线性预测和非线性能量算子在线轴承故障检测外文文献翻译、中英文翻译

基于LabVIEW滚动轴承故障分析系统附录A 外文资料翻译线性预测和非线性能量算子在线轴承故障检测11摘要：在线状态监测对于机电一体化系统中滚动轴承的可靠性至关重要。这允许记录关于轴承状况的连续信息并采取适当的行动。在故障检测（FD）认定中检测滚动轴承故障是真正的挑战。另外，故障诊断对于发现故障的根本原因至关重要。本文提出了一种用于轴承故障检测的在线状态监测系统。线性预测系数（LPC）首先应用于噪声消除信号。再将其进行频域分析。非线性能量算子（NEO）用于放大包含高能量的信号并使低能量信号最小化。本文所提出的方法是使用Labview环境实现的，该环境使得能够在线远程控制数据采集以及实时分析。关键词：故障检测，在线监测，LabVIEW，能量算子，LPC，滚动轴承一、 前言基于振动信号分析的故障检测是旋转机械状态监测中最流行的技术之一。据报道，在工业应用中，大约90的旋转机械依靠滚动轴承支撑载荷，并考虑到静止和旋转元件之间的相对运动1。滚动轴承由一个内圈和一个外圈组成，这些内圈和外圈由一个保持架中的滚动体分开。任何这些元素都可能会遇到缺陷2。轴承故障是旋转机械故障的常见原因。因此，这些元件的故障检测对于防止可能导致灾难性故障的其他组件的进一步恶化是至关重要的。基于振动信号分析的主要问题是提取反映轴承状况的特征。有不同的信号处理技术用于从振动信号中提取有用的信息。这些可以分类为：时域分析34，频域分析和时频域分析等5。在时域分析中，使用均方根（RMS），峰值因数和峭度来检测轴承和齿轮故障。峰值因子和RMS常常不足以检测初期故障4。峭度是轴承故障检测中最有效的方法。使用Kurtosis方法所面临的问题是随着缺陷的进一步发展，Kurtosis值恢复到正常值4。频域分析是轴承故障检测中最流行的技术，也称为频谱分析。该方法主要取决于使用快速傅里叶变换（FFT）来检测缺陷导致的持续时间非常短的脉冲。然而，频谱分析的直接应用可能并不能说明缺陷，因为它经常需要滤波和滤波器参数估计5。大多数常规方法都依赖于使用带通滤波器参数估计6。然而，有些技术消除滤波器参数很费时间。时频分析技术的应用取得了不同程度的成功。但是，这种方法计算起来很昂贵，可以应用于离线分析。本文提出了一种频域分析的方法，但不需要按照规范的滤波器参数消耗时间。原始信号首先使用FFT滤波器进行滤波，作为自适应滤波器的级联第二部分。预测系数用于实现滤波器。然后应用非线性能量算子（NEO）并提取频谱。实际上，NEO不需要关于系统的先进知识。建议的方法允许监视避免收集数据并将其从机器中分离出来，如离线监视。虚拟仪器选择LabVIEW软件进行在线监测和算法实施。本文的内容如下。第二节给出了FFT，功率谱，LPC理论和能量算子的理论背景。在第三节中，描述了实验工作和实验室测试设置。所提出方法的实施结果将在第四节中讨论。最后，所得出的结论在第五节中给出。二、 理论背景A. 线性预测系数LPC线性预测（LP）被用作不同领域的重要工具，如自适应滤波，系统识别，谱估计和语音8。线性预测技术预测来自过去信号S（n）的即时信号。具有预测系数和预测顺序的线性预测器被定义为系统,其输出表达为:LPC提供了一种有效的方法来通过最小化实际信号和预测信号之间的误差来估计时变滤波器系数。预测误差表示为上式e（n）是预测误差，k是预测顺序（p）的指数。系数可以通过最小化残差e（n）的能量来找到。预测系数被用来实现FFT滤波器作为级联的自适应滤波器的第二部分。FFT滤波执行的操作在时域中由差分方程描述为：其中：y是输出，x是输入，Mis是滤波器的顺序和从LPC中提取的预测系数。该FFTFilt的最终滤波信号可以被提取为：其中：IFFT指的是分别在Ndiscrete点上评估的逆快速傅里叶变换。B. 非线性能量算子NEO依赖于传感器原始数据的频率解调（FDM），幅度解调（ADM）和相位解调（PDM）。它为一个离散时间序列，NEO被定义11:其中：g(n)分别是原始信号,g(n-1)与g(n+1)分别是过去和下一个信号。NEO的主要进展是当瞬时振幅和频率都很高时，它可以提供高输出。尽管通过实施NEO可以检测到能量的突然变化，但它非常适合CM中的非平稳信号，如轴承和齿轮故障信号12。C. 