APP下载

基于HHT的电动泵便携式故障检测装置

2019-01-17刘笑凡王天舒谢旭阳

船电技术 2018年12期
关键词:特征参数频域时域

刘笑凡,余 刃,王 石,王天舒,谢旭阳

基于HHT的电动泵便携式故障检测装置

刘笑凡,余 刃,王 石,王天舒,谢旭阳

(海军工程大学核科学与技术学院,武汉 430033)

为了有效地检测电动泵运行异常状况,本文在振动信号时域、频域分析的基础上,引入时频分析方法Hilbert-Huang变换(Hilbert-Huang Transform, HHT),适当选取对各种故障模式敏感的特征参数,构成特征参数集。通过对电动泵振动信号各特征参数在不同故障模式下的表现进行分析,实现对电动泵运行状态和故障模式的判断。采用某数据中心网站的电动泵轴承故障数据作为样本数据验证了方法的有效性。结果表明,通过引入HHT后的特征参数集,可以更有效地对数据中的四种运行状态进行判断。基于所提出的特征参数集和分析方法,开发了电动泵便携式故障检测装置。

振动信号 时频分析 HHT 故障诊断 电动泵

0 引言

电动泵作为船舶动力装置的重要辅助机械,对其安全运行起着重要作用。在船舶动力装置中,由于运行环境和安装空间的限制,对一些电动泵的监测手段有限,难以及时检测和发现其异常运行状态,从而错过最佳处理时间。

电动泵运转时会产生振动,当出现异常的时候,其振动信号必然也会出现异常,因而通过监测电动泵运行的振动信号判断电动泵运行是否出现异常,是一种较为常用的监测手段[1]。电动泵振动信号的特征提取和故障识别是故障诊断中的两个重要部分。由于其振动信号具有非线性和非平稳性的特点,传统的以傅里叶变换为基础的方法难以取得较好的分析效果[2]。鉴于传统方法的局限性,以及船舶动力装置的特殊性,本文提出基于HHT的核动力装置电动泵故障诊断方法。希尔伯特-黄变换(Hilbert-Huang Transform, HHT),是由Norden E. Huang(黄锷)等人与1998年提出的,并引入了Hilbert谱的概念和Hilbert谱分析的方法,在非线性、非平稳信号的故障诊断中得到了广泛引用[3,4]。

在进行电动泵运行状态判断时,需要适当选取若干能够表征电动泵运行状态的特征参数,构成电动泵状态检测和故障诊断的特征参数集。选取的特征参数集应对各种故障运行状态具有足够的敏感性,并应保证通过分析其中各特征参数在不同运行状态(含正常和故障状态)下的表现,能够有效区分各种运行状态,从而达到异常运行状态监测和故障诊断的目的。本文针对船舶动力装置电动泵缺乏方便有效的故障检测手段问题,研究了电动泵振动信号的HHT分析方法,提出了综合时域、频域和时频域分析的特征参数集,并利用美国凯斯西储大学轴承数据中心网站的电动泵轴承故障数据作为样本数据,进行运行状态分析和故障判定的实验验证。开发了便携式电动泵故障检测装置,实现对船舶动力装置中电动泵运行状态的监测。

1 基于HHT的振动信号处理方法

不论是在完全时域或是完全频域上处理非平稳信号,都会造成信号局部信息的缺失。而对于电动泵运行状态监测,获取其振动信号的局部特性又是非常重要的,因而引入信号的时频分析方法对振动信号进行处理。HHT就是一种信号的时频分析方法。

HHT主要由两部分组成:第一部分为经验模态分解(Empirical Mode Decomposition, EMD);第二部分为对任意信号经过EMD后得到的各本征模函数(Intrinsic Mode Function, IMF)进行Hilbert变换,从而推导得出Hilbert时频谱和Hilbert边际谱。该方法与以傅里叶变换理论为基础的时频分析方法有较大不同,能很好地解释以傅里叶变换为基础的方法所不能解释的现象。

