[发明专利]基于VT-ANM-SWT的旋转机械异振源识别方法

说明书

本发明涉及旋转机械故障诊断技术，具体涉及基于VT‑ANM‑SWT的旋转机械异振源识别方法，该方法利用振动加速度传感器获取旋转机械表面的振动激励源混合信号。运用优化过的自适应负熵极大化盲源分离算法将这些振动信号进行独立分量分析，结合预先估计的主要振源数量设定算法需要输出的结果个数；采用SWT稳态小波变换技术对分离出来的各独立信号进行时频分析，结合旋转机械的先验知识，该方法能有效辨识旋转机械振源，并对非正常运行下的异振源也能做到有效识别。该方法成功解决旋转机械异振源问题，且为以后此类问题的分析提供了一套体系。

技术领域

本发明属于旋转机械故障诊断技术领域，特别涉及基于VT-ANM-SWT的旋转机械异振源识别方法。本发明适用于各类旋转机械的信号如内燃机，电动机等。

背景技术

减少振动、降低噪声、减少故障是旋转机械研究领域的重要研究方向，有效的对旋转机械进行降噪和故障诊断，准确识别其主要振动激励源是关键。旋转机械往往结构复杂，内部激励源众多且相互耦合，通过不同的振动路径传递，响应过程复杂。因此旋转机械的激励源信号往往呈现出非平稳、非线性以及多重耦合系统特性。

对比传统的信号分析技术，基于VT-ANM-SWT(Vibration test-AdaptionNegentropy maximum-Stationary wavelet transform)的旋转机械异振源识别方法能够更加有效的分离与识别振动激励源，且能从时-频域更加全面的识别振动信号的特征，结合旋转机械的运行时刻能够推断出各振源是由什么部件所产生的。这一系列的优势使得该方法在旋转机械的NVH与故障诊断领域得到成功的应用。其中具体运用到的信号处理的方法包括独立分量分析法(Independent component analysis),连续小波变换(Continuouswavelet transform)。其中传统的基于负熵最大化的盲源分离算法由于其负熵估算函数中二次函数的系数要靠经验选取，导致其计算结果的准确性会因不同信号而有差异。

发明内容

针对背景技术存在的问题，本发明基于传统算法提出了自适应系数的负熵极大化盲源分离算法，最终将分离结果进行连续小波变换，在时频域上对结果进行分析。

为解决上述技术问题，本发明采用如下技术方案：基于VT-ANM-SWT的旋转机械异振源识别方法，包括以下步骤：

步骤1、在旋转机械稳态工况下，利用振动加速度传感器分别获取旋转机械的多个混合振动加速度信号；

步骤2、在旋转机械稳态工况下，利用激光转速传感器定位机械旋转角度；

步骤3、将测量得到的多个混合振动加速度信号，运用旋转机械在稳态工况运转时存在的振动激励信号对旋转机械振源数进行估计，之后运用优化后的负熵极大化盲源分离算法计算得到多个独立分量；

步骤4、将多个独立分量分别进行SWT稳态小波变换，得到各独立信号的时频谱图，将激光转速传感器所记录的旋转机械运行时刻的脉冲作为时频谱图中信息的参照，最后依据旋转机械在稳态工况运转时存在的振动激励信号判断各独立信号源及产生异常振动的信号源。

在上述基于VT-ANM-SWT的旋转机械异振源识别方法中，步骤1的实现包括：

步骤1.1、旋转机械稳态工况包括：保持柴油机的怠速工况800rpm或车用永磁同步电机的额定工况3000rpm；

步骤1.2、在旋转机械中心线上安装多个振动加速度传感器；

步骤1.3、利用多个振动加速度传感器分别获取柴油机的燃烧激励信号、机械激励信号以及由高压喷油产生的高压激励信号；或分别获取电机的轴向电磁力引起的振动激励信号、径向电磁力引起的振动激励信号、轴承旋转引起的振动激励信号以及气动噪声引起的机体振动。

在上述基于VT-ANM-SWT的旋转机械异振源识别方法中，步骤2的实现包括：