快速傅立叶变换（FFT）函数x（t）的傅里叶变换（FFT）是函数X（f）13，其中：（FFT）是计算输入序列的离散傅立叶变换（DFT）的有效算法。输入序列X的元素个数N的DFT定义为13其中X是输入序列，N是X的元素数目，Y是变换结果。频率分辨率或Y分量之间的频率间隔为，其中是采样频率。使用（FFT）的好处是将复杂度从降低到，其中N是输入序列中元素的数量13。D. 功率谱双边功率谱可以由FFT计算如下14：其中：表示的复共轭。的复数共轭来自的虚部的否定结果。三、 实验工作实验装置如图1所示，由三相异步感应电机和1英寸的轴组成，带有扭转刚性弹簧联轴器。一个重5kg的钻孔装载机连接到靠近故障轴承的轴上。变频交流变频器配备了多功能前面板可编程控制器，已安装在感应电机上，以便调节电机速度，该速度可在0至3600rpm之间变化。内置液晶显示器和每转一脉冲的内置转速表，用于DAQ用途的模拟TTL输出连接到轴上进行速度测量。轴承的故障频率取决于故障类型，可表示如下：内圈故障：外圈故障：滚动体故障：保持架故障：本研究使用的轴承是轴承（M-BFK-1）。表1中故障轴承的物理和计算出的缺陷频率如下表所示。振动信号由机器通过ICP（603C01）压电加速度计，灵敏度为100mV/g。动态数据采集系统（NI9234卡）连接到PC进行在线监控。图1实验装置表1.轴承参数（M-BFK-1）和故障频率滚珠个数Nball9滚珠直径Dball0.3125节径Dcage1.516接触角保持架故障频率Fcage0.4内圈直径故障频率Finner543外圈直径3572滚动体直径2322表2.谐波在1250RPM下（20.8HZ）运行频率、故障频率故障类型故障频率1X2X3X保持架8.3216.6424.96内圈113226339外圈74.3148.6222.9滚动体48.396.6144.9四、 结果与讨论机器故障模拟器以1250rpm运行，20.8Hz，信号在25.6KHz采样。表2列出了轴承故障频率及其谐波。本文提出的一个在线故障检测方案的流程图如图2所示。该流程图说明了数据的方式采用压电式加速度计从轴承采集使用数据采集卡。数据然后被放大并且数字化。最后，原始信号数据通过LPC过滤以去除噪声信号。最终用于确定FFT的频谱。为了区分不同的故障类型，提出了应用于从加速度计获得的振动信号的算法。然后，执行LPC并选择预测顺序从LPC提取的预测系数被用于实施噪音消除的过滤器。振动信号的原始时间波形以及滤波后的信号内圈故障和外圈故障分别显示在图3和图4中。然后滤波的信号被频率调制调制（FDM），幅度调制（ADM）和相位调制（PDM）使用NEO来在LabVIEW中实现。NEO的输出与乘积成正比输入信号的瞬时幅度和频率。图5和图6显示了应用NEO典型的轴承缺陷，即内圈和外圈缺陷，结果显示了应用NEO的优势。图3.内圈故障的原始信号和滤波信号图4.外圈故障的原始信号和滤波信号图5.内部故障后NEO执行后的滤波信号图6.NEO在外圈故障中执行后的滤波信号。图7.轴承内圈故障的过滤信号的光谱。图8.轴承外圈故障的滤波信号的频谱图7说明了带有内圈故障的轴承滤波后的加速度信号的频谱。在20.8Hz的转速下，内圈故障频率及其谐波可以很容易地表征。图7中的突出峰允许将所获得的频率与表2中列出的相应的轴承特征频率进行识别和比较。该频谱显示113HZ的尖峰以及它们的二倍频率226赫兹和三倍频率339赫兹的谐波。这些给了一个内圈故障的指示，图8显示出了具有外圈故障轴承的滤波信号的加速度信号的频谱。在20.8Hz的转速下，外圈故障频率及其谐波可以很容易地表征。在图8中以74.3Hz，148.6Hz和222.9Hz尖峰峰给出了一个指示外圈故障。这些结果证明了所提出的技术检测轴承缺陷的能力。五、 结论本文提出了一种滚动轴承在线故障检测方法，搭建的系统是由LabVIEW实现。LPC和FFT滤波器的使用减少了所需的基本参数执行需要和带滤波器（如带式低音滤波器）较低频带的频率。同时也在线实施NEO对这样的非平稳信号给出了很好的信息检测包含频率的影响信号组件，轴承缺陷频率变为更突出。实验结果证实了这种方法可行性，提出了检测滚动轴承故障的技术。致谢这项工作中使用的实验室设施得到了丹麦国际开发署与丹麦FLSmidth公司的“创新伙伴关系发展”合作项目的资助。附录B 外文资料原文