1.1 经验模态分解

EMD方法的基本思想是:利用采集到的时域信号上下包络线的平均值确定瞬时平衡位置,进而提取本征模函数(IMF)。IMF反映了信号中存在的不同特征的成分,由于电动泵发生局部损伤故障时振动信号表现出高频调幅信号与低频谐波相叠加的特征,可以推断,EMD能够分离出信号中反映损伤特征的高频调幅信号,从而为故障诊断提供依据[3]。一个IMF必须满足两个条件:

1)函数在整个时间范围内,局部极值点和过零点的数目相等,或者最多相差一个;

2)任意时刻的局部最大值的包络线(上包络线)和局部最小值的包络线(下包络线)的平均值必须为0。

EMD方法必须基于以下假设条件:

1)数据至少有2两个极值,一个极大值和一个极小值;

2)数据的局部时域特性是由极值点间的时间尺度唯一确定。

EMD的具体步骤如下[9]:

1)求出原始数据()的局部极大值和极小值,利用三次样条插值连接,分别得到极大值包络线x()和极小值包络线x();

2)对每个时刻局部极大值x()和极小值x()取平均,得到瞬时平均值();

3)用原始数列()减去瞬时平均值得到一个去掉低频的新数列(),即

4)检查()是否满足IMF的两个条件,若满足,则()为一个IMF;若不满足,将()作为原始数列重复上述3个步骤,直到满足两个条件为止,这样就得到了第一个IMF,记为c()。一般来说,c()代表了原始数列中的高频部分,也称c()为原始数列的一个IMF;

5)将原始数列减去c()得到一个去掉高频组分的差值数列r(),对r()进行上述平稳化处理过程可以得到第2个IMF分量c(),如此重复下去直到最后一个序列r()不可再分解(为单调函数或常数)为止,此时r()代表原始数列的均值或趋势。

最后,原始的数据序列即由这些IMF分量以及一个趋势或均值表示:

1.2 对本征模函数做Hilbert变换

将IMF做快速傅里叶变换(FFT)可以得到振动信号的Hilbert谱。

对IMF做Hilbert变换:

式中,

上式中定义的瞬时振幅和瞬时相位反映了信号的瞬时特性。在此基础上定义的瞬时频率为:

在概念上,瞬时频率可以理解为一个标准正弦波在局部最佳逼近被分析信号的频率值。在统计上它与傅里叶频率是相容的,傅里叶频率是全局量,而瞬时频率是局部表述方式;傅里叶频率是独立的,而瞬时频率是时间的函数。

由以上可以看出,对IMF所做的Hilbert变换得出的振幅和频率都是时间的函数,那么将每个IMF的解析信号求和,即得到原始信号()的解析信号:

式中a表示瞬时频率下的振幅,ω表示瞬时频率。

称上式为()的Hilbert谱,记为()。将其对时间进行积分得到边际谱:

将其平方对积分即得到瞬时能量谱,对时间积分即得到能量谱:

2 特征参数集的选取

将振动信号转换为频域信号是判断电动泵运行状态的一种常用方法,这是因为电动泵高速的周期性转动。当出现故障时,其振动信号的变化在频域上的反映尤为明显。除频域分析以外,振动信号的时域分析也能够一定程度地反映电动泵的运行状态。为了增加判断的准确性,本文综合应用了信号的时域、频域和时频域的分析结果,构成判断运行状态的特征参数。针对时域和频域信号,主要选取了以下特征参数:

1)振动烈度

振动烈度通常用于表征振动水平,一般使用机械设备测点振动信号的均方根值表示。其计算公式如下:

其中表示所测信号的长度,()表示振动速度。

2)峭度

峭度是无量纲参数,是描述某变量所有取值分布形态陡峭程度的统计量。它与电动泵泵体的参数(如转速、尺寸、载荷等)无关,但是对冲击信号非常敏感。因而这种特点特别适用于表面损伤类故障、尤其是早期故障的监测。

峭度的计算方法如下:

