旋转机械振动信号整周期重采样技术的研究
基于深度Q学习和连续小波变换的旋转机械故障诊断方法
基于深度Q学习和连续小波变换的旋转机械故障诊断方法作者：陈仁祥周君胡小林韩兴波朱孙科张晓来源：《振动工程学报》2021年第05期摘要：针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题，利用卷积神经网络拟合强化学习中的Q函数，通过Q‑learning算法学习策略实现故障诊断，提出了基于深度Q学习和连续小波变换的旋转机械故障诊断方法。
对振动信号进行连续小波变换得到时间尺度矩阵，构建出环境状态空间，实现智能体与环境间的交互;用CNN拟合Q‑learning中的Q函数得到深度Q网络，将环境返回的状态输入到深度Q网络中学习故障数据具体的状态特征表示，并据此表征学习策略，智能体采用ε‑贪婪方式决策出动作，利用奖励发生器对动作进行评价;通过智能体与环境间不断交互学习以最大化Q函数值，得到最优策略实现故障诊断。
这种方式融合了深度学习的感知能力和强化学习的决策能力，从而有效提高了诊断能力。
通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。
关键词：故障诊断; 旋转机械; 连续小波变换; 深度Q学习中图分类号： TH165.+3; TH133 文献标志码： A 文章编号： 1004-4523（2021）05-1092-09DOI：10.16385/ki.issn.1004-4523.2021.05.024引言旋转机械故障诊断本质是模式识别，其中重要的步骤是故障特征提取与故障类型识别[1]。
近年来，由于深度神经网络强大的特征学习能力，使其在旋转机械故障诊断领域得到快速发展[2‑3]。
利用深度学习进行故障诊断时，常见的模式为通过建立不同的深度神经网络从训练样本中学习故障特征进而实现故障诊断。
如：胡茑庆等[4]对行星齿轮箱故障信号进行经验模态分解，得到内禀模式函数（Intrinsic Mode Function，IMF）后利用深度卷积神经网络融合特征信息明显的IMF进行故障诊断。
李巍华等[5]利用深度置信网络直接从原始信号逐层学习轴承故障特征进行轴承故障诊断。
基于压电传感器的旋转机械振动信号测试技术
２ ）采 用 神经 网络 建 模 的方 法 得到 压 电信 号 处
理 电路 的模 型 ，然 后按 照该 模 型 对 振 动 信 号 进 行
在 线 补 偿 ，既 解 决 非 线性 问题 ，又 解 决 了 信 号 处 理 电路 对信 号频率 特性 的影 响 。
参考文献：
【］彭善琼． １ 高精度振动信 号处理 系统的研究［】 Ｊ． 微计算机信
本 ，利 用 改进 型ＢＰ 习算 法训 练 网络 ，得 到 幅 频 学 特性模 型 ； ５ ）对得 到 的幅 频 特性 模 型进 行仿 真 ，若 精 度 不 能 达 到 要求 ，调 整Ｂ 学 习 算法 的 参数 重 复 步骤 Ｐ ４ ）进 行训 练 。
按 照 上 述 步 骤 可 以得 到 振 动 信 号 处 理 电 路 的 幅频 特 性 的 模 型 ，采 用 同 样 的方 法 可 以得 到其 相 拼 特 性 的 模 型 。神 经 网 络建 立 的模 型 包 含 在神 经
