振动波检测（精选七篇）
振动波检测 篇1
低速磨煤机主要是滚筒式钢球磨煤机,一般简称钢球磨或球磨机,是火力发电厂煤粉制备系统的主体设备。目前,它被国内外火电厂大量采用,据相关资料统计,在国内发电厂中钢球磨煤机占各类磨煤机总量的60%以上[1],而球磨机的电耗高达厂用电的20%左右,维持球磨机在最佳工况运行是制粉系统节能降耗的重要手段。球磨机滚筒内存煤量是影响球磨机最佳运行的关键因素之一[2]。因此,对料位即滚筒内的存煤量的准确检测,是实现电厂节能降耗急需解决的问题。但球磨机料位通过直接检测的方法难以实现,料位的间接检测是目前工业生产中的常用方法[3,4]。
本研究主要介绍基于振动信号小波分析的球磨机料位检测。
1 球磨机轴承座振动信号的特点
实验球磨机型号为MG3560B-00,通过对球磨机轴承座安装振动加速度传感器,设置了进煤端水平测点、进煤端垂直测点、出煤端水平测点和出煤端垂直测点。4个测点的传感器和数据采集装置相连,实现了对信号的采样和存储,采样频率为12 800 Hz,一次采样点数为2 048点。在钢球装载量34 t时的某一工况下,对球磨机轴承座出煤端水平方向的振动加速度的一次采样,如图1所示。
在球磨机系统中包含球磨机滚筒、电机、一级减速
器和二级减速器等主要部件,与之相对应的各部件的特征频率,如滚筒的工作频率f1=0.29 Hz,电机工作频率f2=16.42 Hz,一级减速箱内齿轮的啮合频率fm1=295.5 Hz,二级减速齿轮啮合频率fm2=61.01 Hz,这些特征频率主要集中在低频部分,在信号处理时应避免这些特征频率对料位信息的干扰,而从滚筒内存煤量的角度来看,球磨机轴承座振动信号的产生是滚筒上振动信号的传递,滚筒上的振动主要由滚筒内钢球冲击衬板和煤块、钢球之间的自撞引起的,筒体内存煤量越多,钢球冲击衬板和煤块产生的冲击会越小,钢球之间的自撞的概率也会越小,因此,滚筒内的存煤量与球磨机的振动能量之间存在一一对应关系,并且在钢球的冲击频率和自撞频率的周围存在更能反映存煤量多少的频段,即为特征频段,主要表现在信号能量比较集中在中、高频部分。
2基于小波分析的球磨机轴承座振动信号分析
2.1 小波分析技术简介
小波分析是一种窗口大小固定不变但形状可改变,时间窗和频率窗都可以改变的时频局部化分析方法[5,6]。小波分析技术在处理球磨机振动信号时主要应用的是一维离散小波变换,其实现算法是Mallat算法,即先对较大尺度的信号进行小波变换,再选取其中的低频部分在原尺度的1/2尺度上再进行小波变换,一步分解后产生2个系数:近似系数和细节系数,近似系数逼近信号的低频部分,细节系数逼近信号的高频部分,小波分析是对近似系数重复单步分解,从滤波器的角度看,小波分析和滤波器组存在一定的关系,相当于信号通过一组不同的滤波器进行自适应滤波,而每次滤波相当于只对低频部分再滤波,而对于球磨机振动信号中包含的料位信息的特征频段,有可能存在于高频部分,则需要通过小波包分析技术实现,小波包分解技术是对细节系数进行再分解,分解后形成了一个树形结构,每层节点个数为2N(N为分解层数)。假设信号中的频率范围[0,fs],则每个节点的小波包系数逼近的频段大小为fs/2N。
2.2 小波函数的选取
使用小波包分解的方法处理球磨机振动信号时,不同频段的能量集中对信号处理很重要,同傅里叶分析不同,小波分析的基(小波函数)不是唯一存在的,要保证小波变换的能量更为集中,应该选择合适信号的小波函数[7],对于球磨机振动信号的小波函数的选取主要通过对不同的小波函数进行小波变换,依据小波函数自身的特点,选择分析频段上能量集中较好的小波函数。本研究选择小波函数db4、db8和sym8分别对信号进行小波变换,第5层的细节系数的频谱,如图2所示。从理论上分析,进行小波变换的第5层的细节系数其频率范围为200～400 Hz,对不同的小波函数进行小波变换的对比可以看出,使用db8和sym8小波函数进行的小波变换比db4变换后的频段能量更为集中在200～400 Hz内,则本研究采用的小波函数为db8。
2.3 球磨机振动信号能量的表征
随机信号的一般统计特性,包括期望、方差、相关函数等,分析球磨机轴振信号能量时使用标准方差来表示,标准方差计算公式为:
式中 x(n)—离散信号,μx—信号均值。
由于球磨机振动信号是非平稳的,一次采样的数据不能完全反映信号本身的能量,当样本有多个时,采用对多个样本计算标准差的期望来表征某工况下信号平均能量大小。
小波包分解利用的是小波分析技术中的滤波器组的功能,其特点是对振动信号的不同频段进行自适应滤波,对球磨机振动信号进行小波包分解,可以得到各个频段的能量分布,小波包分解的方法具有计算方便和自适应滤波的优点,并且可以反映多组数据的不同频段能量的分布,以便于相互比较、寻找信号之间的规律性。本研究通过对采集的振动信号进行小波包分解后的节点系数计算标准方差来表征某工况能量,提取反映料位信息的特征值。
3 实例分析
通过对不同给煤量下采集的轴承座振动信号进行小波包分解,假设每一个给煤量下,球磨机滚筒内的存煤量相同,即在球磨机正常工作下,同一给煤量下反映的料位基本相同,对每个工况下相同节点的小波包系数求多个文件的标准方差期望,来反映滚筒内存煤量的多少,由于球磨机振动信号是一个非平稳的随机振动信号,每次采样的2 048点数据文件只是对信号的一次截取,理论上采样文件的个数越多,越能真实地反映信号的能量。
3.1 测点的选取和特征频段的选取
通过设置不同的工况,即在不同的给煤量下采集多组数据,对4个测点中采集的振动数据进行4层小波包分解,对分解后16个节点系数计算标准方差并累加来表示信号能量的大小,分别计算16个频段内信号能量随给煤量变化情况,某一节点内的信号能量随给煤量变化曲线,如图3所示。
通过比较,可以确定轴承座上水平测点比垂直测点的振动能量大,对料位信息比较敏感,而出煤端水平测点的规律性和稳定性都比较好,因此笔者选取了轴承座出煤端水平测点。
通过两次实验数据的比较分析,得到能够反映料位信息的稳定的特征频段为1 600～2 000 Hz。
3.2 料位标定
3.2.1 5%料位标定实验
实验设置:钢球量34 t,启动球磨机,将给煤机变频器开度设为40 t/h对应开度,启动给煤机(只进煤不出煤),运行3 min后停止给煤机,保持球磨机运行,直到振动信号稳定,在此期间保存采集的振动数据。
选择出煤端水平测点振动数据,计算出在特征频段1 600～2 000 Hz内5%料位下信号能量均值为20.514 7。设定给煤量0 t/h时,料位为0,此时通过以上方法计算出平均能量为39.584 7。
