旋转机械振动信号整周期重采样技术的研究
基于深度Q学习和连续小波变换的旋转机械故障诊断方法
基于深度Q学习和连续小波变换的旋转机械故障诊断方法作者：陈仁祥周君胡小林韩兴波朱孙科张晓来源：《振动工程学报》2021年第05期摘要：针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题，利用卷积神经网络拟合强化学习中的Q函数，通过Q‑learning算法学习策略实现故障诊断，提出了基于深度Q学习和连续小波变换的旋转机械故障诊断方法。
对振动信号进行连续小波变换得到时间尺度矩阵，构建出环境状态空间，实现智能体与环境间的交互;用CNN拟合Q‑learning中的Q函数得到深度Q网络，将环境返回的状态输入到深度Q网络中学习故障数据具体的状态特征表示，并据此表征学习策略，智能体采用ε‑贪婪方式决策出动作，利用奖励发生器对动作进行评价;通过智能体与环境间不断交互学习以最大化Q函数值，得到最优策略实现故障诊断。
这种方式融合了深度学习的感知能力和强化学习的决策能力，从而有效提高了诊断能力。
通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。
关键词：故障诊断; 旋转机械; 连续小波变换; 深度Q学习中图分类号： TH165.+3; TH133 文献标志码： A 文章编号： 1004-4523（2021）05-1092-09DOI：10.16385/ki.issn.1004-4523.2021.05.024引言旋转机械故障诊断本质是模式识别，其中重要的步骤是故障特征提取与故障类型识别[1]。
近年来，由于深度神经网络强大的特征学习能力，使其在旋转机械故障诊断领域得到快速发展[2‑3]。
利用深度学习进行故障诊断时，常见的模式为通过建立不同的深度神经网络从训练样本中学习故障特征进而实现故障诊断。
如：胡茑庆等[4]对行星齿轮箱故障信号进行经验模态分解，得到内禀模式函数（Intrinsic Mode Function，IMF）后利用深度卷积神经网络融合特征信息明显的IMF进行故障诊断。
李巍华等[5]利用深度置信网络直接从原始信号逐层学习轴承故障特征进行轴承故障诊断。
基于压电传感器的旋转机械振动信号测试技术
２ ）采 用 神经 网络 建 模 的方 法 得到 压 电信 号 处
理 电路 的模 型 ，然 后按 照该 模 型 对 振 动 信 号 进 行
在 线 补 偿 ，既 解 决 非 线性 问题 ，又 解 决 了 信 号 处 理 电路 对信 号频率 特性 的影 响 。
参考文献：
【］彭善琼． １ 高精度振动信 号处理 系统的研究［】 Ｊ． 微计算机信
本 ，利 用 改进 型ＢＰ 习算 法训 练 网络 ，得 到 幅 频 学 特性模 型 ； ５ ）对得 到 的幅 频 特性 模 型进 行仿 真 ，若 精 度 不 能 达 到 要求 ，调 整Ｂ 学 习 算法 的 参数 重 复 步骤 Ｐ ４ ）进 行训 练 。
按 照 上 述 步 骤 可 以得 到 振 动 信 号 处 理 电 路 的 幅频 特 性 的 模 型 ，采 用 同 样 的方 法 可 以得 到其 相 拼 特 性 的 模 型 。神 经 网 络建 立 的模 型 包 含 在神 经
整周期 采样 。 本 文 软 件 实 现 整 周期 采 样 的 思 路 为 ：同 时 对
振 动 信 号 和 转 速 脉 冲 信 号采 样 ，并 将 其 分 别 放 人
数 组 中 ，从 脉 冲 的第Ｎ个脉 冲 的上升 沿 对应 的振 动 数 据 开 始 提 取 ，到 第Ｎ＋ ｘ个 脉 冲 的上 升 沿 结 束 ， 中间抽 取 的数 据 即为Ｘ个 周期 内的 整周期 数 据 。如 需 要整 周期 内２ 个数 据 ，则采 用插 值 的方 式 得到 间 “
电荷 放 大 电路 ， 它将 输 入 电 荷 信 号变 成 与之 成 正
比的 电压 信 号 。程 控 放 大 电 路 的 原理 是 通 过 模 拟
开 关 来 切换 不 同 电 阻来 实 现 增 益 的 自动 调 整 ，模 拟 开关 的控 制 信号 由ＡＤ采 集卡 上 的 开关 量 输 出单
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械广泛应用于各种工业领域，如风力发电、航空航天、交通运输等。
然而，由于长时间运行和复杂的工作环境，旋转机械经常会出现各种故障，如轴承磨损、齿轮断裂等。
这些故障不仅影响设备的正常运行，还可能导致严重的安全事故。
因此，对旋转机械进行故障诊断与预测显得尤为重要。
本文将介绍旋转机械故障诊断与预测的方法及其应用研究。
二、旋转机械故障诊断与预测方法1. 基于振动信号分析的方法振动信号分析是旋转机械故障诊断与预测的常用方法。
通过传感器采集设备的振动信号，对信号进行时域、频域和时频域分析，可以提取出设备运行状态的特征信息。
当特征信息超过设定的阈值时，即可判断设备存在故障。
此外，还可以通过对比历史数据，预测设备未来可能出现的故障。
2. 基于声音信号分析的方法声音信号分析是另一种有效的故障诊断与预测方法。
通过采集设备的声波信号，对信号进行频谱分析和声强分析，可以判断设备的运行状态和故障类型。
该方法具有非接触式、实时性强的优点，适用于对复杂工作环境下的设备进行故障诊断。
3. 基于数据驱动的智能诊断方法随着人工智能技术的发展，基于数据驱动的智能诊断方法在旋转机械故障诊断与预测中得到了广泛应用。
该方法通过收集设备的运行数据，利用机器学习、深度学习等算法对数据进行训练和建模，实现对设备运行状态的监测和故障预测。
该方法具有准确度高、适应性强、可扩展性强的优点。
三、旋转机械故障诊断与预测方法的应用研究1. 在风力发电领域的应用风力发电是旋转机械的重要应用领域之一。
通过采用振动信号分析和声音信号分析等方法，可以对风力发电机组的齿轮箱、轴承等关键部件进行实时监测和故障诊断。
同时，采用基于数据驱动的智能诊断方法，可以实现对风力发电机组运行状态的预测和优化，提高设备的可靠性和效率。
2. 在航空航天领域的应用航空航天领域对设备的可靠性和安全性要求极高。
采用基于振动信号分析和声音信号分析等方法，可以对航空发动机、螺旋桨等旋转机械进行实时监测和故障诊断。
机械振动理论基础及其应用
旋转机械振动与故障诊断研究综述1．前言工业生产离不开回转机械，随着装置规模不断扩大，越来越多的高速回转机械应用于工业生产，诸如高速离心压缩机、汽轮机发电机组。
动态失稳造成的重大恶性事故屡见不鲜。
急剧上升的振动可在几十秒之内造成机组解体,甚至祸及厂房，造成巨大的经济损失和人员伤亡。