整周期 采样 。 本 文 软 件 实 现 整 周期 采 样 的 思 路 为 ：同 时 对
振 动 信 号 和 转 速 脉 冲 信 号采 样 ，并 将 其 分 别 放 人
数 组 中 ，从 脉 冲 的第Ｎ个脉 冲 的上升 沿 对应 的振 动 数 据 开 始 提 取 ，到 第Ｎ＋ ｘ个 脉 冲 的上 升 沿 结 束 ， 中间抽 取 的数 据 即为Ｘ个 周期 内的 整周期 数 据 。如 需 要整 周期 内２ 个数 据 ，则采 用插 值 的方 式 得到 间 “
电荷 放 大 电路 ， 它将 输 入 电 荷 信 号变 成 与之 成 正
比的 电压 信 号 。程 控 放 大 电 路 的 原理 是 通 过 模 拟
开 关 来 切换 不 同 电 阻来 实 现 增 益 的 自动 调 整 ，模 拟 开关 的控 制 信号 由ＡＤ采 集卡 上 的 开关 量 输 出单
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械广泛应用于各种工业领域，如风力发电、航空航天、交通运输等。
然而，由于长时间运行和复杂的工作环境，旋转机械经常会出现各种故障，如轴承磨损、齿轮断裂等。
这些故障不仅影响设备的正常运行，还可能导致严重的安全事故。
因此，对旋转机械进行故障诊断与预测显得尤为重要。
本文将介绍旋转机械故障诊断与预测的方法及其应用研究。
二、旋转机械故障诊断与预测方法1. 基于振动信号分析的方法振动信号分析是旋转机械故障诊断与预测的常用方法。
通过传感器采集设备的振动信号，对信号进行时域、频域和时频域分析，可以提取出设备运行状态的特征信息。
当特征信息超过设定的阈值时，即可判断设备存在故障。
此外，还可以通过对比历史数据，预测设备未来可能出现的故障。
2. 基于声音信号分析的方法声音信号分析是另一种有效的故障诊断与预测方法。
通过采集设备的声波信号，对信号进行频谱分析和声强分析，可以判断设备的运行状态和故障类型。
该方法具有非接触式、实时性强的优点，适用于对复杂工作环境下的设备进行故障诊断。
3. 基于数据驱动的智能诊断方法随着人工智能技术的发展，基于数据驱动的智能诊断方法在旋转机械故障诊断与预测中得到了广泛应用。
该方法通过收集设备的运行数据，利用机器学习、深度学习等算法对数据进行训练和建模，实现对设备运行状态的监测和故障预测。
该方法具有准确度高、适应性强、可扩展性强的优点。
三、旋转机械故障诊断与预测方法的应用研究1. 在风力发电领域的应用风力发电是旋转机械的重要应用领域之一。
通过采用振动信号分析和声音信号分析等方法，可以对风力发电机组的齿轮箱、轴承等关键部件进行实时监测和故障诊断。
同时，采用基于数据驱动的智能诊断方法，可以实现对风力发电机组运行状态的预测和优化，提高设备的可靠性和效率。
2. 在航空航天领域的应用航空航天领域对设备的可靠性和安全性要求极高。
采用基于振动信号分析和声音信号分析等方法，可以对航空发动机、螺旋桨等旋转机械进行实时监测和故障诊断。
机械振动理论基础及其应用
