家电振动诊断系统分析

郑文炜，王宇华 *，刘芝庭

（佛山科学技术学院机械工程系，广东佛山，528000）

家电振动诊断系统分析

郑文炜，王宇华 *，刘芝庭

（佛山科学技术学院机械工程系，广东佛山，528000）

通过对家电振动诊断系统的振动传感器、振动信号处理模块及故障诊断模块这3个主要组成部分进行分类，并对其发展、特点及应用进行讨论，在此基础上提出家电振动诊断系统的发展方向。

故障诊断；信号处理；振动；振动传感器；模式识别

振动检测是静音家电出厂质量检测的一个关键环节。随着家电厂商生产线自动化程度的提高，家电振动质检也朝着自动化、智能化的方向发展。家电振动故障诊断系统是利用振动检测传感器及其他检测方法，发现检测对象是否存在故障及是否存在出厂指标不合格，并进一步根据检测参数自动判断是否故障及故障部位。本文对家电振动诊断系统进行探讨。

1 家电振动诊断系统的组成

一个家电振动诊断系统主要由振动传感器、振动信号处理模块及故障诊断模块3部分组成：1）振动传感器是一种能够感受到检测对象的振动物理量变化的信息，并将感受到的信息转变为电信号形式将信号传送给上位机的传感器。2）振动信号处理是对振动传感器感受振动转化的电信号，按各种预期的目的及要求进行加工过程的统称。3）设备在将能量转化为机械能的过程中，必然产生振动，而设备运行时的振动能够反映出机械的运行状况，振动故障诊断就是通过提取设备振动信号的特征值辨别设备的运行状态及是否发生故障，其本身就是一个模式识别的问题。

2 家电振动诊断系统各组成部分的特点及应用

2.1 振动传感器

振动传感器的分类方法有多种，振动传感器按检测方式可分为接触式和非接触式；按测量方法及测量过程的物理性质可分为机械式、光学式及电测量方法3种；按物理量可分为位移传感器、速度传感器及加速度传感器。这些分类方法都是相容的。本文主要探讨接触式和非接触式振动传感器。典型接触式振动传感器有压电式加速度传感器、磁电式速度传感器及光纤传感器3种。常用非接触式振动传感器有电涡流式位移传感器、激光多普勒振动传感器及激光位移传感器3种。

2.1.1 典型接触式振动传感器的特点

（1）压电式加速度传感器。压电式加速度传感器是一种惯性式传感器［1］。根据弹簧质量系统原理，压电式加速度传感器的敏感芯体质量受激振力作用后产生一个与该激振力成正比的力，压电材料受力后产生电信号［2］。压电式加速度传感器是一种被广泛使用的振动传感器。压电式加速度传感器的频率响应范围大、坚固耐用，特点是：响应产生电信号不需要外界电源［3］。为降低测量通道的成本，压电式加速度传感器采用阻抗转换器，虽然它可以担供低的输出阻抗以方便与后面的电路相连，但是对低频响应能力有不利的影响［4］。

（2）磁电式速度传感器。磁电式速度传感器是利用电磁感应原理将传感器的质量块与壳体的相对速度转换为电压输出［5］。电磁式速度传感器安装方便、输出阻抗低、无需外部电源、能在复杂环境下使用及在连接长导线的情况下仍有较高的信噪比［6］。但该类型的传感器不适合用于测定冲击振动［7］。

（3）光纤传感器。用于检测振动的光纤传感器是一种应变传感器［8］。光纤应变传感器可分为光强调制型、相位调制型和偏振调制型［9］。由于光强调制型的光纤应变传感器具有结构简单、处理范围大、应用较广泛，而相位和偏振调制型的光纤应变传感器则应用于对检测精度要求较高的情况［10-12］。

2.1.2 常用非接触式振动传感器的特点

（1）电涡流式位移传感器。电涡流式位移传感器是利用涡流效应将探头线圈与目标金属之间的距离变化转换成线圈阻抗的变化［13］，从而产生振动电信号。其特点是：电涡流位移传感器的线性范围广、抗干扰能力强、不易受油污等绝缘介质影响，这类传感器常被用于汽轮机组、空气压缩机组等回转轴类的振动监测［14-15］。电涡流式位移传感器的灵敏度受被测物的电导率和磁导率影响，被测物表面微裂缝也会对电涡流式位移传感器的灵敏度产生影响［16］。