此外，机械振动可能降低设备机械性能，加速机械零部件的磨损，发出的噪声损害操作者的健康。
但是振动也能合理运用，如工业上常用的振动筛、振动破碎等都是振动的有效利用。
工程技术人员必须认真对待机械振动问题，当机组产生有害的振动时，及时分析原因，坚持用合理的振动测试标准，采取科学的防治措施。
2．旋转机械振动标准●旋转机械分类：Ⅰ类：为固定的小机器或固定在整机上的小电机，功率小于15KW。
Ⅱ类：为没有专用基础的中型机器，功率为15~75KW。
刚性安装在专用基础上功率小于300KW的机器。
Ⅲ类：为刚性或重型基础上的大型旋转机械，如透平发电机组。
Ⅳ类：为轻型结构基础上的大型旋转机械，如透平发电机组。
●机械振动评价等级：好：振动在良好限值以下，认为振动状态良好。
满意：振动在良好限值和报警值之间，认为机组振动状态是可接受的（合格），可长期运行。
不满意：振动在报警限值和停机限值之间，机组可短期运行，但必须加强监测并采取措施。
不允许：振动超过停机限值，应立即停机。
3．振动产生的原因旋转机械振动的产生主要有以下四个方面原因，转子不平衡，共振，转子不对中和机械故障。
4．旋转机械振动故障诊断4.1转子不平衡振动的故障特征当发生不平衡振动时，其故障特征主要表现在如下方面：1 ）不平衡故障主要引起转子或轴承径向振动，在转子径向测点上得到的频谱图, 转速频率成分具有突出的峰值。
2 ）单纯的不平衡振动，转速频率的高次谐波幅值很低，因此在时域上的波形是一个正弦波。
3 ）转子振幅对转速变化很敏感，转速下降，振幅将明显下降。
4 ）转子的轴心轨迹基本上为一个圆或椭圆，这意味着置于转轴同一截面上相互垂直的两个探头，其信号相位差接近90°。
旋转机械振动监测和分析
第23卷 第1期2010年3月燃 气 轮 机 技 术GAS TURB I NE TECHNOLOGYV o l 23 N o.1M ar.,2010旋转机械振动监测和分析郑月珍(南京汽轮电机(集团)有限责任公司,南京 210037)摘 要:本文介绍旋转机械振动监测和设备故障诊断的意义、旋转机械的常见振动问题和振动测量的原理及测试方法。
最后介绍我公司研制开发的以计算机为核心的旋转机械振动监测和分析系统的主要功能。
关 键 词:机械振动;轴振动;频谱分析;故障诊断中图分类号:O329 文献标识码:A 文章编号:1009-2889(2010)01-0039-061 振动状态在线监测及预测维修旋转机械的振动监测是设备运转状态监测的重要组成部分。
随着生产技术的发展,一种以状态监测为基础的故障诊断和预测技术得到推广与应用。
这种技术的发展,将使设备的维修方式从传统的 事故维修 和 定期维修 过渡到 预知性维修 ,从而大大提高设备的年利用率,减少停机维修时间,降低维修费用,同时也减少了备件库存量。
此外,旋转机械的振动测试技术也是转子现场动平衡和转子动力特性试验研究不可缺少的手段。
近十年来,我国振动状态监测技术得到了重视和研究,在关键设备上配备了监测仪表或监测系统。
例如从国外引进的燃气轮机发电机组都安装了振动保护系统。
对国内制造的200MW、300MW和600MW汽轮发电机组的仪表设计工作正在选择相应的振动保护系统与主机配套。
国内原有的电站设备已逐渐安装机械保护系统及准备安装机械保护系统。
2 旋转机械振动测试概要旋转机械振动测试的主要对象是一个转动部件 转子或转轴,在进行振动测量和信号分析时,也总是将振动与转动密切结合起来,以给出整个转子运动的某些特征。
2.1旋转机械的振动问题转子是旋转机械的核心部件。
通常转子是用油膜轴承、滚动轴承或其它类型轴承支承在轴承座或机壳、箱体及基础等非转动部件上,构成了所谓的 转子 支承系统 。
机械振动信号的特征提取与分析
机械振动信号的特征提取与分析机械振动信号的特征提取与分析是一项重要的技术，它可以帮助我们了解机械设备的工作状态并及时发现问题。
在工业生产中，常常会出现各种振动信号，例如机械设备的运行振动、故障振动以及环境噪音等。
通过对这些信号的分析，我们可以判断设备的运转情况，识别设备故障，并采取相应的措施来保障生产安全和设备的正常运行。
在对机械振动信号进行特征提取与分析之前，首先需要采集信号数据。
信号采集系统通常由传感器、数据采集卡和计算机组成。
通过传感器对机械设备振动进行感知，并将振动信号转化为电信号。
数据采集卡将电信号转化为数字信号，并通过计算机进行存储和处理。
特征提取是对振动信号进行初步处理的重要步骤。
振动信号具有复杂的波形，其中蕴含了很多信息。
通过对信号进行特征提取，可以提取出信号的主要特点和特征参数，为后续的进一步分析和判断提供依据。
常用的特征参数包括频率特征、能量特征、幅度特征和相位特征等。
这些参数能够反映振动信号的频率分布、振幅大小以及相位差异等信息。
频率特征是对信号频谱进行分析得到的，可以帮助我们了解振动信号在频域上的特点。
频率特征包括主频和谐波频率等，通过分析不同频率成分的大小和分布，可以识别出信号中的异常频率，并判断是否存在故障。
能量特征是对信号能量分布的描述，常用的能量特征参数有均方根、峰值等。
幅度特征是对信号振幅的描述，可以反映出信号的幅值大小和振动的强度。
相位特征是反映信号相位关系的参数，可以帮助我们了解振动信号的相位差异和相位变化情况。
特征提取之后，我们需要对提取出的特征参数进行分析和判断。
常用的分析方法包括统计分析、时域分析和频域分析等。
统计分析主要通过计算特征参数的均值、标准差、变异系数等统计量来描述信号的分布特征。
时域分析是通过对信号波形的观察和分析，了解信号在时间轴上的变化规律和特点。
频域分析是通过将时域信号转化为频域信号，在频域上观察和分析信号的频谱特征。
通过对机械振动信号的特征提取与分析，我们可以得到信号的特征参数和分析结果。
平稳和非平稳振动信号的处理方法综述
平稳和非平稳振动信号的处理方法周景成（东华大学机械工程学院，上海 201620）摘要：本文主要综述了当前对于平稳和非平稳振动信号的处理方法及其优缺点，同时列举了目前振动信号处理的研究热点和方向。
关键词：稳态非稳态振动信号处理；方法；优缺点。
1．稳态与非稳态振动信号的界定稳态振动信号是指频率、幅值和相位不变的动态信号，频率、幅值和相位做周期性变化的信号称为准稳态信号，而对于频率、幅值和相位做随机变化的信号则称为非稳态信号。
2. 稳态或准稳态振动信号的主要处理方法及其优势与局限对于稳态振动信号，主要的分析方法有离散频谱分析和校正理论、细化选带频谱分析和高阶谱分析。
对于准稳态信号主要采用的是解调分析。
对于非稳态振动信号主要采用加Hanning窗转速跟踪分析、短时傅里叶变换、Wigner-Ville 分布和小波变换等。
