一项富有活力的新技术。

近三十年来,随着微电子技术,计算机技术以及由此而引发的信息技术革命向古老传统机械科学领域的渗透,机械故障诊断技术应运而生。

近年来,工业界、学术界对现代机械故障诊断技术认识的深化与日俱增。

本论文以转子为主要研究对象,对其振动监测及故障诊断的技术进行了分析研究。

根据故障诊断的基本工作原理,基于MATLAB系统对转子系统产生的振动信号进行采集、存取并进行时频域分析。

在此基础上更利于旋转机械故障的诊断与处理从而减少机械故障给生产带来的损失关键词:转子;旋转机械;故障诊断;MATLABAbstractThe development of modern machinery and equipment is a cleartrend is the large-scale,high-speed,continuous and automaticdirection.Thus cause the device to more and more functions,more and more high performance,composition and structure of more complex,while the equipment management and maintenance staff,the quality requirements are also ncreasing. Ensure the efficient and safe production, it is important to reduce the equipment, particularly equipment downtime caused by failures, economic and social benefits of enterprise to improve the premise, and equipmentcondition monitoring and fault diagnosis technology would providean effective solution.In the field of mechanics, machine fault diagnosis techniques can be described as a dynamic new technology. Past three decades, with the micro-electronics technology, computer technology, and thustriggered the ancient tradition of the information technology revolution to the penetration of mechanical science, mechanical fault diagnosis technology came into being. In recent years, the industrial sector, academia, fault diagnosis technology of modern machineryand deepens the understanding growing.In this thesis, the rotor as the main research object, its vibration monitoring and fault diagnosis techniques are analyzed. Faultdiagnosis based on the basic working principle of the rotor systembased on MATLAB system vibration signals generated byacquisition, access and the time and frequency domain analysis. On this basis, more conducive to rotating machinery fault diagnosis andtreatment thereby reducing mechanical failure caused the loss to the production.KeyWords: rotor, rotating machinery, fault diagnosis, MATLAB目录摘要 (I)Abstract (I)1 绪论 (1)1.1 课题的研究背景和研究意义 (1)1.2 机械设备诊断技术的意义 (2)1.3 机械设备故障诊断的基本方法 (4)1.4转子诊断技术与应用现状 (5)1.5转子故障诊断技术的发展方向 (7)1.6本课题主要研究内容 (7)本章小结 (8)2 旋转机械典型故障的研究与诊断实例 .............................................................- 9 -2.1 旋转机械的典型故障原因及特征分析 .....................................................- 9 -2.1.1 转子不平衡(失衡) .............................................................................- 9 -2.1.2 转子不对中 .....................................................................................- 12 -2.1.3 基座或装配松动 .............................................................................- 14 -2.1.4 油膜涡动及油膜振荡 .....................................................................- 14 -2.1.5 旋转失速和喘振 .............................................................................- 14 -2.2 电动机转子系统振动监测及故障诊断的技术研究 ...............................- 14 -本章小结 ..........................................................................................................- 16 -3 转子的故障信号分析处理 .. (17)3.1 信号的频域分析方法 (17)3.2 转子故障的判断标准 (21)3.2.1 按轴承振幅的评定标准 (22)3.2.2 按轴承烈度的评定标准 (23)3.2.3 按轴振幅的评定标准 (25)3.2.4 其他有关标准 (26)4 故障诊断系统总体设计 ...................................................................................- 29 -4.1 Matlab软件简介........................................................................................- 29 -4.2 转子故障诊断系统总体设计 ...................................................................- 31 -4.2.1 系统界面子系统 .............................................................................- 31 -4.2.2 数据加载子系统 .............................................................................- 32 -4.2.3 时域分析子系统 .............................................................................- 32 -4.2.4 频域分析子系统 .............................................................................- 33 -4.2.5 打印子系统 .....................................................................................- 35 -5 结论 (36)致谢 (37)参考文献 (38)1 绪论1.1 课题的研究背景和研究意义航空发动机、汽轮机、压缩机、风机、水泵等旋转机械,在国防、能源、电力、交通、机械和化工等领域中广泛应用并发挥着重要作用。