旋转机械振动与故障诊断研究综述1．前言工业生产离不开回转机械，随着装置规模不断扩大，越来越多的高速回转机械应用于工业生产，诸如高速离心压缩机、汽轮机发电机组。
动态失稳造成的重大恶性事故屡见不鲜。
急剧上升的振动可在几十秒之内造成机组解体,甚至祸及厂房，造成巨大的经济损失和人员伤亡。
此外，机械振动可能降低设备机械性能，加速机械零部件的磨损，发出的噪声损害操作者的健康。
但是振动也能合理运用，如工业上常用的振动筛、振动破碎等都是振动的有效利用。
工程技术人员必须认真对待机械振动问题，当机组产生有害的振动时，及时分析原因，坚持用合理的振动测试标准，采取科学的防治措施。
2．旋转机械振动标准●旋转机械分类：Ⅰ类：为固定的小机器或固定在整机上的小电机，功率小于15KW。
Ⅱ类：为没有专用基础的中型机器，功率为15~75KW。
刚性安装在专用基础上功率小于300KW的机器。
Ⅲ类：为刚性或重型基础上的大型旋转机械，如透平发电机组。
Ⅳ类：为轻型结构基础上的大型旋转机械，如透平发电机组。
●机械振动评价等级：好：振动在良好限值以下，认为振动状态良好。
满意：振动在良好限值和报警值之间，认为机组振动状态是可接受的（合格），可长期运行。
不满意：振动在报警限值和停机限值之间，机组可短期运行，但必须加强监测并采取措施。
不允许：振动超过停机限值，应立即停机。
3．振动产生的原因旋转机械振动的产生主要有以下四个方面原因，转子不平衡，共振，转子不对中和机械故障。
4．旋转机械振动故障诊断4.1转子不平衡振动的故障特征当发生不平衡振动时，其故障特征主要表现在如下方面：1 ）不平衡故障主要引起转子或轴承径向振动，在转子径向测点上得到的频谱图, 转速频率成分具有突出的峰值。
2 ）单纯的不平衡振动，转速频率的高次谐波幅值很低，因此在时域上的波形是一个正弦波。
3 ）转子振幅对转速变化很敏感，转速下降，振幅将明显下降。
4 ）转子的轴心轨迹基本上为一个圆或椭圆，这意味着置于转轴同一截面上相互垂直的两个探头，其信号相位差接近90°。
旋转机械振动监测和分析
第23卷 第1期2010年3月燃 气 轮 机 技 术GAS TURB I NE TECHNOLOGYV o l 23 N o.1M ar.,2010旋转机械振动监测和分析郑月珍(南京汽轮电机(集团)有限责任公司,南京 210037)摘 要:本文介绍旋转机械振动监测和设备故障诊断的意义、旋转机械的常见振动问题和振动测量的原理及测试方法。
最后介绍我公司研制开发的以计算机为核心的旋转机械振动监测和分析系统的主要功能。
关 键 词:机械振动;轴振动;频谱分析;故障诊断中图分类号:O329 文献标识码:A 文章编号:1009-2889(2010)01-0039-061 振动状态在线监测及预测维修旋转机械的振动监测是设备运转状态监测的重要组成部分。
随着生产技术的发展,一种以状态监测为基础的故障诊断和预测技术得到推广与应用。
这种技术的发展,将使设备的维修方式从传统的 事故维修 和 定期维修 过渡到 预知性维修 ,从而大大提高设备的年利用率,减少停机维修时间,降低维修费用,同时也减少了备件库存量。
此外,旋转机械的振动测试技术也是转子现场动平衡和转子动力特性试验研究不可缺少的手段。
