下载文档原格式
基于LabVIEW的轴心轨迹故障自动识别系统刘其洪;叶聪;李伟光;万好;乔于格【摘要】针对目前旋转机械故障诊断的计算量大、识别准确度不高、自动化程度低等问题,提出一种基于LabVIEW的轴心轨迹故障自动识别的新方法.对比小波与传统去噪算法,选用效果更优的小波提纯仿真轴心轨迹.通过改进的HU不变矩函数提取轴心轨迹的特征值,保证比例缩放不变性.两路相互垂直的位移传感器连接西门子LMS采集振动信号,结合关联度算法,在LabVIEW轴心轨迹故障自动识别系统上进行转子不对中故障测试,识别的结果与外8字轴心轨迹关联度高达97%,同时信号的Matlab时域轴心轨迹图为外8字,信号频谱图主要为一倍频和二倍频,均符合转子不对中故障特征.结果表明:该系统能够进行在线故障识别,为旋转机械的智能故障诊断提供参考依据.%For the problems of large computational quantity, low recognition precision and low automatization of rotating machinery fault diagnosis, a new method of automatic recognition system for shaft orbit faults based on LabVIEW is proposed. The wavelet and traditional denoising algorithms are compared and the shaft orbit simulation with wavelet purification of better effects is selected. The characteristic value of the shaft orbit is extracted by the improved HU invariant-moment function to ensure the invariance of scaling. Two mutually vertical displacement sensors are connected with Siemens LMS to acquire vibration signals. With the correlation degree algorithm, fault test is conducted for the automatic recognition system for shaft orbit faults based on LabVIEW. The results show that the correlation between the recognized results and the external 8-character shaft orbit reaches as high as 97%. Meanwhile, the signal'sMatlab time domain shaft orbit is external 8-character and the signal frequency spectrum is mainly of one time frequency and doubled frequency, fully according with the fault characteristic of rotor misalignment. The results show that the system can recognize the faults on line and it provides a reference for intelligent fault diagnosis of rotating machinery.【期刊名称】《中国测试》【年(卷),期】2018(044)004【总页数】6页(P69-74)【关键词】LabVIEW系统;轴心轨迹;关联度;故障诊断;Matlab【作者】刘其洪;叶聪;李伟光;万好;乔于格【作者单位】华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640;华南理工大学机械与汽车工程学院,广东广州510640【正文语种】中文0 引言对于大型旋转机械，由于现场工作环境的复杂性，以及通常需要在高速重载工况下连续运行，不可避免会出现振动，一旦振幅过大，极有可能造成机械系统运行不稳定，严重时会引起机械故障或停机，甚至会对现场工作人员的人身安全造成威胁，引发安全事故[1]。
轴心轨迹在时域中使用两个数据通道来显示，来自两个通道的信号绘制在X 和Y平面上，以显示轴位置变化与旋转角度的关系。
轴心轨迹显示给出了旋转轴运动的二维视觉图像。
该功能位于晶钻仪器动态信号分析系统中的后处理软件（PA）中。
一个平衡良好的轴，在任何方向都不会移动，并会在（轴心轨迹）图中间产生一个点。
轴运动可以给出振动源的指示，例如如果有很多上/下运动，可能是机座没有拧紧。
要创建轨迹图，您需要采用双通道同时测量水平轴和垂直轴上的数据。