通过不同的钢球装载量比较得到的理想的料位变化曲线,如图4所示。此时钢球装载量为40 t,由多次实验数据的对比可知,在滚筒存煤量少时,平均料位随给煤量增加呈线性下降,变化明显,在滚筒内存煤量多时,平均料位变化缓慢,变化不明显。因此在低料位时通过如图4所示曲线进行一维插值计算可得到不同给煤量下的料位,然后对插值公式修正,在高料位时,通过曲线拟合,最终推导出由振动信号能量计算料位的公式:
其中,
3.2.2 20%料位标定实验
实验设置:钢球量40 t,启动球磨机,将给煤机变频器开度设为40 t/h对应开度,启动给煤机(只进煤不出煤),运行12 min后停止给煤机,保持球磨机运行,直到振动信号稳定,在此期间保存采集的振动数据。
通过式(2)计算出实验中采集的振动数据所表示的平均料位为18.027 4%,以及实际标定的料位的相对误差为0.098 6,验证了公式的正确性。
3.3 料位检测的实际应用
对球磨机运行中的3个工况进行料位的检测,如图5所示。结果表明,此方法可以通过轴承座的振动信号准确地检测到不同工况下的料位信息。
在稳定工况下运行时检测到的料位,如图5(a)所示。此时的料位在图中料位检测曲线(小波包降噪检测到的料位曲线)上下波动,球磨机运行正常。在球磨机开机运行不加煤的情况下检测的料位,如图5(b)所示。料位检测此时的料位约为1%～1.5%左右,可以判断此时滚筒内存煤量很少,和实际情况一致。如图5(c)所示,检测到料位达到90%以上,此时已经存在严重的堵煤现象,与现场的情况一致。堵煤后恢复到清空滚筒内存煤量的过程,料位检测可以很清晰地反映出来,此时的工况记录为:钢球量34 t,给煤量35 t/h,此时的料位(通过预测)约为6.254 8%,和实际检测到的情况吻合。
4 结束语
通过对球磨机轴承座的振动加速度信号进行分析,采用小波分析技术对采样数据进行不同频段能量分布分析,寻找振动信号中能够反映球磨机滚筒内存煤量多少的特征频段,为实现料位的检测提供了一定的理论依据。另外,本研究通过小波包降噪实现了对球磨机料位的实时检测,为球磨机的安全稳定的运行提供了保证,同时为实现通过料位对球磨机进行优化控制提供了依据。
参考文献
[1]吕权息,汪思源,张翔.振动信号在球磨机料位监测系统的运用研究[J].控制系统及其应用,2002(2):32-34.
[2]唐林鹏.基于多参数的磨煤机煤位检测技术与系统[D].哈尔滨:哈尔滨理工大学测控技术与通信工程学院,2004.
[3]郑势,王秋光,石雨涛.采用小波变换的有效值和频率测量方法[J].电器应用,2007,26(2):101-104.
[4]周越,司刚全,曹晖,等.功率谱分析在筒式钢球磨煤机内存煤量测量中的应用研究[J].工业仪表与自动化装置,2006(6):21-32.
[5]WOLFGANG H,GERARD K,DOMINIQUE P,et al.Wave-lets,Approximation and Statistical Applications[M].Ber-lin-Paris,1997.
[6]刘明才.小波分析及其应用[M].北京:清华大学出版社,2005.
振动波检测 篇2
关键词：多层媒质,传递矩阵,振动能量,反射系数,透射系数,衰波,隔振
随着海洋权益在国家战略中的地位不断提高,舰船向大型化、综合化、高速化方向发展,舰船的安全性和隐蔽性对于军队的国防和战略意义愈发重要。如今的水声观通设备作用距离越来越远,声自导、声引信兵器的应用日益广泛,均给舰船声隐身技术提出了更高的要求,各国海军在高速的军备竞赛中,均将舰船的声隐身技术纳入了研究的重点。舰船中低航速航行时,主要的振动噪声是由机械设备运转而产生的结构振动噪声,并且振动频率主要集中在1 k Hz以下的低频段［1］,结构振动噪声通过支撑基础、管路系统及空气传向船体,激励船体振动并向水中辐射噪声。研究表明: 结构振动噪声通过支撑基础传递的能量为主要部分,控制其传递的最有效手段是对机械设备采用隔振技术［2］。
隔振技术由于其具有高效的减振能力,便捷的安装操作,使得国内外学者将近年来研究重点集中在隔振系统核心元件作动器和隔振器的研发与应用上,并取得了诸多成果［3，4］。海军工程大学何琳等人自主研发的船舶主机气囊隔振元件也已成功地实现了工程化应用,其中JYQN系列型号的舰用气囊隔振效果良好［5］。张树桢等［6］在研究中将气囊填充弹性单元体和液体( 混合介质) 来替代气体,解决了气囊漏气问题,并得出了混合介质隔振器径向稳定性强的结论。固液混合介质隔振器在低频重载隔振方面有着明显优势,所以已有不少文献对该隔振器的隔振、缓冲等诸多动力学问题进行了研究［7—9］。可以看出,衰波媒质的填充在隔振技术中的应用日渐广泛。文献[10]在总结现阶段国内外舰船机械振动噪声的主要控制技术及其优缺点的基础上,文献[11]提出向封闭的隔振元件填充多层流体衰波媒质,利用振动波在各媒质层间的传递特性最大程度上对其进行衰减的思想,如图1 所示。与填充单一媒质相比,多层衰波媒质使得振动波在传递过程中受到包括反射、透射、吸收、激发液表面波等多种衰波机制的综合衰减作用,最大程度地使隔振性能充分发挥,达到高效衰波隔振目的,从根源上提升舰船减振降噪能力。因此研究多层流体衰波媒质结构在振动波斜入射下的能量传递模型,并推导传递系数公式,为衡量整体结构衰波效率提供重要指标,也对多层衰波媒质的隔振结构设计与应用具有重要意义。
振动波在多层衰波媒质中是以声波的形式进行传递,在声学边界条件的基础上,利用矩阵传递法建立了多层衰波媒质的二维传递矩阵数学模型,并推导出传递系数的一般计算公式,并探讨了多层流体衰波媒质中振动波的传递特性。
1 传递矩阵模型的推导
1. 1 声场能量关系及振动能量表征
考虑实际声场中媒质的体积元 ΔV ,压强为p0,密度为 ρ0由振动波的传递使体积元获得的动能为,位移势能为,其中v是质点振速,c0为媒质中声速,p为声压,可得体积元内声能量为
则单位体积内的声能量即声能量密度为
设声场中声压p( t,x) = paej( wt － kx),质点振速v( t,x) = vaej( wt － kx),pa和va为声压和质点振速的幅值,将p( t,x) 和v( t,x) 的表达式取实部带入式( 1)中,并由得单位体积内声能量的瞬时值为
周期T内声能量的时间平均值及平均声能量密度为
根据声强的定义为通过垂直于声传播方向的单位面积的平均声能量流,可得声强与声能量、声能量平均值及平均声能量密度的关系为
在实际工程应用中,由于以结构物总的稳态振动能量或表面平均能量密度来评价该结构物的振动是无法直接测量的,因而在振级落差的评定方法中,测量参数一般为振动加速度,在区间( t1,t2) 内,信号能量的均方值为为振动加速度信号,采用式( 7) 表示采取隔振措施后的减振效果为［12］
