基于labview的机械设备振动信号的小波分析研究与验证

2022-10-02朱洺申慕丽王欣威潘云杰李颖

装备制造技术 2022年6期

朱洺申，慕丽，王欣威，潘云杰，李颖

（沈阳理工大学，辽宁沈阳 110159）

0 引言

无论是小型设备还是复杂装备，都与故障诊断都息息相关，不仅是为了安全运行，而且还可以给工厂带来经济效益。现今针对诊断理论的仿真与实验验证特别是只利用labview搭建和小波分析相关的实验平台很少，故在传统的数据采集理论的基础上，在labview平台上设计了小波及小波包的分析平台并通过实验验证其合理性。

1 基于labview的传统的振动信号分析系统设计

1.1 机床状态监测系统的搭建

在早期的故障诊断中，常常根据一些时域特定指标进行机械设备的检测与诊断，即简易诊断。在频域分析中，进一步找到在简易诊断中发生故障具体发生的部位、严重程度及产生原因等，进而判定故障类别，以便采取相应对策。

实验室现有J1mk460车床，如图1所示。在机床运行期间，发现主轴箱轻微振动，并伴随发热，且带有一定的噪声。为此搭建了机床状态监测系统，监测机床健康状态。采用IEPE型压电式加速度传感器A110E，NI公司9231采集卡，pc机搭建振动测试系统。试验中，将传感器垂直放置在主轴箱体上，采集主轴箱振动信号；基于Labview平台编写信号采集、分析软件，采用时域、频域分析方法分析振动信号。

图1 J1mk460车床主轴箱振动状态监测系统

1.2 振动信号的频域分析

时域分析主要指在时域内处理信号统计指标的方法。其主要任务是计算振动信号的时域统计特征参数。这些指标计算简单、快速，常常用于对设备的在线监控。对于某些有着明显特征的故障，可以利用时域波形进行初步的诊断。但是当振动信号夹杂着干扰噪声时，载有故障特征的波形信息就会被干扰信号淹没，此时信号的时域特征则不明显。此时，频域分析则有了一定的作用通过分析各自频率成分来找出故障的部位及原因。

信号的傅里叶变换可定义为：

通过傅里叶变换，可以将时间域函数变成频率域函数，这样就能直观地看出振动信号的频率分布。频域分析虽然不能直观地反应波形，却能看到各类零部件的特征频率。

2 基于小波分析的信号处理系统设计

2.1 小波变换的原理

傅里叶变换是将信号分解成一系列不同频率的正弦波的叠加，缺点是丢失了很多的时间信息，即无法根据变换的结果来判断一个特定的信号是在什么时间发生的[1]，因此只适用于分析平稳信号。工程实际中，测得的信号大部分都是非平稳信号，很多有用的信息淹没在噪声之中。因此，可以采用给信号增加了一个时间窗函数，即短时傅里叶变换来解决。由于窗宽度很小，可以假定在窗函数中的信号是平稳的，对这个小窗内的信号进行变换计算出不同时刻内的功率谱，即采用小波变换的方法反映信号的局部特征。很多科研人员将小波变换应用于故障诊断领域。

小波指的是小区域的波，它是一种特殊的长度有限的均值为0的波形，特点是在时域具有紧支集或近似紧支集并且有着正负交替的波动性[2]。它的原理是通过母函数的伸缩和平移，延展成一个函数空间，即小波函数簇，形成小波基。

式中，a为尺度因子，进行窗的伸缩，b为平移因子改变窗口的位置。通过对母函数，小波基函数及阈值的选择，对原函数进行层层逼近，来找到对原函数的最佳映射，把原始信号在复杂工况中提取出来。

假设函数的能量是有限的，则该函数为x（t）∈L2（R）其小波变换为：

2.2 基于labview的利用小波变换，实现信号去噪

采用多分辨率的三层小波分解原理框图，如图2所示。把原始信号分为低频近似部分A1和高频细节部分D1，高频则不再细分。然后把低频部分在继续分为低频和低频中的高频，高频同样不再分解，以此类推，那么该原始信号则表示为最后一层的低频和每一层分解出的高频之和，记为S=A3+D3+D2+D1。经过多层分解之后的低频近似波形在一定程度上反映了原波形的特征，去噪效果很好。

图2 小波变换3层分解原理图

车床主轴箱测得的实际振动信号，其经过分解之后的低频，及每层分解出的高频的波形，如图3所示。由A3波形可看出，经过3层的分解去噪后，原始波形已经逐渐从噪声信号中分离，得到了最大限度地恢复，解决了信号提取的难题，去噪效果良好。

图3 实际振动信号去噪分解波形图

除了利用小波分解去噪以外，还可以利用其看出各个频率段内的能量。A3和D3到D1所代表的频率段内的能量分布前面板，如图4所示。测量时，采样频率为1000 Hz，从频谱图可知，信号能量主要集中在低频，即为有用信号部分；而高频则是噪声部分[3]，进一步验证了小波去噪功能的合理性。

图4 小波分解后各频率段能量分布前面板

2.3 基于labview的小波包变换及实验验证

小波分析只可以对低频成分进行分解，而小波包变换则在此基础上做了改进，当有用信号落在了高频部分，且频率范围非常小时，小波包无疑是最佳的选择。不仅能分解低频成分，还可以分解高频成分，使信号在时域和频域上都有着极高的分辨率[4]。并且还可以针对小波包变换看其能量分布，与小波变化不同之处在于：因为原始信号是由第三层的每个小波树节点相加得来的，在第三层每个小波树节点处，分别进行功率谱分析即可，比小波变换分解出来的要更加细致。小波包变换及其之后能量分布的程序框图设计和最终的前面板如图5和图6所示。从图6前面板中可以清晰地看到信号各部分的能量分布，并且能量主要集中在低频，过后通过对其进行FFT变换，发现其他频率并不是主轴箱转频的倍频。根据主轴箱的结构特点，可以初步判断齿轮或轴承出现的故障，可进一步通过拆解主轴箱进行详细诊断。