轴承故障诊断(matlab)

基于经验模态分解的轴承故障诊断方法Xx(大连大学,大连,116622)摘要:针对轴承故障诊断问题,提出一种基于经验模态分解( EMD, Emp iricalModeDecomposition)与切片双谱分析相结合的新方法. 将原始信号分解成不同尺度的固有模态函数( IMF, IntrinsicMode Function) ,求取IMF分量的包络,计算其对角切片双谱,提取由于二次相位耦合产生的非线性特征,得到轴承的故障特征频率. 通过对仿真信号进行分析,表明该方法克服了传统的基于EMD的包络功率谱方法不能抑制噪声的缺点,同时较传统高阶谱方法计算量更小. 给出了瑞典进口620522RS JEM SKF深沟球轴承诊断实例,说明了该方法的可用性.关键词: 故障诊断; 轴承; EMD; MATLABFault diagnosis approach for bearing based on EMDlichengchao(Dalian University, Dalian 116622)Abstract:A new ap roach based on the em irical mode decomposition ( EMD) and slicebi-spectrumwas presented for fault diagnosis on roller bearings. Original signalswere decomposed into a series of intrinsicmode functions ( IMFs) of different scales. Envelopes of the IMFswere extracted and a diagonal slice bi-spectrum for the envelopeswas computed to extract the non-linear feature deriving from the quadratic phase coupling, as well as the fault characteristic frequencies. An analysis on simulation signals shows that the drawback that traditional envelope spectrum methods based on EMD cannot inhibit the noise can be overcome by this app roach. Meanwhile, its computation load is less than traditionalhigh-order spectrum methods. A diagnosis instance of the bearing Sweden imports 6205-2RS JEM SKF was p resented to show the feasibility of this app roach.Key words:: fault diagnosis; bearings; emp iricalmode decomposition;matlab基于经验模态分解( EMD, Emp irical ModeDecomposition)的时频分析方法是1998年Norden E. Huang 等人创立的一种时频信号分析方法[ 1 - 3 ] ,尤其适用于非线性、非稳态的信号序列处理. 同时,该方法可自适应地提取故障冲击信号,避免了共振解调中心频率选择和多个固有频率共存的问题;此外,与小波分析技术相比,该方法不存在难于选取小波函数的问题,表现出更强的易用性.高阶谱分析技术[ 4 - 6 ]是近年来信号处理的新技术,是对非高斯、非线性、非因果信号处理和高斯噪声处理非常有用的分析工具,在理论上可以完全抑制噪声的影响,提高分析和辨识精度,同时更容易获得相位信息.传统的基于EMD的轴承故障诊断方法大多是利用包络的功率谱分析技术来实现的[ 7 ] ,但是,功率谱方法不能够抑制噪声对EMD方法的影响,使得EMD在工程中的使用受到了很大局限.