式(7)中,为采用隔振方式后的加速度均方值,为采用隔振方式前的加速度均方值。当单自由度结构物受迫振动时,其稳态振动能量可表示为,式中m为单自由度结构物的质量,ω为外力圆频率。
因此,通过建立多层衰波媒质的二维声场传递矩阵数学模型,并计算声强传递系数即可求得多层衰波媒质结构中声能量的转换关系,进而与实测中结构物的振动能量变化进行比较以验证模型的准确性。由此可见,声强传递系数是衡量媒质结构衰波效率的重要指标。
1. 2 多层衰波媒质结构的声场传递矩阵
图2 为多层衰波媒质结构示意图,该多层体系的上下空间为半无限大空气空间。当振动传递以平面声波的形式斜入射多层流体体系时,在体系内仅产生纵波,并且每层的边界条件均满足声压连续、法向振速连续,因而可得第i层和第i + 1 层媒质的声压场,式中上角标i为媒质层,Di －1为第i层上界面x轴方向坐标,Pi= Pii+ Pir,Pi +1= Pii+1+ Pri+1,
在得出式( 8) 和式( 9) 的基础上,运用运动方程式
得出第i层和第i + 1 层的速度势［13］,
联立式( 8) 、式( 9) 和式( 11) 、式( 12) 得
式中A = e－ jkidicosθii,B = ejkidicosθii,di= Di- Di －1。将运动方程式( 10) 带入式( 13) ,式( 14) 得到第i层和第i + 1 层的声压、质点振速关系式:
式中,ρici为第i层特性阻抗,θii=θir,θi+1t=θi+1r,sinθii/sinθi+1t=ki+1/ki=ci/ci+1,ki为波数,整理式(15)、式(16),并将等式写成矩阵形式为
式中H和J即为第i层和第i + 1 层之间透射声场与反射声场的传递矩阵,具体形式为
1. 3 多层衰波媒质结构的声强传递系数
当 θi= 0 ,即入射波垂直入射,代入式( 17 ) 、式( 18) ,所得的第i层媒质和第i + 1 层媒质传递矩阵与文献[14]中所推导的声压传递矩阵Ai形式相同。式( 17) 声压传递矩阵可写成第i层的一般形式,进而可得n层传递函数如下
式( 19) 中,,并将上述已知条件带入式( 18) ,可得图2 所示多层媒质结构的声强反射系数 ξ 和声强透射系数 η 。
声波在流体媒质中传递,由于流体的粘滞性、热传导和分子的弛豫效应的存在,体现整体传递为能量衰减过程,其中与媒质材料特性阻抗相关的声速和波数改写为复数、声速和复数波数,εc和 εk分别是对声速和波数的损耗因子。
2 模型检验及分析
据上述原理,结合实际测量需要,设计的多层媒质衰波隔振实验装置如图3 所示。其中激振装置为LN30 /2 精密调速电机,振动频率为0 ~ 300 Hz,隔振装置为封闭的且填充多层衰波媒质,多层媒质为水和二甲基硅油。上层质量和下层质量均为5 kg刚性结构物,振动传感器采用ADXL345 型三轴加速度芯片,其量程范围可调,检测设备STC12C5A60S2 系列单片机。隔振装置填充不同媒质的隔振装置加速度振级落差如图4 所示。从图中可以看出,只填充水时隔振装置的振级落差随填充量的增加呈先增大后减小趋势,当填充水的质量为0. 4 kg时,振级落差达到最大,为9. 61 d B; 只填充橄榄油时,隔振装置的振级落差变化规律与只填充水时的基本一致,而当填充0. 45 kg橄榄油时振级落差最大,为10. 2d B; 同时填充水和橄榄油形成多界面混合媒质体系工况,在填充总质量0. 5 kg处,最大振级落差达14. 08 d B,隔振效果良好。
作为多层流体媒质结构的填充材料,既要有无味、不可燃和不易挥发等特点; 又需要各层流体媒质声学性能具有良好匹配性,使振动波在流体中透射较大,以至吸收衰波机制充分发挥; 同时,首层流体需要较低粘度,最大程度上激发液表面波,甚至出现液表面“液滴飞溅”现象,尽可能地衰减振动波能量。因此在选择流体媒质材料时,需要综合考虑其物化特性,专门选择硅油、水和二氯甲烷作为填充媒质。根据所建立的二维传递矩阵数学模型,计算填充媒质参数如表1 时的多层媒质结构吸收系数,并与文献[15]在相同环境下的结果进行比较,结果如图5 所示。从图中可以看出计算结果与文献[15]中的计算结果比较一致,表明所建立的二维传递矩阵数学模型是合理的。因此可以利用此模型进行多层衰波媒质在斜入射下各层媒质衰波性能研究。
3 结论
通过分析声场能量关系及振动能量表征,得出了利用声强传递系数作为多层媒质衰波隔振性能评定标准的结论,并在声学边界条件的基础上建立了声强二维传递矩阵模型,进而推导出传递系数的一般公式。通过专门的验证性实验,表明了多层衰波媒质隔振技术的高效隔振性能。同时,将模型计算值与文献中的计算结果相比较,证明了本文所建立的振动转移矩阵模型是准确的,为后续利用该模型进行舰船多层媒质衰波隔振特性研究奠定了坚实基础。
振动波检测 篇3
变压器是电力系统中比较昂贵且非常重要的设备,其稳定运行对电力系统起着至关重要的作用。自从20 世纪90 年代中后期,通过对变压器油箱表面振动信号的分析来判断绕组和铁心状况的方法被提出来后[1-3],国内外做了大量的研究工作[4-8]。文献[4-8]中提出的是应用一定的方法将不同工况下的变压器振动信号分解成不同的频谱成分,再根据分解出的频谱计算出特征参数,组成特征向量用以监测变压器的工作状态。文献中提到的方法都是对采集到的信号直接进行分析,没有考虑变压器不同测点间振动信号频谱之间的相互关系、相互干扰。因此,如何提取振动信号独立于其他测点信号的频谱成分对于建立能够有效表征变压器工况的特征向量至关重要。
变压器振动信号一般是非平稳、非线性的信号,传统的傅里叶变换不适用于非平稳信号的处理。交叉小波变换是建立在小波分析理论基础之上,在时频域内分析两个非平稳信号之间的相关性[9-11]。其被广泛应用于气象、医学等领域,且到得了一定的效果[12，13]。
本文应用交叉小波变换分析变压器不同测点间的振动信号,提取不同测点振动信号在时间-频率域内的相关特性,分析各测点信号之间的相关特性并得出每个信号独立性强的频率成分,为下一步特征参数的准确提取提供依据。实验结果表明,该方法能够有效得到振动信号的独立频谱成分,为近一步的特征参数提取以及变压器的状态监测、故障诊断提供参考。
2 交叉小波变换
对于能量有限的信号x( t) ,即x( t) ∈ L2( R)其小波变换为:
式中,a为尺度参数; τ 为时移参数; * 表示复数共轭。
对于两能量有限信号x( t) 和y( t) ,其交叉小波变换为[9，10]:
实际分析中,通常采用交叉小波尺度谱进行对非平稳信号进行分析,其定义为:
