关键词:
故障诊断
嵌入式系统
多传感器信息融合
特征提取
自适应随机共振
摘要:
机械的意外故障或事故将会造成严重的经济损失和影响人们的生命财产安全,对机械设备的故障诊断,保证设备的安全稳定的运行至关重要。通常在机械运行的状态下,采集机械设备的振动信号、声音信号以及电流信号等,对信号进行分析处理,评估设备运行状态。但是传感器采集的信号一般情况下需要在PC机上进行分析,实时性差,可能错过对机械故障诊断的最佳时间。此外,采集的信号常包含有严重的运行噪声和环境背景噪声,给信号分析带来困难,可能造成对机械设备运行状态的误判。因此,研究快速的故障诊断方法、抑制噪声、提取微弱信号的特征信息在机械故障诊断中显得尤为重要。本文研究了一种基于嵌入式随机共振的轴承故障诊断方法。目前,随机共振(Stochastic Resonance,SR)算法被广泛的应用于旋转机械故障诊断,然而,大多数随机共振算法都是在桌面平台上开发的,其重点是对离线信号的分析。本文提出了一种基于嵌入式的简单、易实现的轴承在线故障诊断方法,实现了信号的去噪和滤波,并对滤波后的信号在嵌入式上进行随机共振处理,以信噪比(Signal-to-noise Ratio,SNR)为判定指标,识别出轴承的故障类型,同时在LCD显示诊断结果。自适应随机共振(Adaptive Stochastic Resonance,ASR)方法已被证明能有效地增强淹没在强背景噪声中的弱周期信号,同时,ASR系统不依赖SNR为调优指标,因此目标故障频率不能准确估计时,ASR同样可以达到较好的消噪效果。然而,当振动信号的SNR极低时,传统的ASR方法可能无法正确地增加故障特征频率(Fault Characteristic Frequency,FCF)能量。针对这一问题,本文提出了一种声音信号辅助振动信号(Sound-Aided Vibration signal ASR,SAVASR)轴承故障诊断方法。首先对轴承声音和振动信号进行解调。然后,通过沿包络声信号的时间轴移动滑动窗口,自适应地增强包络振动信号。将优化后的融合信号发送到ASR系统,在综合评价指标的指导下对参数进行自适应调整。最后,利用最优SAVASR输出信号的频谱来检测轴承故障。通过定性和定量分析,与传统的仅对振动信号进行处理的ASR方法进行比较,充分评价了所提出的SAVASR方法的性能。综上所述,本文研究了基于嵌入式SR以及声音信号辅助振动信号的轴承故障诊断方法。同时,提出了一种多传感器信息融合方法,能够在振动信号低信噪比的情况下利用声音的能量使振动微弱信号增强,实现轴承微弱故障特征频率在强背景噪声下的增强,与传统方法相比,本文方法轻便易实现,且提高轴承故障诊断准确率。