一种时频域小波包自适应共振解调故障诊断方法

《一种时频域小波包自适应共振解调故障诊断方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、一种时频域小波包自适应共振解调故障诊断方法故障特征向量提取是关系到故障诊断能否成功的关键。对于故障特征参量从时域中提取，而在频域，故障诊断的研究主要集中于各种频谱分析，对于频域特征参量的研究较少。而事实证明，仅从时域获取的特征参量明显存在故障信息的不完备性，进行故障诊断时难以得到满意的确诊率。因此，如何从时域和频域获取敏感的故障特征参量来增加故障信息的完备性，是一个迫切需要解决的问题。旋转机械发生故障时，其表现最明显的现象是振动加剧，其各故障状态对应的附加振动分量是以共振的形式由内向外传递。低频带信号受干扰十分严重，

2、而高频段受干扰要小很多，故选高频段来进行信号处理，这样能提高信噪比，凸显故障特征。确定高频共振频率的传统方法必须事先通过冲击试验确定高频共振频率，以确定带通滤波器的中心频率，且带通滤波器的中心频率和带宽固定不变；基于此的故障诊断方法有两个缺点，一是带通滤波的中心频率必须等于系统的共振频率，否则将很容易导致诊断失败，二是带通滤波器的中心频率和带宽是根据某一类特定系统的高频共振频率而设计的，是固定不变的，如果另一类系统的高频共振频率与该高频共振频率不相同，那么所设计的信号处理方法就不适用了。研究能自动识别共振频率的信号处

3、理方法是急需的。1多信息域特征向量时域分析是研究信号的形态随时间变化的规律，抽取必要的特征量以作为对信号判断与识别的依据。由文献［2］的研究成果可知，有量纲时域参量受各种条件影响较大，不适合作为故障特征。而无量纲参量对不同类型故障的敏感性和稳定性差异较大，常用的指标有波形指标工、峰值指标X、脉冲指标I、裕度指标A和哨度指标K。频域分析是研究信号的能量或功率随频率变化的规律，或研究信号的能量或功率在各频段的分布规律，从而为信号的进一步处理提供依据和手段。由文献［3］的研究成果可知，重心频率①X、均方频率M工①、频率方差

4、？①对不同类型故障的敏感性差故障特征向量提取是关系到故障诊断能否成功的关键。单以某一域来分析信号提取故障特征，就会丢失部分故障特征信息，可能导致误判，为确保故障特征信息的完备性，从时域、频域中提取多个参量构建出了液压泵故障诊断的多信息域特征向量。2小波包滤波去噪包络解调信号处理方法早期故障的信息微弱且信噪比小，故障特征都淹没于背景噪声，直接对原始信号进行分析，早期故障特征信息很难被提取出。信号经过小波包滤波去噪处理后，其反映了突变信号的重复频率及其变化的规律，包含着设备故障模式的丰富信息。为更加有效地提取到这些故障信

5、息，先对高频频带所对应的小波系数进行H订bert包络解调处理，再对包络信号进行低频段包络频谱分析，这就是基于小波包滤波去噪的包络解调信号处理方法。3小波包自适应共振解调的故障诊断方法自适应共振解调技术的基本特征，就是在共振解调技术的实现过程中带通滤波器的中心频率不是固定不变，而是能够根据被测对象的高频共振频率自适应地变化。文献［5］和以上分析可得自动识别的小波包信号处理的故障诊断方法。4应用研究在液压泵故障诊断中，采用数据采集卡连接一个振动传感器，对轴向柱塞泵MCY14—1B前端盖振动信号进行采集，如图1所示。采用文

6、献给出了KPCA法来诊断故障，为验证自动识别的小波包信号处理的故障诊断方法的效果，选用小波包包络解调信号处理方法与自动共振频率的小波包包络解调信号处理方法作对比，其中小波包的分解层数为4,提取16个特征参量构成多信息域故障特征向量，训练样本集由50组正常样本构成，测试样本集由100组故障样本组成。在不同域参量构成特征向量下，两种数据处理方式的诊断结果，如表1所示。分析上表可知，以单纯时域、频域特征参量构成的故障特征向量，确诊率不高；以时频域故障特征向量诊断故障，确诊率高。基于小波包包络解调信号处理方法的故障诊断方法，

7、只能诊断已知故障，由文献[5]知，轴向柱塞泵的已知常见故障的共振特征频率集中在3.75kHz附近频段和8kHz〜12kHz,故选此频带进行分析，可见，该方法所分析的频率范围宽，确诊率低，而基于自动识别共振频率小波包包络解调信号处理方法的故障诊断方法，能自动识别各种已知和未知的故障的共振频率，分析的频率范围窄，确诊率高。5结论1)以单一信息域的特征向量来诊断故障，会丢失部分故障信息，确诊率低，而以时频域参量共同构成的特征向量来诊断故障，能充分确保故障特征信息的完备性，确诊率高。2)基于自动识别共振频率小波包包络解调的故

8、障诊断方法，能自动识别各种已知和未知的故障的共振频率，且所分析的频率范围窄，确诊率高。参考文献[1]王平，廖明夫.滚动轴承故障诊断的自适应共振解调技术[J].航空动力学报，2005,20(4)：606—612.[2]ShengqiangWu,WanluJiang.StudyonDataFusionFaultyDiagnosisMethodofH