近十年来,我国振动状态监测技术得到了重视和研究,在关键设备上配备了监测仪表或监测系统。
例如从国外引进的燃气轮机发电机组都安装了振动保护系统。
对国内制造的200MW、300MW和600MW汽轮发电机组的仪表设计工作正在选择相应的振动保护系统与主机配套。
国内原有的电站设备已逐渐安装机械保护系统及准备安装机械保护系统。
2 旋转机械振动测试概要旋转机械振动测试的主要对象是一个转动部件 转子或转轴,在进行振动测量和信号分析时,也总是将振动与转动密切结合起来,以给出整个转子运动的某些特征。
2.1旋转机械的振动问题转子是旋转机械的核心部件。
通常转子是用油膜轴承、滚动轴承或其它类型轴承支承在轴承座或机壳、箱体及基础等非转动部件上,构成了所谓的 转子 支承系统 。
机械振动信号的特征提取与分析
机械振动信号的特征提取与分析机械振动信号的特征提取与分析是一项重要的技术，它可以帮助我们了解机械设备的工作状态并及时发现问题。
在工业生产中，常常会出现各种振动信号，例如机械设备的运行振动、故障振动以及环境噪音等。
通过对这些信号的分析，我们可以判断设备的运转情况，识别设备故障，并采取相应的措施来保障生产安全和设备的正常运行。
在对机械振动信号进行特征提取与分析之前，首先需要采集信号数据。
信号采集系统通常由传感器、数据采集卡和计算机组成。
通过传感器对机械设备振动进行感知，并将振动信号转化为电信号。
数据采集卡将电信号转化为数字信号，并通过计算机进行存储和处理。
特征提取是对振动信号进行初步处理的重要步骤。
振动信号具有复杂的波形，其中蕴含了很多信息。
通过对信号进行特征提取，可以提取出信号的主要特点和特征参数，为后续的进一步分析和判断提供依据。
常用的特征参数包括频率特征、能量特征、幅度特征和相位特征等。
这些参数能够反映振动信号的频率分布、振幅大小以及相位差异等信息。
频率特征是对信号频谱进行分析得到的，可以帮助我们了解振动信号在频域上的特点。
频率特征包括主频和谐波频率等，通过分析不同频率成分的大小和分布，可以识别出信号中的异常频率，并判断是否存在故障。
能量特征是对信号能量分布的描述，常用的能量特征参数有均方根、峰值等。
幅度特征是对信号振幅的描述，可以反映出信号的幅值大小和振动的强度。
相位特征是反映信号相位关系的参数，可以帮助我们了解振动信号的相位差异和相位变化情况。
特征提取之后，我们需要对提取出的特征参数进行分析和判断。
常用的分析方法包括统计分析、时域分析和频域分析等。
统计分析主要通过计算特征参数的均值、标准差、变异系数等统计量来描述信号的分布特征。
时域分析是通过对信号波形的观察和分析，了解信号在时间轴上的变化规律和特点。
频域分析是通过将时域信号转化为频域信号，在频域上观察和分析信号的频谱特征。
通过对机械振动信号的特征提取与分析，我们可以得到信号的特征参数和分析结果。
平稳和非平稳振动信号的处理方法综述
平稳和非平稳振动信号的处理方法周景成（东华大学机械工程学院，上海 201620）摘要：本文主要综述了当前对于平稳和非平稳振动信号的处理方法及其优缺点，同时列举了目前振动信号处理的研究热点和方向。
关键词：稳态非稳态振动信号处理；方法；优缺点。
