专利转让平台_买专利_卖专利_中国高校专利技术交易-买卖发明专利上知查网

全部分类
全部分类
一种基于振动信号循环平稳性的风机微弱故障检测方法

一种基于振动信号循环平稳性的风机微弱故障检测方法

IPC分类号 : F04D17/00,F04D27/00

申请号
CN201711086022.4
可选规格
  • 专利类型: 发明专利
  • 法律状态: 有权
  • 申请日: 2017-11-07
  • 公开号: 108180152A
  • 公开日: 2018-06-19
  • 主分类号: F04D17/00
  • 专利权人: 浙江大学

专利摘要

一种基于振动信号循环平稳性的风机微弱故障检测方法,包括以下步骤:步骤1,采集加速度信号;步骤2,将采集到的信号导入到待运行的程序中,用基于循环平稳特征的相关性特征函数检测,得到循环密度谱;步骤3,将循环密度谱归一化,得到循环相关谱;步骤4,根据循环相关谱得到加强包络谱,保存加强包络谱的纵坐标数据,即为实时处理得到的数据;步骤5,利用相关性函数,计算实时处理得到的数据与数据库数据的相关性;步骤6,根据相关性系数故障分辨标准,判断该种故障是否正常或属于何种故障,并将判断结果加入数据库。利用本发明能够实时地检测和判断风机的故障类型,检测更为精确,具有强大的实用性。

权利要求

1.一种基于振动信号循环平稳性的风机微弱故障检测方法,包括以下步骤:

步骤1,使用加速度传感器采集风机的振动加速度信号;

步骤2,将采集到的加速度信号导入到待运行的程序中,用基于循环平稳特征的相关性特征函数检测,得到循环密度谱;

步骤3,将程序算出的循环密度谱归一化,得到循环相关谱;

步骤4,根据循环相关谱得到加强包络谱,保存加强包络谱的纵坐标数据,即为实时处理得到的数据;

步骤5,利用相关性函数,计算实时处理得到的数据与数据库数据的相关性;

步骤6,根据相关性系数故障分辨标准,判断该种故障是否正常或属于何种故障,并将判断结果加入数据库。

2.根据权利要求1所述的基于振动信号循环平稳性的风机微弱故障检测方法,其特征在于,步骤2中,所述的基于循环平稳特征的相关性特征函数检测方法为:

其中:t、T为时间;△f趋于零,T趋于正无穷的顺序不能交换;f1、f2表示计算的两个频率;xΔf(t,f1)表示滤波;表示xΔf(t,f2)的共轭复数;j表示虚数单位。

3.根据权利要求1所述的基于振动信号循环平稳性的风机微弱故障检测方法,其特征在于,步骤4中,得到加强包络谱的过程为:将得到循环相关谱的三维矩阵,以表示,然后保持循环频率α不变,对频率f积分,归一后即得到加强包络谱。

4.根据权利要求1所述的基于振动信号循环平稳性的风机微弱故障检测方法,其特征在于,步骤5中,所述的相关性函数为

其中,A为实时处理得到的数据,B为数据库数据;Cov(A,B)为参照信号和拟合信号的协方差,计算公式如下:

Cov(A,B)=E(A×B)-E(A)*E(B)

其中,E(A×B)为A和B之积的数学期望;E(A)为A的数学期望;E(B)为B的数学期望。

5.根据权利要求1所述的基于振动信号循环平稳性的风机微弱故障检测方法,其特征在于,步骤5中,得到数据库数据的过程为:在风机正常工作和各种典型故障条件下,以加速度传感器采集风机振动的加速度信号,并输入待运行程序中,将计算得到的归一化的加强包络谱的纵坐标输出为数据文件,保存在数据库文件夹内。

说明书

技术领域

本发明属于信号处理与故障检测领域,尤其涉及到一种基于振动信号循环平稳性的风机微弱故障检测方法。

背景技术

循环平稳信号处理是近来兴起的机械信号处理的一种新兴技术。循环平稳信号即信号中包含着隐藏的周期信息的信号。循环平稳信号是非平稳信号的一种,相比于传统检测方式,更接近实际信号,尤其是旋转机械产生的信号。

目前信号处理领域常用的旋转机械故障检测方法主要有傅立叶变换、短时傅立叶变换、小波变换、第二代小波变换和多小波变换等,可以说都是基于内积原理的特征波形基函数信号分解,旨在灵活运用与特征波形相匹配的基函数去更好地处理信号,提取故障特征,从而实现故障诊断。