为此,本文引入了切片双谱方法, 提出了基于EMD与切片双谱的轴承故障诊断方法.1 EMD方法的基本原理EMD 方法[ 1 ]的目的是通过对非线性、非平稳信号的分解获得一系列表征信号特征时间尺度的固有模态函数( IMF,Intrinsic Mode Function) ,使得各个IMF 是单分量的幅值或频率调制信号.IMF 要满足2个条件: ①整个数据序列的极值点与过零点的个数相等或最多相差一个; ②在任意时刻,由局部极大值点形成的上包络与由局部极小值点形成的下包络的均值为零. 这2个条件实际上使得分解得到的IMF 是窄带信号. 同时,EMD 分解方法还建立在以下假设上: ①信号至少有2个极点,一个最大值和一个最小值; ②特征时间尺度通过2个极值点之间的时间定义; ③若数据缺乏极值点但有形变点,则可通过微分数据一次或几次获得极值点,然后再通过积分来获得分解结果. 对任意一个实信号x ( t)进行EMD 的具体步骤是: 1) 确定x ( t)上的所有极大值点和极小值点;然后,将所有极大值点和所有极小值点分别用三次样条曲线连接起来, 将这两条曲线分别作为x( t) 的上下包络线. 计算出它们的平均值曲线m 1 ( t) ,用x ( t)减去m 1 ( t)得h 1 ( t) = x ( t) - m 1 ( t) (1) 如果h 1 ( t)不满足IMF 的条件,需要把h 1 ( t)作为 原信号重复上面的步骤得到h 11 ( t) h 11 ( t) = h 1 ( t) - m 11 ( t) (2) 筛选k 次直到h 1k ( t)变为一个IMF ,即 h 1k ( t) = h 1 ( k - 1) ( t) - m 1k ( t) (3) 这样就从原信号中分解出了第一个IMF,称为第一阶IMF,记作 c 1 ( t) = h 1k ( t) (4) 2) 从原信号中减去c 1 ( t)得第一阶剩余信号r 1 ( t)r 1 ( t) = x ( t) - c 1 ( t) (5) 由于第一阶剩余信号r 1 ( t)还包含着更长周期的分量,因此,把r 1 ( t)作为新的原信号,重复步骤1,对后面的也进行同样的筛选,这样依次分解得到r 2 ( t) = r 1 ( t) - c 2 ( t)r 3 ( t) = r 2 ( t) - c 3 ( t)(6)… rn ( t) = rn - 1 ( t) - cn ( t) 直至剩余信号rn ( t)中的信息对所研究内容意义很小,或者变成一个单调函数不能再筛选出基本模式分量为止. 至此, 信号x ( t)已被分解成n 个基本模式分量ci ( t)和一个剩余信号rn (t) . 这样,由式(5)和式(6)得到: )()()(1t r t c t x n ni i +=∑- (7) 进一步,各个IMF 分量可通过Hilbert 变换进行包络解调. 但是,由于所分析信号的有限长度、信号的两端点不能确定是极点,那么,在进行三次样条插值的时候,必然使得信号的上下包络在信号的两端附近严重扭曲,即产生端点效应. 本文使用了文献[ 8 ]中的极值点对称延拓法来处理该问题. 2 双谱分析 2. 1 双谱的概念 高阶谱分析技术[ 4 ]是现代信号处理的新技 术,与功率谱相比具有如下特点: ①功率谱是实数,不包含相位信息,而高阶谱是复数,因而保留了相位信息; ②能抑制噪声的影响; ③保留了系统的非线性信息. 因此,用高阶谱分析振动信号更容易获得特征信息. 定义零均值平稳随机过程x ( t) ,其三阶累积量为 )()()([),(21213ττττ++=t x t x t x E c x (8)相应的累积量谱定义为x ( t)的k 阶累积量的k - 1维傅里叶变换,则三阶谱定义为双谱: )(exp[),(),(221121321321ττττττw w j c w w s x x +-=∑∑∞-∞=∞-∞=(9)本文采用双谱估计的直接法进行计算, 即将观测数据分段,利用FFT 计算数据段的离散傅里叶变换,进而估计各阶频域矩,利用累积量谱与矩谱之间的关系求得双谱估计]4[21^),(3w w xs 2. 2 切片双谱检测二次相位耦合现象 当机械系统发生故障时, 系统往往表现出较强的非线性,产生二次相位耦合现象. 