对于任一种信号处理方法都有其优势和劣势，没有完美的，具体在工程实际中采用哪一种分析方法得看具体的工程情况而定，不能一概而论。
2. 1 离散频谱分析与校正离散频谱分析是处理稳态振动信号的常用方法，离散频谱分析实现了信号从时域到频域分析的转变。
FFT成为数字信号分析的基础，广泛应用于工程技术领域。
通过离散傅里叶变换将振动信号从时域变换到频域上将会获得信号更多的信息。
对于这一方法，提高信号处理的速度和精度是当下两个主要的研究方向。
由于计算机只能对有限多个样本进行运算，FFT 和谱分析也只能在有限区间内进行，这就不可避免地存在由于时域截断产生的能量泄漏，离散频谱的幅值、相位和频率都可能产生较大的误差，所以提高精度成为近一段时间主要的研究方向。
上世纪70年代中期，有关学者开始致力于离散频谱校正方法的研究。
目前国内外有四种对幅值谱或功率谱进行校正的方法：(1)比值校正法(内插法)；(2)能量重心校正法；(3)FFT+FT谱连续细化分析傅立叶变换法；(4)相位差法。
四种校正方法的原理和特点见表1[1].从理论上分析，在不含噪声的情况下，比值法和相位差法是精确的校正法，而能量重心法和FFT+FT谱连续细化分析傅立叶变换法是精度很高的近似方法。
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械作为工业生产中不可或缺的重要设备，其稳定运行对生产效率和产品质量具有重大影响。
然而，由于操作环境复杂、维护不当或设备老化等因素，旋转机械常会出现各种故障。
这些故障如不及时发现和处理，可能会对生产造成巨大损失。
因此，对旋转机械的故障诊断与预测显得尤为重要。
本文将重点研究旋转机械的故障诊断与预测方法，以及其在工程实践中的应用。
二、旋转机械故障诊断与预测方法（一）基于信号处理的诊断与预测方法1. 信号采集：通过传感器技术，实时采集旋转机械的振动、声音、温度等信号。
2. 信号处理：利用信号处理技术，如频谱分析、小波变换等，对采集的信号进行预处理和特征提取。
3. 故障诊断与预测：根据处理后的信号特征，结合专家系统或模式识别技术，实现故障的诊断与预测。
（二）基于机器学习的诊断与预测方法1. 数据预处理：对历史故障数据进行清洗、标注和整理，构建故障数据集。
2. 模型训练：采用机器学习算法，如支持向量机、神经网络等，对故障数据集进行训练，建立故障诊断与预测模型。
3. 模型应用：将训练好的模型应用于实际场景中，实现旋转机械的故障诊断与预测。
（三）基于深度学习的诊断与预测方法深度学习通过模拟人脑神经网络的工作方式，可以自动提取数据的深层特征。
在旋转机械的故障诊断与预测中，深度学习模型可以更好地处理复杂、非线性的故障数据。
常见的深度学习模型包括卷积神经网络、循环神经网络等。
三、旋转机械故障诊断与预测方法的应用研究（一）在设备维护中的应用通过实时监测和诊断旋转机械的故障，可以及时发现潜在的问题并采取相应的维护措施，从而避免设备停机或损坏。
这不仅可以提高设备的运行效率，还可以延长设备的使用寿命。
（二）在生产管理中的应用通过对旋转机械的故障进行预测和预警，可以提前制定生产计划和调整生产安排，避免因设备故障而导致的生产延误和资源浪费。
这有助于提高生产效率和产品质量。
【国家自然科学基金】_大型旋转机械_基金支持热词逐年推荐_【万方软件创新助手】_20140731
科研热词 故障诊断 旋转机械 矢谱 远程故障诊断 运动能量 转子系统 质量不平衡 短时傅立叶变换 特征灵敏度 特征向量灵敏度 大型旋转机械 启停分析 动柔度灵敏度 全矢谱 全矢幅频特性图 三维全矢瀑布图 wigner-ville分布 struts架构 mvc模式 hilbert-huang变换 b/s结构
推荐指数 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60 61
两步优化 1 不可压缩旋转流动 1 三维旋转 1 sst模型 1 ilut 1 flue gas generator set weak information 1 extractio ercoftac离心叶轮 1 bicgstab 1 12cr钢 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
2011年 科研热词 非线性 非平稳 间歇混沌 键相 进出水流道 转子轴承系统 裂纹模型 虚拟仪器 立式轴流泵装置 相位补偿 物联网 混沌 测试 水力性能 模糊最大似然估计聚类 最大最小贴近度 旋转机械 整周期重采样 数值模拟 故障预测方法 故障识别 振动信号 扭振 多变量数据驱动 分岔 不平衡磁拉力 推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
振动研究总结报告范文(3篇)
第1篇一、引言振动现象广泛存在于自然界和工程实践中，对于振动的研究对于提高工程结构的安全性、提高设备的使用寿命、优化设计参数等方面具有重要意义。
本报告针对振动研究进行了总结，主要包括成果内容、研究方法、特色和创新等方面。
二、成果内容1. 振动理论研究在振动理论研究方面，本报告主要研究了以下内容：（1）振动的基本理论：介绍了振动的基本概念、振动类型、振动方程、振动特性等。
（2）振动控制理论：研究了振动控制的基本方法，如被动控制、主动控制、半主动控制等，并对各种控制方法进行了比较分析。
（3）振动分析理论：研究了振动分析的常用方法，如有限元法、频域分析法、时域分析法等，并对各种方法进行了比较分析。
2. 振动实验研究在振动实验研究方面，本报告主要研究了以下内容：（1）振动测试技术：介绍了振动测试的基本原理、测试设备、测试方法等。
（2）振动实验平台：建立了振动实验平台，包括激振器、传感器、数据采集系统等，用于模拟和研究各种振动现象。
（3）振动实验结果分析：对振动实验数据进行处理和分析，得到了振动特性、振动响应等关键参数。
3. 振动应用研究在振动应用研究方面，本报告主要研究了以下内容：（1）工程结构振动：研究了工程结构在地震、风荷载等作用下的振动特性，为工程结构的抗震设计提供了理论依据。
（2）机械设备振动：研究了机械设备在运行过程中的振动特性，为提高设备的使用寿命和降低故障率提供了技术支持。
（3）振动控制应用：研究了振动控制技术在工程实践中的应用，如振动隔离、振动抑制等。
三、研究方法1. 文献综述法：通过对国内外振动研究文献的查阅和整理，对振动研究现状、发展趋势进行了分析。
2. 理论分析法：运用振动理论对振动现象进行定性和定量分析，为实验研究提供理论指导。
