基于Autogram方法的振動(dòng)信號(hào)分析案例目錄TOC\o"1-3"\h\u31372基于Autogram方法的振動(dòng)信號(hào)分析案例 1236461.1Autogram特征提取方法 176401.2柱塞泵狀態(tài)信號(hào)的采集 3284261.3柱塞泵滑靴磨損故障振動(dòng)信號(hào)分析 369791.4柱塞泵松靴故障診振動(dòng)信號(hào)分析 6217871.5柱塞泵斜盤磨損故障振動(dòng)信號(hào)分析 9210481.6柱塞泵正常運(yùn)行狀態(tài)振動(dòng)信號(hào)分析 11267231.7本章小結(jié) 131.1Autogram特征提取方法針對(duì)復(fù)雜生產(chǎn)環(huán)境下產(chǎn)生的重度高斯和非高斯白噪聲，柱塞泵的有效故障特征信息被淹沒的情況，Autogram方法提取其特征信息具有顯著效果。Autogram方法應(yīng)用最大重疊離散小波包變換（MODWPT）對(duì)柱塞泵各種工作模式的外殼振動(dòng)信號(hào)和出口壓力信號(hào)進(jìn)行不同層數(shù)分解處理。各層得到若干個(gè)信號(hào)，對(duì)各個(gè)信號(hào)進(jìn)行三種無自相關(guān)譜峭度分析，得到最大無偏自相關(guān)譜峭度所對(duì)應(yīng)的信號(hào)，利用該信號(hào)作為信號(hào)源進(jìn)行分析。Autogram是一種很好的處理非線性，非平穩(wěn)性信號(hào)的信號(hào)處理方法，該方法的具體算法為：（1）最大重復(fù)離散小波包變換最大重復(fù)離散小波包變換（MODWPT）可以消除離散小波包變換（DWPT）的降采樣步驟，克服了小波包變換對(duì)時(shí)間序列起點(diǎn)的選擇較為敏感的問題。MODWPT作為一個(gè)濾波器，將信號(hào)按不同的固定頻帶分割為不同的分解層數(shù)的信號(hào)，各層信號(hào)被命名為“node”?！皀ode”作為下一步驟的信號(hào)源。（2）無偏自相關(guān)性為了去除“node”中的噪聲成分，基于無偏自相關(guān)性可以更有效地突出特征信息。無偏自相關(guān)特性的表達(dá)式如下：R(1)（1）式中：X為node的平方包絡(luò)譜；τ=為了減小方差，增加更多有意義的特征信息，提升故障診斷效果，筆者選取前半部分的無偏自相關(guān)進(jìn)行分析。（3）無偏自相關(guān)譜峭度計(jì)算選取適當(dāng)?shù)男盘?hào)作為數(shù)據(jù)源對(duì)提升特征信息提取效果最為關(guān)鍵，進(jìn)而提升故障診斷效果。Autogram方法首次提出基于無偏自相關(guān)譜峭度選取富含特征信息的node作為下一步的數(shù)據(jù)源。該方法的三種無偏自相關(guān)譜峭度的計(jì)算式如下：Kutrosis(X)=(2)Kutrosis(X)=(3)Kutrosis(X)=(4)以上式子中，||+和||?分表代表只進(jìn)行正數(shù)或負(fù)數(shù)的運(yùn)算，其余值設(shè)為0。x(5)上式中：k是平均加窗信號(hào)的長(zhǎng)度。式（2）至式（4）三個(gè)計(jì)算式得到的結(jié)果分別為標(biāo)準(zhǔn)Autogram、高Autogram和低Autogram。從上述各式計(jì)算結(jié)果中篩選出最大無偏自相關(guān)譜峭度對(duì)應(yīng)的node，將該node信號(hào)作為新的數(shù)據(jù)源進(jìn)行下一步的頻譜分析處理。（4）基于閾值處理的頻譜分析將上一步驟選取出來的node信號(hào)分為大于、小于滑動(dòng)平均值xT1.2柱塞泵狀態(tài)信號(hào)的采集本節(jié)主要講述柱塞泵泵殼振動(dòng)加速度信號(hào)和泵出口壓力信號(hào)的采集方法。