LabVIEW论坛

 找回密码
 注册

扫一扫,访问微社区

查看: 35|回复: 1

[推荐文章] LabVIEW中的振动分析与信号处理

[复制链接]
发表于 2018-12-5 08:11:26 | 显示全部楼层 |阅读模式
USB-6009数据采集卡首发
1.简介
声音和振动传感器产生复杂的时间序列波形,其中有许多特定的特征。了解这些不同的振动特征以及如何正确提取它们以进行趋势分析非常重要。通过适当的签名信息,可以制定可以推动工厂维护或生产计划的特定指标。存在各种不同类型的信号复杂性,对应于不同的声音和振动现象,如图1中从上到下所示:
  • 一些信号持续时间很长但带宽很窄,例如摩擦和嗡嗡声。
  • 一些信号具有短持续时间但宽带宽,例如冲击或瞬变。
  • 一些信号具有短持续时间和窄带宽,例如衰减的谐振。
  • 一些信号具有时变带宽,例如不平衡轴产生的噪声取决于RPM或机器速度。
    ( A$ q$ u- b- g) y' z5 J; a
VAFig1.JPG
图1.各种振动信号复杂度类型
任何声音和振动应用的第一步是了解您要监控的系统以及其中存在的声音和振动信号。在定义之后,下一步是选择用于从原始信号中提取感兴趣的信号特征的正确算法。图2显示了不同类型的信号以及NI提取这些功能的算法。
VAFig2.JPG
图2.不同的分析算法以及它们理想的信号。
NI提供一系列算法,如标准频率分析; 用于监控变速箱等旋转部件的订单分析; 时频声振信号的时频分析; 用于检测谐波的频率分析; 基于小波和模型的瞬态检测分析。这一完整的算法集合使用户能够正确分析和监控他们的特定机器或设备。
( U9 @! z9 h# p1 u3 [% m
2.频率分析
频率分析是分析振动信号的最常用方法。最基本的频率分析类型是FFT或快速傅立叶变换,它将信号从时域转换到频域。该转换的乘积是功率谱,并显示整个信号的特定频率中包含的能量。这对于分析频率分量不随时间变化的固定信号非常有用。
尽管常用,但仅使用频率分析有许多不足之处,因为其结果(例如功率谱或总谐波失真)仅包含信号的频率信息。它们不包含时间信息。这意味着频率分析不适用于频率随时间变化的信号。这个想法甚至可以进一步扩展,暗示有无数个信号可以产生相同的功率谱。例如,在图3中,我们有两个啁啾信号。顶部信号的频率随时间增加,而底部信号的频率随时间减小。尽管两个信号的频率特性不同,但由FFT计算的频谱(左)是相同的,因为每个信号中各个频率的能量是相同的。
VAFig3_20090909100742.JPG
图3.信号及其反向都产生相同的频谱,因为没有与信号相关的时间数据。
FFT的第二个限制是它无法检测信号中的瞬态或短尖峰。瞬态是突发事件,其在信号中持续短时间并且通常具有低能量和宽频带。当瞬态转换到频域时,它们的能量分布在很宽的频率范围内。由于瞬态具有低能量,您可能无法识别它们在频域中的存在。在图4中,可以看到两个相似的信号,其中信号2包含瞬态。尽管存在瞬态,但两个信号的功率谱是相同的,因为该瞬态的能量分布在很宽的频率范围内。
VAFig4_20090909100743.JPG
图4.信号频率分析中无法看到信号2中的瞬态,因为它的能量分布在很宽的频率范围内。

