基于小波包分解的能量特征提取在旋转机械故障诊断中的应用研究

于 波 徐雪娇 郑 听

(东北石油大学电子科学学院，黑龙江 大庆 163318)

基于小波包分解的能量特征提取在旋转机械故障诊断中的应用研究

于 波 徐雪娇 郑 听

(东北石油大学电子科学学院，黑龙江 大庆 163318)

针对旋转机械的故障诊断问题，结合LabVIEW和Matlab两种软件的优点,设计了旋转机械振动测试系统。该系统实现了振动信号的读取、分析与存储，利用小波包函数对振动信号进行分解，求出各频段的能量值，并把能量值作为故障信息的特征向量进行特征提取，进而有效地进行故障信息的模式识别。

故障诊断 旋转机械 小波包分析 特征提取

大型旋转机械是石油化工等重要工业领域中关键的动力设备，如今在更多的领域都有着广泛的应用。转子系统和轴承是大型旋转机械中极为关键的两个部件，由于转子系统和轴承长时间处于高速运转和高负荷运行的状态，所以极易出现机械故障[1，2]。振动信号含有丰富的旋转机械运行状态信息，但在实测振动数据分析过程中仍然会遇到许多问题[3]。笔者主要介绍自行研发的旋转机械振动监测系统，该系统不仅可以对振动信号进行频谱分析，而且利用小波包分解对振动信号进行特征提取，弥补了频谱分析对非线性振动信号故障特征提取的不足，并且通过小波包分解后各频带的不同能量值，利用模式识别方法对不同的故障类型进行模式识别，进而可以确定旋转机械的各种故障类型。

1 基于小波包的故障特征提取①

1.1 小波包变换

小波包变换是在多分辨率分析基础上构成的一种更为精细的正交分解方法，它在全频带内对信号进行多层次的频带划分[4]。小波包分析是小波分析的一种延伸，它可以将频带进行多层次划分，对高频部分进行进一步分解，将原信号的频率范围平均分为2i个大小相等的频段，如果分解层数足够多，就可以使频率差距较小且频率较低的频率分别落在不同的频段内，进而可以更精确地分析信号，解决了小波分析在高频部分分辨率低的缺陷。小波包变换建立在小波变换的基础上，其定义为[5，6]：

其中，φn表示原信号序列，h0(k)和h1(k)分别表示长度为2N的低通滤波器和高通滤波器。每进行一次分解得到的低频和高频两个序列都要再进行分解，每分解一次，各频段的数据量减半。

小波包的分解算法为：

小波包重构算法为：

1.2小波包分析特征提取

在旋转机械出现故障的情况下，振动信号在某个频段内的能量减少，从而使得其他频段内的信号能量增加，可知各个频段内的信号能量包含了大量的故障信息，因此,可以建立振动信号各频段的能量信息与故障信息之间的映射关系，进而识别故障类型。

首先，对振动信号进行小波包分解：

wpt=wpdec(data,3,′db1′,′shannon′)

以上程序为小波包分解提取的第3层从低频到高频8个频率成分的信号特征。data表示原振动信号，3代表分解的层数，db1表示分解信号时所采用的小波函数，shannon表示所采用的熵标准。

其次，对三层小波包分解系数进行重构：

s130=wprcoef(wpt,[3,0])

s131=wprcoef(wpt,[3,1])

s132=wprcoef(wpt,[3,2])

s133=wprcoef(wpt,[3,3])

s134=wprcoef(wpt,[3,4])

s135=wprcoef(wpt,[3,5])

s136=wprcoef(wpt,[3,6])

s137=wprcoef(wpt,[3,7])

wpt表示被重构的信号，[3,0]表示所重构的节点。

最后，求信号各频带的能量和，即总能量，并且构造特征向量：

e=wenergy(wpt);

E=zeros(1,length(e));

for i=1:2^3

E(i)=sum(abs(wprcoef(wpt,[3,i-1])).^2);

end

E_total=sum(E);

for i=1:2^3

E(i)=E(i)/E_total;

end

其中，E_total表示各频带信号的总能量，E[i]表示归一化的特征向量。

2 系统设计与实验

利用LabVIEW虚拟仪器设计一个旋转机械振动测试系统来实现振动信号的采集、分析与处理,振动测试系统流程如图1所示。

图1 振动测试系统流程

系统以计算机作为硬件基础，以LabVIEW和Matlab两种编程软件作为软件开发平台[7]。

2.1数据的采集、分析与处理

LabVIEW中提供了一系列使用Windows底层函数编写的与声卡有关的函数，利用这些函数可以方便地采用LabVIEW构建基于声卡的虚拟仪器。声卡采集到的振动信号伴有很多噪声干扰，在进行频谱分析之前必须滤除干扰信号。振动测试系统利用椭圆滤波器来滤除干扰信号。

频域分析是以输入信号的频率为变量，在频率域里研究系统的结构参数与性能的关系，揭示信号内在的频率特性和信号时间特性与其频率特性之间的密切关系，经过快速傅里叶变换后，进行频谱分析。快速傅里叶变换是离散傅里叶变换的快速算法。

2.2小波包分解

在LabVIEW中调用Matlab节点来实现上述小波包三层分解程序，节点调用程序如图2所示，s130～s137分别显示8个频段的频谱图，能量1～8分别表示求出的8个频段的能量值。