實(shí)驗(yàn)相關(guān)元器件類型及性能參數(shù)：實(shí)驗(yàn)對(duì)象：MCY14-1B軸向柱塞泵，柱塞數(shù)為7個(gè)；傳感器：SYB-351數(shù)字壓力傳感器，量程范圍0-25MPa；YD72D壓電式加速度傳感器，頻率范圍1-18kHz；DHF-6A電荷放大器，頻響范圍0.3-100kHz；USB-6221多功能數(shù)據(jù)采集卡。圖2-1信號(hào)采集系統(tǒng)Fig.2-1Signalcollectingsystem1.3柱塞泵滑靴磨損故障振動(dòng)信號(hào)分析本節(jié)主要對(duì)柱塞泵滑靴磨損故障的軸向振動(dòng)加速度信號(hào)進(jìn)行處理分析。實(shí)驗(yàn)過程中，利用具有滑靴磨損故障的柱塞替換正常柱塞，并采集泵殼軸向振動(dòng)加速度信號(hào)，具體采集過程步驟如下：調(diào)整液壓系統(tǒng)壓力為10MPa，采樣頻率為50kHz，采樣時(shí)間1.2秒。截取0.2秒的數(shù)據(jù)段進(jìn)行分析，數(shù)據(jù)段點(diǎn)數(shù)為10000點(diǎn)，并生成原始時(shí)間信號(hào)圖像。對(duì)截取后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)Autogram分析處理，基于式（2），利用無偏自相關(guān)譜峭度方法得到基于標(biāo)準(zhǔn)Autogram的滑靴磨損故障信號(hào)的無偏自相關(guān)譜峭度分布圖。從上述無偏自相關(guān)譜峭度圖中得到最大無偏自相關(guān)譜峭度所對(duì)應(yīng)的node信號(hào)，將該node信號(hào)作為新數(shù)據(jù)源，進(jìn)行頻譜分析，得到基于該node信號(hào)的無閾值、上閾值和下閾值頻譜。柱塞泵滑靴磨損故障軸向振動(dòng)加速度信號(hào)原始時(shí)域圖像如圖2-2所示。圖2-2基于滑靴磨損信號(hào)的原始時(shí)域圖像Fig.2-2Originaltime-domainimagebasedonslipperwearfaultsignal對(duì)柱塞泵滑靴磨損故障振動(dòng)信號(hào)進(jìn)行無偏自相關(guān)譜峭度分析，得到無偏自相關(guān)譜峭度分布圖，如圖2-3所示。圖2-3基于標(biāo)準(zhǔn)Autogram的滑靴磨損信號(hào)的無偏自相關(guān)譜峭度分布圖Fig.2-3UnbiasedautocorrelationspectrumkurtosisdistributionofslipperwearfaultsignalbasedonstandardAutogram分析圖2-2可得：當(dāng)MODWPT的分解層數(shù)為2時(shí)，node（2,3）所對(duì)應(yīng)的無自相關(guān)譜峭度最大，值為85.6，其中心頻率為15625Hz，帶寬為6250Hz。因此，將node（2,3）作為新數(shù)據(jù)源，進(jìn)行Autogram頻譜分析，得到無閾值，上閾值和下閾值頻譜，結(jié)果如圖2-4所示。圖2-4基于標(biāo)準(zhǔn)Autogram的滑靴磨損故障信號(hào)的頻譜Fig.2-4SpectrumofSlipperWearFaultSignalBasedonStandardAutogram由圖2-3可得：在基于無閾值和上閾值方法求得的頻譜圖可以有效地提取出滑靴磨損故障特征頻率25kHz及其所有倍頻處的幅值，其余頻率處噪聲得到極大的抑制，且基于無閾值方法的頻譜幅值比基于下閾值方法的頻譜幅值大很多。