# w% g% p% z+ q3.订单分析
在进行振动分析时,许多声音和振动信号特征与电动机或机器的运行速度直接相关,例如不平衡,不对中,齿轮啮合和轴承缺陷。订单分析是一种专门针对旋转机械分析的分析,以及随着机器转速的变化频率如何变化。它将原始信号从时域重新采样到角度域,将信号与机器的角度位置对齐。这抵消了频率改变对FFT算法的影响,FFT算法通常无法处理这种现象。
为了更好地理解这种分析,请检查图5中的功率谱。该功率谱中有两个大峰。60Hz的第一个峰值对应于机器的轴转速。第二个峰值,即转速的4 次谐波,对应于机器的轴承。如果我们想监测轴承的健康状况,我们必须遵循这个4 次谐波。
VAFig5.JPG
图5. 60 Hz旋转风力涡轮机齿轮箱的功率谱。
然而,随着速度向下变化到50Hz,功率谱的4 次谐波向下移动。旋转装置的功率谱中的峰值都与该装置的基本旋转速度有关。因此,即使FFT能够清楚地分析数据并显示机器的功率谱,它也不能轻易跟踪速度驱动的谐波。
VAFig6.JPG
图6. 50 Hz旋转风力涡轮机变速箱的功率谱。
在顺序分析中,不是采用时域数据的FFT,而是首先将信号重采样到角域中。重采样将从机器上的转速计获得的速度测量值与振动测量值相结合,并将振动测量值插入到每个角度旋转分数的数据点中。与前一时域相比,振动测量现在处于角度域中。一旦处于角度域中,就可以对角域振动测量执行FFT以产生所谓的有序光谱。图7显示了同一轴在60 Hz(顶部)和50 Hz(底部)的顺序光谱。
VAFig7.JPG
图7.风力涡轮机以60 Hz(顶部)和50 Hz(底部)旋转的顺序光谱。
请注意,4 次谐波不再是频率而是谐波,或机器基本转速的顺序,其中第一个阶对应于机器转速的一倍,第四个阶对应于机器转速的四倍。转速。随着机器转速的变化,4 次谐波不再移动,从而更容易监控旋转系统的谐波。

