一种基于均衡平方包络谱的泵汽蚀初生识别方法

摘要

本发明公开了一种基于均衡平方包络谱的泵汽蚀初生识别方法，包括：(1)采集泵的振动信号，确定分解阶数；(2)利用最大重叠离散小波包变换将振动信号进行滤波，转换为各个滤波频带后的信号；(3)计算每个滤波频带内信号的平方包络；(4)计算平方包络的峭度值，在每个分解层中选择峭度值最高的滤波频带，将其峭度值的一半作为阈值；(5)选择每个分解层中大于阈值的频带，计算每个频带内信号的平方包络谱，归一化后进行累加；(6)将每个分解层所得到的所有平方包络谱进行累加，求得均衡平方包络谱，并分析故障信号的频率特征。利用本发明，能够检测到的汽蚀初生的故障信号，分辨出泵的正常状工况与汽蚀初生工况。

权利要求

1.一种基于均衡平方包络谱的泵汽蚀初生识别方法，其特征在于，包括：(1)采集泵的振动信号，根据振动信号的数据量大小，确定进行最大重叠离散小波包分解的分解阶数；

(2)利用最大重叠离散小波包变换将采集的振动信号进行滤波，转换为各个滤波频带后的信号，作为试验待处理信号；

(3)根据试验待处理信号，计算每个滤波频带内信号的平方包络；

(4)计算每个滤波频带内信号的平方包络的峭度值，在每一个分解层中，选择峭度值最高的滤波频带，将其峭度值的一半作为阈值；

(5)选择每一个分解层中，大于阈值的频带，计算每个频带内信号的平方包络谱，将它们在0和1范围内归一化后进行累加；

(6)将每个分解层所得到的所有平方包络谱进行累加，再对其取算数平均数，得到均衡平方包络谱；

(7)根据原信号时域图、经均衡平方包络谱得到的频谱图，分析故障信号的频率特征，具体过程为：(7-1)根据均衡平方包络谱得到的频谱图上的轴频以及其谐波频率、叶频的幅值信息，对比和比较泵从正常状况到汽蚀初生状况，再到汽蚀严重发生时，故障信号分别对应的不同频率特征；

(7-2)从上述的频率特征中，对泵的汽蚀故障的发展状况进行识别。

2.根据权利要求1所述的基于均衡平方包络谱的泵汽蚀初生识别方法，其特征在于，步骤(1)中，所述分解阶数的确定方法为：(1-1)在MATLAB软件中，根据振动信号的数据量大小，设置一个初步分解阶数；

(1-2)在该阶数下，观察由最大重叠离散小波包分解算法得到的载波频率及带宽，观察该频率范围内均衡平方包络谱后的频谱包络图；

(1-3)根据频谱包络图的特征，确定分解阶数。

3.根据权利要求1所述的基于均衡平方包络谱的泵汽蚀初生识别方法，其特征在于，步骤(2)中，所述的最大重叠离散小波包变换在MATLAB中为一个以原信号、小波基以及分解阶数为自变量的函数。

4.根据权利要求1所述的基于均衡平方包络谱的泵汽蚀初生识别方法，其特征在于，步骤(4)中，所述的阈值为平方包络值的移动平均量。

说明书

一种基于均衡平方包络谱的泵汽蚀初生识别方法

技术领域

[0001] 本发明属于信号处理领域，尤其是涉及一种基于均衡平方包络谱的泵汽蚀初生识别方法。

背景技术

[0002] 泵在农业、工业和军事上的应用和需求巨大，由于其工作环境通常为高压、高速等复杂环境，泵的故障频频发生。汽蚀产生的原因是，流体机械内中的液体局部压力低于该温度下的汽化压力，从而产生空泡。泵汽蚀会导致液体的流动不稳定，产生剧烈的振动和噪声，从而影响泵的工作性能，此外，汽蚀所产生的空泡还会破坏叶片材料表面，降低泵的使用寿命。