3. 实验研究法：通过搭建振动实验平台，对振动现象进行模拟和研究，获取实验数据。
4. 数据分析法：运用数据统计、数据处理、数据分析等方法对振动实验数据进行处理和分析。
核电厂运营阶段旋转设备振动测量与故障分析
核电厂运营阶段旋转设备振动测量与故障分析摘要：核电机组的规划、购买、装置、运行，都是非常关键的一环。
为了确保核电转机的正常工作，在机组运营过程中，对转机进行了离线振动监控。
以专业的勘测设备和研究软件为基础，结合振动研究的专业知识，对振动超标的设施展开了故障研究，并实施了相应的修缮处理，最终使其振动实现了一个正常的能力，给核电站运营的正常开展给予了牢固的保证。
关键词：振动监测系统振动测量故障分析在当代的生产过程中，对器械设施进行故障判断已引起了人们的广泛关注，若无法有效察觉并解决问题，将会造成设施自身的损伤，而且会引起机器失效、人员伤亡等重大不良后果。
在持续生产过程的中，一个重要的装置只要发生故障，就会影响到整个装置的正常运转，给项目企业带来很大的经济损失。
对核电站而言，利用故障判断技术，及早察觉设施故障，提前更换到备用，是减低事故产生，降低经济损失，预防危害的一种行之合理的措施。
振动，是衡量装备工作情况的一个关键评估指标。
振动的强弱，将直接影响到装置是否可以持续稳定地工作。
在机器工业和别的工业领域中，有着相当多的不良振动现象，它们的出现造成了巨大的损失，有的还潜藏着危险的祸根，因此，运用振动项目的理论、技术和措施，对这些问题进行分析和处理，是当前的迫切需要。
1核电厂振动研究在电厂运作中的设施和构造中，通常有着机器振动，比如汽轮机、发电机、风机、水泵等旋转机械的振动，轴承座、汽缸、发电机定子、凝汽器等固定构造的振动，汽、水管道及热交换器的振动，还有厂房、砼基础、横纵梁等土建构造的振动。
对核动力装置中的关键设施开展振动勘测核研究，并对其实施预防性判断，可以合理地避免突然的振动事故，极大限度地减少经济受损，解决潜在危险。
在2005年，某个核电厂曾使用高频振动频谱的检测，查出了某核二级泵齿轮箱小齿轮的的初步磨损。
按照出现的问题，对其展开的有效的处理，从而避免了重大磨损事故的产生。
1.1CSI2130在核电的应用CSI2130是目前核电设备中常用的一种状态研究仪，用于对核电设备的振动进行勘测核研究，并将其与之相匹配的“AMSMachineryManagerClient”管理软件用于数据库的管控和振动研究。
水电机组在线监测中同步整周期采样实现策略
摘要 : 水电机组在线监测系统中常用定时采样方法 ,采集数据量大 ,且频谱分析中由于采样频率和 信号频率可能不一致 ,造成频率泄露和相位漂移 ,不能准确反映机组当前运行状态 。文中构建了一 种同步整周期采集策略 : 每次采集的起始点由键相信号来决定 ,使得每次采样数据具有相同的相位 基准 ,转子每转 1 周 ,每个测点采集固定数量的数据 ,克服频谱分析的泄漏效应与栅栏效应 ,并且可 准确提取信号中的相位 ,提高了数据采样和分析的精度 。 关键词 : 水轮机组 ; 同步整周期采样 ; 在线监测系统 ; 振动摆度 中图分类号 : TM312
80
第 31 卷 第4期 2007 年 2 月 25 日
Vol. 31 No . 4 Feb. 25 , 2007
水电机组在线监测中同步整周期采样实现策略
朱 浩 , 陈喜阳 , 李友平 , 夏 洲
( 国网南京自动化研究院/ 南京南瑞集团公司 , 江苏省南京市 210003)
3 整周期采样方法的实现
SJ 290 振动摆度测控装置有 24 路振动和摆度信 号输入 , 受 A/ D 处理能力限制 , 每次只能处理 4 个 通道 ,为了实现 24 路同步采样 , 须使用模拟采样保 持器 L F398 , 采 样 保 持 信 号 由 C8051 F020 给 出 。 24 路输入信号经保持后送至模拟开关 MA X308 ,在 L F398 保持阶段 ,模拟开关分 6 次 ,每次选择 4 个通 道 ,经运放跟随后送入 A/ D 转换器 AD7865 。 C8051 F020 除 直 接 管 理 I/ O 引 脚 、 向双端口 RAM 转移采样数据外 , 还对旋转频率进行跟踪和 预测 , 对 AD7865 和 L F398 进行采样控制 。CPLD 在同步期整周期采样过程中 ,配合 C8051 F020 实现
《2024年形态学滤波新方法及其在旋转机械故障诊断中的应用》范文
《形态学滤波新方法及其在旋转机械故障诊断中的应用》篇一一、引言形态学滤波是一种基于形态学原理的信号处理方法，广泛应用于图像处理、信号分析和故障诊断等领域。
旋转机械作为工业领域中的关键设备，其故障诊断对于保障生产安全和设备正常运行具有重要意义。
本文提出了一种新的形态学滤波方法，并探讨了其在旋转机械故障诊断中的应用。
二、形态学滤波新方法1. 形态学滤波原理形态学滤波基于形态学变换原理，通过设定一定的结构元素，对信号进行膨胀、腐蚀等操作，从而达到滤波的目的。
该方法能够有效地抑制信号中的噪声，提取出有用的故障特征信息。
2. 新方法提出针对传统形态学滤波方法在处理复杂信号时存在的局限性，本文提出了一种新的形态学滤波方法。
该方法采用多尺度结构元素，根据信号的不同频率成分，自适应地调整滤波参数，从而提高滤波效果。
同时，该方法还引入了时频分析技术，对信号进行时频域联合分析，进一步提高故障特征的提取精度。
三、新方法在旋转机械故障诊断中的应用1. 信号采集与预处理在旋转机械故障诊断中，首先需要采集设备的振动信号。
通过对采集到的信号进行预处理，如去噪、滤波等操作，为后续的故障特征提取和诊断提供可靠的数据基础。
2. 形态学滤波应用将新提出的形态学滤波方法应用于旋转机械的振动信号处理中。
通过设定合适的结构元素和参数，对信号进行膨胀、腐蚀等操作，有效地抑制噪声，提取出有用的故障特征信息。
3. 故障特征提取与诊断通过对形态学滤波后的信号进行时频域分析，进一步提取出故障特征。
根据这些特征，可以判断设备的运行状态，及时发现潜在的故障隐患。
结合设备的实际运行情况，为维修人员提供准确的故障诊断依据。
4. 实例分析以某旋转机械设备为例，应用新提出的形态学滤波方法进行故障诊断。
通过对比分析诊断结果与实际设备运行情况，验证了该方法在旋转机械故障诊断中的有效性和实用性。
四、结论本文提出了一种新的形态学滤波方法，并探讨了其在旋转机械故障诊断中的应用。
《2024年基于振动信号的机械故障特征提取与诊断研究》范文
《基于振动信号的机械故障特征提取与诊断研究》篇一一、引言随着工业的快速发展，机械设备在生产过程中的作用日益凸显。