( `- J# P+ W+ v3 \$ Y. r4.时间频率分析
频率分析的一个缺点是,没有与信号相关的时域数据,它只对静态信号有用。时频分析(有时称为联合时频分析或JTFA)允许解决此问题。时频分析是对小部分数据进行多次FFT的过程,或者说是在短时间内获取的数据。如果对足够小的数据部分进行FFT,则频率将没有时间改变,然后可以组合这些FFT以查看信号的功率谱如何随时间变化。时频分析结果通常显示在频谱图中,该频谱图显示信号的能量如何在时频域中分布。谱图是具有两个***变量的强度图:时间和频率。x轴是时间,y轴是频率。颜色强度显示相应时间和频率的信号功率。
举一个简单的例子,考虑一个频率随时间变化的恒定振幅声音测量。该啁啾声具有随时间线性变化的频率。类似于图4的瞬态影响,FFT难以区分频率和时间。但是,频谱图清楚地显示了频率如何随时间变化。如果你还记得我们之前用频率分析检查了两个啁啾信号,并注意到它们产生了相同的功率谱,使两个信号无法区分。如果我们改为使用信号的时频分析,我们可以看到它们如何不同,如图8所示。
VAFig8_20090909100743.JPG
图8.两个线性调频信号的联合时频分析。一个频率随时间增加(左),另一个频率随时间逐渐减小(右)。
由于时频分析代表时频域中的信号,因此频谱图中显示的结果揭示了信号的频率分量如何随时间变化。因此可以看出,时频分析适用于分析时变信号。
某些信号可能具有较窄的频带,持续时间较短。这些信号在时频域中具有良好的浓度。噪声信号通常分布在整个时频域中。因此,时频表示可能能够改善时频域中的本地信噪比。这意味着您可能会识别出可能无法在另一个域中识别的信号的存在。
时频分析的常见用例是扬声器的生产测试。在典型的生产测试中,扬声器通常会发出10Hz至20kHz的对数啁啾声。操作员听取扬声器并判断扬声器的质量。
您可以使用时频分析算法分析扬声器产生的声音,以自动化扬声器质量测试,替换“人体”分析仪。在图9中,您可以看到优秀的扬声器产生预期的频率分量(log-chirp),除了一些谐波,并产生一个“干净”的频谱图。相反,失败的扬声器的频谱图包含许多异常分量。
VAFig9.JPG
图9.带有许多异常组件的坏扬声器的联合时间 - 频率分析与使用“干净”频谱图的好用扬声器相比较
. n* X  O% \2 i
5. Quefrency分析
倒谱分析,也称为逆频分析,是振动频谱对数的FFT。“倒谱”的名字是通过颠倒“频谱”的前四个字母而得名。FFT或功率谱的x轴上的自变量是频率。倒谱的***变量称为“quefrency”。名称quefrency是通过将“频率”的前三个字母替换为“频率”的后三个字母而从频率导出的。
Quefrency是时间的衡量标准,但不是时域意义上的。虽然频谱或FFT揭示了时域测量信号的周期性,但倒谱显示了频谱的周期性。倒谱通常被称为频谱。图10描绘了频谱与倒谱之间的关系。
image6574920209707799475.jpg
图10.频谱与倒谱之间的关系。
倒谱分析对于检测谐波特别有用。谐波是频谱中的周期分量,在机器振动频谱中很常见。通过倒谱,可以检测振动谐波,例如有故障的滚子轴承所表现出的振动谐波。
滚子元件轴承由外圈,内圈和多个滚子元件滚珠组成。当外圈或内圈发生故障时,测得的振动信号将在内圈或外圈的故障频率附近呈现出更大的频率能量。这些特征频率与轴承的几何形状有关,包括滚珠的数量,滚道的尺寸和机器的转速。
图11提供了轴承故障和倒谱分析的示例。具有外环故障的轴承振动信号的功率谱具有90Hz的频谱峰值以及若干谐波。具有内环故障的轴承振动信号的功率谱具有120Hz的频谱峰值以及若干谐波。在良好轴承的功率谱中还存在显着的90Hz峰值。换句话说,单独使用功率谱并不总是可以区分好的轴承和有缺陷的轴承。观察图11中的所有三个功率谱,可以看到谐波,如果没有额外的分析,就不容易注意到。
倒谱是检测频谱中谐波的好方法。外圈故障的轴承倒谱在11.2ms处有明显的峰值,对应于90Hz的谐波。内圈故障的轴承倒谱在8.3ms处有明显的峰值,对应120Hz。良好轴承的倒谱没有明显的峰值。
VAFig11_20090909100743.JPG
图11.具有外环故障(顶部),内环故障(中间)和无故障(底部)的轴承的功率谱和顶点
8 H7 x+ u, `! ^& k* o+ Z
6.小波分析
小波分析适用于表征具有持续短时间段的窄带宽频率的机器振动特征。例如,在速度变化期间的冷却塔可以从其轴承,基础,轴或其他机械部件产生瞬态振动测量信号。使用小波分析的另一个领域是测试和监测低RPM齿轮箱,例如风力涡轮机和机车中的齿轮箱。
小波在小波分析中用作参考,并被定义为具有两个属性的信号:可容许性和规律性。可接受性意味着小波参考或母小波必须具有带通限制频谱。可接受性还意味着小波在时域中必须具有零平均值,这意味着小波必须是振荡的。规律性意味着小波在时域和频域都具有一定的平滑性和集中度,这意味着小波是振荡和紧凑的信号。
作为比较,正弦波在时间轴上永远地振荡而没有任何衰减,这意味着它们不紧凑。换句话说,正弦波在时域中没有任何浓度。另一方面,正弦波在频域中具有极端的浓度。正弦波在频域中具有最大分辨率但在时域中没有分辨率。
小波在频域中具有有限的带宽并且在时域中具有紧凑的带宽。因此,小波在时域和频域之间具有良好的集中度和分辨率权衡。图12描绘了时域和频域中正弦波和小波之间的差异。
VAFig12_20090909100743.JPG
图12.正弦波的频域非常紧凑,而时域则不是。小波在时域和频域都很紧凑。
小波分析然后使用数千个预定义的小波。然后振动信号通过模式匹配算法运行,该模式匹配算法将信号与已知的小波库进行比较,该小波表示不同的现象,例如不同频率,幅度和持续时间的敲击和尖峰。然后,模式匹配算法将返回指示匹配“良好”的系数。高系数表示良好的小波匹配,因此可用于指示瞬态或噪声脉冲。
小波的示例性使用是检测柴油发动机中的发动机爆震。柴油发动机可以基于不良燃料,不正确的正时或低发动机压缩来发动发动机爆震。发动机爆震会导致燃油效率低下,发动机过度振动或活塞损坏。
使用加速度计或动态压力传感器测量燃烧特征允许检查燃烧波形。然而,由于发动机爆震是非平稳瞬态事件,因此很难区分时间波形或典型的FFT频谱。然而,小波滤波器隔离了爆震特征,因此在时域中更容易检测到它。
) w' Y$ U, n: [' ]( L7 c

