機車驅動裝置例行跑合試驗臺信號處理與分析

引言

機車驅動裝置的例行試驗是針對交流異步電機裝配上減速齒輪箱后的空載運行試驗,或只帶輪對的輪對懸空試驗。通?？梢杂啥喾N形式獲取驅動裝置的狀態(tài),如磁鏈、振動、溫度、瞬時角速度、氣隙轉矩等。其中對驅動裝置的振動進行監(jiān)測和診斷,是掌握其運行狀態(tài)和發(fā)現(xiàn)故障的重要技術手段。

隨著我國高速鐵路、城市軌道交通等領域的高速發(fā)展,監(jiān)測驅動裝置的安全越來越重要,但是想要實時準確地判斷驅動裝置的運行狀態(tài),僅僅依靠現(xiàn)場工作人員的判斷是遠遠不夠的,需要研發(fā)一套優(yōu)秀的智能監(jiān)測平臺。

工程實際檢測到的信號往往混有不同程度的噪聲,從振動角度來說,噪聲就是無規(guī)律的振動:從信號處理角度來說,噪聲分為白噪聲和有色噪聲,白噪聲是指頻率分量的能量均勻分布在整個給定帶寬內,有色噪聲是指頻率分量的能量集中在給定帶寬的某個頻帶內:從廣義上講,可以統(tǒng)稱信號中有用成分以外的所有成分為噪聲。對于采集到的機車驅動裝置的振動信號處理分析是機車驅動裝置例行試驗中的核心技術之一。小波分析作為一種有效分析離散不規(guī)則信號的方法,可以通過振動信號來判斷機器所處的狀態(tài)。而運用趨勢分析可以彌補小波分析中選擇函數(shù)困難的缺點,并對振動信號進行降噪處理。

本文主要內容包括機車驅動裝置例行試驗臺振動信號的采集,傳輸硬件方案的設計與實現(xiàn),基于小波分析和趨勢分析的振動信號處理與分析方法。利用小波分析,提取節(jié)點頻域分布作為特征量,可以鑒別驅動裝置的運行狀態(tài)。

1相關方法介紹

1.1小波分析

信號攜帶的數(shù)據(jù)量非常大,對數(shù)據(jù)進行處理分析后才能提取出需要的信息。稀疏表示,即用較少的系數(shù)來反映所想尋求的數(shù)據(jù),對數(shù)據(jù)的處理過程更加快速簡便。稀疏表示的構建方法即通過分解在字典中選取基本波形信號,但想要尋求到一種適用于所有信號的理想系數(shù)變換幾乎是不可能的事情,由此便誕生了小波變換。

1.1.1小波變換理論簡介

小波變換的原理與傅里葉變換相似,不同之處在于把三角函數(shù)基換成了小波基。與傅里葉變換不同,小波變換有兩個變量:scale和translation。scale控制小波函數(shù)的收縮,其導數(shù)即頻率:translation控制小波函數(shù)的平移,平移量對應時間。通過信號的伸縮平移,可以得到某種重合情況,這樣積分也會得到一個極大值,不同的是,得到頻率成分的同時,還可以知道該頻率的時間位置。

小波變換隨著不斷減小范圍尺度可以對局部信號的結構進行縮放,在一個信號中奇點和不規(guī)則的結構往往攜帶了重要信息。小波跨尺度變換幅度與局部信號規(guī)律性和利普希茨指數(shù)有關。從小波變換的多個范圍中區(qū)域最大值可以發(fā)現(xiàn)奇點和邊緣值。這些最大值定義了一個幾何尺度空間支持,從中恢復信號和圖像的近似值。非孤立的奇異點出現(xiàn)在高度不規(guī)則的信號中,如多分形。小波變換利用多分形的自相似性來計算其奇異點的分布,這個奇異點譜表征了多分形的特性。

1.1.2稀疏表示

信號處理領域的一個永恒思想就是將信號分解成簡單波形的線性組合,并且尋找簡潔的信號表示。這樣做可以去除信號中的冗余性,有助于了解信號的性質,提取有用的信息,以便進一步對信號進行分析和處理。

1.1.3小波包分析

小波包分析是在小波分析基礎上的一種優(yōu)化,即把信號包含的信息能量集中以后進行更細化的分析,它將頻帶進行多層次劃分,對每個分解后的頻帶均進行再次劃分,并根據(jù)被分析信號的特征選擇相應頻帶,使之與信號頻譜相匹配,從而得到了比二進離散小波變換更精細的信號分解。一般根據(jù)實際工程中的信號特征和處理信號的目的需求來選擇合適的小波包,定性上選擇與待分析信號的振動頻率相近的小波函數(shù)。