小波变换将一维信号在时域和频域中展开,可以分析信号变化的任何细节。在小波变换基础之上,建立交叉小波变换得到两个信号的相关性在时频域中分布状况,其变换系数表示这两个信号在时频域中存在相关性的大小,其值大小说明相关的密切程度。得出两个信号相关性强的频率成分,与单一信号的小波尺度谱相比较后,可以有效得出每个信号独立于其他信号的频谱成分。
Morlet小波在频域中具有高斯窗函数的外形[14],是最常用的复值小波,它是Gauss包络下的单频复正弦函数,在时域和频域内都具有较好的局部聚集性。Morlet小波数学表达式为:
其傅立叶变换为:
3 仿真信号分析示例
设有以下两个信号:
从表达式中可以看出,sig1由5Hz以及10Hz两种频率成分的正弦波组成,其中5Hz正弦波在0 ~10s一直存在,而10Hz的频率成分在3 ~ 6s之间存在,sig2由15Hz以及10Hz两种频率成分的正弦波组成,其中15Hz正弦波在0 ~ 10s一直存在,而10Hz的频率成分在3 ~ 6s之间存在。两个信号在3~ 6s内具有共同的10Hz频率成分。同时对两个信号加入高斯白噪声,以模拟真实的信号。
信号sig1与sig2的频谱及小尺度谱如图1 和图2 所示,图中灰度图为对应信号的小波尺度谱,其颜色深浅代表小波变换系数,其系数的大小由右侧的图标标示,上方为信号的时域波形,左侧为信号的频谱图。由小波的尺度谱图可以看出信号sig1中在全时间域均存在5Hz频率成分,而仅在3 ~ 6s内存在10Hz的频率成分,但因加入了噪声,在小波尺度谱中存在一定的干扰成分。小波尺度谱图与频谱图显示的频率成分相对应。同理,图2 显示出在全部时间域存在15Hz频率成分,在3 ~ 6s内存在10Hz频率成分。
应用交叉小波,对两个信号进行分析,得到交叉小波尺度谱,如图3 所示,从图中可以看出信号sig1与sig2在3 ~ 6s的时间内,在10Hz有着很强的相关性,由于两个信号的噪声相互独立,没有相关性,故在交叉小波尺度谱的时频空间中并没有值出现。
交叉小波变换对于两个信号频谱的相关性分析具有很强的分析功能,可以同时在时频域中得出信号的相关特性,是信号分析的有力工具。通过对比图1 与图2,可得出信号sig1独立于信号sig2的存在频率成分为5Hz。
4 变压器振动信号分析
4. 1 变压器振动信号特性
变压器器身的振动主要是由变压器本体( 包括绕组和铁芯) 的振动和冷却装置的振动产生的,电力变压器器身表面的振动信号与变压器铁心的压紧状况,绕组的位移及形状密切相关。研究表明,变压器本体的振动主要是由磁滞伸缩引起的铁心振动和负载电流引起的绕组振动形成的,冷却装置产生的振动集中在100Hz以下[7]。正常情况下,绕组振动信号频谱集中在基频100Hz处; 铁心振动信号主要集中在100 ~ 400Hz处,而1000Hz后基本衰减到零[8]。因此,可以通过对变压器油箱表面测得的振动信号基频及其高次谐波分量作为监测与诊断变压器机械故障的依据。
本文所用实验数据来自某变压器的实测值,采样频率为10k Hz,数据的采样长度为2048,传感器的分布如图4 所示( 测点1、3、5 为高压套管一侧油箱3 /4 处,2、4、6 为1 /4 处; 7、9、11 为低压套管一侧油箱3 /4 处,8、10、12 为1 /4 处) 。
4. 2 小波尺度谱分析
由于篇幅所限,仅给出1,7 两个测点的振动信号的频谱和小波尺度谱,如图5 和图6 所示。
从图5 和图6 中可以看出,两个振动信号中都存在一定的干拢成分,但值较小,容易从主频率成分中区分出来。振动信号主要是100Hz及其倍频组成,且包含一定的低频成分。
分析结果表明,实测的振动信号频谱构成与4. 1 节中提到的理论值基本一致,但是信号所包含的频率成分并不连续,在某些倍频处存在缺失,且各测点信号的主频率成分有一定程度的偏移,不同测点结果不同,因此在依据频谱进行特征参数提取时,应充分考虑各测点信号频谱分布情况。
4. 3 交叉小波尺度谱分析
应用交叉小波变换对变压器不同位置的信号进行分析,分三种情况进行分析:
( 1) 同相上不同测点: 对变压器上测点7,8 的信号进行分析,结果如图7 所示,两个不同测点的信号存在一定的相关成分,信号的相关频率成分为300Hz。可以看出由于两个信号的干拢成分是相互独立的,相关性为零,应用交叉小波变换可以提取出两个信号相关的频率成分,同时,有效地去除两个信号的干拢成分。
( 2) 同相上两侧测点: 对变压器上油箱两侧对称测点信号进行分析,测点3,9 的信号分析结果如图8 所示,信号的相关频率成分为200Hz,300Hz。
( 3) 异相测点: 对变压器上距离较远的测点间信号进行分析,测点1,5 的信号分析结果如图9 所示,两个信号存在一定的相关性,但小波变换系数较小且在时域内不连续,两个信号有关频谱的相关性与前两种情况相比明显降低。
通过对以上三种情况下变压器油箱表面振动信号的分析表明,随着测点间距离的变化,信号的相关性依次降低,所含频谱的独立性逐渐加强。原因是当两个测点在油箱同侧时,两个信号的振源及传输途径基本相同,使两个信号之间相同的频率成分相关性较强。当两个测点为油箱表面两侧同相对称时,由于变压器结构可能存在一定的不对称性,不同的传输途径对信号产生一定的影响,使两个信号频谱的相关性有所减弱。当对异相间的信号进行分析时,由于信号的振源及传输路径均不相同,使两个信号间对应的频谱成分相关性非常小且在时域内不连续,信号包含的频谱独立性增强。因此,在对信号进行分析时基本可以忽略异相间信号的干扰。
同相上测点信号振源相同,不同测点间信号频谱存在一定的相互干扰,对A( a) 相上四个测点的信号应用交叉小波变换进行分析,对每一个测点信号与其他三个测点信号应用交叉小波分析,得出该信号与其他三个信号相关性强的频谱成分,再与单一信号的频谱成分进行比较,得出每个信号独立于其他三个信号的频谱成分,结果如表1、表2 所示。在对振动信号进行特征参数提取时,可以根据该方法得出的结果,只在每个信号独立性强的频谱处进行参数提取,使每个测点信号监测部位的针对性更强,提出的特征参数对原信号的表征力更强。
5 结论
振动波检测 篇4
风力发电机组原理是将风力机械能转化成电能。风力发电机组提供机械能,通过加速箱驱动发电机产生电能。这个过程带有很多会产生振动的旋转部件,长时间的损耗可能会导致诸如齿轮失效、齿轮磨损、叶轮振动等危害而最终失效。对风力发电机组来说,主要轴承、齿轮箱和发电机失效引起的部件的替换将会非常昂贵。因此对机组部件进行振动测试和监控非常有必要[1]。
1 振动传感器检测分析
风力发电机组振动测量传感器系统由多个测量轴向和径向的传感器组成。图1给出了机组传感器分布示意图。