然而，机械设备的故障往往会导致生产线的停工，甚至可能引发安全事故。
因此，对机械设备的故障诊断与预测成为了工业领域的重要研究课题。
在众多故障诊断方法中，基于振动信号的故障诊断技术因其非接触、实时、高效的特性而备受关注。
本文旨在研究基于振动信号的机械故障特征提取与诊断方法，为机械设备的故障诊断提供新的思路和方法。
二、振动信号的特征提取1. 信号采集与预处理首先，通过安装在机械设备上的传感器，实时采集设备的振动信号。
由于实际环境中存在各种噪声干扰，因此需要对采集到的振动信号进行预处理，如滤波、去噪等，以提高信号的信噪比。
2. 特征提取特征提取是故障诊断的关键步骤。
通过时域、频域和时频域分析方法，从预处理后的振动信号中提取出反映设备运行状态的特征参数。
例如，可以提取出均值、方差、峰值、频率、功率谱密度等参数。
三、故障特征识别与诊断1. 模式识别方法模式识别方法是基于机器学习、深度学习等人工智能技术，通过训练模型来识别设备的故障类型和程度。
常用的模式识别方法包括支持向量机（SVM）、神经网络、决策树等。
这些方法可以根据提取出的特征参数，对设备运行状态进行分类和识别。
2. 故障诊断方法根据模式识别的结果，可以实现对设备的故障诊断。
常见的故障诊断方法包括基于阈值的诊断方法和基于知识库的诊断方法。
基于阈值的诊断方法是通过设定阈值来判断设备是否出现故障；而基于知识库的诊断方法则是通过比对设备运行状态与知识库中的典型故障模式，来判断设备的故障类型和程度。
四、实验验证与分析为了验证基于振动信号的机械故障特征提取与诊断方法的有效性，我们进行了大量的实验研究。
首先，我们采集了多种机械设备在不同故障状态下的振动信号，然后通过上述的特征提取和模式识别方法，对设备的故障类型和程度进行识别和诊断。
实验结果表明，该方法能够有效地提取出反映设备运行状态的特征参数，并准确地识别和诊断设备的故障类型和程度。
基于机器学习的旋转机械故障诊断方法的研究
基于机器学习的旋转机械故障诊断方法的研究摘要旋转机械在工业生产中得到广泛应用，对旋转机械的故障诊断和预测成为了研究的热点之一。
本文提出了一种基于机器学习的旋转机械故障诊断方法，该方法可以对旋转机械进行故障分类和预测。
首先，采集旋转机械的振动信号和噪声信号，并对其进行滤波和降噪处理。
然后，通过小波变换将信号分解成多个尺度，利用能量和功率谱密度等特征参数进行特征提取。
最后，使用支持向量机、神经网络和随机森林等机器学习算法进行分类和预测。
实验结果表明，该方法可以有效地识别旋转机械的故障类型和预测故障发生时间，具有很高的诊断准确率和精度。
关键词：旋转机械；故障诊断；机器学习；小波变换；支持向量机；神经网络；随机森林AbstractRotating machinery has been widely used in industrial production, and the diagnosis and prediction of rotating machinery faults have become a hot research topic. In this paper, a machine learning-based rotating machinery fault diagnosis method is proposed, which can classify and predict faults of rotating machinery. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.Keywords: Rotating machinery; fault diagnosis; machine learning; wavelet transform; support vector machine; neural network; random forest1. IntroductionRotating machinery is an important equipment in industrial production, which is widely used in various industries. However, due to the complexity of the working environment and the high requirements for operation, rotating machinery is prone to various failures, which seriously affect the efficiency of production and the safety of personnel. Therefore, the diagnosis and prediction of rotating machinery faults have become the focus of attention of relevant researchers.In recent years, with the rapid development of machine learning technology, more and more researchers have applied machine learning algorithms to the field of rotating machinery fault diagnosis. Machine learning is a comprehensive discipline that combines computer science, statistics, and artificial intelligence. It can analyze and learn data patterns and rules automatically, and use these patterns and rules to make predictions and decisions.This paper proposes a machine learning-based rotating machinery fault diagnosis method. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.2. Related workRotating machinery fault diagnosis has been studied for many years, and various diagnosis methods have been proposed. Traditional diagnosis methods mainly rely on the analysis of vibration signals and noise signals, and use frequency spectrum analysis, envelope analysis, and time-frequency analysis to extract fault features.With the continuous advancement of machine learning technology, machine learning-based rotating machinery fault diagnosis methods have gradually attracted attention. For example, Bai et al. [1] proposed a convolutional neural network-based fault diagnosis method for rolling bearings. The method uses a data augmentation strategy to improve the performance of the model, and achieves a high diagnostic accuracy of 99.8%.Liu et al. [2] proposed a hybrid feature extraction method based on variational mode decomposition and permutation entropy. The method can extract more effective fault features from raw vibration signals, and achieved a high diagnostic accuracy of98.5%.Zheng et al. [3] proposed a fault diagnosis method based on a combination of spectral clustering and support vector machine. The method can effectively identify the type of faults in rotating machinery, and achieved a high diagnostic accuracy of 96.3%.3. Methodology3.1 Data collection and preprocessingIn this study, the vibration signal and noise signal of the rotating machinery are collected by a sensor. The collected signals are first filtered by a band-pass filter to remove any undesirable frequency components. Then, the signals are denoised by using a wavelet threshold denoising method. After filtering and denoising, the signals are divided into multiple segments to facilitate subsequent analysis.3.2 Feature extractionThe wavelet transform is used to decompose the signal into multiple scales, and the energy and power spectral density of each scale are calculated as feature parameters. Specifically, the signal is decomposed into several levels by using the discrete wavelet transform, and the energy and power spectral density of each level are calculated. Then, the feature parameters of the signal are obtained by combining the energy and power spectral density of different scales.3.3 Classification and predictionMachine learning algorithms such as support vector machines, neural networks, and random forests are used for classificationand prediction. Support vector machines are used to classify the type of faults in the rotating machinery, and neural networks are used to predict the time of fault occurrence. Random forests are used to validate the performance of the proposed method.4. ResultsThe proposed method is tested on a set of data collected from a rotating machinery. The data set contains 5000 vibration and noise signals, and is divided into 70% training set and 30% test set. The performance of the proposed method is evaluated by