比較圖2-2的傳統(tǒng)頻譜與圖2-4的上閾值頻譜可知：Autogram方法可以有效地提取滑靴磨損故障特征信息，且較傳統(tǒng)頻譜而言具有顯著的特征信息提取優(yōu)勢(shì)。因此，本文選擇故障信號(hào)的無閾值頻譜進(jìn)行后續(xù)分析處理。1.4柱塞泵松靴故障診振動(dòng)信號(hào)分析松靴故障是軸向柱塞泵的主要失效形式之一。當(dāng)軸向柱塞泵發(fā)生松靴故障時(shí)，柱塞泵內(nèi)部產(chǎn)生液壓沖擊，且柱塞球頭嚴(yán)重沖擊滑靴，這些沖擊導(dǎo)致柱塞泵產(chǎn)生附加沖擊振動(dòng)，噪聲增加，減少壽命[22]。松靴故障實(shí)驗(yàn)與滑靴磨損故障實(shí)驗(yàn)方法相同，利用已有松靴故障的柱塞代替正常柱塞。信號(hào)處理分析方法與滑靴磨損故障信號(hào)處理方法一致。柱塞泵松靴故障軸向振動(dòng)加速度信號(hào)原始時(shí)域圖像如圖2-5所示。圖2-5基于松靴故障信號(hào)的原始時(shí)域圖像Fig.2-5Originaltime-domainimagebasedonlooseslipperfaultsignal對(duì)柱塞泵松靴故障振動(dòng)信號(hào)進(jìn)行無偏自相關(guān)譜峭度分析，得到無偏自相關(guān)譜峭度分布圖，如圖2-6所示。圖2-6基于標(biāo)準(zhǔn)Autogram的松靴故障信號(hào)的無偏自相關(guān)譜峭度分布圖Fig.2-6UnbiasedautocorrelationspectrumkurtosisdistributionoflooseslipperfaultsignalbasedonstandardAutogram由圖2-6可以得到，node（1,2）對(duì)應(yīng)著最大無偏自相關(guān)譜峭度，值為355.5，帶寬為12500Hz，中心頻率為18750Hz，說明node（1,2）包含著豐富的故障特征信息。因此，選擇node（1,2）作為新數(shù)據(jù)源，按上節(jié)步驟進(jìn)行頻譜分析，可以得到基于松靴故障信號(hào)的無閾值，上閾值和下閾值頻譜，如圖2-7所示。圖2-7基于標(biāo)準(zhǔn)Autogram的松靴故障信號(hào)的頻譜Fig.2-7SpectrumofLooseSlipperFaultSignalBasedonStandardAutogram觀察圖2-7可以得到，在基于無閾值和上閾值的頻譜圖中噪聲得到了明顯抑制，譜圖清晰，松靴故障特征頻率25Hz及其所有倍頻處的幅值得到凸顯，柱塞泵松靴故障信息得到了有效提取。比較圖2-4與圖2-7的無閾值頻譜，可以發(fā)現(xiàn)基于滑靴磨損故障信號(hào)的無閾值頻譜幅值與基于松靴故障信號(hào)的無閾值頻譜幅值有明顯差值，說明Autogram方法的無閾值頻譜可以鑒別不同故障特征，這對(duì)后續(xù)的故障診斷極為有益。無閾值頻譜與下閾值頻譜相比較，前者特征頻率及其倍頻處的幅值是后者的百余倍，特征信息提取效果更加顯著。因此，本文選取松靴故障信號(hào)的無閾值頻譜進(jìn)行后續(xù)的分析處理和故障診斷。1.5柱塞泵斜盤磨損故障振動(dòng)信號(hào)分析斜盤是軸向柱塞泵的一個(gè)核心關(guān)鍵部件。當(dāng)柱塞泵在高轉(zhuǎn)速、高壓力的工況下運(yùn)行，發(fā)生斜盤磨損故障將引起明顯的扭矩躍升異常，產(chǎn)生額外振動(dòng)，導(dǎo)致柱塞泵失效[23]。在本節(jié)中，采用人為磨損的斜盤來代替正常斜盤，模擬工作磨損的斜盤磨損故障。采集了柱塞泵處于斜盤磨損故障狀態(tài)時(shí)的泵殼軸向振動(dòng)加速度信號(hào)。與上節(jié)信號(hào)分析處理步驟一致，截取0.2秒時(shí)間段的數(shù)據(jù)，數(shù)據(jù)點(diǎn)數(shù)為10000點(diǎn)。