风力发电机组的主要轴承和转轴的速度大约是 30-60rpm。这也是齿轮箱输入轴的旋转速度。旋转频率范围是30-60cpm(0.5-1.0Hz),在此情况采用低频加速度振动传感器测量。测量的范围包括主轴旋转频率、叶片通过频率、主轴承频率、齿轮箱输入轴轴承频率和齿轮啮合频率等等。低频加速度振动传感器通常可以提供500mV/g以及12-180000cpm(0.2-3000Hz)的频率范围。
发电机组齿轮箱的中间轴和输出轴都会有比较高的旋转速度,并且产生比轴承和齿轮啮合更高的扰动频率。输出轴的旋转频率在通常情况下比输入轴高50-60倍。采用通用型加速度振动传感器测量其带动的齿轮箱和发电机组的高旋转速度。通用型加速度振动传感器可以提供100mV/g以及30-900000cpm(0.5-15000Hz)的频率范围。
2 小波变换
由于风力发电机组的振动故障主要表现在振动超标,鉴于振动频率分布相对较广,为了区别频率范围,采用小波分析对振动信号进行时频分析,它能同时提供振动信号的时域和频域的局部化信息。小波分析还具有多尺度性和“数学显微”特性,这些特性能使小波分析识别振动信号的突变信号。
对于函数f(t)∈L2(R)连续小波变换定义为:
其中,a∈R且a≠0。Wψf(a,b)为小波分解系数;a为尺度因子,表示与频率相关的伸缩;b为时间平移因子;
由小波定义可知,改变尺度因子a的大小可以改变窗口的长宽比例,当需要检测高频分量时,减少a的值,此时时间窗口自动变窄,而频率窗口自动变宽,此时为时宽窄而频宽大的高频窗;而在检测低频分量时,增加a值,时间窗口自动变宽,频率窗口自动变窄,此时为时宽大而频宽窄的低频窗。而改变时间平移因子b可以改变窗口在相平面时间轴的位置,窗口可在时域内平移。运用小波基,可以提取信号中的“指定时间”和“指定频率”的变化。小波变换对不同频率在时域上的取样步长可调,符合低频信号和高频信号的变化特点。
3 小波变换算法
Mallat算法是Mallat在Burt和Adelson图象分解和重构的塔式算法启发下,基于多分辨分析框架提出的。它是通过正交镜像滤波器组对信号进行分解和重构的。由于该算法计算速度快。故把它称作快速小波变换(FWT)算法[3]。Mallat分解算法如式(2)所示:
式中,Ck为第k次分解后的低频信号;H和G为一组正交共轭镜像滤波器。Mallat分解算法可以看成将前一次分解得到的低频信号经过两个共轭镜像滤波器,分别得到低频信号(近似信号)Ck+1和高频信号(细节信号)Dk+1,而且每次分解都是对低频信号进行的。
4 风力发电机组振动测量方案
风力发电机组振动频率分布较广,对传感器检测的信号进行连续小波分解,通过小波系数的变化判断机组振动的规律。应用快速傅利叶变换对小波分解系数进行分析,提取反映风力发电机组冲击振动的特征频带信号[4,5]。
在同一尺度an下的小波分解系数Wgf(an,b)的傅利叶变换如式(3)所示:
式中,f(l)为小波系数分解的离散频谱;L为FFT数据长度。
系统测量方案如图2所示。步骤为:(1)传感器把振动信号转换成电信号,对电信号进行隔离、去噪等处理。(2)对信号进行小波变换得到小波系数。(3)对小波系数进行快速傅利叶变换得到频谱。(4)提取异常频率。(5)对风力发电机组振动状态评估。
5 测量系统硬件构建
虚拟仪器(Virtual Instrument,简称VI)是基于计算机系统的数字化测量测试仪器,它充分利用现有计算机资源,并配以独特设计的仪器硬件和专用软件,能实现普通仪器的全部功能以及一些在普通仪器上无法实现的特殊功能,常被称作“软件仪器”。它利用数据采集模块完成一般测量测试仪器的数据采集功能,利用计算机系统完成一般测量测试仪器的数据分析和输出显示等功能。
LabVIEW是虚拟仪器领域中最具有代表性的图形化编程开发平台 ,是目前国际上首推并应用最广的数据采集和控制开发环境之一,主要应用于仪器控制、数据采集、数据分析、数据显示等领域,并适用于多种不同的操作系统平台[6]。
结合风力发电机组振动的特点,引入虚拟仪器LabVIEW构建振动测试系统,系统的结构如图3所示。
采用NI PXI多通道动态信号采集模块完成数据采集,性能指标:最高采样速率达102.4kS/s;±10V的电压范围;IEPE调理-可通过软件配置;45000Hz无混叠带宽;24bit分辨率,110dB动态范围。
6 软件设计
系统采用如图4的模块化的软件架构,系统软件总体上包括数据采集、波形显示、参数测量、小波变换诊断、结果显示及波形存储等模块。完成系统初始化、数据采集、数据分析、数据存储及显示等功能。
6.1 风力发电机组振动信号小波分解
首先对加速度传感器检测的风力发电机组振动信号进行去噪,即利用LabVIEW中Wavelet Analysis信号处理工具包实现对振动信号波形的除噪、分解, 提取信号在不同频带的特征。然后将除噪后的信号送入快速小波包分析函数(Wavelet Packet Analysis)中, 原始信号被分解成低频逼近信号和高频细节信号, 从而选择与提取故障特征参数[7,8]。
6.2 测试仿真
借助振动模拟平台,对采集到的风力发电机组振动数据经小波变换后以波形形式显示,波形横坐标为频率(Hz),纵坐标为幅值,即振动信号的频谱分析图。图5为有异常的振动加速度信号波形,图6为经小波变换处理的波形,可以看出存在明显的谱线,因此可以判断出发电机组存在有局部异常振动故障,因此验证了系统的可靠性[9,10]。
7 结束语
本文提出了一种风力发电机组振动监测系统设计方案,利用小波变换对信号进行多分辨率分解的特点,获得异常振动信息。该设计方案经模拟仿真,验证了系统的可靠性。该方案具有结构简单的优点,适于振动数据的测量和采集。
参考文献
[1]邹丹妮,韩有强.现代电子监控技术在安全生产领域的应用[J].中国安全生产科学技术,2011,7(12):203-205ZOU Dan-ni,HAN You-qiang.Application of modern e-lectronic monitoring techniques in work safety area[J].Journal of Safety Science and Technology,2011,7(12):203-205
[2]潘泉.小波滤波方法及应用[M].北京:清华大学出版社,2005
[3]孙延奎.小波分析及应用[M].北京:机械工业出版社,2005
[4]严普强,乔陶鹏.工程中的低频振动测量与其传感器[J].振动、测试与诊断,2002,22(4):247-253YAN Pu-qiang,QIAO Tao-peng.The low frequency vibra-tion measurement and sensors in the project[J].Journalof Vibration,Measurement&Diagnosis,2002,22(4):247-253.