（2）激光多普勒振动传感器。激光多普勒振动传感器是利用多普勒频移原理对被测物的振动速度进行检测［18-21］。激光多普勒测振仪具有频率响应范围大、分辨率高等特点，现在单点式的激光位移多普勒测振仪可测量的频率带宽达3 MHz左右，其速度分辨率可达0.02［22］。由于激光多普勒光路设计较复杂，导致其体积比其他振动传感器大并且价格也相对较高。

（3）激光位移传感器。激光位移传感器是一种利用激光三角测量法去检测被测物振动位移信号的传感器。激光位移传感器具有体积较小并且精度和响应速度高等特点，工业上常被用于轮廓检测、位移量检测及振动检测［23］。激光位移传感器的精度受被测物表面的颜色、粗糙度及光泽影响。

2.1.3 振动传感器的应用

在家电自动化质量检测生产线要求检测精度高、检测成本低、检测流程简单且速度快。接触式振动传感器由于需要安装在被测物表面上，且布线复杂不便用于自动化检测生产线上。由于部分家电产品检测部位为塑料等绝缘材料，所以电涡流式位移传感器在家电自动化质量检测生产线中的应用受限。由于激光多普勒振动传感器价格较高，在生产线上大量使用激光多普勒振动传感器作为检测传感器并不现实。激光位移传感器的测量精度受被测物表面条件影响，但是绝大部分的家电产品的质检部位满足其使用条件，并且激光位移传感器的价格较低在生产线上大量使用的可行性较高。

2.2 振动信号处理

振动信号处理方法可分为幅值域分析法、时域分析法、频域分析法及时频域分析法。运用不同的分析方法对振动信号进行分析，可以得出不同的信号分析结果。

2.2.1 常用振动信号处理方法的特点

（1）幅值域分析法。幅值域分析法是对信号进行统计分析，其主要是对信号的时域进行统计得出时域的统计特征，从而进行故障分析和诊断。在幅域分析法中，常用的指标有均方根值、峰峰值及峭度等。1）均方根值用于表示信号的能量，可以被用来评价振动的等级或振动的烈度［24］。2）峰峰值表示周期信号中最大值与最小值之差，在位移信号中反映振动的范围。3）峭度是一种归一化的四阶中心距，对早期故障的大幅值变化非常敏感，常用于早期故障诊断中。

（2）时域分析法。时域分析法指的是以时间为自变量描述信号参数变化的一种方法。时域分析方法众多，在机械故障诊断中常用的是轴心轨迹法、伯德图、相关分析法及趋势图等。1）轴心轨迹法是指将来自轴颈垂直且共面的两个传感器采集得到的时域信号合并，从而检测到轴心轨迹［25］。轴心轨迹法常被应用于旋转机械的回转轴故障诊断中。2）伯德图是一种用于分析振动的幅值和相位随转速变化的图形，常被用于判断临界转速、分析转子不平衡质量所在的轴向位置［24］。3）相关分析法是利用相关函数去分析振动信号中的相关性［26］，相关分析法又分为自相关分析和互相关分析。随机信号的自相关函数是迅速衰减的，而周期信号的自相关函数具有不衰减的性质，所以在实际工程信号处理中经常使用自相关分析提取含噪信号的周期。而互相关函数用于评价两个不同信号的相似程度，常用于分析故障源及故障定位［27］。4）趋势图是一种用直坐标和极坐标图表示被测参数值随时间的变化趋势。通过趋势图可以长期记录和监视机器的运行情况，其中趋势图最常用的是稳态图［28］。