位移或加速度传感器位置必须相互间隔90°。
轴心轨迹显示采用时域中的测量对。
它不需要阶次跟踪技术。
轴心轨迹显示格式类似于极点显示，但它由2个彼此垂直的信号构成。
通常，它与轴的当前旋转速度相关联。
目前晶钻在手持式动态信号分析仪CoCo-80X上专门设计了一个Rotor Dynamics测试功能，即转子动力学分析。
包括轴心轨迹图、阶次相位跟踪等，当数据被获取和分析时，可以实时查看测量结果。
在线显示包括时间历史、轨道图、阶次谱、阶次轨迹、瀑布图、频谱图和等高线图。
用户还可以查看以时间变量的瞬时RPM函数。
手持式动态信号分析仪CoCo-80X 轴心轨迹图显示
杭州锐达数字技术有限公司是美国晶钻仪器公司中国总代理，负责产品销售、技术支持与产品维护，是机械状态监测、振动噪声测试、动态信号分析、动态数据采集、应力应变测试等领域的供应商，提供手持一体化动态信号分析系统、多通道动态数据采集系统、振动控制系统、多轴振动控制系统、三综合试验系统和远程状态监测系统等。
基于时域和频域分析的滚动轴承故障诊断一、本文概述随着工业技术的不断发展，滚动轴承作为旋转机械中的关键部件，其运行状态直接影响到设备的性能与安全性。
然而，由于工作环境的恶劣、长时间运行以及维护不当等因素，滚动轴承常常会出现各种故障，如疲劳剥落、磨损、裂纹等。
这些故障不仅会降低设备的运行效率，还可能引发严重的安全事故。
因此，对滚动轴承进行故障诊断技术的研究具有重要意义。
本文旨在探讨基于时域和频域分析的滚动轴承故障诊断方法。
文章将简要介绍滚动轴承的工作原理及其常见故障类型，为后续的分析和诊断奠定基础。
然后，重点阐述时域分析和频域分析的基本原理及其在滚动轴承故障诊断中的应用。
时域分析主要关注轴承振动信号的时序特征，通过提取信号中的幅值、相位、频率等信息，揭示轴承的运行状态。
而频域分析则通过对信号进行频谱转换，分析轴承在不同频率下的振动特性，进一步识别潜在的故障特征。
通过结合时域和频域分析，本文旨在提供一种全面、有效的滚动轴承故障诊断方法。
这种方法不仅能够准确识别轴承的故障类型，还能对故障程度进行定量评估，为设备的维护和管理提供有力支持。
本文还将对现有的故障诊断方法进行比较和评价，探讨各种方法的优缺点及适用范围，为相关领域的研究和实践提供参考和借鉴。
二、滚动轴承故障类型及原因滚动轴承作为机械设备中的重要组成部分，其运行状态直接影响到整个设备的性能和稳定性。
因此，对滚动轴承的故障诊断至关重要。
滚动轴承的故障类型多种多样，主要包括疲劳剥落、磨损、腐蚀、裂纹和塑性变形等。
这些故障的产生往往与多种因素有关，如材料质量、制造工艺、运行环境、操作维护等。
疲劳剥落是滚动轴承最常见的故障类型之一，主要是由于轴承在循环应力作用下，材料表面发生疲劳破坏，形成剥落坑。
疲劳剥落的原因主要包括轴承材料的疲劳强度不足、循环应力过大、润滑不良等。
磨损是轴承在运行过程中，由于摩擦力的作用导致材料逐渐损失的现象。
磨损的原因主要包括润滑不良、异物侵入、材料耐磨性不足等。
汽轮机振动分析与故障诊断摘要：汽轮发电机组是电力系统中的一个重要组成部分，它的结构和工作环境比较复杂，所以它的安全性要求比较高。
长期以来，汽轮机的故障率高，严重地影响了机组的正常运转。
随着科学技术的不断发展，智能化的计算机系统的广泛运用，为汽轮发电机组的振动故障自动分析提供了技术支撑。
关键词：汽轮机；发电机组；振动故障；故障检测1.汽轮机振动故障检测与诊断分析的目的目前，由于社会用电量的稳定需要和电力市场改革后对于机组稳定性要求更高，发电企业因设备故障导致的机组非计划停运而带来的经济损失是巨大的。
所以，他们必须制定一套能够保证设备正常运转的快速诊断程序。
相对于其他故障，运用先进的技术方法可以快速地对汽轮机的振动故障进行快速的判断和定位，为管理者和使用者提供了方便。
因此，在维护技术不断发展的今天，加速对汽轮机振动进行快速诊断和分析是非常必要的。
在机组运行中，最常见的故障就是汽轮机组的异常振动。
由于大机的叶片、叶轮等转动构件的受力超出了容许的设计范围，从而引起机组的损伤。
所以，设备的振动水平应控制在一定的容许值之内。
2.振动故障检测原理与分析技术的步骤2.1振动信号采集针对汽轮机故障，首先要在机组正常工作时，对其进行振动信号的检测。
振动信号是660 MW汽轮发电机组振动故障的主要载体，也是故障诊断的主要手段。
通过对振动信号的采集，可以从历史信息库中依据设备的工作特性，对故障发生的部位及原因进行客观、真实的分析。
2.2信息处理660 MW汽轮发电机组是一种大功率的机械设备，其工作时难免会产生大量的噪声，从而影响到检测系统对其检测结果的准确性。
为此，要对系统采集的噪声信号进行科学地降噪，排除异常的干扰，提取有效的信号进行分析。
2.3故障分析与诊断这是对机组振动故障进行分析的关键步骤，在此阶段，要对所搜集到的资料进行归纳、整理，并利用特征值判断出该装置的工作状态是否在合理的范围之内。
如果有什么不正常的地方，我们就得对资料库做进一步的分析。
