基于LabVIEW的轴心轨迹故障自动识别系统
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
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's
Matlab 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]。监测旋转机械的状态,对及早发现整个机械系统的故障具有重要意义[2]。实际应用中,一般利用相关特征进行转子故障诊断[3];其中,旋转机械轴心轨迹的形状、稳定性以及进动方向反映了旋转机械的实际工况。文献[4]对轴心轨迹的方向特征进行了研究,文献[5]通过一系列编码来表现轨迹特征,本文通过提取轨迹的不变矩特征进行故障诊断,这是目前研究最广泛也是研究的热点方向。
提取轨迹不变矩特征后,需要进行轴心轨迹的识别分类,文献[6]基于SVM(向量机)进行分类,但该方法特征参数无法自适应选择,致使分类性能不高。文献[7]用BP神经网络进行轨迹的分类,但神经网络训练时间长,样本数量需求大,导致分类的精确性无法保证。文献[8]用深度学习算法进行轨迹分类,文献[9]用蚁群算法进行分类,但二者算法复杂,测试时间长,计算量大,在工程实际运用中并不现实。为此,本文利用关联度算法进行轴心轨迹识别和故障自动分类,开发了基于LabVIEW的轴心轨迹故障自动识别系统,包括LMS数据采集模块,轴心轨迹仿真模块,小波滤波模块和轴心轨迹故障自动识别模块。实验结果表明该系统能直观有效地对旋转机械进行故障诊断。
1 轴心轨迹仿真及振动信号的测量
1.1 轴心轨迹仿真
工程实际中,轴心轨迹是对旋转机械进行故障诊断的重要特征,不同的故障类别对应不同的轴心轨迹形状。轴心轨迹通常是由两路振动信号进行合成,在LabVIEW 中仿真模型为
图1 轴心轨迹仿真
式中:x(t)、y(t)——两路相互垂直的振动信号;
ω——角频率;