[0003] 泵在工作过程中存在着多种振动激励源和强噪声，这些多激励源的信号势必会相互影响，有用的故障特征信号可能埋没在噪声中。此外，汽蚀故障的初生阶段信号的特征不明显，所以在汽蚀初生时，能够识别到非常的困难。

[0004] 目前对于泵汽蚀故障的判断主要是通过以扬程下降3％作为汽蚀发生的依据，但是，这种方法不能够准确识别泵从正常工况到汽蚀故障初生，再到汽蚀故障发生的状态变化，当检测到扬程下降3％时，此时泵往往已经发生了严重的汽蚀。

[0005] 而在信号处理领域常用的故障信号检测方法主要有短时傅里叶变换、小波变换以及功率谱估计等。短时傅里叶变换是最常用的一种时频分析方法，它通过时间窗内的一段信号来表示某一时刻的信号特征。在短时傅里叶变换过程中，窗的长度决定频谱图的时间分辨率和频率分辨率，窗长越长，截取的信号越长，信号越长，傅里叶变换后频率分辨率越高，时间分辨率越差；相反，窗长越短，截取的信号就越短，频率分辨率越差，时间分辨率越好，也就是说短时傅里叶变换中，时间分辨率和频率分辨率之间不能兼得，应该根据具体需求进行取舍。短时傅里叶变换严重的受到了时域和频域分辨率的影响，导致它的作用受到了限制。而且，对于汽蚀所产生的振动加速度信号，短时傅里叶变换无法从强噪声背景下提取汽蚀故障所对应的特征信息，它的抗噪声性能较差。

[0006] 小波变换的实用性明显强于短时傅里叶变换，它继承和发展了短时傅立叶变换局部化的思想，同时能够提供一个随频率改变而改变的时频窗口，从而克服了窗口大小固定不随频率变化等缺点，是进行信号时频分析和处理的理想工具。工业生产实际中使用离散小波变换较多。但仍存在小波基选取不唯一、小波参数组合不稳健的不足。此外，小波变换只对信号的低频部分做进一步分解，而对于高频部分及信号的细节部分不再继续分解，所以小波变换能够在低频信号的处理上起到很好的分析作用，但它不能很好的分解和表征包含大量细节信息的高频信号。

[0007] 功率谱估计是获取随机信号二阶统计特征的基本手段。随机信号的功率谱密度用来描述信号的能量特征随频率的变化关系，功率谱密度简称为功率谱，是自相关函数的傅里叶变换。但其存在着计算复杂、方差性能差、分辨率低、对局部故障不敏感等局限，并且仅对于平稳信号处理效果较好。

发明内容

[0008] 本发明提供了一种基于均衡平方包络谱的泵汽蚀初生识别方法，能够检测到更多的频率范围，使时域和频域方面的信息看得更加清晰明显，能明显分辨出泵的正常工况、初始汽蚀阶段以及汽蚀发生阶段，不仅拥有比较强的抗噪声能力，而且操作简单。