[5]周爱华,郑永伟.基于小波变换的滚动轴承内圈故障诊断[J].机械与电子,2010,(6):72-74ZHOU Ai-hua,ZHENG You-wei.Fault diagnose of rollingbearing's in-ring based on wavelet transformation[J].Machinery&Electronics,2010,(6):72-74
[6]LabVIEW User Manual[Z].National Instruments Corpo-ration,2000
[7]赵庆贤,葛秀坤,邵辉.Tacoma大桥风振致毁事故机理分析与模拟[J].中国安全生产科学技术,2011,7(11):41-45ZHAO Qing-xian,GE Xiu-kun,SHAO Hui.Mechanismanalysis and simulation of tacoma narrow bridge accidentcaused by wind vibration breaking[J].Journal of SafetyScience and Technology,2011,7(11):41-45
[8]张斌,孙静.基于Mallat算法和快速傅里叶变换的电能质量分析方法[J].电网技术,2007,31(19):35-39ZHANG Bin,SUN Jing.A power quality analysis methodbased on mallat algorithm and fast fourier transform[J].Power System Technology,2007,31(19):35-39
[9]孙增寿,任伟新.基于小波熵指标的结构损伤检测[J].振动、测试与诊断,2008,28(3):233-236SUN Zeng-shou,REN Wei-xing.The structural damage de-tection based on wavelet entropy index[J].Journal of Vi-bration,Measurement&Diagnosis,2008,28(3):233-236
振动波检测 篇5
但是, 在这些振动信号中, 故障的出现往往还会引起时域波形中一些波峰形态的变化, 所以信号的奇异性也可以用来判别故障的出现。傅立叶变换曾是奇异性分析的主要工具, 但傅立叶变换是在全局上提供信号整体奇异性的描述, 小波变换具有“变焦”的特点和良好的时频局部化特性, 可以把信号在空间和频域上局部化, 赋予了信号的局部奇异性, 利用小波变换能取得更好的效果[2,3,4]。
1 小波消噪
通过试验测量可知, 机械振动波形是由一系列衰减的正弦波组合而成[5,6], 外部振动响应的幅值与冲击作用力的大小成正比, 振动的频率及衰减时间常数与高压断路器的机械结构有关[7]。正常情况下高压断路器合闸产生的振动加速度信号的原始仿真波形如图1所示, 其中包括操动机构的振动冲击原始波形与噪声干扰波形。
在处理振动信号时, 噪声会“污染”真实信号, 因此, 人们希望尽可能地把采集到的原始信号中的噪声成分滤掉。在实际工程中, 有用的信号通常为低频信号或是一些比较平稳的信号, 而噪声信号则通常为高频信号。本文选用sym8小波对信号进行10层分解, 并对细节系数选用sure阈值模式和尺度噪声, 得到去噪后重构的振动信号仿真波形如图2所示, 可以看出去噪效果明显。
2 信号包络的提取
不同尺度下小波分解信号仿真波形如图3所示, 其中的小波系数d8~d10为包络信号线在尺度j=8~10上的小波分解信号仿真波形[8,9]。信号包络波峰出现的时刻对应了振动事件发生的时刻, 从图3中的信号包络波形可以较精确地提取断路器振动事件发生的时间点。断路器动静触头接触时引起的振动最为激烈, 产生的振动信号也最为明显, 提取此刻的信号特征作为故障诊断的依据是可行的。
信号的包络往往包含信号的突变信息, 而由冲击激发出的诸多高频成分就是包络信号的载波。在机械故障诊断中, 用振动信号的包络进行诊断是一种行之有效的方法。最常用的信号包络提取方法就是Hilbert变换。利用Hilbert变换提取的断路器振动信号去噪后的信号包络仿真波形如图4所示。
3 信号奇异性指数的计算
奇异性是信号的重要特征, 也是分类与识别的重要依据。为了精确标识信号的奇异性, 有必要研究其局部性质。一般地, 函数 (信号) 的局部奇异性用李普西兹 (Lipsehitz) 指数来描述, 简称Lip指数, 亦即奇异性指数。
函数f (x) 的局部奇异性与其小波变换的渐进衰减性之间的关系可以描述如下:
根据其特点, 可运用最小二乘法求出α, 如表1所示可看出各个奇异点的相应奇异性指数。
在实际工程应用中, 可以将断路器正常工作时的动静触头接触时产生的振动信号包络波峰的奇异性指数作以记录, 此时刻的振动信号较强, 将其存入在线监测系统。在每次作诊断时, 把计算得到的奇异性指数直接与正常指标进行比较, 实现故障的自动诊断。从上面的分析还可以看出, 振动信号包络进行小波分解后再对其进行Hilbert变换, 可以更加准确地提取振动事件发生的时间点。如果同时将奇异性指数和振动事件发生的时间点作为特征参数进行故障诊断, 将会提高诊断的准确性。
4 结语
本文基于小波变换的信号奇异性检测理论, 对高压断路器的振动信号进行了仿真研究, 仿真结果表明, 同时将奇异性指数和振动事件发生的时间点作为特征参数对高压断路器进行故障诊断, 是一种有效的方法。
参考文献
[1]胡晓光, 戴景民, 纪延超, 等.基于小波奇异性检测的高压断路器故障诊断[J].中国电机工程学报, 2001, 21 (5) :67-70.
[2]Daubechies I.Ten lectures on wavelets[M].Phi-ladelphia:SIAM, 1991.
[3]Mallat S, Hwang W L.Singularity detection and procession with wavelets[J].IEEE Transactions on Information Theory, 1992, 38 (2) :617-643.
[4]Cetin A E, Ansari R.Signal recovery from wavelet transform maxima[J].IEEE Transactions on Signal Processing, 1994, 42 (1) :194-196.
[5]关永刚, 徐国政, 钱家骊.一种高压开关柜隔离触头过热的监测方法[J].电工技术杂志, 2001 (10) :39-41.
[6]孔宪锋, 衣红钢, 王长松, 等.高压开关柜隔离触头温度监测研究[J].中国电机工程学报, 2006, 26 (1) :155-158.
[7]杜彦明, 顾霓鸿.国内配电开关设备现状及事故情况[J].电网技术, 2002, 26 (2) :70-76.
[8]杨福生.小波变换的工程分析与应用[M].北京:科学出版社, 2000.