（3）频域分析法。频域分析法是指将时域信号转换在频域上的分析方法，常用的频域分析方法有快速傅里叶变换法、谱分析法及倒谱分析法。1）快速傅里叶变换是离散傅里叶变换的一种简化改进算法［29］。快速傅里叶变换能够解析周期信号的频率成分，且计算量小，从而减少计算机计算的时间。2）谱分析法又称为功率谱分析法，是一种能够将随机信号的频率成分解析出来的算法，是一种常用的频域分析方法。现代谱估计和经典谱估计是功率谱的两种不同分析方法。经典谱估计常用数据截断的方法，将除截断数据外其他数据设为零，然后以相关法或周期图法进行运算，是常用估计数据的参数模型再重新计算输出功率的方进行谱估计［30］。3）倒谱分析是将已经映射要频域的信号数据进行对数运算后再进行傅里叶反变换运算。通过倒谱运算再进行傅里叶变换，可以分离系统特性和激励信号的频率［31］。

（3）时频分析法。时频分析法是时域和频域联合分析，该方法能够同时提供时域和频域上的信息。常用的时频分析方法有短时傅里叶变换法、Winger-Ville分布法、小波分析法及希尔伯特-黄变换等方法。1）短时傅里叶变换是一种线性的时频分析方法［32］，通过将信号截取为多个信号段然后加窗做傅里叶变换得出各个信号段的频率成分，将各个时间间隔排列可得出信号的时频图。2）短时傅里叶方法计算简单，常被应用于变速箱、齿轮箱等变速机械部件的故障诊断中。3）Winger-Ville分布法可以看成是信号中心协方差函数的傅立叶变换［33］。Winger-Ville分布法的时频聚集性高，适合用于线性调频信号中［34］。4）小波分析法可以看做是在短时傅里叶变换的窗口函数的基础上增加一个尺度因子，所得窗口不仅能够平移而且能够伸缩［35］。在小波分解下，不同的尺度具有不同的时间和频率分辨率，利用小波分解可以将信号的不同频率区间所包含的信号分离开。5）希尔伯特-黄变换使用经验模态分解算法及希尔伯特变换算法可以将非线性的振动信号分解变换为希尔伯特-黄谱［36-37］。希尔伯特-黄变换算法能够将信号的局部特征凸显出来，具有良好的时频聚集性［38］。

2.2.2 常用振动信号处理方法的应用

在目前的机械振动故障诊断中，基于幅值域、时域的信号处理方法简单直观，计算方便，但是不能够有效地获取频域上的特征，而频域的诊断技术能够很好地解决线性的振动问题，对于复杂机械的非线性振动问题，这些方法的局限性显得越来越突出。时频分析法的各种算法计算结果所含信息量，大能够很好地解决机械振动信号的处理问题，由于部分时频分析算法计算量大、计算时间长，不利于应用在质检生产线上。

2.3 机械振动故障诊断

机械振动故障检测从本质上讲就是模态识别［39］，常用模式识别方法有神经网络和支持向量机。

2.3.1 常用模式识别算法的特点

（1）神经网络算法。神经网络算法是一种以认知和模拟为中心问题的智能算法，通过模拟人脑的认知功能组成一个具有高度非线性动力学及自适应组织的系统。各个领域均有用到神经网络算法，在机械故障诊断中主要用到的神经网络模型有BP神经网络模型［40］及自组织特征映射网络模型［41］。1）BP神经网络是一种以误差反向传播算法为训练方式，通过优化均方误差改变网络权值和阀值来拟合数据的神经网络算法。该神经网络算法能接受各种训练资料并且对多重共性和离群点的影响不敏感，能够揭示输入和输出之间的关系。2）自组织特征映射网络模型是一种能够自适应地揭示样本内部规律并自组织地改变网络参数和结构的神经网络算法。自组织特征映射网络模型可以无导师学习，自动对样本分类，即具有很强的学习能力［42］。

（2）支持向量机算法。支持向量机算法是以VC维理论和结构风险最小原理为基础，对有限训练样本的学习进度及学习能力间寻找合适的解,支持向量机巧妙地解决了维数灾问题,使得其算法复杂度与样本维数无关，在机械故障诊断中得到广泛的应用［43-44］。

