基于 LMD 的 Wigner-Ville 時頻譜熵特征提取方法原理為：先運用 LMD 算法將信號分解為若干個 PF 分量，然后對包含信號主要信息的 PF 分量進行 Wigner-Ville分布，得到所選 PF 分量的時頻分布。與此同時，引入 Shannon 熵的概念，構造Wigner-Ville 譜熵對信號的時頻特征進行定量描述，具體步驟如下：
(1)  對任意一個信號 x(t)，用局部均值分解算法分解后得到 n 個 PF 分量和一個殘余分量 u(t)，則原始信號可以表述熵是反映系統不確定性和復雜度的指標，而 Wigner-Ville 分布可以很好的跟蹤時變瞬態(tài)信號的時頻變化趨勢，因此 Wigner-Ville 譜熵能夠定量描述動態(tài)信號在各個時頻分布區(qū)間的能量分布特征，為描述復雜系統的運行狀態(tài)提供了可靠指標。
4.2.2  基于 Wigner-Ville 譜熵的軸承振動信號瞬態(tài)特征提取
基于滾動軸承故障機理及不同故障狀態(tài)下振動信號的特點，將提出的Wigner-Ville 時頻譜熵方法用于軸承提取振動信號的瞬態(tài)特征，具體過程如下：
(1)  以滾動軸承為研究對象，對其四種工作狀態(tài)的軸承數據進行采集；
(2)  利用式(4-1)對滾動軸承各個狀態(tài)的振動信號進行 LMD 分解，得到若干個有效 PF 分量； 
(3)  利用式(4-2)對各個有效 PF 分量計算 Wigner-Ville 分布，得到其時頻能量分布圖；
(4)  結合信息熵的概念，利用式(4-3)、式(4-4)計算得到 Wigner-Ville 時頻譜熵。
以滾動軸承外圈故障數據為例，說明其 Wigner-Ville 譜熵特征提取過程。首先，對外圈故障的一組數據進行 LMD 分解，如圖 4-1 所示，得到 4 個 PF 分量和 1 個殘余分量，其中前 3 層是典型的調幅-調頻信號，包含了軸承故障振動信號的主要信息。
然后對第 1 個 PF 分量求取 Wigner-Ville 分布，如圖 4-2 所示。從時頻圖中可以看到周期性的帶狀亮色條紋，體現了軸承故障信號的周期瞬態(tài)沖擊特性。由此得出，LMD和 Wigner-Ville 分布相結合可以很好的提取非平穩(wěn)信號的時變特征。
第 5 章  風機軸承故障診斷實驗
5.1  引言
上一章利用本文研究的非平穩(wěn)特征提取及故障診斷模型和非線性定量描述方法對典型軸承實驗平臺進行了分析，驗證了本文提出方法的有效性，為下一步對風機軸承進行故障診斷提供理論方法。風機運行工況復雜多變，如變轉速、變負載及風速不穩(wěn)定，使得振動信號往往呈現出非線性、非平穩(wěn)及相互耦合等復雜特征，傳統的時域、頻域和時頻域特征分析方法應用受到了限制，亟需引入新的非平穩(wěn)、非線性信號處理方法和模型，實現振動信號動態(tài)特征的有效的獲取，以準確刻畫和描述軸承的運行狀態(tài)特征。為此，利用本文提出的瞬態(tài)能量特征診斷模型和非線性特征定量描述方法，對風機模擬實驗平臺正常運行時的軸承振動信號進行了簡單分析，進而對齒輪箱軸承故障平臺進行了實驗驗證。
在 22kW 風力發(fā)電機系統實驗平臺上驗證本文提出的方法。如圖 5-1 和圖 5-2 ，實驗平臺主要包括變頻器、減速齒輪箱、增速齒輪箱、發(fā)電機、轉矩轉速(T/N)傳感器等。由變頻器、電動機、減速箱構成模擬自然界中風速的部分，然后通過增速齒輪箱，將轉矩傳送到雙饋發(fā)電機發(fā)電并通過變頻器進行并網。通過變頻器調速可以模擬實際工況下風力發(fā)電機運行狀態(tài)。
如圖 5-3 所示，利用信號采集分析系統和加速度傳感器構成的振動測試系統采集不同轉速工況下發(fā)電機軸承端振動信號。圖 5-4 給出了不同工況下振動信號時域波形及其頻譜圖。從圖中看出，正常狀態(tài)下的振動信號幅值較小，變化隨機，無規(guī)律性，也無沖擊現象；但是如果軸承出現早期故障時，時域圖中會有明顯的沖擊特征。

  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