[0009] 本发明的技术方案如下：

[0010] 一种基于均衡平方包络谱的泵汽蚀初生识别方法，包括以下步骤：

[0011] (1)采集泵的振动信号，根据振动信号的数据量大小，确定进行最大重叠离散小波包分解的分解阶数；

[0012] (2)利用最大重叠离散小波包变换将采集的振动信号进行滤波，转换为各个滤波频带后的信号，作为试验待处理信号；

[0013] (3)根据试验待处理信号，计算每个滤波频带内信号的自协方差量(平方包络)；

[0014] (4)计算每个滤波频带内信号的平方包络的峭度值，在每一个分解层中，选择峭度值最高的滤波频带，将其峭度值的一半作为阈值；

[0015] (5)选择每一个分解层中，大于阈值的频带，计算每个频带内信号的平方包络谱，将它们在0和1范围内归一化后进行累加；

[0016] (6)将每个分解层所得到的所有平方包络谱进行累加，再对其取算数平均数，得到均衡平方包络谱；

[0017] (7)根据原信号时域图、经均衡平方包络谱得到的频谱图，分析故障信号的频率特征。

[0018] 本发明能够检测到的汽蚀初生的故障信号，使时域和频域方面的信息看得更加清晰明显，能明显分辨出泵的正常工况与汽蚀初生工况。

[0019] 步骤(1)中，采集泵的振动信号后还包括对振动信号进行降噪处理。

[0020] 步骤(1)中，所述分解阶数的确定方法为：

[0021] (1-1)在MATLAB软件中，根据振动信号的数据量大小，设置一个初步分解阶数；

[0022] (1-2)在该阶数下，观察由最大重叠离散小波包分解算法得到的载波频率及带宽，观察该频率范围内均衡平方包络谱后的频谱包络图；

[0023] (1-3)根据频谱包络图的特征，确定分解阶数。

[0024] 分解阶数的确定原则是根据振动信号的数据量大小以及处理结果的频谱包络图峰的密度来调整。

[0025] 步骤(2)中，所述的最大重叠离散小波包变换在MATLAB中为一个以原信号、小波基以及分解阶数为自变量的函数。

[0026] 步骤(4)中，所述的阈值为平方包络值的移动平均量。

[0027] 步骤(7)中，所述分析故障信号的频率特征的过程具体为：

[0028] (7-1)根据均衡平方包络谱得到的频谱图上的轴频以及其谐波频率、叶频信息，对比和比较泵从正常状况到汽蚀初生状况，再到汽蚀严重发生时，故障信号分别对应的不同频率特征；

[0029] (7-2)从上述的频率特征中，对泵的汽蚀故障的发展状况进行识别。

[0030] 与现有技术相比，本发明具有以下有益效果：

[0031] 1、本发明通过自协方差量和峭度计算的结合，从而既能够选择信号周期性明显，又包含瞬时信息多的频带，通过对该段频带下，原信号的频谱分析，进而对泵状态进行检测，对汽蚀初生、汽蚀严重发展进行分析。

[0032] 2、本发明的方法极大提升了信号抗噪声能力，能够从强噪声背景干扰下提取故障特征信号，同时能够清晰的分辨出泵的相关数据，对于泵所处的不同工况也有一个明显的分辨。

附图说明

[0033] 图1为本发明一种基于均衡平方包络谱的泵汽蚀初生识别方法的流程示意图；

[0034] 图2为采用最大离散小波变换、自协方差计算和峭度计算对正常工况下的分析处理结果示意图；

[0035] 图3为正常工况下每一分解层级的平方包络谱结合图；

[0036] 图4为正常工况下原信号均衡平方包络谱的频谱图；

[0037] 图5为采用最大离散小波变换、自协方差计算和峭度计算对汽蚀初生工况下的分析处理结果示意图；

[0038] 图6为汽蚀初生工况下每一分解层级的平方包络谱结合图；

[0039] 图7为汽蚀初生工况下原信号均衡平方包络谱的频谱图；

[0040] 图8为采用最大离散小波变换、自协方差计算和峭度计算对汽蚀严重工况下的分析处理结果示意图；

[0041] 图9为汽蚀严重工况下每一分解层级的平方包络谱结合图；

[0042] 图10为汽蚀严重工况下原信号均衡平方包络谱的频谱图。

具体实施方式

[0043] 均衡平方包络谱主要应用了两个统计量，分别是峭度和自协方差。峭度是一种统计指标，用于测量数据集的峰值，因此可用于检测与旋转机械相关的信号中的故障冲击。定义为 其中Y(ti,f)是通过沿信号移动恒定长度窗口(Nw)在时间ti获得的信号x(ti)的短时傅里叶变换。<>是求均值的运算符。自协方差是计算信号的平方包络，定义为 其中，X是滤波信号的平方包络，τ＝q/fs是
延时系数。计算自协方差具有消除信号的不相关分量的好处，即噪声和随机脉冲内容，两者都与任何特定的故障无关。此外，信号的周期性部分被增强了，因此每个解调的频带信号的信噪比增加。