1.2趨勢分析

小波分析中技術選擇的難題會導致去噪效果不夠理想。去趨勢波動分析是一種時間序列長程相關性標度指數(shù)的計算方法,能夠有效剔除信號中外部趨勢的影響,還原時間序列本身具備的統(tǒng)計特性。

1.2.1趨勢分析法介紹

趨勢分析法也是振動信號分析常用的方法,振動信號是非平穩(wěn)和非線性特征的一種典型信號,機車驅動裝置振動信號中包含了很多摩擦特征[1]的信息,可以利用測量的振動路主要截面的壓力、溫度、轉子轉速等參數(shù)分析、判斷與振動路數(shù)有關的單元體和子系統(tǒng)的技術狀態(tài)是否完好,并隔離故障到這些單元體和子系統(tǒng)。趨勢分析的具體方法是利用測量參數(shù)的偏差量,包括未平滑和平滑的偏差量,繪成偏差量隨時間變化的趨勢圖。

1.2.2去趨勢波動分析

去趨勢波動分析(DetrendedFluctuationAnalysis,DFA）的基礎是分形自相似理論。通過對信號累積[2]和分段去趨勢運算來突出信號中的弱相關成分,非平穩(wěn)信號中的長程相關信息都能夠被檢測,成功應用在信號去噪、故障診斷、醫(yī)學數(shù)據(jù)分析等領域,并且取得很好的效果。

先用小波重構得到降噪信號,再使用去趨勢波動分析算法對降噪以后的摩擦振動信號進行分析,得到去趨勢波動分析譜圖以及不同階數(shù)下Hurst指數(shù)[3],實現(xiàn)特征參數(shù)對振動信號的摩擦磨損狀態(tài)的判別。

2試驗臺結構及信號采集

機車驅動裝置例行跑合試驗臺的主要功能是通過測試電力機車振動速度和溫度的變化,來檢驗輪對裝配、電機懸掛裝置、軸箱裝配的組裝質量。

2.1試驗臺結構及組成

機車驅動裝置例行跑合試驗臺主要由控制部分、信號采集與分析部分、監(jiān)控管理部分等組成,硬件裝置包括工控機、PLC、LCD顯示器、打印機、振動信號分析儀、變頻器、電源轉換開關、驅動裝置支架等。其系統(tǒng)架構如圖1所示。

2.2信號采集

在例行試驗臺上,根據(jù)切割磁力線的原理,將振動烈度轉換為與之成正比的電壓信號,設計同時采集旋轉機械的振動烈度(位移）及轉速,振動信號經低頻補償、放大、有源積分、峰-峰檢波、有效值運算及差分放大電路后,送入微處理器系統(tǒng),經A/D轉換、數(shù)字濾波、數(shù)字信號處理、運算后得到振動烈度值。不同型號的驅動裝置振動信號采集3～16路不等,同時采集4路溫度信號和1路環(huán)境溫度信號。

3信號處理及分析

3.1小波函數(shù)的選擇

Daubechies系列小波是圖像和信號處理中運用廣泛且高效的小波基,對于給定的支撐寬度,這種小波具有最大的消失矩。Daubechies小波系提供了極相位N=2,3,…,10(9個小波）的緊密支持的小波。Daubechies小波尺度函數(shù)還具有低通濾波器的特性,考慮到機車驅動裝置的振動信號的能量主要分布在低頻段,因此本研究中選擇Daubechies小波作為分解小波?；贒aubechies小波基對機車振動信號進行小波包分析,主要是利用小波包能量的分解與重構,將隱含在機車振動信號中的特征分量提取出來,并將其映射到不同的頻帶上,通過對比分析不同頻帶能量分布的情況,可以體現(xiàn)出不同狀態(tài)下機車驅動裝置振動信號的差異性,從而區(qū)分出正常運行狀態(tài)和異常運行狀態(tài)。

3.2小波包振動信號分析結果

dbN小波系的優(yōu)點是隨著N值的增加,支撐長度變長,頻率局部性變好,同時濾波器的長度增加,但隨著N值的增加,dbN小波系的計算量呈指數(shù)增加,因此在試驗臺分析數(shù)據(jù)中選用db3小波對機車驅動裝置的振動信號做3層小波包分解。

選擇某一路電機振動信號為例進行詳細說明,利用db3小波先對原始振動信號進行3層小波包變換,然后提取出每一層的細節(jié)系數(shù),從圖2、圖3可以看出小波包系數(shù)信號對原始信號有所壓縮。