振动波检测 篇6
电力变压器是组成电力网络的重要设备, 在实际运行中, 电力变压器不可避免地出现各种形式的故障。研究表明, 在电力变压器的众多故障中, 铁心松动和绕组变形等机械故障发生的机率很高[1,2]。因而, 如何对变压器运行状态实现在线监测和故障诊断引起了众多学者的关注[3,4,5,6,7]。
文献[5]运用db9小波对变压器振动信号进行分解, 并计算信号不同频段的能量分布, 从而实现变压器运行状态的监测。小波变换虽然具有可变的时频窗口, 能获得较高的时频分辨率, 但它和窗口傅立叶变换一样是对时频面的机械分割, 本质上不适合处理非平稳振动信号。文献[6]对变压器振动信号进行希尔伯特-黄变换, 并计算其边际谱, 根据边际谱中频率的分布, 实现对变压器的运行状态的监测。但是, 希尔伯特-黄变换中的EMD分解过程, 存在过包络、欠包络和端点效应等问题, 因而容易产生虚假分量, 从而限制其在机械故障诊断领域中的广泛应用。
LMD算法是一种新的时频自适应分析方法[8], 与EMD相类似, 都是基于极值点来定义局域均值函数和局域包络函数。但是对于包络函数的估计, LMD算法用滑动平均来代替三次样条插值。这样能避免过包络、欠包络等问题, 有效抑制端点效应, 避免虚假分量的产生。本文将一种小波变换和LMD分解相结合的新算法引入变压器铁心机械故障诊断中。通过小波变换对原始采样信号进行阈值去噪, 然后对消噪后的采样数据进行LMD分解, 从而获取反映变压器运行动态过程的各阶PF分量的频率和幅值, 实现对变压器的故障诊断。仿真研究和试验数据分析表明了本文方法的有效性和可行性。
2 小波去噪原理
(1) 选择与铁心振动信号具有较大相似程度的meyer小波基, 并对其进行3层小波分解;
(2) 对分解得到的各层小波系数进行软阈值处理;
(3) 利用阈值处理后的各层小波系数及尺度系数对信号进行重构, 从而实现对原始振动信号的降噪处理。
3 局域均值分解 (LMD)
LMD分解本质上是从原始信号中分离纯调频信号和包络信号, 将纯调频信号和包络信号相乘便可得到一个瞬时频率具有物理意义的单分量调频调幅信号 (PF) , 循环处理至所有的PF分量分离出来, 便可以得到原始信号的时频分布[8]。
所谓PF一般可表示为x (t) =a (t) cos (θ (t) ) , 即其幅值和相位都是随时间变化的, 当a (t) =1时, x (t) 便称为纯调频调幅信号。LMD的具体分解步骤见参考文献[8], 经LMD分解后的振动信号序列y (t) 可以表示为:
式中, PFi表示第i个PF分量;uk表示余项。
4 仿真信号分析
为了验证本文提出的算法的抗噪性能和分解精度, 构造如下式所示仿真信号f (t) :
它由两个调幅-调频信号和一个直流分量组成。
(1) 当f (t) 不含噪声时, 直接对其进行LMD分解, 滑动平均步长取为信号相邻极值点间的最大值。为了减小分解时候的端点效应, 本文通过在信号两端各添加一个虚拟极点的方法来实现信号延拓[9]。
从图1可以看出, 两个PF的分解结果分别对应于仿真信号的两个调频-调幅分量, u2 (t) 对应于仿真信号的直流分量, 分解结果反应了信号的内在本质。图2显示了EMD对f (t) 的分解结果, 图中纵坐标表示各阶IMF分量和余项r的幅值, 单位为pu (下同) 。比较图1和图2, 可见LMD分解并未出现虚假分量。其原因为LMD算法对信号包络及均值函数的估计是通过滑动平均来实现的, 不存在运用三次样条函数插值时出现过冲现象。在端点处, 通过滑动平均可以有效地抵消对信号极点延拓所引入的误差, 很好地抑制了端点效应, 提高了信号的分解精度。
(2) 在f (t) 中加入信噪比约为10d B的高斯白噪声, 为了避免噪声对LMD及EMD分解精度产生不利的影响, 首先运用meyer小波对f (t) 进行预处理。然后对降噪后的f (t) 分别进行LMD及EMD分解, 分解结果见图3和图4。
比较图3和图4, 可以发现在噪声比较强的情况下, 本文提出的算法仍获得精度较高的分解结果。而在强噪下, f (t) 虽然经过小波预处理, EMD分解仍出现了虚假分量, 可见LMD算法比EMD算法更适合处理调频-调幅这类非线性、非平稳信号。理论分析表明, 当变压器发生铁心松动及绕组变形时, 振动信号的相位和幅值会发生变化, 产生幅值和相位调制, 故将本文算法引入到变压器振动信号的分析之中。
5 试验数据分析
对某电站一台额定容量为500k VA, 10k V/400V, Y/D-11三相油浸式变压器在空载条件下的器身振动进行了测试。分别对铁心螺栓紧固正常状态和铁心螺栓松动的故障状态测取变压器器身振动加速度信号, 如图5所示。
图5表明, 变压器铁心紧固螺栓松动时测得的器身振动波形和正常时测得的器身振动波形有所区别, 但是单从波形本身无法反映变压器运行状态的变化, 故利用本文算法对这两个信号进行分解, 结果见图6 (a) 和图6 (b) 。
图6 (a) 的分解结果显示了变压器铁心紧固螺栓正常时, 变压器器身振动信号的动态过程。图中纵坐标表示各阶PF分量的振动幅值, 单位为m/s2。它们分别对应着800Hz, 400Hz, 200Hz及100Hz正弦分量。分解结果显示, 信号的能量主要集中在低频分量100Hz, 200Hz及中频分量400Hz上, 这与理论分析相符合。铁心紧固螺栓松动时, 图6 (b) 的分解结果表明, 第1阶PF分量和第2阶PF分量的频率成分更加复杂。经计算, 其中心频率分别为800Hz及400Hz, 且振幅比故障前明显增大, 而后两阶PF分量的频率依次为200Hz及100Hz, 其振幅比故障前明显减小。可见发生故障后振动信号的能量主要往800Hz频段及400Hz频段集中, 且高频及中频部分的频率更复杂, 振动信号的非线性特性更为明显。
6 结论
本文提出的算法具有较高的计算精度和较强的抗噪能力;和EMD分解相比, 本文算法的端点效应较小, 不会产生虚假分量, 在变压器早期故障诊断中具有很好的应用前景。
参考文献
[1]胡勇, 程蕾 (Hu Yong, Cheng Lei) .大型电力变压器故障实例统计分析 (Statistics and analysis of power transformer fault experiences) [J].电力安全技术 (Electric Safety Technology) , 2003, 5 (1) :20-22.
[2]王梦云 (Wang Mengyun) .2004年度110kV及以上变压器事故统计分析 (Statistics and analysis of 110 kV and the above transformer fault in 2004) [J].电力设备 (Electrical Equipment) , 2005, 6 (11) :31-37.
[3]汲胜昌, 李彦明, 傅晨钊 (Ji Shengchang, Li Yanming, Fu Chenzhao) .负载电流法在基于振动信号分析方法监测变压器铁心状况中的应用 (Application of on load current method in monitoring the condition of transformer’s core based on the vibration analysis method) [J].中国电机工程学报 (Proceedings of the CSEE) , 2003, 23 (6) :154-158.
[4]程景, 李延沐, 汲胜昌 (Cheng Jing, Li Yanmu, Ji Shengchang) .振动法在线监测变压器绕组及铁心状况 (Application of vibration method on monitoring the winding and core condition of transformer) [J].高电压技术 (High Voltage Engineering) , 2005, 31 (4) :43-45.