1．稳态与非稳态振动信号的界定稳态振动信号是指频率、幅值和相位不变的动态信号，频率、幅值和相位做周期性变化的信号称为准稳态信号，而对于频率、幅值和相位做随机变化的信号则称为非稳态信号。
2. 稳态或准稳态振动信号的主要处理方法及其优势与局限对于稳态振动信号，主要的分析方法有离散频谱分析和校正理论、细化选带频谱分析和高阶谱分析。
对于准稳态信号主要采用的是解调分析。
对于非稳态振动信号主要采用加Hanning窗转速跟踪分析、短时傅里叶变换、Wigner-Ville 分布和小波变换等。
对于任一种信号处理方法都有其优势和劣势，没有完美的，具体在工程实际中采用哪一种分析方法得看具体的工程情况而定，不能一概而论。
2. 1 离散频谱分析与校正离散频谱分析是处理稳态振动信号的常用方法，离散频谱分析实现了信号从时域到频域分析的转变。
FFT成为数字信号分析的基础，广泛应用于工程技术领域。
通过离散傅里叶变换将振动信号从时域变换到频域上将会获得信号更多的信息。
对于这一方法，提高信号处理的速度和精度是当下两个主要的研究方向。
由于计算机只能对有限多个样本进行运算，FFT 和谱分析也只能在有限区间内进行，这就不可避免地存在由于时域截断产生的能量泄漏，离散频谱的幅值、相位和频率都可能产生较大的误差，所以提高精度成为近一段时间主要的研究方向。
上世纪70年代中期，有关学者开始致力于离散频谱校正方法的研究。
目前国内外有四种对幅值谱或功率谱进行校正的方法：(1)比值校正法(内插法)；(2)能量重心校正法；(3)FFT+FT谱连续细化分析傅立叶变换法；(4)相位差法。
四种校正方法的原理和特点见表1[1].从理论上分析，在不含噪声的情况下，比值法和相位差法是精确的校正法，而能量重心法和FFT+FT谱连续细化分析傅立叶变换法是精度很高的近似方法。
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械作为工业生产中不可或缺的重要设备，其稳定运行对生产效率和产品质量具有重大影响。
然而，由于操作环境复杂、维护不当或设备老化等因素，旋转机械常会出现各种故障。
这些故障如不及时发现和处理，可能会对生产造成巨大损失。
因此，对旋转机械的故障诊断与预测显得尤为重要。
本文将重点研究旋转机械的故障诊断与预测方法，以及其在工程实践中的应用。
二、旋转机械故障诊断与预测方法（一）基于信号处理的诊断与预测方法1. 信号采集：通过传感器技术，实时采集旋转机械的振动、声音、温度等信号。
2. 信号处理：利用信号处理技术，如频谱分析、小波变换等，对采集的信号进行预处理和特征提取。
3. 故障诊断与预测：根据处理后的信号特征，结合专家系统或模式识别技术，实现故障的诊断与预测。
（二）基于机器学习的诊断与预测方法1. 数据预处理：对历史故障数据进行清洗、标注和整理，构建故障数据集。
2. 模型训练：采用机器学习算法，如支持向量机、神经网络等，对故障数据集进行训练，建立故障诊断与预测模型。
3. 模型应用：将训练好的模型应用于实际场景中，实现旋转机械的故障诊断与预测。
（三）基于深度学习的诊断与预测方法深度学习通过模拟人脑神经网络的工作方式，可以自动提取数据的深层特征。