柱塞泵斜盤磨損故障軸向振動(dòng)加速度信號(hào)原始時(shí)域圖像如圖2-8所示。圖2-8基于斜盤磨損故障信號(hào)的原始時(shí)域圖像Fig.2-8Originaltime-domainimagebasedonswashplatefaultsignal對(duì)柱塞泵斜盤磨損故障振動(dòng)信號(hào)進(jìn)行無偏自相關(guān)譜峭度分析，得到無偏自相關(guān)譜峭度分布圖，如圖2-9所示。圖2-9基于標(biāo)準(zhǔn)Autogram的斜盤磨損故障信號(hào)的無偏自相關(guān)譜峭度分布圖Fig.2-9UnbiasedautocorrelationspectrumkurtosisdistributionofswashplatefaultsignalbasedonstandardAutogram從圖2-9可知，最大無偏自相關(guān)譜峭度對(duì)應(yīng)的信號(hào)為node（1，2），最大無偏自相關(guān)譜峭度值為234.8，中心頻率為18750Hz，帶寬為12500Hz。故選擇含有豐富特征信息的node（1,2）作為新數(shù)據(jù)源進(jìn)行下一步Autogram頻譜分析，結(jié)果如圖2-10所示。圖2-10基于標(biāo)準(zhǔn)Autogram的斜盤磨損故障信號(hào)的頻譜Fig.2-10SpectrumofSwashPlateFaultSignalBasedonStandardAutogram通過圖2-10可以看出，基于無閾值和上閾值的頻譜噪聲過濾干凈，特征信息清晰，斜盤磨損故障特征頻率25Hz及其全部倍頻得以清晰呈現(xiàn)。對(duì)比圖2-4、圖2-7和圖2-10可知，各個(gè)故障在同一特征倍頻下的幅值差值較大，可以很好地分辨出各個(gè)故障模式，對(duì)后續(xù)的故障診斷提供了很好地基礎(chǔ)。1.6柱塞泵正常運(yùn)行狀態(tài)振動(dòng)信號(hào)分析為了完善后續(xù)DS證據(jù)理論的結(jié)構(gòu)，增加故障診斷的準(zhǔn)確性、可靠性，對(duì)柱塞泵正常運(yùn)行狀態(tài)信號(hào)進(jìn)行相同的分析處理。柱塞泵正常運(yùn)行狀態(tài)軸向振動(dòng)加速度信號(hào)原始時(shí)域圖像如圖2-11所示。圖2-11基于正常運(yùn)行狀態(tài)信號(hào)的原始時(shí)域圖像Fig.2-11Originaltime-domainimagebasedonnormalstatesignal對(duì)柱塞泵正常運(yùn)行狀態(tài)振動(dòng)信號(hào)進(jìn)行無偏自相關(guān)譜峭度分析，得到無偏自相關(guān)譜峭度分布圖，如圖2-12所示。圖2-12基于標(biāo)準(zhǔn)Autogram的正常運(yùn)行狀態(tài)信號(hào)的無偏自相關(guān)譜峭度分布圖Fig.2-12UnbiasedautocorrelationspectrumkurtosisdistributionofnormalstatesignalbasedonstandardAutogram由圖2-12可知，選取node（2,2）作為新數(shù)據(jù)源進(jìn)行Autogram頻譜分析，結(jié)果如圖2-13所示。圖2-13基于標(biāo)準(zhǔn)Autogram的正常運(yùn)行狀態(tài)信號(hào)的頻譜Fig.2-13SpectrumofNormalStateSignalBasedonStandardAutogram1.7本章小結(jié)本章主要介紹了Autogram方法的基本理論及其具體實(shí)施步驟，即（1）最大重復(fù)離散小波變換（MODW