風機振動信號特征提取基本方法研究
3.1  引言
風機等復雜機械系統(tǒng)發(fā)生故障時的振動信號往往是非平穩(wěn)、非線性的，一般的時域、頻域分析方法往往效果不理想。為解決復雜工況下風機軸承振動信號非平穩(wěn)、非線性特征難以提取及量化問題，本章基于局部均值分解的瞬態(tài)信號分解方法和基于信息熵的信號特征定量描述方法進行研究，并分別利用數(shù)值仿真信號和實測信號進行分析。
3.2  基于 LMD 的振動信號特征分析方法
3.2.1 LMD 算法原理
局部均值分解(LMD)是一種自適應的時頻分解方法，可以得到信號多尺度上的時頻特性。算法具體過程如下：
(1)  找出原始信號的所有極值點，確定出局部均值函數(shù)和局部包絡函數(shù)。假設 p表示分解的 PF 分量的個數(shù)，q表示求取每個 PF 分量時的迭代次數(shù)。對所有相鄰兩個極值點求得局部均值和局部包絡估計值再通過滑動平均技術，可以確定局部均值函數(shù)m (t  )和局部包絡函數(shù)a (t  )。
事實上，LMD 分解是一個逐漸剔除高頻分量的過程，因此，PF1包含原始信號中頻率最高的成分，而且 PF1是一個單分量的調制信號，對系統(tǒng)狀態(tài)的特征提取十分有效。PF1分量的包絡信號就是瞬時幅值函數(shù)，可以很好的反映系統(tǒng)信號的幅值變化趨勢，而瞬時頻率可以由純調頻函數(shù)求導得出。這樣我們可以得到原始信號某一個單分量信號的時頻表述特征，排除噪聲和其他干擾，更好的對機械系統(tǒng)進行特征提取。
做一個新的信號重復上述步驟k 次，直到 ( )ku t 為一個常數(shù)或者不再包含振蕩模式，分離過程.
3.2.2  基于 LMD 的仿真信號分析
下面用 LMD 算法對仿真信號進行分析，其解析表達式為： x (t  ) ? [1 ? 0.5sin(14?  t )]cos[200?  t ? 1.5sin(18?  t )] ? 0.5sin(60? t),  t ? [0,1]    (3-13) 該信號由一基頻為 100Hz，調制頻率為 9Hz 的調幅調頻信號和一頻率為 30Hz 的正弦信號疊加而成，時域波形如圖 3-2 所示。
 4 章  軸承振動信號特征提取及故障診斷研究
4.1  引言
在上一章振動信號特征提取基本方法的研究基礎上，針對風機軸承振動信號特點，本章從風機軸承振動信號瞬態(tài)特征描述和非線性特征分析兩個角度出發(fā)，分別建立基于Wigner-Ville譜熵和支持向量機(SVM)的信號瞬態(tài)特征提取及故障診斷模型和基于 LMD 的多尺度排序熵的非線性特征定量描述方法，并利用典型軸承實驗平臺進行軸承故障診斷實驗，驗證所研究動態(tài)信號特征提取及故障診斷方法的有效性。 4.2  振動信號瞬態(tài)能量特征提取及故障診斷
當軸承發(fā)生故障時，其振動信號大多數(shù)是非平穩(wěn)、非線性、強耦合的。不同運行狀態(tài)或不同故障情形下的振動信號蘊含的故障信息是不同的，其能量分布特征也會出現(xiàn)不同。本節(jié)將研究基于 Wigner-Ville 譜熵振動信號瞬態(tài)能量特征提取方法，用定量刻畫軸承不同狀態(tài)下振動信號的時頻能量分布的不同，并設計基于 LS-SVM的智能故障診斷模型，實現(xiàn)軸承狀態(tài)和故障類型的自動分類和識別。
4.2.1  基于 LMD 和 Wigner-Ville 分布的 Wigner-Ville 譜熵方法
為進一步將非平穩(wěn)信號經(jīng) LMD 分解后不同頻帶上的時頻分布特性進行有效描述，本文提出一種基于 LMD 和 Wigner-Ville 分布的時頻譜熵特征提取方法。
Wigner-Ville 分布是一種基本的時頻表述形式，具有很高的時頻分辨力，對時變和瞬態(tài)信號的分析十分有效，但存在由雙線性結構本質導致交叉項干擾的缺點。結合LMD和 Wigner-Ville 分布各自的優(yōu)點，便可在得到單分量信號的同時避免交叉項的干擾，使時頻能量分布包含更多的故障信息。
 

  石家莊風機廠 石家莊風機 石家莊市風機廠 石家莊風機維修 石家莊風機銷售