在旋转机械的故障诊断与预测中，深度学习模型可以更好地处理复杂、非线性的故障数据。
常见的深度学习模型包括卷积神经网络、循环神经网络等。
三、旋转机械故障诊断与预测方法的应用研究（一）在设备维护中的应用通过实时监测和诊断旋转机械的故障，可以及时发现潜在的问题并采取相应的维护措施，从而避免设备停机或损坏。
这不仅可以提高设备的运行效率，还可以延长设备的使用寿命。
（二）在生产管理中的应用通过对旋转机械的故障进行预测和预警，可以提前制定生产计划和调整生产安排，避免因设备故障而导致的生产延误和资源浪费。
这有助于提高生产效率和产品质量。
- 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、"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、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)。
差 ， 响振 动分 析精 度 ， 影 不利 于故 障诊 断 。 。因此 ， ｊ 研
Ｋｅ ｙ ｗｏｒ ｄｓ： ｖｂ ａ ｉｎ ｓｇ ｌ ｋ ｙ ｐ ｓ ｐ ｓ ｏ ｅ ａｉ ｎ； ｆ ｌｐ ｒｏ ｅ ｓ ｍ ｐｉ ｇ ｉｒ ｔｏ ｉｎａ ； ｅ ｈａ ｅ； ｈａ ｅ ｃ ｍｐ ｎｓ ｔｏ ｕｌ ｅｉ ｄ ｒ —ａ ｌｎ
截 取 的离 散信 号不 满 足 整 周期 条件 ， 会 产 生 较 大 误 就
关键 词 ： 动 信 号 ； 相 ； 位 补 偿 ； 周 期 重 采 样 振 键 相 整
中 图分 类 号 ：Ｈ １． ；Ｐ ７ Ｔ Ｉ３ １Ｔ ２ ７
文 献 标 志码 ： Ａ
文 章 编 号 ：０ １ ４ ５ （ ０ １ ０ ０ ５ ０ ｌ０ — ５ １２ １ ） ２— １３— ４
Ｓ ｕ ｙ ｏ ｕ ｌｐ ｒｏ ｅ ｓ ｍ ｐ ｉ ｇ ｔ ｃ ｎ ｌ ｇ ｏ ｔ ｄ ｎ ｆ ｌ ｅ ｉ ｄ ｒ —ａ ｌ ｅ ｈ ｏ ｏ ｙ ｆ ｒ ｎ ｖ ｂ ａ ｉ ｎ ｓｇ ａ ｎ ｒ ｔ ｔｎ ａ ｈ ｎ ｒ ｉ ｒ ｔ ｉ ｎ ｌｏ ｏ ａ ｉ ｇ ｍ ｃ ｉ ｅ ｙ ｏ
Ａ ｂ ｔａｃ ｓ ｒ ｔ：Ａｉ ｉｇ ａ ｍ ｐ ｏ ｉ ｈ ｃ ｕｒｃｙｏ ｉ ｒ ｔ ｉｎａ ｎ ｌｓｓ，ａｍ ｅｈ ｄ ｂａ ｅ ｎ ｔ ｕ ｌｐ ｒｏ ｅ—ａ ｍ ｎ ｔｉ ｒ ｖｎｇｔ ｅ ａ ｃ ａ ｆｖ ｂ ａｉ ｓｇ ｌａ ａｙ ｉ ｏｎ ｔ ｏ ｓ ｄ ｏ ｈｅｆ ｌ ｅ ｉｄ ｒ ｓ ｍｐｌ ｅ ｈ ｏ ｏ ｙ ｗａ ｓａ — ｉ ｔ ｃ ｎ ｌ ｇ ｓｅ ｔｂ ｎｇ ｌｓ ｄ． Ｔｈｅ ｆ ｌｐ ｒｏ ａ ｉｈｅ ｕｌ ｅ ｄ ｓ ｍｐｌｎ ｉ ａｌｕａ ｅ ｈｅ ｆｅ ｕｅ ｃ ｙ ｈ ｏ ｏ ｓｙ ｓ ｍｐ ｅ ｗｉｈ ｔ ｉｒ ｔｏ ｉｎａ ｓ ｕ ｅｄ ｔ ｅ—ａ ｌ ｈ ｉ ｉ ｇ ｔｍｅ ｃ ｃ ｌｔ ｄ ｂｙ ｔ ｒ ｑ ｎ ｙ ｓ ｎｃ ｒ ｎ ｕ ｌ ａ ｌｄ ｔ ｈｅ ｖｂ ａ ｉｎ ｓｇ ｌｗａ ｓ ｏ ｒ ｓ ｍｐ ｅ ｔｅ ｗａ ｅ ｏｍ ． Ａｎｄ ｅ ｃ ｈａ ｎ ｌｗａ ｏ ｅ ａｅ ｔ ｈ ｒｏ ｈ ｓ ｅｎ ｒｔ ｄ ｂ ｏ ｐ ｓ ｍ ｐ ｉｇ ｂｅｗｅ ｎ ｃ ｎ ｌ ．