2.3.2 常用模式识别算法的应用

神经网络存在难以确定神经网络结构及过学习和欠学习等问题，而支持向量机则能够较好地解决这些问题成为模式识别在故障诊断中的热点。

3 小结

通过对组成家电振动诊断系统的振动传感器、振动信号处理模块及故障诊断模块进行分析可知，非接触式传感器比接触式传感器更适合应用于家电质量检测生产线上，振动信号处理时方法中的频域法所含信息量更大，大部分时频域法的算法计算量大计算时间长不适合应用于家电质量检测生产线上，机械振动故障检测中支持向量机作为模式识别方法的一种，由于其能够较好地解决过学习和欠学习等问题而得到广泛应用。

［1］李翠,李效民,钟美芳.压电式加速度传感器的智能应用［J］.实验室研究与探索,2010,29（10）:231-234.

［2］黄贤武,郑筱霞.传感器原理与应用［M］.2版.成都:电子科技大学出版社,2005:111-122.

［3］郁有文,常健,程继红.传感器原理与工程应用［M］.2版.西安:西安电子科技大学出版社,2004:103-112.

［4］张勇,梁平.电涡流位移传感器输出特性自动检测系统［J］.工业仪表与自动化装置,2010,213（3）:47-49.

［5］秦树人.机械工程测试原理与技术［M］.2版.重庆:重庆出版社,2011:261-300.

［6］朱林生.一种超低频绝对振动信号检测系统的研究与实现［D］.长沙:国防科学技术大学,2005.

［7］张健.机械故障诊断技术［M］.北京:机械工业出版社,2014:61-80.

［8］涂亚庆,刘兴长.光纤智能结构［M］.重庆:重庆出版社,2000:81-135.

［9］周建华.光纤光栅传感器应变传递特性研究［D］.武汉:武汉理工大学,2010.

［10］KANG D,CHUNG W.Estimation of curvature changes for steel-concrete composite bridge using fiber bragg grating sensors［J］.Adv.Mater.Sci.Eng,2013（2013）:7.

［11］LI DS,BENL,LI H N,et al.Structural health monitoringof a tall building during construction with fiber Bragg grating sensors［J］.Int.J.Distrib.Sens.Netw,2012（2012）:7-10.

［12］MA GM,LI CR,QUANJ T,et al.Cheng,A fiber bragg grating tension and tilt sensor applied to icing monitoring on overhead transmission lines IEEE Trans［J］.Power Deliv,26（2077）:2763-2770.

［13］罗承刚.电涡流位移传感器线圈电磁场仿真分析［J］.传感器与微系统,2008,193（3）:24-26.

［14］林勇刚.大型风力机变桨距控制技术研究［D］.杭州:浙江大学,2005.

［15］张勇,梁平.电涡流位移传感器输出特性自动检测系统［J］.工业仪表与自动化装置,2010（3）：47-49.

［16］吴丽君,李倩.被测体材质对电涡流位移传感器特性的影响［J］.大学物理实验,2008,72（1）：43-45.

［17］ZHOU Deqiang,WANG Jun,HE Yunze.Influence of metallic shields on pulsed eddy current sensor for ferromagnetic materials defect detection［J］.Sensors and Actuators,2016,248（1）：162-172.

［18］OLDENGARM J,VAN KRIEKEN A H,RATERINK H J.Laser Doppler velocimeter with optical frequency shifting［J］.Opt Laser Technol,1973,5（6）：249-252.

［19］BUCHHAVE P.Laser Doppler velocimeter with variable optical frequency shift［J］.Opt Laser Technol,1975,7（1）：11-16.

［21］ZHEN S,CHEN B,YUAN L,et al.A novel interferometric vibrationmeasurement sensor with quadrature detection based on 1/8 wave plate［J］.Opt.Laser Technol,2013,42（2）：362-365.

［22］刘杰坤,马修水,马勰.激光多普勒测振仪研究综述［J］.激光杂志,2014,35（12）：1-5.

［23］李演楷.激光位移传感器输出特性分析及应用［D］.长春：吉林大学,2011.

［24］时献江,王桂荣.机械故障诊断及典型案例解析［M］.北京：化学工业出版社,30-60.