汽轮机振动信号提取及故障特征识别（河北工程大学，邯郸056021）摘要：，汽轮机故障诊断中检测到的振动信号受到环境噪声干扰及检测仪器本身的影响，导致振动信号波形畸变并且其中含有大量非平稳成分，不能有效地反应机组故障特征，而且不同故障的特征之间的耦合使单方面故障特征难以准确识别故障。
针对这个问题，本文提出结合频谱分析及轴心轨迹分析的振动信号处理与识别方法，两种检测方法在故障诊断过程中相互验证以保证检测结果的准确性。
关键词：振动信号；故障识别；频谱；轴心轨迹；汽轮机组汽轮机组是电力工业中重大的关键设备，机组振动大会直接影响到汽轮发电机组运行的安全性、稳定性及经济性，因此机组振动是其运行状况优劣的重要标志之一。
汽轮机是结构和功能都比较复杂的大型设备，通常故障信号处理中提取到的故障信息有限且不完整，且当数据间存在着强相关性的非线性关系时，缺乏有效的方法【1】。
本文采用数据平滑处理、消除多项式趋势项、小波降噪对检测信号进行预处理，充分保留了原振动信号中的故障信息，消除了夹杂在其中的噪声信号等干扰因素，提高了振动信号分析的可靠性和真实性，然后在对振动信号进行频谱分析的同时，也对振动信号进行轴心轨迹分析，并把它们进行相互验证以保证诊断结果的准确性。
1、汽轮机振动信号采集及预处理本文在某电厂300MW机组仿真机的汽轮机主轴四个轴承座上设置七个测点，在不同负荷时，不同转速下每个测点通过采集轴承两组正交的径向振动信号，反映汽轮机主轴的振动情况及其轴心偏移。
经过数据采集系统和分析软件的处理，对各个测点进行数据采集。
采集各种故障状态下的数据，形成标准样本数据和待检测数据。
振动监测系统结构，如图1所示。
对汽轮机通常拾取振动信号，通过对时域、频域的分析来确定故障类型。
通过大量的分析和研究，汽轮机的典型故障有：转子质量不平衡、转子不对中、油膜振荡、油膜涡动、动静碰磨等。
图1振动监测系统结构测到的振动信号因外界噪声干扰、测量仪器性能不稳定及受环境温度影响，振动信号波形产生畸变，信号偏离基线产生趋势项，（振动信号波形如图2），给后续的分析带来极大的误差。
从图2可看出由于干扰信号的频带较宽，在原振动信号中所占比例较大，使得采集到的振动曲线呈现许多毛刺，呈现非平滑特性，无法显示出故障信息，为了削弱干扰信号的影响，提高振动曲线的光滑度，对信号数据进行平滑处理并消除其趋势项。
图2 预处理前波形Fig. 2 Pretreatment of waveform对信号数据作五点加权平均进行平滑处理，取)1,2,3,2,1(91),,,,(}{21012==--h h h h h h 则 ),,2,1( 22m n xh y in ii n ==--=∑ （1-1）式中：n x 为振动信号数据；n y 为平滑处理后的结果；m 为数据点数；i h 为滤波因子。
利用最小二乘法对信号数据消除趋势项，对数据进行三阶拟合，取趋势项拟合函数),,2,1( 3322110m n n a n a n a a x n=+++='，求出，3210,,,a a a a 使21)(n n mn x x -'∑==φ最小 用原始信号减去趋势项，得消除趋势项后的结果),,3,2,1( m n x x x z k nn n =='-= （1-2） 预处理后信号如图3，结果显示经过预处理后的波形消除了许多毛刺。
图3 预处理后波形图 Fig. 3 waveform pretreatment2、故障特征提取由于机组振动信号中含有大量平稳成分，测到的振动信号是一种频域特征随时间变化的非平稳信号，在汽轮机组故障诊断过程中，从非平稳的机械振动信号中所提取的故障特征信息，应该对不同的故障表现具有充分的敏感性【2】。
（1）频谱特征分析本文采用小波包频带能量分析法可以捕捉到隐藏在振动信号内部的故障信息，选用 db4 小波作为小波基函数，对预处理后的信号进行3层小波包分解，得到第3层从低频到高频的823=个频率段信号。
汽轮机组实际工作转速为3000r/min ，工频为50Hz ，根据采样定理，设置采样频率为500Hz ，则对应的信号频率范围为0~250Hz ，每一个小波包区间频率为31.25Hz 。
小波包特征频带重构如图4 所示。
图4 小波包特征频带重构Fig.4 Wavelet packet feature band reconstruction求各个频带内信号的能量，计算各个频带上重构信号的离散值的平方和，即)7,,1,0( )(12===⎰∑=k d dx x f E NNn kn k k （3-1）其中，k E 表示第k 个重构小波包节点的能量，kn d 表示第k 个重构小波包节点的系数序列，N 为系数序列的长度，即为被分析信号的长度。
对各个频带信号的能量进行归一化处理：7,,1,0)(7=='∑=k EE E k kkk（3-2）k E 是第k 个子频带归一化后的能量比值，构建故障特征向量P ：],,,,[7210E E E E P ''''= (2)轴心轨迹在机组仿真机上采集不同负荷时，不同转速下对转子的轴心轨迹进行分析发现：当转轴旋转时，它会绕转轴中心点振动，运动的轨迹即为轴心轨迹。
正常的轴心轨迹应该是一个较为稳定的、长短轴相差不大的椭圆。
