基于复杂调幅模型的循环平稳方法对风机振动特征的提取

摘要

一种基于复杂调幅模型的循环平稳方法对风机振动特征的提取的方法，包括以下步骤：使用加速度传感器采集风机的振动加速度信号；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；利用旋转机械的复杂调幅模型的先验知识，构造三维循环密度谱以及减小幅值差异的三维循环密度谱的二维俯视图；根据二维俯视图判断调制频率，根据三维循环密度谱判断载波频率；用得到的调制频率和载波频率按复杂调幅模型建立仿真信号，处理得到相应的检测结果，与实际检测结果进行比较，验证特征提取的正确性；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。

说明书

技术领域

本发明属于信号处理与特征提取领域，尤其涉及到一种基于复杂调幅模型的循环平稳方法对风机振动特征的提取的方法。

背景技术

循环平稳信号处理是近来兴起的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。

附图说明

图1是本发明的步骤示意图；

图2是本发明的循环平稳处理结果后传统频谱图；

图3是本发明的循环平稳处理结果后三维循环密度谱图；

图4是本发明的循环平稳处理结果后循环密度谱图；

图5是本发明的用循环平稳的相同处理方法对该仿真信号进行了处理后的传统频谱图；

图6是本发明的用循环平稳的相同处理方法对该仿真信号进行了处理后的三维循环密度谱图；

图7是本发明的用循环平稳的相同处理方法对该仿真信号进行了处理后的循环密度谱图。

发明内容

本发明提供了一种基于复杂调幅模型的循环平稳方法对风机振动特征的提取的方法，能够准确提取风机振动信号的复杂调幅模型的频率参数，对了解信号的本质和进一步处理和解析信号起着最根本、最基础的指导作用。

一种基于复杂调幅模型的循环平稳方法对风机振动特征的提取的方法，包括以下步骤：

步骤一，使用加速度传感器采集风机的振动加速度信号；

步骤二，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；

步骤三，利用旋转机械的复杂调幅模型的先验知识，构造三维循环密度谱以及减小幅值差异的三维循环密度谱的二维俯视图；

步骤四，根据二维俯视图判断调制频率，根据三维循环密度谱判断载波频率；

步骤五，用得到的调制频率和载波频率按复杂调幅模型建立仿真信号，处理得到相应的检测结果，与实际检测结果进行比较，验证特征提取的正确性；

步骤二中，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：α为循环频率、f为频谱频率；x为待测信号；X为信号x的频谱；*表示共轭复数。

步骤三中，所依据的复杂调幅模型的数学表达为：

其中：A_i、B_j为调制幅度和载波幅度；α_i、β_j为调制频率和载波频率的2倍；v(t)表示随机信号；t为表示时间；N、K表示数目。

步骤三中，构造三维循环密度谱和减小幅值差异的二维俯视图的步骤为：

a.由循环平稳特征函数计算得到的循环密度函数，从对应的点和函数值，构建三维循环密度谱；

b.将循环密度的函数值取10的对数，判断其对应的函数值范围，取一定的取值区间，将其余函数值赋值为对应的最值；

c.根据对应的坐标点和函数值，构建三维循环密度谱的二维俯视图。

步骤四中，提取风机振动特征的过程为：依据调制频率和载波频率对循环密度谱的影响，通过三维循环密度谱和二维俯视图分离出各自的影响，先从二维俯视图的线谱上判断调制频率，再在已确定调制频率的基础上，从三维循环密度谱上的峰值通过复杂调制模型的循环密度谱结果逆推出载波频率。

本发明在一定程度上解决了传统信号处理方法假设信号为平稳信号的问题，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。

这样，按照复杂调幅模型得到的调幅频率和载波频率也就更贴近风机振动的本质，能在一定程度上还原了风机振动信号，对进一步的信号处理和实际生产都具有现实的指导意义。

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的步骤。

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，计算循环密度谱：

其中：α为循环频率、f为频谱频率；x为待测信号；X为信号x的频谱；*表示共轭复数。

其中x的复杂调幅模型的数学表达为：

其中：A_i、B_j为调制幅度和载波幅度；α_i、β_j为调制频率和载波频率的2倍；t为表示时间；N、K表示数目。

经过一系列的推导，x的循环密度谱的结果为：

其中P_v(f)表示信号v(t)的功率谱。

通过循环密度谱对应的循环频率和频谱频率，画出三维图，即得到三维循环密度谱。

S03，得到的循环密度谱幅值差异较大，通过求取循环密度谱函数值得10为底的对数，得到相应的函数值范围；

S04，根据得到的对数函数值范围，设置最值限制，将其余值赋值为对应的最值，根据对应的循环频率和频谱频率，以色彩表示幅值，绘制三维循环密度谱的俯视图(一般采用彩色效果最佳，本文由于限制，采用灰度图)。

S05，保存得到实际数据的循环密度谱，包括三维循环密度谱和其二维俯视图；

S06，从二维俯视图的线谱上，由S03得到的结果，逆推出调幅频率：

S07，在S06的基础上，进一步由S03的结果以及三维循环密度谱的点的峰值，逆推出载波频率；

S08，由所得调幅频率和载波频率构造仿真信号，经循环平稳处理后，与保存的实际数据的检测结果对比验证提取特征的正确性。

为了具体表现本方法在风机振动特征提取领域的优势和特征，对轴流小风机在10Hz正常工况下的振动加速度信号进行了采集和处理，其循环平稳处理结果分别如图2、图3和图4所示。

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，尤其是叶频80Hz，检测效果不好。

进一步，按照上述方法，对该采集到的振动信号进行了特征提取，得到仿真信号x(t)＝[1+cos(20πt)+cos(80πt)+cos(120πt)]*[N(0,1)+cos(20πt)]。进一步，用循环平稳的相同处理方法对该仿真信号进行了处理，得到如图5、图6、图7的处理结果。

通过对比发现，在频谱、三维循环密度谱以及循环密度谱上，幅值和频率都有一定的相似，但并不完全一致。考虑到仿真信号调幅频率和载波频率幅值与实际信号的差异以及频率特征提取的不完全性，该仿真信号在一定程度上，从本质上揭示了风机振动信号的模型的正确性以及特征提取的优越性，对进一步的数据处理以及生产时间具有实际指导意义。

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。