using several indicators such as accuracy, precision, and recall.The experimental results show that the proposed method can achieve a high diagnostic accuracy of 95%, with a precision of 93% and a recall of 96%. The method can effectively classify the typeof faults in the rotating machinery, and predict the time of fault occurrence with a low error rate.5. ConclusionIn this paper, a machine learning-based rotating machinery fault diagnosis method is proposed. The method uses wavelet transform to extract feature parameters from vibration and noise signals, and uses support vector machines, neural networks, and random forests for classification and prediction. The experimental results show that the proposed method can effectively identify the type of faults in the rotating machinery, and predict the time of fault occurrence with a high diagnostic accuracy and precision.The proposed method has important practical applications in the field of rotating machinery fault diagnosis.。
循环平稳信号处理在机械设备故障诊断中的应用综述_周福昌
的参数是傅立叶级数的几乎周期函数, 其频率相对独
立于序列的滞后量, 通过二次或者高次非线性变换可
以产生出正弦波, 其算法对于噪声干扰是渐近无影响
的。相对而言, 广义几乎循环平稳信号的多变量统计
函数是傅立叶级数的时间几乎周期函数, 其相关函数
和频率依赖于时间序列的滞后量。
早在本世纪 50年代, 人们就已经认识到许多信号
对于循环平稳时间序列, 通过非线性变换, 可以从 中产生出有限强度的正弦波, 但信号本身并不典型地含 有任何有限强度的加性正弦量。产生正弦波所需要的非 线性变换的最小阶数称为信号的循环平稳阶数, 而生成 的正弦波的频率称为循环频率。所有的循环频率的总体 构成循环频率集。应当注意的是, 在一个循环平稳的时 间序列中, 其循环频率可能含有多个, 其中零循环频率对 应于信号的平稳部分, 而非零循环频率才能真正描述出
摘 要 循环平稳信号处理学科的引入, 丰富了机械设备故障诊断的内容。本文总结了循环平稳信号处理在 机械
设备信号特征提取和故障诊断领域的研究概况, 分析了该方法目前 所存在的 问题, 最后简要指 出了循环平 稳信号处 理在
机械设备故障诊断中应用的发展方向。
关键词: 循环平稳, 故障诊断
中图分类号: T P206, TP911
文献标识码: A
0引 言
自有工业生产以来, 人们就开始有意识地研究机 械设备的故障诊断问题。只是到 20 世纪 60年代, 随 着科学与技术的进步, 机械设备故障诊断才成为一门 独立 的学 科, 并 在 80 年代 中 后 期出 现 了 蓬 勃 的发 展 [ 1] 。众所周知, 机械设备状态监测和故障诊断技术 是一个融合机械、电子、力学等多种学科于一身的交叉 学科。诊断技术的三个核心步骤是: 信号采集、特征提 取和模式识别, 其中特征 提取又是核心中的核心。这 就使得诊断技术和信号处理技术的结合更加紧密, 两 者相辅相成, 共同推进彼此的发展。
某旋翼试验台振动信号的采集与预处理系统
某 旋 翼试 验 台振 动信 号 的采 集 与预 处 理 系统
高 亚 东 张 曾铝
（ 京 航 空 航 天 大 学 直升 机 技 术 研 究 所 ， 京 ，１０ ６ 南 南 ２０１）
摘 要 ： 绍 了 桌直 升 机 旋 翼 试验 台 的振 动 数 据 采 集 和预 处 理 系统 的设 计 和 组 成 。其 中信 号 采 集 系统 分 为 两 大 部 介 分 ： 部 分根 据 同步 脉 冲 测 量 旋 翼 转 速 、 期 ； 一 部 分 由 同 步 脉 冲 信 号控 制 Ａ／ 转 换 器 实现 定 点 触 发 采 集 数 一 周 另 Ｄ
ｐ ｉ ｇ ｏ ｎ ｅ ｔｒ ｅ ｉ ｄ Ｔｈ ｅ ｏ ｓｎ ａ ａ ｉ ｔ ｆｔ ｅ ｔｍｅ ｓ ｎ ｈ ｏ ｉａ ｉ ｎ ａ ｅ ａ ｅ ｉ ｏ — ｉ ｆａ ｎ ｉｅ ｐ ｒｏ ． ｎ ｅ ｄ ｎ ｉｉ ｇ ｃ ｐ ｂ ｌ ｙ ｏ ｈ ｉ ｙ ｃ ｒ ｎ ｚ ｔ ｖ ｒ ｇ ｓ ｃ ｒ ｉ ｏ ｎ
Ｔｈｅ ｄ ｔ ｒ ｐｒ ｃ ｓ ｉ ｙ ｔ ｍ ｎ ｌ ｅ ｈｅ ｎ ｉ ｅ ｓ ｐｒ ｓ ｉ ｎ ｏｆｏｒｇ ｎａ ｉ ｎａ ｓ ａ ｄ ｔ ｅ ｒ ｓ ｍ— ａ ａ ｐ ｅ ｏ ｅ ｓｎｇ ｓ ｓ ｅ ｉ ｃ ｕｄ ｓｔ ｏ ｓ ｕｐ ｅ ｓｏ ｉ ｉ ｌｓ ｇ ｌ ｎ ｈ ｅ ａ
（ｎ ｔ ｕ ｅｏ ｅｉ ｐｅ ｅ ｈ ｏｏ ｙ ＮＵＡＡ， ｎｉｇ １ ０ ６ ｈｎ ） Ｉ ｓｉ ｔ ｆ ｌ ｏ ｔｒＴ ｃ ｎ ｌｇ ， ｔ Ｈ ｃ Ｎａ ｊ ，２ ０ １ ，Ｃ ｉａ ｎ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｔｈｅ ｄ ｓｇｎ ａ ｄ ｔ ｏ ｔ ｕｃ ｉ ｎ ｏｆａ ｄ ｔ ｃ ｕｉｉｉ ｎｄ ｐ ｅ ｒ ｃ ｓ ｉ ｙ ｔ ｍ ｏｒａ ｅ ｉ ｎ ｈｅ ｃ ｎｓ ｒ ｔｏ ａ ａ ａ ｑ ｓｔｏｎ ａ ｒ ｐ ｏ ｅ ｓｎｇ ｓ ｓ ｅ ｆ
旋转机械故障诊断与预测方法及其应用研究
旋转机械故障诊断与预测方法及其应用研究
旋转机械是现代工业生产中常用的一种类型的机械设备，其具有结构简单、工作效率高等特点。
然而，在实际使用过程中，旋转机械故障率较高，且故障可能对生产造成重大影响。