图2 小波包函数在LabVIEW中的节点调用程序

2.3系统总体设计的实现

将各个功能模块有效地组合到一起就构成了振动测试系统的基本程序框图。通过测试数据来调试程序，使程序更加完善。完成程序的设计之后对前面板进行排版美化，前面板如图3所示。

图3 振动测试系统前面板

2.4实验结果分析

实验中分别检测了3种故障：转子不平衡、动静碰磨和油膜涡动。将3种故障的振动信号通过LabVIEW平台上的振动测试系统读取出来并观察其频谱特征，再通过LabVIEW调用Matlab中的小波包分析函数，分别对这3种故障的振动信号进行三层小波包分解，将信号平分成由低到高的8个子频带，求出各频带信号的总能量，构造特征向量，经过归一化处理后得到能量直方图。

转子不平衡主要是由于转子的结构设计不合理、机械工作时间过长而造成的磨损腐蚀，其频谱图如图4所示，主要表现为一倍频振幅大，出现较小的高次谐波，整个频谱图呈“纵树状”。对此振动信号进行特征提取后，转子不平衡的8个频段的能量直方图如图5所示。

图4 转子不平衡频谱图

图5 转子不平衡能量直方图

动静碰磨的频谱图如图6所示，主要表现为振动信号既有一倍频、二倍频、三倍频、四倍频成分，又有大于五倍频的高频成分。对此振动信号进行特征提取后，动静碰磨的8个频段的能量直方图如图7所示。

图6 动静碰磨频谱图

图7 动静碰磨能量直方图

油膜涡动的频谱图如图8所示，主要表现为振动的最大频率出现在基频二分之一左右的频率上。对此振动信号进行特征提取后，油膜涡动的8个频段的能量直方图如图9所示。

图8 油膜涡动频谱图

图9 油膜涡动能量直方图

由于信号经小波包变换后的能量与原信号能量是等价的，并且旋转机械不同故障状态下的振动信号具有较大的差异，对应小波包分解后各频带的能量也不相同，所以根据上述实验得到的不同故障信号8个频带的能量值可以作为故障诊断的特征向量，将故障特征作为支持向量机的输入向量，进而对大量的故障信息进行故障识别。

3 结束语

结合小波包能量特征提取的思想，以LabVIEW作为开发平台，设计了旋转机械振动测试系统，并且利用LabVIEW对Matlab节点调用的功能，在程序中直接调用Matlab中的小波包分解函数，通过小波包分解后的不同子频带的能量特征来诊断旋转机械的不同故障类型。该系统的创新之处是将虚拟仪器的思想与旋转机械故障诊断相结合，在旋转机械振动测试系统中，实现振动信号的采集、分析与处理，观察振动信号的时域波形和频谱图，并且能够得到故障信号各频段的能量特征，将小波包分析与能量特征提取在虚拟仪器的平台上很好地结合起来，为故障模式识别提供了有效的方法，更有利于对现场数据进行故障诊断。

[1] 费成巍,白光忱,李晓颖.基于过程功率谱熵SVM的转子振动故障诊断方法[J].推进技术，2012, 33(2): 293～298.

[2] 陈虹微.旋转机械振动特征及诊断方法[J].噪声与振动控制, 2009, 29(1): 134～136.

[3] 赵海峰,杨国斌.基于振动信号的深沟球轴承滚动体故障诊断研究[J].化工机械，2014,41(3):291～295.

[4] 陈季云,李娟.基于小波包-支持向量机的滚动轴承故障诊断[J].化工自动化及仪表，2010,37(9):50～52.

[5] 藏玉萍,张德江,王维正.小波分层阈值降噪法及其在发动机振动信号分析中的应用[J].振动与冲击, 2009, 28(8): 57～60.

[6] Yuan L F, He Y G, Huang J Y, et al. A New Neural-network-based Fault Diagnosis Approach for Analog Circuits by Using Kurtosis and Entropy as a Preprocessor[J].IEEE Transactions on Instrumentation and Measurement,2010,59(3):586～595.

[7] 盛兆顺,尹琦岭.设备状态监测与故障诊断技术及应用[M].北京:化学工业出版社,2003.

(Continued from Page 1055)

AbstractThe new thermal conductivity detector(TCD) was adopted in the experiment where the clean air, high-purity air and high-purity nitrogen were dissolved in the transformer oil to test on-line monitoring device.The results show that, the high-purity nitrogen is ideal carrier gas and in areas where high-purity nitrogen can be obtained easily, it has lower cost and higher practicability.

Keywordstransformer, gases dissolved in transformer oil, on-line monitoring, applicable carrier gas, TCD

ApplicationResearchonWaveletPacket-basedEnergyFeatureExtractionforFaultDiagnosisofRotatingMachinery

YU Bo, XU Xue-jiao, ZHENG Ting

(CollegeofElectronicScience,NortheastPetroleumUniversity,Daqing163318,China)

Aiming at the fault diagnosis of rotating machinery, having advantages of LabVIEW and Matlab considered to design a testing system for the rotating machinery was implemented.This system can realize the reading, analysis and storage of vibration signals; and it can make use of wavelet packet function to decompose the vibration signals and obtain the energy value of every frequency band and then have these energy values taken as features vector of fault information to extract their energy feature.This system can implement mode recognition of fault information.

fault diagnosis, rotating machinery, wavelet packets analysis, feature extraction

TH165+.3

A

1000-3932(2016)10-1056-04

2016-08-12(修改稿)