对于这种非线性耦合现象,仅用二阶统计信息如功率谱是很难从根本上解决问题的, 而双谱则可以定量描述二次相位耦合[ 5 ] . 但是用双谱计算二次相位耦合计算量大,不便于定量分析且二维图不够直观.当轴承发生故障时, 采样信号的特征为受干扰的冲击调制信号,即 )cos()]cos([)(01t w t w b t x Ni i ∑=+= (10) 式中,ωi 为调制源(包括轴承故障特征频率及其谐波频率) ;ω0 为载波频率; b 为任意常数. 因此故障轴承振动信号解调后的信号包含了故障特征频率的一簇谐波,且相位是互相关联的,即存在二次相位耦合现象[ 5 ] . 若设ωF 为轴承的故障特征频率,则双谱的(ωF ,ωF )处必然出现相位耦合现象,从而双谱在(ωF ,ωF )处会有明显的谱峰. 根据以上分析, 本文将切片双谱分析引入轴承的故障诊断方法之中,即记ω1 =ω2 =ω,则对角切片双谱估计为)(3),(3^21^w x w w x s s =. 当ω =ωF 时,必然出现明显的峰值,将峰值对应的频率与理论计算的轴承的故障特征频率相比较, 就可以得出正确的结论,同时减小计算量,增强频谱图的可视性.3 切片双谱抑制噪声对EMD 影响一般情况下,轴承的故障振动信号都带有大量高斯噪声,而传统的功率谱分析方法不能抑制高斯噪声对EMD 方法的影响.考察如下仿真信号: x ( t) = x 1 ( t) + x 2 ( t) + k ·n ( t) (11) 其中x 1 ( t) = co s (30π·t) cos (400π·t) (12) x 2 ( t) = co s (10π·t) cos (200π·t) (13) n ( t)为功率是1的高斯白噪声; k 为调节噪声大小的常数. 图1为无噪声时,即k = 0时信号x ( t)经EMD 分解得到的前2个IMF 分量的包络功率谱. 此时,可以清晰地观察到包络谱在30 Hz 和10Hz ,即相应调制频率2倍处有明显的峰值, 可以很好地分辨出调制频率. 图2为k = 3, 信噪比为1: 18时信号x ( t)经EMD 分解得到的前2个IMF分量的包络功率谱. 此时, IMF 包络谱在噪声的干扰下已经失去了意义. 图3 为无噪声时, 即k = 0时x ( t)的前2个IMF 分量的包络切片双谱图,从中可以观察到切片双谱在15 Hz 和5 Hz ,即相应调制频率处有明显峰值, 可以很好地分辨出 调制频率. 图4为k = 3,信噪比为1: 18时x ( t)的前2个IMF 分量的包络切片双谱图, 此时, 仍然可以清楚的观察到15Hz 和5Hz 2处的峰值. 以上分析说明,切片双谱可以有效抑制噪声对EMD 方法的干扰. 这是因为高斯白噪声的功率谱密度在整个频域是均匀分布的, EMD 对高斯白噪声来说是一个二分滤波器组,分解所得的每一IMF 分量都服从高斯分布,且其IMF 的能量谱与相应的平均周期之积是一个常数;而且EMD 分解所得的IMF 分量的平均频率是严格从高到低排列的;因此,它会影响到所有的IMF 分量,并且对图1 无噪声时x( t)前2个IM F 分量的包络功率谱图2 k = 3时x( t)的前2个IM F 分量的包络功率谱图3 无噪声时x( t)前2个IM F 分量的包络切片双谱图4 k = 3时x( t)前2个IM F 分量的包络切片双谱IM F 分量的影响是从高到低逐渐减弱的. 而对于零均值的高斯过程,其三阶累积量和双谱为零,切片双谱作为双谱的一种特例, 其值也为零[ 3 ] . 在机械故障诊断中,故障信号常常是非高斯的,非故障信号往往是高斯的,因此通过切片双谱分析,可以降低高斯噪声的影响,更好地将EMD 方法应用于工程之中.4 轴承故障诊断实例此数据来美国西储大学轴承数据中心,测试实验台由一个1 491W 的电机,一个扭矩传感器/编码器,一个功率计和控制电路组成,选用620522RS JEM SKF 轴承进行测试,利用电蚀加工在测试轴承内圈引入单点故障,故障直径为0. 177 8mm,故障频率为129. 964 8Hz.振动数据被用连接在磁基外壳上的一个加速度传感器收集. 加速度传感器被安装在电机外壳上驱动端和风扇端的12点方向位置. 