但是,现有技术中存在以下缺点和不足:傅立叶变换、短时傅立叶变换、小波变换、第二代小波变换和多小波变换等故障检测的方法都建立在假设信号是平稳信号的基础上,而现实中往往是非平稳信号,从而这些检测方法都有不合理的地方,不合实际。同时,这些传统检测方法由于理论上的限制,很难检测到旋转机械的一些重要特征,如叶片通过频率BPF、叶片比频率BRF等,有很大的局限性。

发明内容

本发明提供了一种基于振动信号循环平稳性的风机微弱故障检测方法,能够实时地检测和判断风机的故障类型,检测更为精确,具有强大的实用性。

一种基于振动信号循环平稳性的风机微弱故障检测方法,包括以下步骤:

步骤1,使用加速度传感器采集风机的振动加速度信号;

步骤2,将采集到的加速度信号导入到待运行的程序中,用基于循环平稳特征的相关性特征函数检测,得到循环密度谱;

步骤3,将循环密度谱归一化,得到循环相关谱;

步骤4,根据循环相关谱得到加强包络谱,保存加强包络谱的纵坐标数据,即为实时处理得到的数据;

步骤5,利用相关性函数,计算实时处理得到的数据与数据库数据的相关性;

步骤6,根据相关性系数故障分辨标准,判断该种故障是否正常或属于何种故障,并将判断结果加入数据库。

步骤2中,所述的基于循环平稳特征的相关性特征函数检测过程为:

在程序中设定好相应参数,计算循环平稳的参数:

其中:t、T为时间;△f趋于零,T趋于正无穷的顺序不能交换;f1、f2表示计算的两个频率;xΔf(t;f1)表示滤波; 表示xΔf(t,f2)的共轭复数;j表示虚数单位。

步骤4中,得到加强包络谱的过程为:将得到循环相关谱的三维矩阵,以 表示,然后保持循环频率α不变,对频率f积分,归一后即得到加强包络谱。

步骤5中,所述的相关性函数为

其中,A为实时处理得到的数据,B为数据库数据;Cov(A,B)为参照信号和拟合信号的协方差,计算公式如下:

Cov(A,B)=E(A×B)-E(A)*E(B)

其中,E(A×B)为A和B之积的数学期望;E(A)为A的数学期望;E(B)为B的数学期望。

步骤5中,得到数据库数据的过程为:在风机正常工作和各种典型故障条件下,以加速度传感器采集风机振动的加速度信号,并输入待运行程序中,将计算得到的归一化的加强包络谱的纵坐标输出为数据文件,保存在数据库文件夹内。

本发明在一定程度上解决了假设为平稳信号的问题,由于风机作为旋转机械,产生的信号很大程度上为循环平稳信号,检测的结果更贴近实际、更可靠。同时,循环平稳的处理结果克服了传统检测方法,叶片通过频率和叶片比频率检测不到或不明显的困难,能将风机的更多特征表现出来。

检测过程中,程序运行的时间短,可以达到实时监测的目的,根据相关性系数和一定的经验来判断风机属于何种故障,通过建立正常情况和故障情况的文件,来丰富需要比较的数据库,使得以后的检测更为精准、甚至完全不需要经验的判断,为风机微弱故障检测提供了一种很好的方式。

附图说明

图1是本发明基于振动信号循环平稳性的风机微弱故障检测方法的流程图;

图2是理想信号仿真结果的加强包络谱图;

图3是理想信号仿真结果的快速傅立叶变换图;

图4是正常风机数据处理后的加强包络图;

图5是正常风机数据处理后的快速傅立叶变换图;

图6是一颗地脚螺栓松动的风机数据处理后的加强包络图;

图7是一颗地脚螺栓松动的风机数据处理后的快速傅立叶变换图。

具体实施方式

为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示,基于振动信号循环平稳性的风机微弱故障检测方法,包括以下步骤:

S01,用加速度传感器采集风机的振动加速度信号。

S02,在程序中设定好相应的参数,将采集到的信号导入到程序中,计算循环平稳的参数:

其中:t、T为时间;△f趋于零,T趋于正无穷的顺序不能交换;f1、f2表示计算的两个频率;xΔf(t,f1)表示滤波; 表示xΔf(t,f2)的共轭复数;j表示虚数单位。

风机振动信号可以简化为:

其中v(t)为随机信号;Ai为实数,表示余弦信号的模;αi为需要检测到的循环频率。

对于随机信号v(t),当corrv(f1,f2)中f1=f2时corr值不为零。

令α=f1-f2,当 或 或±αi时,上式corrx(f1,f2)的值不为零,即检测到需要检测的循环频率,通过corr函数,我们可以检测到信号内存在的循环平稳信息。