對小波包分解后的系數(shù)再次進行重構,得到不同頻段的重構系數(shù)信號,如圖4所示。

根據(jù)圖像可以看出,在驅動裝置剛開始運行和快要結束運行的時間段均有較大頻率的振動。以15mm/s為標準,將振動信號分為正常信號和異常信號,分別用小波包進行3層分解,得到8個節(jié)點相對應的系數(shù)信號,分解后的小波包系數(shù)信號頻譜圖如圖5所示。節(jié)點(3,0）至節(jié)點(3,7）代表了不同頻段的信號,可以根據(jù)不同節(jié)點的頻譜來觀察正常信號和異常信號在低頻和高頻部分的區(qū)別,從而進一步分析具有敏感性的特征。

振動信號的總能量不會因為經過小波包分解而改變,所以根據(jù)不同狀態(tài)下小波包分解各頻帶能量的分布情況繪制小波包能量特征分布直方圖,如圖6所示。由能量分布圖可以觀察到信號中大部分能量都分布在小波包分解的第一個和第二個節(jié)點中。

3.3去趨勢波動分析

通過從數(shù)據(jù)中去除線性趨勢,集中分析趨勢數(shù)據(jù)的波動。線性趨勢通常表示數(shù)據(jù)的系統(tǒng)性增加或減少,利用detrend函數(shù)以最小二乘式從振動數(shù)據(jù)中減去均值或最佳擬合線,從每秒的振動信號中去除線性趨勢,重點觀察整體振動幅度的波動情況,分析曲線圖如圖7所示。

從圖7可以看出,去除趨勢性后的信號時域曲線和原曲線形狀幾乎相同,但是趨勢曲線的振動幅度更低,振動的總體趨勢略高于振動強度的平均值。

3.4信號特征提取及識別

3.4.1小波包分解及特征提取

根據(jù)敏感度分析公式對小波包分解每個節(jié)點能量的均值進行分析,得到小波分解后第8節(jié)點能量的分布敏感性最強,所以針對不同振動信號的第8節(jié)點頻譜圖進行對比。

由圖8可以看出,異常信號的邊帶成分顯著增強,幾乎全頻帶的能量都略有增加,中頻段的變化最為明顯。在200～400Hz頻段功率有超過0.2成分的頻譜一般為異常信號。

3.4.2去趨勢分析及特征提取

先以振動時間為變化周期重點觀察各路振動信號在時域上的波動情況,并分析對比不同摩擦振動狀態(tài)下的曲線特征。從圖9可以看出異常狀態(tài)下振動信號的波動更加不穩(wěn)定和劇烈,曲線的平滑性會降低,趨勢曲線不僅均值會比正常狀態(tài)下高,還會呈現(xiàn)出上升的趨勢。

由圖9可以看出,一方面,正常信號的曲線邊緣比較順滑,異常曲線比較粗糙且最值之間差距大:另一方面,對比振動均值趨勢曲線可以看出,正常狀態(tài)下曲線是沒有波動的,異常狀態(tài)下則呈現(xiàn)出增加的趨勢。由此可以把振動趨勢曲線的起始點作為特征提取,正常信號是從10mm/s開始并始終保持在10mm/s上下小幅度波動,異常信號是從5mm/s增加到10mm/s。

再嘗試分析振動信號的異常與環(huán)境溫度的關系,利用趨勢分析來觀察振動變化與環(huán)境溫度之間的聯(lián)系,分析曲線如圖10所示。

溫度在不同的時期,絕對值有所差異,經過歸一化處理得到相關數(shù)據(jù),由圖10可以看出,振動波動較大的成分多數(shù)集中在16～18℃,正常狀態(tài)下振動信號在其余的溫度區(qū)間幾乎沒有振動幅度,異常狀態(tài)在各個溫度區(qū)間都會有不同程度的振動,且在環(huán)境溫度為17℃時振動最為劇烈。

4結語

對振動信號的處理分析有助于分析機器摩擦振動的狀態(tài),對頻域和時域利用不同方法可以多維度、多角度來分析驅動裝置的工作狀態(tài)。本文主要利用傳統(tǒng)的去趨勢分析法和小波分析法,對機車驅動裝置的振動信號在時域上進行分解重構,得到去噪后的信號后再在時域上觀察趨勢走向,同時通過小波包多層分解,將時域信號轉為頻域信號,最終通過對比發(fā)現(xiàn)機器在頻域上的狀態(tài)特征更加明顯。另外,根據(jù)趨勢曲線可以發(fā)現(xiàn)振動信號的異常波動與環(huán)境溫度也有一定的關系。