振动信号用一个16通道的DAT 记录仪收集,在Matlab 环境下做进一步处理,使所有数据保存为Matlab 文件格式( 1 . mat). 采样数据为驱动端轴承数据,采样频率为12 000Hz,电机转速为1 772 r /min.本文中使用Matlab 编程实现,首先对原始振动信号进行零均值化处理,并实施EMD 分解,对分解后IMF 分量进行包络解调,最后利用对角切片双谱分析提取轴承的故障特征. 具体流程如图5所示.图5 基于EMD与切片双谱的振动信号处理流程图6为故障轴承利用上述方法得到的切片双谱图. 该图显示,当轴承存在内圈存在点蚀时,最终得到的对角切片双谱在频率130 Hz处有明显的谱峰存在,这与数据中心提供的故障频率一致.图6内圈振动信号前2个IMF分量的包络切片双谱图7 钢球故障信号时域波形图5 结论本文将切片双谱分析引入了轴承的故障诊断,提出了一种基于EMD与切片双谱的轴承故障诊断方法. 通过对实例验证分析,得出如下结论:①切片双谱方法将双谱的二维函数计算转换为一维函数,减小了谱分析的计算量,同时增强了二维谱图的可视性. ②切片双谱可以有效抑制噪声对EMD方法的干扰,对于低信噪比的振动信号,亦可准确有效地提取故障信息. 因此通过切片双谱分析,可以更好的将EMD方法应用于工程之中.③该方法将EMD与切片双谱相结合,用以提取由于二次相位耦合产生的非线性特征,能较准确地提取到轴承的故障特征频率.参考文献(References)[1] 黄志坚,高立新,廖一凡. 机械设备振动故障检测与诊断[M ]. 化学工业出版社, 2010.6[2] 陈姗姗,李刚燕,何立波.滚动轴承现场故障诊断实用方法[J].轴承,2008(5):39—42.[3] 王超,罗允同,许凌祥.滚动轴承故障的Walsh诊断法[J].应用力学学报,1994,1l(2):33—39.[4] 徐晖,王丽丽,罗允同.滚动轴承早期故障振动信号的分离与诊断[J].西安交通大学学报,1997,31(8):99—104.[5] 李辉,郑海起,唐力伟. 基于EMD和包络谱分析的轴承故障诊断研究[ J ]. 河北工业大学学报,) [6] 肖洁,刘树林,上官长存,赵海峰. Walsh变换在滚动轴承早期故障特征提取中的应用.<轴承> 2010附件一程序:%采样频率fs=12000;load 1.mat;%故障xdata=X224_BA_time(1:1024); xdata=(xdata-mean(xdata))/std(xdata, 1);%时域波形figure(1);N=1024;plot(1:N,xdata,'k-');xlabel('时间 t/n');ylabel('电压 V/v');%db10小波进行4层分解%一维小波分解[c,l]=wavedec(xdata,4,'db10');%重构第1~4层细节信号d4=wrcoef('d',c,l,'db10',4);d3=wrcoef('d',c,l,'db10',3);d2=wrcoef('d',c,l,'db10',2);d1=wrcoef('d',c,l,'db10',1);%显示细节信号figure(2);subplot(4,1,1);plot(d4,'k-','LineWidth',2);ylabel('d4');subplot(4,1,2);plot(d4,'k-','LineWidth',2);ylabel('d3');subplot(4,1,3);plot(d4,'k-','LineWidth',2);ylabel('d2');subplot(4,1,4);plot(d4,'k-','LineWidth',2);ylabel('d1');xlabel('时间 t/s');%第1层细节信号的包络谱y=hilbert(d1);ydata=abs(y);y=y-mean(y);nfft=10240;p=abs(fft(ydata,nfft)); figure(3);plot((0:nfft/2-l)/nfft*fs,p(l:nfft/2),'k-'); xlabel('频率 f/Hz');ylabel('功率谱 P/W');功率谱图。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