［25］赵利华.旋转机械故障机理与轴心轨迹识别方法研究［D］.大连：大连理工大学,2010.

［26］左泽敏,李舜酩,郑娟丽.相关分析在机械振动信号处理中的应用［J］.机械制造与自动化,2009,38（1）：75-79.

［27］沈颖.信号相关分析及其在工程测试中的应用［J］.石油仪器,2002,16（6）：39-42.

［28］BENTLY Donald E.旋转机械诊断技术［M］.姚红良,译.北京：北京工业出版社,28-83.

［29］贾民平,张洪亭.测试技术［M］.2版.北京：高等教育出版社,40-57.

［30］宋宁.经典功率谱估计及其仿真［J］.现代电子技术,2008,11（5）：159-162.

［31］焦卫东,朱有剑.基于EMD与倒谱分析的轴承故障诊断［J］.机电工程,2009,26（2）：18-21.

［32］赵凤展,杨仁刚.基于短时傅里叶变换的电压暂降扰动检测［J］.中国电机工程学报,2007,237（10）：28-34.

［33］王红萍,于盛林,薛坚.基于经验模式分解的Wigner-Ville分布交叉项抑制方法［J］.电子测试,2008,161（2）：5-9.

［34］李文伟,王忠仁.Wigner-Ville分布及在信号分析中的应用［J］.四川兵工学报，2008,29（3）：15-17.

［35］MORLET J,ARENS G,FOURGEAU E,et al.Wave Propagation and Sam-pling Theory Part：Sampling Theory and Complex Waves［J］.Geo-physics,1982,7（2）：222-236.

［36］HUANG N E,SHEN Z,LONG S R,et al.The empiricalmode decomposition and the Hilbert spectrum fornonlinear and non-stationary time series analysis［J］.Proc.R.Soc.Lond.A,1998,45（4）：903-995.

［37］FLANDRIN P,RILLING G.decomposition as a filterGoncalves P Empiricalbank［J］.IEEE Sig.Proc.mode,2004,11（2）：112-114.

［38］BOUDRAA A O,CEXUS J C.EMD-based signal filtering［J］.IEEE Traps.Instru.Meas.,2007,56（6）：2196-2202.

［39］赵志宏.基于振动信号的机械故障特征提取与诊断研究［D］.北京：北京交通大学,2012.

［40］Samanta B, Al-Balushi K R.Artificial neural network based fault diagnostics of rolling elementbearings using time-domain features［J］.Mechanical Systems and Signal Processing,2003,17（2）：317-328.

［41］范作民,白杰,阎国华.Kohonen网络在发动机故障诊断中的应用［J］.航空动力学报,2000,15（1）：89-92.

［42］姚敏,刘虹.基于自组织特征映射网络的综合评价模型［J］.湘潭矿业学院学报,2002（2）：59-61.

［43］袁胜发,褚福磊.支持向量机及其在机械故障诊断中的应用［J］.振动与冲击,2007,115（11）：29-35.

［44］杨宇.基于EMD和支持向量机的旋转机械故障诊断方法研究［D］.长沙：湖南大学,2005.

Summarization of vibration diagnostic system for household appliance

ZHENG Wen-wei,WANG Yu-hua,LIUZhi-ting
（Department of Mechatronics Engineering,Foshan University,Foshan 528000,China）

In this paper,the vibration sensor,vibration signal processing module and fault diagnosis module of home appliance vibration diagnosis system are classified,developed,characterized and applied.Finally,the prospect of home appliance vibration diagnosis systemis put forward.

fault diagnosis;signal processing;vibration;vibration sensor;pattern recognition

TM925.06

A

1008-0171（2017）05-0025-05

2017-05-16

广东省公益研究与能力建设专项资金资助（2015A010103017，2015B010101014）；佛山市科技创新项目资助（00205371200120104）；佛山科学技术学院研究生自由探索基金资助

郑文炜（1991-），男，广东潮州人，佛山科学技术学院研究生。

*通信作者：王宇华（1960-），女，广西南宁人，佛山科学技术学院教授。

【责任编辑：任小平 renxp90@163.com】