Ｔｈ ｔ ｄｙｓ ｏ ｈ ｔｔ ｓ ｖ ｆｒ ａ ｈ ｃ ｎ ｅ ｓ ｃ ｍｐ ｎｓ ｔｄ ｗｉｈ ｔ ｅ ｅ ｒ ｒｐ ａ ｅ ｇ ｅ ａｅ ｙ ｌ ｏ ａ ｌｎ ｔ ｅ ｈａ ｎｅｓ ｅ ｓｕ ｈ ｗｓｔａ ｈｉ ｍｅ ｈ ｄ ｃ ｎ ｒ — ａ ｌ ｈｅ ｖｂ ａ ｉｎ ｓｇ ａ ｎ ｐ ｒｏ ｓｃ ｒｅ ｔ ｎ ｎｃｅ ｓ ｈ ｃ ｕ ａ ｙ ｏ ｍ ｐ ｉ ｅ ａ ｄ ｐｈ ｓ Ｂｅ ａ ｓ ｆｉｓｌｗ ａ ｄ ｒ ｔ ｏ ａ ｅ ｓ ｍｐｅ ｔ ｉｒ ｔｏ ｉｎ ｌｉ ｅ ｉ ｄ ｏ ｃｌ ａ ｄ ｉ ｒ ａ ｅｔ ｅ ａ ｃ ｒ ｃ ｆａ ｌｔ ｎ ａ ｅ． ｙ ｕｄ ｃ ｕ ｅ ｏ ｔ ｏ ｈ ｒ ｗａｅ
第２ ８卷 第 ２期
２ １年 ２ 月 ０１
机
电
工
程
Ｖ０ ． ８ Ｎｏ ２ Ｉ２ ．
Ｆｅ ． ２ １ ｂ ０１
Ｊ ｕ ｎ ｌ ｆＭｅ ｈ ｎ ｃ ｌ＆ Ｅ ｅ ｔｉａ ｎ ｉ ｅ ｒ ｇ ｏ ｒ ａ ｃ ａ ｉ ａ ｏ ｌ ｃｒ ｌＥ ｇ ｎ ｅ ｉ ｃ ｎ
旋 转 机 械 振 动信 号 整周 期 重 采 样 技 术 的研 究 冰
ｒ ｑ ｉｅ ｎ ｎ ｉｈ ａ ｃ ｒ ｃ ，ｉ ｃ ｎ ｂ ｄ ｌ ｓ ｄ ｉ ｎ ｌ ｅ ｍｏ ｉ ｒｎ ｆｌｒ ｅ ｒ ｔｔ ｇ ｍａ ｈ ｎ ｒ ． ｅ ｕ ｒ ｍｅ ｔａ ｄ ｈ ｇ ｃ ｕ ａ ｙ ｔ ａ ｅ ｗｉ ｅｙ ｕ ｅ ｎ ｏ — ｎ ｎ ｔ ｉ ｇ ｏ ｇ ｏａ ｉ ｃ ｉ ｅ ｙ ｉ ｏ ａ ｎ
徐 水 军 ， 志 农 江
（ 京化 工 大学 诊 断与 自愈 工程研 究 中心 ， 北 北京 １０ ２ ） ０ ０ ９
摘要 ： 针对 频谱泄漏及栅栏效应 问题 ， 建立 了基于整周期重采样技术 提高振动分析精度 的方法 ， 采用振动信 号 同步采 集的频率计算
整周 期 采 集 所 需 的 时 间 ， 用 此 时 问 可 以 对 波 形 实 现 整 周 期 重 采 样 ， 且 在 相 位 计 算 时 ， 各 个 通 道 补 偿 因 循 环 采 样 所 产 生 的 相 位 利 并 对 误 差 。研 究 结 果 表 明 ： 方 法 对 振 动 信 号 可 以实 现 整 周期 重 采 样 ， 能 显 著提 高振 动 信 号 的 幅 值 及 相 位 精 度 ， 有 对 数 据 采 集 系统 该 并 具 硬 件 设 备 要 求 低 、 算 精 度 高 的优 点 ， 广 泛 应 用 于大 型旋 转 机 械 的 在 线 监 测 。 计 可
ｘｖ Ｓ ｕ－ ｎ， Ｉ ＮＧ Ｚ ｉ ｏｇ ｈ ｉ ｕ ＪＡ ｈ— ｎ ｊ ｎ
（ ｉｇｏｉ ａ ｄＳ ｌＲ ｃｖｒ Ｅ ｇ ｅｒ ｇＲ ｓａｃ ｅｔｒ Ｄａｎ ｓ ｎ ｅｆ ｅｏｅｙ ｎ ｉ ｅｉ ｅｅｒｈＣ ｎｅ ， ｓ － ｎ ｎ
Ｂ ｉｎ ｎｖｒｉ ｆ ｈ ｍｉ ｌ ｅｈ ｏｏｙ ｅ ｉｇ１０ ２ ， ｈ ａ ｅ ｉｇＵ ｉ ｓｙｏ ｅ ｃ ｃ ｎ ｌ ，Ｂ ｉｎ ０ ０ ９ Ｃ ｉ ） ｊ ｅ ｔ Ｃ ａＴ ｇ ｊ ｎ