单盘转子故障诊断报告
1.数据:
Test1.txt,数据长度155648*6, 2组振动数据:第一、二列为测点1涡流传感器x、y振动数据;第三、四列为测点2涡流传感器x、y振动数据;第五列为转速脉冲信号(每转1个);第六列为转速值(采集仪输出转速,可能不准确);采样频率:2000*2.56HZ
实验转速:3300rpm
2.故障分类:
转子试验台常见故障类型有不平衡、不对中、松动、裂纹、碰摩等。

常见故障类型故障特征如下:
1、转子质量不平衡主要特征:
(1)一倍频率振动幅值大。

(2)出现较小的高次谐波,整个频谱呈所谓的“枞树形”。

2、转子不对中故障主要特征:
(1)从振动的时域波形上可以看出旋转基本频率的高次成分。

(2)从振动信号的频谱图上可以发现工频的高次分量,如2fr和3fr振动,尤其是2fr振动非常明显。

(3)当不对中比较轻微时,轴心轨迹呈椭圆形;当不对中故障达到中等程度时,轴心轨迹呈香蕉形;当不对中故障较严重时,轴心轨迹呈外“8”字形。

3、转子部件脱落主要特征有:
(1)转子部件脱落后,转子的振动频谱与质量不平衡时的振动频谱类似。

(2)转子部件脱落的前后,振动的幅值和相位突然发生变化。

(3)部件脱落一段时间后,振动的幅值和相位趋于稳定。

(4)轴心运动轨迹与质量不平衡时的轴心运动轨迹类似。

4、动静碰磨故障特征有:
(1)振动的时域波形特征:当转子发生碰磨故障时,振动的时域波形发生畸变,出现削波现象。

另外,在振动信号中有奇异信号。

(2)振动的频谱特征:由动、静部分碰磨而产生的振动,具有丰富的频谱特征。

振动有时还会随着时间发生缓慢的变化。

(3)轴心运动轨迹特征
①若发生的是整周碰磨故障,则轴心运动轨迹为圆形或椭圆形,且轴心轨迹比较紊乱。

②若发生的是单点局部碰磨故障,则轴心运动轨迹呈“8”字形。

③若发生的是多点局部碰磨故障,则轴心运动轨迹呈花瓣形。

(4)当转轴与静子发生碰磨时,会使转子产生振幅时大时小、振动相位也时大时小的旋转振动。

5、转子裂纹故障主要特征:
(1)由于裂纹的存在改变了转子的刚度,从而使转子的各阶临界转速较正常值要小,裂纹越严重,各阶临界转速减小得越多。

(2)由于裂纹造成刚度变化且不对称,从而使转子的共振转速扩展为一个区域。

(3)裂纹转子在做强迫响应时,一次分量的分散度较无裂纹时大。

(4)在恒定转速下,各阶谐波幅值及其相位不稳定,尤以二倍频最为突出。

辅助特征:
(5)裂纹转子引起的刚度不对称,使转子动平衡发生困难,往往多次试加平衡质量也达不到所要求的平衡精度。

3.分析步骤:
3.1转速分析:对第6列数据进行分析可得转速的时域和频域图,如图1所示
图1 转速时域和频域图
由图1可看出单盘转子转速较为稳定,可认为其是恒定转速。

3.2 测点1处x和y方向振动信号分析:绘制测点1处x和y方向振动信号时域
图如图2
图2 测点1处x和y方向振动信号图
由图2看出x和y方向振动幅值在9s左右明显变化,Y方向的振动位移明显比X方向大,由此可判断转子在此时发生了故障。

继续对x方向时域图进行局部放大如图3所示
图3 x方向时域局部放大图
由图可看出x方向时域波形产生了削波现象,由前文所列故障现象可初步判断该故障为碰摩。

3.3轴心轨迹分析(故障前和故障后):前文得出9s左右发生故障,因此首先对9s前转子正常转动的轴心轨迹进行分析,轨迹图如图4,大致为一椭圆形。

图4, 故障前轴心轨迹
此后继续对故障发生后的轴心轨迹进行分析,如图5,轨迹呈八字形,进一步确定产生的故障为碰磨,且为单点局部碰磨。

结论:通过对单盘转子转速、x和y方向振动信号的时域及频域的分析,得知其时域波形出现削波现象;此后对转子故障前后轴心轨迹进行分析,其轴心轨迹呈8字形态,最终判断出故障类型为恒定转速下的单点碰磨。

