轧机振痕振动信号的故障特征提取方法及识别方法

摘要

本发明提出了一种轧机振痕振动信号的故障特征提取方法及识别方法，属于轧机故障监测领域。本发明采用基于二阶循环自相关的解调方法对振痕振动信号进行解调分析，可以有效地对非平稳的振痕振动信号进行频率解调，并且对解调后的二阶循环自相关函数进行时域切片，完整地保留了振痕振动信号的调制信息，由此提高了振痕振动信号故障特征提取的准确度；本发明还采用功率谱信息熵的形式来识别轧机是否存在故障，无需考虑轧机速度波动的影响，识别方法简单且准确度高。

主权项

一种轧机振痕振动信号的故障特征提取和识别方法，其特征在于，由以下步骤组成：A1、采集轧机的振痕振动信号，并且对该振痕振动信号进行频谱分析，确定该振痕振动信号的共振峰频带；A2、对该共振峰频带下的振痕振动信号进行带通滤波，滤除将会影响下一步中解调分析过程的频率成分；A3、采用基于二阶循环自相关的解调方法对带通滤波后的振痕振动信号进行解调分析，获得二阶循环自相关函数；A4、对该二阶循环自相关函数进行时域切片，获得时域切片信号，从而提取出该振痕振动信号的故障特征信息，所述A4中在对该二阶循环自相关函数进行时域切片的过程中：当切片频率为低频时，该时域切片信号为以载波频率f_z为调制中心，以调制频率f_n及其倍频成分为调制边频带的调制波形；当切片频率为高频时，该时域切片信号为频谱为调制频率f_n的调制波形；设定x(t)为一个频率调制信号：x(t)＝Acos[2πf_zt+βsin(2πf_nt)]，其中A表示信号幅值；f_z为载波频率，f_n为调制频率，β为调制指数；将x(t)＝Acos[2πf_zt+βsin(2πf_nt)]代入二阶循环自相关函数的计算公式中，获得：$R_x^n\left(t\right)=<A\cos [2{\mathrm{\pi f}}_{z}t+\beta sin2{\mathrm{\pi f}}_{n}t]Acos[2{\mathrm{\pi f}}_z(t-\tau )+\beta sin2{\mathrm{\pi f}}_n(t-\tau )]e^{-j2\pi \alpha t}{>}_t;$根据欧拉公式和恒等式二阶循环自相关函数整理为：其中J_m(β)为变元β的第一类m阶Bessel函数；B1，根据步骤A1‑A4所述的轧机振痕振动信号的故障特征提取方法，获得时域切片信号；B2、根据公式计算出该时域切片信号的功率谱S(ω)，其中X(ω)表示该时域切片信号的傅里叶变换，N表示该时域切片信号的长度；B3、根据公式计算出该时域切片信号的功率谱信息熵H(ω)，并将该功率谱信息熵H(ω)与功率谱信息熵阈值H进行比较：如果H(ω)小于H则表示该轧机存在振痕振动，否则表示该轧机不存在振痕振动，所述步骤B3对于正常的振痕振动信号，功率谱信息熵H(ω)较大；对于异常的振痕振动信号，功率谱信息熵H(ω)较小；公式对数底取任何值，任何一个随机变量的信息熵必然在[0,log N]区间内，随机变量的概率分布越均匀，则其信息熵越大，当随机变量为均匀分布时，其信息熵达到最大值log N；当随机变量取特定值时概率为1，取其他任何值时概率为0，则该随机变量的信息熵达到最小值0；所述步骤B3中将该功率谱信息熵阈值H划分为严重报警阈值H1、轻微报警阈值H2和预警阈值H3，并且将该功率谱信息熵H(ω)依次与严重报警阈值H1、轻微报警阈值H2和预警阈值H3进行比较，其中为H1、H2和H3大于零的任意数值且H1<H2<H3：当H(ω)≤严重报警阈值H1时，报警灯为红灯，实现严重报警；当H(ω)≤轻微报警阈值H2时，报警灯为橙灯，实现轻微报警；当H(ω)≤预警阈值H3时，报警灯为黄灯，实现预警；否则报警灯为绿灯，表示运行正常。