对于仿真信号x=[1+cos(60πt)+cos(100πt)+cos(130πt)]×N(0,1)由于负值部分的信息在图像上无法显示,则在α=15、20、30、35、50、60、65、80、95、100、115、130处,循环密度谱出现较大的峰值,但此时的图像还不能直观显示出需要的循环信息。

S03,得到的幅值差异较大,通过设置最大值为1,将得到的循环密度谱归一化,得到循环相关谱图像,直观显示循环频率信息;

S04,得到循环相关谱的三维矩阵,以 表示,然后保持循环频率α不变,对f积分,归一后即得到加强包络谱s(α):

s(α)正比于

S05,将得到的加强包络谱纵坐标矩阵保存为数据文件;

S06,将实时处理的数据文件与对应的正常和故障数据文件做相关性系数计算:

其中,A为实时处理的数据文件中的数据,B为数据库中保存的对应正常或故障的文件中的数据;Cov(A,B)为参照信号和拟合信号的协方差,计算公式如下:

Cov(A,B)=E(A×B)-E(A)*E(B)

其中,E(A×B)为A和B之积的数学期望;E(A)为A的数学期望;E(B)为B的数学期望。

S07,用初步建立的相关系数故障判断标准和经验检测和判断,实时情况是否故障以及故障类型,并将判断的结果保存到数据中,帮助数据库完善相关性系数故障判断的标准。

为了具体表现本方法在风机微弱故障处理领域的优势和特征,对理想信号x=[1+cos(60πt)+cos(100πt)+cos(130πt)]×N(0,1)进行了仿真,其中,N(0,1)表示在时域上幅度服从均值为零、方差为1的随机信号,也对在风机上进行实验得到的振动加速度数据进行了处理和对比,同时也做了各自的快速傅立叶变换。

理想信号的仿真结果加强包络谱图像和快速傅立叶变换图像,如图2和图3所示;采集的正常风机数据和一颗地脚螺栓松动的风机数据的处理结果,最后得到的加强包络谱图像和快速傅立叶变换图像。正常风机数据处理后的加强包络谱图像和快速傅立叶变换图像如图4和图5所示,一颗地脚螺栓松动的风机数据处理后的加强包络谱图像和快速傅立叶变换图像如图6和图7所示。

不难看出,仿真结果中波峰出现的频率和幅值比都是符合理论推导的,同时由于估计而出现的误差值在加强包络谱中也十分均匀,验证了我们程序的可行之处;正常风机的实际数据处理,得到的图像符合实际处理的结果,检测出了基本频率10Hz,以及在风机中由于叶片旋转实际产生的基频的倍频,20Hz、30Hz、40Hz等。而传统的快速傅立叶变换,虽然同样检测出了基本频率10Hz,但是某些倍频,如20Hz、30Hz等,检测效果不好。加强包络谱表现了更多信息且易于分辨和读出,同时加强包络谱中出现的波动很小的基准线也表现了此方法对实际数据处理的可靠性和实用性。同时,对一颗地脚螺栓松动的微弱故障的处理结果也检测出了基本频率10Hz,以及在风机中由于叶片旋转实际产生的基频的倍频,20Hz、30Hz、40Hz等,在频率分布和幅值大小上与正常情况下的加强包络谱有一定差异,计算相关性系数约为0.82,证明了此方法用于检测风机微弱故障的实用性和可靠性。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。

一种基于振动信号循环平稳性的风机微弱故障检测方法专利购买费用说明

专利买卖交易资料

Q:办理专利转让的流程及所需资料

A:专利权人变更需要办理著录项目变更手续,有代理机构的,变更手续应当由代理机构办理。

1:专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2:按规定缴纳著录项目变更手续费。

3:同时提交相关证明文件原件。

4:专利权转移的,变更后的专利权人委托新专利代理机构的,应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A:(1)直接到国家知识产权局受理大厅收费窗口缴纳,(2)通过代办处缴纳,(3)通过邮局或者银行汇款,更多缴纳方式

Q:专利转让变更,多久能出结果

A:著录项目变更请求书递交后,一般1-2个月左右就会收到通知,国家知识产权局会下达《转让手续合格通知书》。

动态评分

0.0

没有评分数据
没有评价数据
×

打开微信,点击底部的“发现”

使用“扫一扫”即可将网页分享至朋友圈

×
复制
用户中心
我的足迹
我的收藏

您的购物车还是空的,您可以

  • 微信公众号

    微信公众号
在线留言
返回顶部