附matlab程序
程序1(对单盘转子的转速分析)
fid=fopen('wk.txt','r');
A=fscanf(fid,'%f ',[6,inf]);
fclose(fid);
N1=155648;
wk1data=A(1,1:N1); %取第6列元素
wk1data=wk1data-mean(wk1data); %去掉直流分量wk1data=wk1data(1:1:N1); %每个十个点去一个数N=N1/10;
wk1=wk1data(1:N);%取得数新组成的矩阵
n=0:N-1;
fs=5120;
t=n/fs;
subplot(2,1,1),plot(t,wk1);
title('转速时域图');
xlabel('时间');
ylabel('幅值');
y=fft(wk1data,N);%fft变换
mag=abs(y)*2/N;%振幅
f=n*fs/N;
subplot(2,1,2),plot(f(1:N/2),mag(1:N/2)); title('转速频域图');
xlabel('频率/Hz');
ylabel('幅值');grid on;
程序2(对测点1x和y方向的分析)
fid=fopen('wk.txt','r');
A=fscanf(fid,'%f ',[6,inf]);
fclose(fid);
N=155648;
wk1data=A(1,1:N); %取第1列元素
wk1data=wk1data-mean(wk1data);%去掉直流分量wk2data=A(2,1:N); %取第2列元素
wk2data=wk2data-mean(wk2data);%去掉直流分量wk1=wk1data(1:N);%取得数新组成的矩阵
wk2=wk2data(1:N);
n=0:N-1;
fs=5120;
t=n/fs;
subplot(2,2,1),plot(t,wk1);
title('X方向时域图');
xlabel('t');
ylabel('幅值');
subplot(2,2,2),plot(t,wk2);
title('Y方向时域图');
xlabel('t');
ylabel('幅值');
y=fft(wk1,N);
mag=abs(y)*2/N;
f=n*fs/N;
subplot(2,2,3),plot(f(1:N/2),mag(1:N/2)); title('X方向频域图');
xlabel('频率/Hz');
ylabel('幅值');
y=fft(wk2,N);
mag=abs(y)*2/N;
f=n*fs/N;
subplot(2,2,4),plot(f(1:N/2),mag(1:N/2)); title('Y方向频域图');
xlabel('频率/Hz');
ylabel('幅值');
程序3(故障前轴心轨迹)
fid=fopen('wk.txt','r');
A=fscanf(fid,'%f ',[6,inf]);
fclose(fid);
N=150000;
wk1data=A(1,1:N); %取第一列的元素
wk1data=wk1data-mean(wk1data);%去掉直流分量wk1data=wk1data(1:1:N/4);% 取故障发生前的数据wk2data=A(2,1:N); %取第2列的元素
wk2data=wk2data-mean(wk2data);%去掉直流分量wk2data=wk2data(1:1:N/4);
N=N/4;
wk1=wk1data(1:N);%取得数新组成的矩阵
wk2=wk2data(1:N);%取得数新组成的矩阵
n=0:N-1;
fs=5120;
t=n/fs;
plot(wk1,wk2);
title('故障前轴心轨迹');
程序4(故障后轴心轨迹)
fid=fopen('wk.txt','r');
A=fscanf(fid,'%f ',[6,inf]);
fclose(fid);
N=150000;
wk1data=A(1,1:N); %取第一列的元素
wk1data=wk1data-mean(wk1data);%去掉直流分量
wk1data=wk1data(100000:1:N);% 取故障发生前的数据wk2data=A(2,1:N); %取第2列的元素
wk2data=wk2data-mean(wk2data);%去掉直流分量
wk2data=wk2data(10000:1:N);
N=50000;
wk1=wk1data(1:N);%取得数新组成的矩阵
wk2=wk2data(1:N);%取得数新组成的矩阵
n=0:N-1;
fs=5120;
t=n/fs;
plot(wk1,wk2);
title('故障轴心轨迹');。

相关文档
最新文档