不对中时，轴心轨迹为月牙状、香蕉状，严重时为8字形；发生摩擦时，会出现多处锯齿状尖角或小环；轴承间隙或刚度差异过大时，为一个很扁的椭圆；可倾瓦瓦块安装间隙相互偏差较大时，会出现明显的凹凸状。
将预处理后同一测点两组相互正交的信号)(),(t y t x 在复平面进行组合i t y t x t z )()()(+=，即得到转子的轴心轨迹。
处理前后的轴心轨迹如图5（左、右图分别为处理前后的轨迹）：图5转子轴心轨迹图Fig.5 The rotor axis locus diagram3故障特征识别本文从实验台获得的故障样本中选择两组故障样本，其中样本1为转子不平衡故障，样本2为转子不对中故障，汽轮机转子故障中不平衡和不对中占到80%以上，具有代表性。
样本信号经过预处理后，分别针对信号频谱和轴心轨迹提取其故障特征。
其故障特征如表1所示表1样本故障特征Tab 1 Samples of fault feature故障样本频谱特征(Hz)轴心轨迹0-31.25 31.25-62.5 62.5-93.75 93.75-125 125-165.25 165.25-187.5 187.5-218.75 218.75-250样本1 0.0319 0.7071 0.0101 0.2149 0.0086 0.0090 0.0096 0.0087 椭圆形样本2 0.1781 0.2129 0.2935 0.0823 0.0384 0.0382 0.1160 0.0407 香蕉形可以看出从样本中提取的故障特征可以明确反应出其故障类型，结果表明，经过预处理的振动信号经过小波包频带能量分析和轴心轨迹图法分析后提取的特征可以准确映射到相应故障类型。
4、结论:本文针对于故障诊断中采集到的振动信号呈现出非线性、非平稳性和非光滑性等特点，通过数据平滑处理、消除多项式趋势项、小波降噪处理，削减了振动信号中噪声信号等干扰信号的故障诊断的影响，有效提高了振动信号的可靠性与真实性。
对经过预处理的振动信号进行频谱分析与轴心轨迹分析，两者得到的结果与试验给定故障类型相统一，两种检测方法在故障诊断过程中相互验证以保证检测结果的准确性。
参考文献[1]谷敬佩，梁平．基于小波包分析和信息融合技术的汽轮机转子故障诊断［Ｊ］汽轮机技术，2010.52（4）：300-302GU Jing-pei; LIANG Ping。
Turbine Rotor Vibration Faults Diagnosis Based on Wavelet Packet Analysis and Information Fusion Technology。
［Ｊ］Turbine Technology，2010.52（4）：300-302[2]邓武; 陈荣基于计算智能技术融合的故障识别方法. ［J］浙江大学学报(工学版),2010,44（7）.1298-1302。
DENG Wu1; 2; 3; CHEN Rong1.Fault detection method based on computational intelligence technology fusion。
［J］Journal of Zhejiang University(Engineering Science), 2010,44（7）.1298-1302。
[3] 石志标; 宋全刚等．基于改进粒子群优化支持向量机的汽轮机组故障诊断［Ｊ］．动力工程学报，2012.32（6）：454-562SHI Zhi-biao; SONG Quan-gang。
Fault Diagnosis of Steam Turbine Based on MPSO-SVM Algorithm。
［Ｊ］．Journal of Chinese Society of Power Engineering, 2012.32（6）：454-562[4] 张冉; 赵成龙. 改进BP网络在汽轮发电机组故障诊断中的应用. ［J］计算机仿真 2011.07，325-328 ZHANG Ran，ZHAO Cheng － longApplication of Improved BP Network in Fault Diagnosis of Turbine Generator Unit。
［J］Computer Simulation，2011.07，325-328 [5]于刚, 徐治皋.基于粗糙集约简的信息融合故障诊断研究. ［J］汽轮机技术, 2003， 45（5）：304-306 YU Gang , XU Zh-i gao。
Research on Fault Diagnosis Based on Rough Set Theory and Information Fusion。
［J］ T URBINE T ECHNOLOGY，2003，45（5）：304-30[6]梁浩宇; 周力行等.小波分析在变压器绕组故障识别中的应用. ［J］电力建设,2011.32（2）56-58LIANG Haoyu1; ZHOU Lixing1.Transformer Winding Fault Recognition Based on Wavelet Technolog。
［J］Electric Power Construction。