为了防止机械故障的发生，提高设备的可靠性和使用寿命，需要对旋转机械进行故障诊断与预测。
1. 振动分析法：通过振动传感器采集旋转机械的振动数据，借助计算机分析振动信号的频率、幅值等参数，识别故障类型和故障位置。
常用于诊断轴承故障、不平衡、松动等问题。
2. 信号处理法：通过采集旋转机械的电信号（如电流、电压）进行分析，利用计算机进行信号处理，获得电信号的各个参数（如频率、幅值、相位等），从而判断机械是否存在故障。
常用于诊断电机故障、电缆连接故障等。
3. 温度分析法：通过测量旋转机械各个部位的温度变化情况，分析温度变化的规律和机理，诊断机械是否存在故障。
常用于诊断电机绕组、轴承局部加热等问题。
在实际应用中，多种分析方法可以结合使用，以更全面地诊断和预测旋转机械故障。
例如，振动分析法和温度分析法可以结合使用，对轴承故障进行诊断；信号处理法和声学分析法可以结合使用，对电机故障进行诊断。
旋转机械故障诊断与预测方法在工业生产中得到广泛应用。
通过对机械故障进行及时诊断和预测，可以减少设备的停机时间，提高设备的可靠性和安全性，降低生产成本，增强竞争力。
- 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)。
差 ， 响振 动分 析精 度 ， 影 不利 于故 障诊 断 。 。因此 ， ｊ 研
Ｋｅ ｙ ｗｏｒ ｄｓ： ｖｂ ａ ｉｎ ｓｇ ｌ ｋ ｙ ｐ ｓ ｐ ｓ ｏ ｅ ａｉ ｎ； ｆ ｌｐ ｒｏ ｅ ｓ ｍ ｐｉ ｇ ｉｒ ｔｏ ｉｎａ ； ｅ ｈａ ｅ； ｈａ ｅ ｃ ｍｐ ｎｓ ｔｏ ｕｌ ｅｉ ｄ ｒ —ａ ｌｎ
截 取 的离 散信 号不 满 足 整 周期 条件 ， 会 产 生 较 大 误 就
关键 词 ： 动 信 号 ； 相 ； 位 补 偿 ； 周 期 重 采 样 振 键 相 整
中 图分 类 号 ：Ｈ １． ；Ｐ ７ Ｔ Ｉ３ １Ｔ ２ ７
文 献 标 志码 ： Ａ
文 章 编 号 ：０ １ ４ ５ （ ０ １ ０ ０ ５ ０ ｌ０ — ５ １２ １ ） ２— １３— ４
Ｓ ｕ ｙ ｏ ｕ ｌｐ ｒｏ ｅ ｓ ｍ ｐ ｉ ｇ ｔ ｃ ｎ ｌ ｇ ｏ ｔ ｄ ｎ ｆ ｌ ｅ ｉ ｄ ｒ —ａ ｌ ｅ ｈ ｏ ｏ ｙ ｆ ｒ ｎ ｖ ｂ ａ ｉ ｎ ｓｇ ａ ｎ ｒ ｔ ｔｎ ａ ｈ ｎ ｒ ｉ ｒ ｔ ｉ ｎ ｌｏ ｏ ａ ｉ ｇ ｍ ｃ ｉ ｅ ｙ ｏ
Ａ ｂ ｔａｃ ｓ ｒ ｔ：Ａｉ ｉｇ ａ ｍ ｐ ｏ ｉ ｈ ｃ ｕｒｃｙｏ ｉ ｒ ｔ ｉｎａ ｎ ｌｓｓ，ａｍ ｅｈ ｄ ｂａ ｅ ｎ ｔ ｕ ｌｐ ｒｏ ｅ—ａ ｍ ｎ ｔｉ ｒ ｖｎｇｔ ｅ ａ ｃ ａ ｆｖ ｂ ａｉ ｓｇ ｌａ ａｙ ｉ ｏｎ ｔ ｏ ｓ ｄ ｏ ｈｅｆ ｌ ｅ ｉｄ ｒ ｓ ｍｐｌ ｅ ｈ ｏ ｏ ｙ ｗａ ｓａ — ｉ ｔ ｃ ｎ ｌ ｇ ｓｅ ｔｂ ｎｇ ｌｓ ｄ． Ｔｈｅ ｆ ｌｐ ｒｏ ａ ｉｈｅ ｕｌ ｅ ｄ ｓ ｍｐｌｎ ｉ ａｌｕａ ｅ ｈｅ ｆｅ ｕｅ ｃ ｙ ｈ ｏ ｏ ｓｙ ｓ ｍｐ ｅ ｗｉｈ ｔ ｉｒ ｔｏ ｉｎａ ｓ ｕ ｅｄ ｔ ｅ—ａ ｌ ｈ ｉ ｉ ｇ ｔｍｅ ｃ ｃ ｌｔ ｄ ｂｙ ｔ ｒ ｑ ｎ ｙ ｓ ｎｃ ｒ ｎ ｕ ｌ ａ ｌｄ ｔ ｈｅ ｖｂ ａ ｉｎ ｓｇ ｌｗａ ｓ ｏ ｒ ｓ ｍｐ ｅ ｔｅ ｗａ ｅ ｏｍ ． Ａｎｄ ｅ ｃ ｈａ ｎ ｌｗａ ｏ ｅ ａｅ ｔ ｈ ｒｏ ｈ ｓ ｅｎ ｒｔ ｄ ｂ ｏ ｐ ｓ ｍ ｐ ｉｇ ｂｅｗｅ ｎ ｃ ｎ ｌ ．Ｔｈ ｔ ｄｙｓ ｏ ｈ ｔｔ ｓ ｖ ｆｒ ａ ｈ ｃ ｎ ｅ ｓ ｃ ｍｐ ｎｓ ｔｄ ｗｉｈ ｔ ｅ ｅ ｒ ｒｐ ａ ｅ ｇ ｅ ａｅ ｙ ｌ ｏ ａ ｌｎ ｔ ｅ ｈａ ｎｅｓ ｅ ｓｕ ｈ ｗｓｔａ ｈｉ ｍｅ ｈ ｄ ｃ ｎ ｒ — ａ ｌ ｈｅ ｖｂ ａ ｉｎ ｓｇ ａ ｎ ｐ ｒｏ ｓｃ ｒｅ ｔ ｎ ｎｃｅ ｓ ｈ ｃ ｕ ａ ｙ ｏ ｍ ｐ ｉ ｅ ａ ｄ ｐｈ ｓ Ｂｅ ａ ｓ ｆｉｓｌｗ ａ ｄ ｒ ｔ ｏ ａ ｅ ｓ ｍｐｅ ｔ ｉｒ ｔｏ ｉｎ ｌｉ ｅ ｉ ｄ ｏ ｃｌ ａ ｄ ｉ ｒ ａ ｅｔ ｅ ａ ｃ ｒ ｃ ｆａ ｌｔ ｎ ａ ｅ． ｙ ｕｄ ｃ ｕ ｅ ｏ ｔ ｏ ｈ ｒ ｗａｅ
第２ ８卷 第 ２期
２ １年 ２ 月 ０１
机
电
工
程
Ｖ０ ． ８ Ｎｏ ２ Ｉ２ ．
Ｆｅ ． ２ １ ｂ ０１
Ｊ ｕ ｎ ｌ ｆＭｅ ｈ ｎ ｃ ｌ＆ Ｅ ｅ ｔｉａ ｎ ｉ ｅ ｒ ｇ ｏ ｒ ａ ｃ ａ ｉ ａ ｏ ｌ ｃｒ ｌＥ ｇ ｎ ｅ ｉ ｃ ｎ
旋 转 机 械 振 动信 号 整周 期 重 采 样 技 术 的研 究 冰
ｒ ｑ ｉｅ ｎ ｎ ｉｈ ａ ｃ ｒ ｃ ，ｉ ｃ ｎ ｂ ｄ ｌ ｓ ｄ ｉ ｎ ｌ ｅ ｍｏ ｉ ｒｎ ｆｌｒ ｅ ｒ ｔｔ ｇ ｍａ ｈ ｎ ｒ ． ｅ ｕ ｒ ｍｅ ｔａ ｄ ｈ ｇ ｃ ｕ ａ ｙ ｔ ａ ｅ ｗｉ ｅｙ ｕ ｅ ｎ ｏ — ｎ ｎ ｔ ｉ ｇ ｏ ｇ ｏａ ｉ ｃ ｉ ｅ ｙ ｉ ｏ ａ ｎ
徐 水 军 ， 志 农 江
（ 京化 工 大学 诊 断与 自愈 工程研 究 中心 ， 北 北京 １０ ２ ） ０ ０ ９
摘要 ： 针对 频谱泄漏及栅栏效应 问题 ， 建立 了基于整周期重采样技术 提高振动分析精度 的方法 ， 采用振动信 号 同步采 集的频率计算
整周 期 采 集 所 需 的 时 间 ， 用 此 时 问 可 以 对 波 形 实 现 整 周 期 重 采 样 ， 且 在 相 位 计 算 时 ， 各 个 通 道 补 偿 因 循 环 采 样 所 产 生 的 相 位 利 并 对 误 差 。研 究 结 果 表 明 ： 方 法 对 振 动 信 号 可 以实 现 整 周期 重 采 样 ， 能 显 著提 高振 动 信 号 的 幅 值 及 相 位 精 度 ， 有 对 数 据 采 集 系统 该 并 具 硬 件 设 备 要 求 低 、 算 精 度 高 的优 点 ， 广 泛 应 用 于大 型旋 转 机 械 的 在 线 监 测 。 计 可
ｘｖ Ｓ ｕ－ ｎ， Ｉ ＮＧ Ｚ ｉ ｏｇ ｈ ｉ ｕ ＪＡ ｈ— ｎ ｊ ｎ
（ ｉｇｏｉ ａ ｄＳ ｌＲ ｃｖｒ Ｅ ｇ ｅｒ ｇＲ ｓａｃ ｅｔｒ Ｄａｎ ｓ ｎ ｅｆ ｅｏｅｙ ｎ ｉ ｅｉ ｅｅｒｈＣ ｎｅ ， ｓ － ｎ ｎ
Ｂ ｉｎ ｎｖｒｉ ｆ ｈ ｍｉ ｌ ｅｈ ｏｏｙ ｅ ｉｇ１０ ２ ， ｈ ａ ｅ ｉｇＵ ｉ ｓｙｏ ｅ ｃ ｃ ｎ ｌ ，Ｂ ｉｎ ０ ０ ９ Ｃ ｉ ） ｊ ｅ ｔ Ｃ ａＴ ｇ ｊ ｎ