基于小波分析与最大熵谱分析的矿井提升机故障诊断

11111111111111

第30卷第4期2009年　4月

煤　矿　机　械CoalMineMachinery

Vol.30No.4Apr.2009

基于小波分析与最大熵谱分析的矿井

提升机故障诊断

唐传贵

(安徽祁东煤矿有限责任公司,安徽宿州234000)

　　摘　要:利用小波信号重构与最大熵谱估计对矿井提升机进行了故障诊断,结果表明,基于小波信号重构和最大熵谱估计的故障诊断方法具有较高的故障分辨率,能够在频域上更加合理地判断故障信号,从而正确地判断矿井提升机减速箱的早期故障。

关键词:小波分析;最大熵谱估计;故障诊断中图分类号:TD306;TD534　文献标志码:A　文章编号:1003-0794(2009-0198-03

FaultDiagnosisofMine-QineCoal.,Ltd.,Suzhou234000,China)

Abstract:onandMESEareusedinthefaultdiagnosisoftheminehoister.Theresultsthatthewavelet-basedsignalreconstructionandMESEfaultdiagnosismethodhaveahighresolvingpoweroftheminehoisterfailure.Atthesametime,theyaremorereasonabletofindoutfault’sfrequency,thenjudgeminehoisterfaultintheearlyfailures.Keywords:waveletanalysis;MESE;faultdiagnosis

4.1　故障诊断界面及部分运行程序

set(handles1edit2,’string’,h)

故障诊断功能是故障智能诊断系统研究的核心,如图

2所示,当按下“诊断”按钮后,系统会迅速输出故障的结果。诊断系统部分程序如下:

图2　旋转机械故障诊断界面

))Xij=str2num(get(handles.edit1,’string’

Xn=[0100010001000100019001050105010001000100011001400100010001000120

0100;010001000100;01000100;01100110;01000125;01000100;01000100;01100100;01000100]

01000110011001000100010001900100

01000180011001000100013001000100

01000100011001000110011001000100

01400110011001000190016001000100

01500100012001200100010001000100

01100100011001150100010001000180

………412　系统的运行检验

取旋转机械一组振动幅值数据,经归一化处理后得待识别故障特征向量

Xij=[0100010001010.000.860.100.030.000100]

把得到的待识别特征向量输入诊断系统,经过系统运算、诊断后,得出诊断结果为:不平衡,诊断系统的运算及诊断结果如图2所示,经查与实际非常吻合。5　结语

本文对基于灰色关联度的旋转机械故障智能诊断系统进行了比较详细的理论分析,并实现了系统应有功能。经运行检验,系统是有效和可靠的。

参考文献:

[1]虞和济,陈长征,张省,等.基于神经网络的智能诊断[M].北京:

冶金工业出版社,2002.

[2]钟秉林,黄仁.机械故障诊断学[M].北京:机械工业出版社,

2005.

[3]郑阿奇,曹弋,赵阳.MATLAB实用教程[K].北京:电子工业出

版社,2004.

[4]李国华,张永忠.机械故障诊断[M].北京:化学工业出版社,

1999.

………Y=[γijri]y=max(Y)if(y==Y(1))

)h=char(’不平衡’

作者简介:谢三毛(1965-),江西吉安人,副教授,1988年毕业

于湘潭矿业学院矿山机械专业,现主要从事机械设备故障诊断教学与研究工作,电话:0791-7046135,电子信箱:xiesanmao@ecjtu.jx.

cn.

