信号处理技术的计算工作量和效果在机器状态监测和故障诊断

Arun Kumar¹阿努普米希拉博士²

博士学位的学者,Dr.C。比拉斯布尔V拉曼大学C.G.印度¹
电气和电子学系Bhilai理工学院,杜尔格、印度²

文摘

振动信号分析是可靠的早期故障诊断和状态监测的方法。振动信号进行动态信息的机器,当故障机的一些动力学机开发的变化改变了振动模式。机器故障诊断基于持续评估过程需要有效的信号处理和特征提取技术。计算信号处理技术的努力扮演重要的角色在实时状态监测和故障诊断的努力寻找和验证的有效性给出不同的信号处理技术的计算工作。小波变换的鲁棒性也在本研究中讨论。实验结果表明,该方法可以作为状态监测的有效工具。

关键字

峰度,DWT,轴承故障

介绍

缺陷或故障在旋转电机导致严重后果的停机时间和失败。断层一般分为电气故障和机械故障,转子故障,做空将故障在本质上是电和失调,不平衡,齿轮故障、轴承故障是机械故障的类型。百分之五十以上机器故障的机械性质,其中大多数是有关轴承故障中,百分之九十的人内心的种族和外环类型[1][8]。振动信号是非常重要的是用于故障诊断的一些最近的研究在故障诊断领域,由几个研究人员报道,McInery, S.A.et al。(2003)提出了一种滚动轴承故障诊断技术的帮助下工业通过包络分析模块和峰态特性[1]。像峰度Bhende境出版社(2011)特性,波峰因素、形状因子和冲动因子用于比较信号使用时间和频域分析技术[2]。提出m . j .出版社(2004)提出了一个技术使用均方根(RMS)作为故障特征与原始振动信号小波包分解,提出一个径向基函数神经网络故障诊断模型[3]。Bechhoefer E &米歇尔kingley(2009)提出的绩效评估方法时间同步平均当没有转速表信号可用。他们还提出了背景和TSA[4]的属性。RMS轴承损伤特征提取相关使用小波变换不同的机器的老化周期提出了克朗等,艾尔(2003)[5]。Wang H. et al (2009) developed a method based on the kurtosis wave and information divergence for rolling element bearing fault diagnosis, also compare the proposed method with the traditional envelop spectra [6].

各种信号处理技术用于机器故障,如傅里叶变换(FFT),希尔伯特黄变换(HHT)伽柏变换(GT)短时傅里叶变换(STFT)。FFT方法很容易实现,通常用于固定信号但是无法显著成果等非平稳信号振动[9]STFT用于分析瞬态信号在时频域修复窗口大小,导致可怜的频率分辨率,以上问题是克服小波变换多分辨率分析。DWT提供高时间分辨率的高频率和高频率分辨率低频率。

离散小波变换,小波包变换,经验模态分解,能量分布一些信号处理技术应用于故障诊断在时频域。提出工作的主要目的是验证的有效性和鲁棒性方面的不同的信号处理技术分析的计算时间和精力轴承相关的错。

离散小波变换

小波变换是信号的相关性变化和扩展的过程与小波持续时间。DWT是离散的抽样比例和参数不改变的信号。DWT许可证系统将信号分解为可与最小失真的信号,这个过程是通过使用两个通道Mallat.1989提出的子带编码器,低频率和称为近似和高频带称为细节[1][10][11][12][17]。小波分析将信号转移和扩展的版本被称为母小波函数,DWT使用滤波器组的低通和高通滤波器是紧随其后的是抽样计算近似和细节系数近似是低通滤波和细节是高通滤波器来自母亲小波,这个过程继续近似(低频)系数增加的分解层级上通过进一步打破在近似部分和细节如图1所示。的形状和这些滤波器的频率响应取决于母亲的类型和顺序中使用小波分析。

实验装置和数据使用

标准的收集数据集的测试设置由振动数据中心“凯斯西储大学”[7]大学准备的实验装置由2 hp电动机运行在每分钟1730转的速度,传感器/编码器,测功器和控制电子产品。测试电机轴轴承支持。振动信号采集与加速度计,附着在住房与磁基地。在一些实验中,加速度计在电机支撑底座。16通道DAC记录器和Matlab环境被用来收集和处理数据以每秒12000个样本。四组从实验得到的数据建立一个在正常条件下,内部竞争条件和外部竞争条件滚动体缺陷的0.7”,0.14”和0.21”分别损害的严重程度。

最常见的故障缺陷,在滚动轴承外圈内套缺陷和轴承缺陷。轴承故障频率取决于轴承的几何形状和轴运行频率图1显示各自的缺陷轴承的故障类型。

详细规格的轴承是表1中列出。故障特征频率取决于轴承的几何形状和尺寸。数学表达式的汤米·s . Chow et al . 2004 [18]。关联不同的轴承故障类型与机器的旋转频率和轴承几何。