& M+ o& w7 O$ K& ?7 i( Z, s, X; d/ v  _  x1 E: w
: O& u" t* Y' ^5 G  m
* W5 S/ |9 d2 }
: L6 {6 L9 C: S1 i! f
. z6 T) Z* ^& B
VAFig14.JPG
VAFig13_20090909100742.JPG
IDAQ-USB-6009数据采集卡
 楼主| 发表于 2018-12-5 08:11:41 | 显示全部楼层
在线课堂
图13示出了普通发动机的柴油燃烧汽缸和具有发动机爆震故障的发动机的柴油燃烧汽缸的时间波形。通过使用小波滤波器,发动机爆震被隔离并在时域中可用。然后可以在时域中使用限制来识别和计算引擎敲击。随着发动机爆震频率的增加,纠正措施可能是合理的。
图13.在时域中,良好的电机与故障电机无法区分,但使用小波分析,故障很容易变得明显。
小波还可用于监视工业齿轮箱,例如直升机或风能应用中的工业齿轮箱。这些应用中的小波增强了齿轮破裂,破损和缺失的冲击现象。
  a  F5 P4 \7 S( R. B/ ]' B
7.基于模型的分析
基于模型的分析将振动信号与信号的线性模型进行比较,并返回两者之间的误差,这使得它可用于检测瞬态。自回归建模分析是使用线性模型,即AR模型。AR模型将时间序列中的任何样本表示为相同时间序列中的过去样本的组合。线性组合忽略信号中的任何噪声和瞬变。当将新测量信号与AR模型进行比较时,建模误差对应于未记录在线性组合模型中的噪声和瞬变。
自回归模型分析可用于检测机器振动信号中的瞬变。当机器改变状态,经历负载变化或开始产生非周期性的故障振动时,可能发生这种瞬变。当前振动测量和AR模型之间的差异(也称为建模误差)表示测量信号中的瞬态振动,图14。
图14. AR建模误差,指示原始测量信号中的瞬变

0 _% h3 R  Z9 |" [, H+ }8. National Instruments执行分析技术的工具
本白皮书详细描述了可以为声音和振动传感器执行的许多不同分析技术。由于采集声学和振动信号对于各种行业至关重要,NI已将行业领先的24位动态信号采集硬件与NI LabVIEW软件中的即用型分析相结合,为原型设计和部署声音提供了独特的解决方案。振动分析仪。NI工具包括具有LabVIEW灵活性的可立即运行的示例,因此您可以获得应用所需的声学和振动采集和分析。

$ J: \8 t* |) n: u/ r* G9.结论
通过捕获来自操作机器的动态测量值,例如振动,电功率和动态压力; 可以提取关键组件签名功能。利用此功能信息,可以制定驱动工厂维护和生产计划的特定指标。
当使用适当的信号分析技术时,最好从声音和振动信号中提取分量特征。通过了解原始信号的时频特性,可以识别最重要的算法。如前所列,图2提供了针对声音和振动特征的一系列时频特征选择分析方法的指南。
您需要登录后才可以回帖 登录 | 注册

本版积分规则

QQ|小黑屋|无图浏览|手机版|网站地图|虚拟仪器家园 ( 沪ICP备06029130号-1 )

GMT+8, 2018-12-16 16:08 , Processed in 0.027358 second(s), 26 queries , Gzip On, MemCache On.

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表