[5]颜秋容, 刘欣, 尹建国 (Yan Qiurong, Liu Xin, Yin Jianguo) .基于小波理论的电力变压器振动信号特征研究 (Features of vibration signal of power transformer using the wavelet theory) [J].高电压技术 (High Voltage Engineering) , 2007, 33 (1) :165-168.
[6]熊卫华, 赵光宙 (Xiong Weihua, Zhao Guangzhou) .基于希尔伯特-黄变换的变压器铁心振动特性分析 (Analysis of transformer core vibration characteristics using Hilbert-Huang transformation) [J].电工技术学报 (Transactions of China Electrotechnical Society) , 2006, 21 (8) :9-12.
[7]徐剑, 邵宇鹰, 王丰华, 等 (Xu Jian, Shao Yuying, Wang Fenghua, et al.) .振动频响法与传统频响法在变压器绕组变形检测中的比较 (Comparative research on behavior of vibration frequency response analysis and frequency response analysis in detection of transformer winding deformation) [J].电网技术 (Power System Technology) , 2011, 35 (6) :213-218.
[8]Jonathan S Smith.The local mean decomposition and its application to EEG perception data[J].Journal of the Royal Society Interface, 2005, 2 (5) :443-454.
振动波检测 篇7
在轧机工作过程中需要准确地检测轧机的振动情况,分析信号的故障特征,研究对轧机系统振动加以控制和消除的方法和措施,从而提高产品质量,避免轧制设备的损坏。本实验轧机振动测试系统利用Lab Windows/CVI编程,将数据采集、信号分析和处理有机结合,集成化开发平台与交互式编程方法,使得测试与分析系统根据研究需要得以开发和应用。
1 测试系统硬件
振动测试系统由加速度传感器、信号调理器、数据采集装置和PC机等构成。加速度传感器为ICP型压电式传感器,用于对轧机振动的检测。信号调理器将传感器输出的交流信号经隔离、放大后并行输出;数据采集装置采用数据采集卡USB-6210,完成信号的不间断采集与存储。在轧机入口处安装光电传感器,便于测试系统的自动采集振动信号。
2 测试系统软件设计
测试系统的软件使用Lab Windows/CVI进行设计。为使测试系统在不同计算机环境下使用,还可将测试程序编译为可执行文件。在轧机振动测试中,通过虚拟仪器测试界面完成对信号的测试参数和信号分析的设置和操作。
3 测试分析方法
3.1 小波分析理论基础
在轧机振动信号测试过程中,振动信号易被噪声干扰,利用小波进行振动信号的消噪处理。连续小波变换(CWT)为
在计算机实现上,需要把连续小波及其变换离散化,以进行数字化处理。对伸缩因子a和平移因子b进行如下的离散采样:
则离散小波变换(DWT)可表示为:
其中m,n分别为频率范围指数和时间步长指数。
轧机振动信号可视为含有噪声的一维信号,用如下形式表示:
其中,f(i)为振动真实信号,e(i)为噪声信号,s(i)为含有噪声的信号。
要从被污染的信号s(i)中把原始信号f(i)恢复出来,小波阈值消噪分以下3个步骤进行:
(1)小波分解。
选择小波并确定小波分解的层次N,然后对信号s进行N层小波分解,计算出与之对应的小波分解系数Wj,k。
(2)阈值处理。
(3)信号重构。
3.2 软件实现
小波消噪函数WDEN()的完整表达式为:
其中:S为原始信号,TPRP为阈值选取的规则,SORH指定软硬阈值的选取,wname为选用的小波函数。
4 测试与数据分析
振动测试采用加速度传感器进行,以辊系振动测试为重点,同时对主机架垂直振动也进行了测试,为分析主机座各部件间的振动传递与耦合提供依据。
4.1 振动测试
测试轧机在常规轧制下支撑辊的垂直振动和轧机空载运转机架的垂直振动。加速度传感器安装在下支撑辊轴承座上,在机架的两个测点(水平、垂直方向)分别安装一个加速度传感器。
轧机压靠实验下支撑辊振动波形如图1所示,轧机机架振动波形如图2所示。
在轧机压靠试验中,轧机下支撑辊操作侧有周期性振动,主频在100Hz左右,随着轧制速度的增加,其主频变化不大。在轧机空载实验中,机架在测点1和测点5的振动均未发现单一频率的规律性振动。
4.2 振动信号小波消噪处理
小波函数选择:db N2小波函数,5层,采用硬阈值处理,对轧机在常规轧制过程中机架(测点1)的振动信号进行降噪处理。
在轧机常规轧制中,机架振动信号中含有许多尖峰和突变部分,噪声并非白噪声,用一维小波分析的硬阈值消噪处理可以最大程度的保留信号中关键的特征信息,如图3所示。
4.3 振动信号小波分层频率特征分析
将轧机压靠试验中下支撑辊的振动信号分为5层,小波函数:db N2小波函数,采用硬阈值处理。在不同层上我们可以看出信号的不同频率特征:最低频层a5反映信号波形的概貌,最高频d1层反映信号局部波形的细节,在d1层的150和350采样点附近的振动频率明显高于其他位置,如图4所示。
轧机振动信号中的突变常表现在某一时刻内,振动的幅值发生突变,在采用小波分析这种奇异性时,需要选择合适的尺度,以充分发挥小波分析良好的局部化分析。
5 结语
利用虚拟仪器技术Lab Windows/CVI开发轧机振动测试系统,实现了振动信号的测试与分析。通过测试及分析可以看出:在AGC轧机压靠过程中,轧机下支持辊操作侧产生周期性振动。用一维小波分析的硬阈值消噪处理可以最大程度的保留信号中关键的特征信息,采用软阈值处理可以观察到振动信号的奇异性。因此,用小波分析信号的特征信息,需要选择合适小波函数和尺度,才能发挥其良好的局部化分析功能。
摘要：虚拟仪器技术的轧机振动测试系统应用加速度传感器和数据采集卡采集轧机的振动信号,使用Lab Windows/CVI编程语言及小波分析,完成轧机振动的测试和信号的频谱分析、小波消噪处理及振动信号的特征提取,找到振动信号的奇异性。
关键词：虚拟仪器,小波,轧机,振动,测试
参考文献
[1]刘君华.基于Lab Windows/CVI的虚拟仪器设计[M].北京:电子工业出版社,2003:11-19.
[2]景会成,玄兆燕,纪玉荣.虚拟技术在动态特性时域测试仪中的应用[J].微计算机信息,2007(13):180-181.
[3]孙军,赵玉玲.全新的轧机工况在线监测装置[J].宽厚板,2005(02):31-33.
[4]刘飞,刘彬,刘浩然,侯东晓.轧制力动态特性影响下的轧机辊系振动行为研究[J].中国机械工程,2015(13):1731-1735.
[5]王建新,隋美丽.Lab Windows/CVI虚拟仪器测试技术及工程应用[M].北京:化学工业出版社,2011:149-156.
[6]飞思科技产品研发中心.小波分析理论与MATLAB7实现[M].北京:电子工业出版社,2005(3):138-153.