表2中列出的故障特征频率,说明轴承故障的特征频率下内心的种族,外环和轴承元素缺陷

故障检测和参数提取

五个不同的预处理技术和13个不同的均方根等传统功能,峰度,波峰因素,FM0, NA4等用于振动信号分析与故障检测,这些信号处理;1)原始信号分析,2)时间同步平均(TSA), 3)剩余(RES)信号分析4)微分(DIF)信号分析5)带通网信号(BPM)分析[3]。大量的分析技术和方法已报道领域的状态监测和故障诊断中,从汽车空调后收集的原始振动信号和直流分量去除用于故障检测[5][13]。时间同步平均(TSA)是一种预处理技术,振动信号的传感器,分割是基于同步触发信号。它是用来提取重复的加性噪声的信号。在TSA方法的原始数据划分成段长度相等的块相关同步信号和平均在一起[14]。重复频率的准确知识所需的信号或信号与期望信号是同步的(如轴运行频率)的基本需要的过程。时间同步平均振动数据的获得关于轴运行频率,一个轴旋转的频率是29.95赫兹或1797 RPM。一个母亲小波用于DWT Sym 8。8级的信号分解用于DWT,将信号划分成八个细节和最后一个近似系数。 This component covers the entire frequency spectrum in different band width. Detail at the eighth level contains the shaft running frequency in it as show in the table 3. Three different fault type of rolling element bearing, Inner race, Outer race and ball bearing defect are detected in the proposed work using the DWT of the TSA of the vibration data. It gives a simplified procedure for fault diagnosis using kurtosis as statistical parameter based on DWT. Kurtosis trained of detail ‘D6’ corresponds to the characteristics fault frequency as tabulated in the table 2 are compared with the other statistical parameter such as the RMS Crest factor. The variation in the kurtosis value respect to the fault severity are tabulated and demonstrated in the Figure 3. A signal acquired from the accelerometer can be is used after TSA based pre-processing in frequency domain or time-frequency domain analysis techniques as reported in [5][13][14]. A FFT method provides the frequency domain analysis, DWT, HHT [15] Empirical Mode Decomposition (EMD) [12] Wigner’s Ville Distribution (WVD), wavelet packet analysis (WPT) provides the Time frequency domain analysis. Each technique has its own advantages and limitation in which the computation time plays important role in the real time diagnosis of the fault. A comparison of the all the signal processing technique based on their computations time required for analysis of the signal is demonstrated using the bar chart in the Figure 4.

结果与结论

实验过程中讨论工作利用基于TSA的前处理方法和时频域信号处理方法DWT检测轴承各种故障。实验数据表明,峰度值通常保持在2的条件一旦故障发展,最初它过度在不同范围的振幅对不同故障类型如[13]所述。当故障严重程度增加从0.7“0.14”和0.21”最初在大小、峰度值涨溢,此后开始下降,落魄,如图3所示。峰态的振幅的变化仍在不同的范围不同的故障类型,但没有这样的分类变化发生在RMS值和峰值系数列表在表4,表5和表6所示。

故障诊断基于本实验过程中使用TSA方法有效地诊断轴承故障等内部种族,外环和轴承故障轴承故障如IRF BRF ORF成功和更有效地检测到使用峰度作为统计参数代替RMS和波峰因素。

各种信号处理技术的适用性进行了验证的计算图。4说明和比较不同的信号处理的计算工作量计算最高的工作是观察到的遗传性出血性毛细血管扩张症,最低的是在DWT,可以选择这个DWT与最低计算最合适的信号处理工作。

表乍一看


表1	表2	表3

表4	表5	表6

数据乍一看


图1	图2	图3	图4

引用

Mcinerny S.A.戴和Y”基本振动信号处理轴承故障检测,IEEE事务和教育)Vol.46,第一,页149 - 156。2003年
Bhende a .和G.K. Awari SP Untawale”评估轴承故障检测使用振动信号分析”VSRD-TNTJ,第1辑,5号。249 - 261页,2011年
Devaney M.J.和Levent Eren”监测感应电动机电流和检测轴承失败IEEE仪表和测量杂志”也。1094 - 6969/4 30 - 50页,2004年
Bechhoefer大肠和迈克尔•金斯利”审查时间同步平均算法”进行的进行的预测和健康管理协会的年会上,2009
克朗和夫人艾米奈阿亚兹”特征提取相关的小波分析在电机轴承损坏”《frankline研究所。340年,卷125 - 134页,2003年
王h和彭”故障分析方法基于峰度波和信息散度滚动体轴承“ws系统Vol.8事务,10号,1155 - 1165页,2009年
,www.csegroups.case.edu/bearingdatacenter/pages/12k-drive-end-bearing-fault-data轴承数据中心。(凯斯西储大学)。
Santhana a R & n Murali”Morlet小波UDWT去噪和基于EMD的轴承故障诊断”电子产品,17卷,pp.01 - 07年10号,2013年
贾P, A.K.Wadhwani, K.B.Mulchandani”评论文章;机器故障特征分析,国际期刊的旋转机器,vol.2008 Hindawi出版corporatoion”IJRM,卷。2008年。援助583982页1 - 10,2008年
Kumar & Sarita Chokhandre, Anup Mishra医生“基于离散小波变换的信号stegnography和加密”。2012年5月4日No.05卷
Bendjama H et al。“应用程序”在旋转机械故障诊断的小波变换2第一卷82 - 86页
Mallat s . g .“小波信号处理之旅”学术出版社,第二版汤米s . Chow et al。“inducation机器故障诊断分析与小波”IEEE事务,卷。51 No.03.1998
Lebold M, Mcclintic。k,坎贝尔。R”检查齿轮箱的振动分析方法诊断和预测”第54会议进行的社会机器故障预防技术,(54)623 - 634页,2004年
Bechhoefer大肠和迈克尔•金斯利”审查时间同步平均算法”刺激。在进行预测和健康管理协会的年会上,2009
彭Z。K和F.L.楚”应用程序的机器状态监测和故障诊断的小波变换:复习参考书目,科学指引,机械系统和信号处理研究,199 - 221页,2004年
Eftekharnejad B和核磁共振卡拉斯科B恰尼,D m .“Accostic发射光谱峰态和振动的应用从一个有缺陷的轴承“爱思唯尔机械系统和信号处理25卷,266 - 284页,2011年
Mallat s g”小波多分辨率信号分解的一个理论:表示“IEEE模式分析与机器智能卷II七号。1989年
汤米s . Chow et al。“inducation机器故障诊断分析与小波“IEEE事务,51 No.03卷2004年6月。