[0044] 泵在许多故障工况下，如汽蚀等，都会使得泵的振动发生突变，从而产生大量的瞬态信息，同时还会产生大量噪声。这样，均衡平方包络谱良好的检测瞬态信息以及良好的抗噪声能力给泵的初生汽蚀故障检测和诊断提供了一种很好的工具。

[0045] 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。

[0046] 如图1所示，一种基于均衡平方包络谱的泵汽蚀初生识别方法，包括以下步骤：

[0047] S01，通过加速度传感器分别收集泵正常工况和发生汽蚀初生工况的振动信号，并将数据导入处理程序中。

[0048] 根据数据量的大小，选取一个合适的计算分解阶数。在这里，分解阶数确立的原则是根据处理结果的频谱包络图峰的密度来确定的，如果峰密度太低，则降低分解阶数；反之则升高。在本次试验数据中，试验采集频率为25000Hz，试验数据为25万个，因此采用六阶的分解阶数。

[0049] S02，在处理程序中，使用最大重叠离散小波包变换将采集的振动时间信号进行滤波，转换为各个滤波频带后的信号，作为试验待处理信号，最大离散小波包变换在MATLAB中为一个以原信号、小波基以及分解阶数为自变量的函数。

[0050] S03，根据试验待处理信号，计算每个滤波频带内信号的自协方差量，即平方包络。

[0051] S04，计算每个滤波频带内信号的平方包络的峭度值，选择每一个分解层中，峭度值最高的滤波频带，将其峭度值的一半作为阈值，例如在图2中，在第6分解层，其最大的峭度值出现在中心频率为1855.47Hz，带宽为195.3Hz的频带范围内，其峭度值为2.2；

[0052] S05，选择每一个分解层中，大于阈值的频带，计算每个频带内信号的平方包络谱，将它们在0和1范围内归一化，然后将它们累加，如图3、图6和图9所示。其中，图3为正常工况下每一分解层级的平方包络谱结合图，图6为汽蚀初生工况下每一分解层级的平方包络谱结合图，图9为汽蚀严重工况下每一分解层级的平方包络谱结合图。

[0053] S06，将每个分解层所得到的平方包络谱进行累加，再对其取算数平均数，得到均衡平方包络谱。利用处理结果图分析对比泵在正常工况状态下与汽蚀初生状态下的信息。

[0054] 可以发现，在正常状态下的泵的振动信号中，平方包络结合谱整体的噪声不强，如图3所示；均衡平方包络谱在频率域上有明显的轴频(49Hz)和相关的叶频谐波信息，其中BPF为叶频，如图4所示。在本次试验中，泵的转速为2950圈每分钟，则其轴频为49.17Hz。

[0055] 在汽蚀初生工况下，平方包络结合谱整体的噪声增强，如图6所示；在其均衡平方包络谱图上，依然能够看到轴频和叶频信息，但是轴频的5倍、6倍以及8倍频的频率峰值不断降低，被噪声所掩盖，如图7所示。

[0056] 在汽蚀严重的工况下，可以发现频谱整体的能量明显高于之前状态，如图9所示，且此时于气泡的冲击，造成大量噪声，导致了轴频叶频被噪声信号所掩盖，已经无法分辨出轴频，叶频信息，如图10所示，因此证实了均衡平方包络谱可以对泵从无汽蚀，到汽蚀初生状态以及最后发展到汽蚀严重状况的过程进行检测和识别。

[0057] 本实例采用的是泵的振动加速度数据，在正常工况下，具有明显的轴频和叶频信息，而在汽蚀初生状态下，在均衡平方包络谱上，能够找到汽蚀初生现象的表现，和正常工况下的频谱图有明显的不同，在汽蚀故障严重发展后，能够从频谱中发现更多的特征。表明均衡平方包络谱对于泵的工况监测以及故障分析有很好的效果。

[0058] 以上所述的实施例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具体实施例，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，均应包含在本发明的保护范围之内。