在实际应用中,通常将峭度值做减3处理,使得正态分布的峭度为0。

3)频谱

频谱是判断振动信号是否运行稳定的重要参数,一旦电动泵出现非常明显的振动异常,可以通过频谱信号直接进行判断,同时也可通过频谱信号中出现的倍频信号对运行状态进行判断。频谱信号是通过对采集到的振动信号做快速傅里叶变换(FFT)得到的,其基本运算方法如下:

上式中,()为时域信号,F()为时域信号经过变换后得到的频域信号。

4)功率谱

最终,本文选取了振动信号的IMF分量、Hilbert边际谱和能量谱、振动烈度、峭度、频谱、功率谱等参数构成电动泵状态监测的特征参数集。此特征参数集中的各参数在电动泵的不同运行状态下会有不同的表现形式。将其作为判断电动泵运行的依据,与已知的正常或故障运行状态所对应的特征参数集进行对比,即可判断电动泵当前的运行状态。

3 特征参数集对不同运行状态的敏感性分析

3.1 特征参数的计算

为验证所选取的特征参数集对电动泵各类故障的敏感性,以及用其进行故障判定的有效性,本文采用来自美国凯斯西储大学轴承数据中心网站的轴承正常和故障数据[10]进行分析。该数据为1.47 kW 电机,转速在1730-1797 rpm 范围波动下运行时的振动数据。其中,所选取的驱动端轴承振动数据的采样频率是48000 Hz,数据包括正常运行、内圈故障、滚珠故障、外圈故障等四种状态滚动轴承运行的振动信号,每组信号约记录有48万个数据。表1给出了振动信号的时域和频域特征参数计算结果,表2给出了振动信号的时频域特征信号计算结果,其中的Hilbert谱和对IMF做Hilbert变换的结果,是对经验模态分解中得出的能够有效表征电动泵运行状态的IMF做谱分析和Hilbert变换得到的。

表1 振动信号的时域、频域分析结果

表2 振动信号的时频分析结果

3.2 利用特征参数集对电动泵运行状态的分析

分析表1中的振动信号时域、频域参数计算结果,可以发现,正常状态下的振动烈度和功率谱中的最大功率较其他运行状态要小一个数量级左右。因而,通过振动烈度和功率谱分析可以甄别电动泵的正常运行状态和故障运行状态。但是仅仅通过这两种特征参数不能有效区分三种故障状态,所以需要综合分析特征参数集的各特征参数,才能够判断电动泵所处的运行状态。

分析表1中的各运行状态的峭度值,可以将滚珠故障和外圈故障与其他两种运行状态区别开,但即使结合振动烈度、频谱、功率谱等参数也不能有效区分滚珠故障和外圈故障两种状态。分析表2 中IMF做Hilbert变换的结果,可以看出,引入HHT后,变换后的波形可以明显地区分滚珠故障和外圈故障。而此时通过分析表2 中IMF的Hilbert频谱,可看出内圈故障状态下频域内的最大振幅比正常状态下的最大振幅高出约一个数量级,因而可以通过IMF的Hilbert频谱区分正常运行状态与内圈故障状态。而经过EMD后得到的IMF作为一种重要的中间量,也可以反映电动泵的运行状态。通过上述分析可以得出,当时域、频域分析无法明确区分电动泵的运行状态时,通过引入HHT可以更加精确地对电动泵的各种运行状态进行甄别。

综上,振动烈度、峭度、频谱、功率谱、经EMD得到的IMF、IMF的Hilbert频谱以及IMF的Hilbert变换等是对上述四种状态敏感的特征参数,可以有效地对电动泵不同的运行状态进行甄别。