收稿日期:2008-12-18

11111111111111

　　第30卷第4期

0　前言

基于小波分析与最大熵谱分析的矿井提升机故障诊断———唐传贵　　　

Vol.30No.4

矿井提升机在运行过程中都要经历启/停机、

增/减速等非平稳过程,矿井提升机状态变化反映在其动态信号之中,因此,研究矿井提升机的非平稳信号和特征提取方法是提高故障诊断准确率的重要手段之一。矿井提升机减速箱监测和故障诊断过程一般采用基于振动检测法,根据检测信号的时域特征和频谱分布特征识别故障的特性。基于FFT技术的经典频谱估计由于是对信号真实功率谱的渐近无偏估计,而非一致估计。当数据样本长度增加时,频谱估计的方差、偏差和分辨率并不能同时得到改善。另外,由于实时工程检测信号的非平稳性,必然会存在非同步采样误差,加窗截断处理往往会导致频谱能量泄漏和频谱估计偏差,确性。,1　基于小波重构与最大熵谱分析的信号分析方法

22

设ψ(t)∈L(R),L(R)表示平方可积的实数空间,即能量有限的信号空间,傅里叶变换为ψ(ω),当ψ(ω)满足条件

2

ω<∞Cψ=dR

|ω|

时,称ψ(ω)为一个基本小波或母小波。

对于连续的情况将基本小波函数进行伸缩与平移后,可以得到一个小波序列

ψa,b);a,b∈R;a≠0;

a|a|

2

对于任意的函数f(t)=L(R),连续小波变换为

Wf(a,b)=<f(t),ψa,b(t)>=

+∞)dt∫-∞f(t)ψa|a|

对应小波的反变换

∞+∞)dadb(1)f(t)=∫0-∞2Wf(a,b)ψCψ

a

a

式中　p(f)———功率谱密度函数;

　　fs———采样频率。

为计算功率谱,依据Wiener-Kintchine关系,频率谱密度函数p(f)与自相关函数R(k)之间的关系为

p(f)=Δt∑R(k)e

k=-∞

∞

πfkΔt-j2

所以,熵率与自相关函数之间的关系为

∞

　fπfkΔt-j2

h=og∑R(k)e]df∫-fs[lk→-∞4fs

当有观测到的数据序列估计自相关函数,并使每一步估计的熵为最大时有

2

σt

fp

αke-j2πfkΔt21+∑

k=1

即为最大熵谱估计检测中的理论数学模型。由

上述可知,最大熵谱反映的是信号的连续谱,其频率分辨率为无限高。因此,可以解决传统谱分析方法中的栅栏效应、混叠现象以及谱变异性等问题。

2

其中,参数α,σ由Yule-Walker方程求解,关系式为

αirxx(k-i),k>0-∑

rxx(k)i=1pp

αirxx(k-i)+σ,k=0-∑

i=1

2

(2)

通过式(1)可获得小波的重构信号。

最大熵谱分析方法把信息熵的概念引入到信号处理中。这是一种把自相关函数外推的方法,分析过程中没有固定的窗函数。对采样序列进行建模时,在每一步外推自相关函数的过程中,使估计的相关函数包含过程的信息最多,即要求在过程的熵达到最大的条件下,确定未知的自相关函数值,借以达到谱估计的逼真和稳定程度最好的目的,也就是采用谱熵为最大的规则来估计功率谱,可以解决传统分析中的窗函数和能量泄露的问题。

由信息熵有关理论可知,N维高斯随机序列信息源的熵率可表示为

　fhogp(f)df+log(2fs)∫-fxl

4fs2

式中　rxx(k)———数据序列的k阶自相关函数值,

k=1,2,……p;

α—　　　——待解参量;2

　　σ———数据序列的均方差值。

式(2)是由k+1个方程组成的方程组,可以解σ2等k+1个参量。参量阶数p由AIC准则来出α、

2

确定,就是对于采样序列n个数据x(n),其方差σ

σ2+2p为最小的p值,与p使关系式AIC(P)=Nln

σ2估计后,即为采样序列x(n)的模型的阶次。α、

即可依据理论数学模型对采样数据序列x(n)作最大熵谱估计和分析。2　矿井提升机的典型故障信号分析

XKT2-X-3.5-X-1.7-20型提升机中,ZHLR-170型减速箱为两级圆柱齿轮减速箱(齿轮齿数z1=22,z2=106;z3=25,z4=100),各轴均采用滑动轴承。齿轮箱各轴转速及齿轮啮合频率如表1所示。对其振动信号进行的数据采样,采样频率为5120Hz。