4 便携式故障诊断装置的设计

在船舶航行中,为实现便捷地对动力系统中主要电动泵的运行状态进行监测,本文设计开发了便携式电动泵运行状态监测装置。该装置的硬件结构包括传感器、数据采集装置和平板计算机三个部分,其基本结构如图1所示,设备如图2所示。在监测过程中,将传感器用磁铁吸附在泵体上,采集电动泵的振动信号,故本装置的应用无需对原设备作任何改动。本装置采用加速度传感器拾取振动信号,通过NI-9234振动信号采集模块采集振动信号数据,并采用NI-9181数据采集卡,通过以太网将振动信号数据传输给平板计`算机。采用LABVIEW开发了振动信号的采集与分析软件,实现对振动信号采集的启停控制,并对采集到的振动信号进行时域、频域和时频特征参数的分析计算,从而得到前文所述的特征参数集,提供给使用人员。使用人员根据计算结果,结合其经验,实现对电动泵运行状态的分析判断。

图1 硬件总体结构图

5 结论

通过电动泵运行时产生的振动信号来判断电动泵的运行状态,是电动泵运行状态监测的一种常用的手段。在状态监测中,仅通过振动信号的时域和频域分析法并不能对所有的运行状态进行甄别。为此,本文引入了振动信号的时频分析法HHT,结合时域和频域分析法,构成了能够有效判别电动泵各种正常和故障运行状态的特征参数集。采用来自美国凯斯西储大学轴承数据中心网站的电动泵轴承故障数据作为样本数据,对利用所选特征参数集进行各种运行状态甄别的有效性进行了验证。在此基础上设计了便携式故障诊断装置的设计,通过振动信号的时域、频域和时频分析三种手段,实现了对船舶动力装置电动泵运行状态的监测。

图2 加固型便携式计算机

[1] 徐卓飞, 刘凯, 张海燕等. 基于经验模式分解和主元分析的滚动轴承故障诊断方法研究[J]. 振动与冲击, 2014, 33(23): 133-139.

[2] 许凡, 方彦军, 张荣. 基于EEMD模糊熵的PCA-GG滚动轴承聚类故障诊断[J]. 计算机集成制造系统, 2016, 22(11): 2631-2642.

[3] 高强, 杜小山, 范虹等. 滚动轴承故障的EMD诊断方法研究[J]. 振动工程学报, 2007, 20(1): 15-18.

[4] 熊卫华, 赵光宙. 基于希尔伯特-黄变换的变压器铁心振动特性分析[J]. 电工技术学报, 2006, 21(8):9-13.

[5] 刘世金. Hilbert-Huang变换及其应用研究[J]. 高师理科学刊, 2012, 32(4): 40-42.

[6] 邹岩崑. 局域波分析的理论方法研究及应用[D]. 大连理工大学, 2004.

[7] 李博. 基于LabVIEW的HHT方法实现及在轴承故障诊断中的应用研究[D]. 太原理工大学, 2008.

[8] 高东璇. 基于BP神经网络的齿轮故障模式识别研究[D]. 长安大学, 2010.

[9] 陈一贤. HHT方法分析[D]. 浙江大学, 2007.

[10] csegroups.case.edu /bearingdatacenter /pages /48k-drive -end-bearing-fault-data

Portable Fault Detection Device for Electric Pumps Based on HHT

Liu Xiaofan, Yu Ren, Wang Shi, Wang Tianshu, Xie Xuyang

(Collage of Nuclear Energy Science and Engineering, Naval University of Engineering, Wuhan 430033, China)

TP206.3

A

1003-4862(2018)12-0012-06

2018-07-13

刘笑凡(1989-),男,研究生。研究方向:核动力控制与运行。E-mail: 1508969066@qq.com

猜你喜欢

特征参数频域时域
大型起重船在规则波中的频域响应分析
冕洞特征参数与地磁暴强度及发生时间统计
基于交通特征参数预测的高速公路新型车检器布设方案研究
基于时域信号的三电平逆变器复合故障诊断
频域稀疏毫米波人体安检成像处理和快速成像稀疏阵列设计
基于PSO-VMD的齿轮特征参数提取方法研究
网络控制系统有限频域故障检测和容错控制
基于视频的车辆特征参数算法研究
基于极大似然准则与滚动时域估计的自适应UKF算法
基于改进Radon-Wigner变换的目标和拖曳式诱饵频域分离