基于非平穩振動信號識別的船舶推進軸系故障診斷方法

金蘭

摘要：針對船舶推進軸系維修保障的需要，提出一種船舶推進軸系非平穩振動信號識別的方法，通過求解瞬時頻率的改進LMD時頻分析，結合參數化時頻熵算法提取多分量復合非平穩振動信號的特征，采用仿真信號進行驗證分析，并搭建軸系實驗臺架進行實驗驗證，實現船舶推進軸系故障診斷。

關鍵詞：船舶推進軸系;非平穩振動信號，LMD時頻分析;參數化時頻熵;故障診斷

Research on fault diagnosis of propulsion shafting based on identifying the non-stationary vibration signal

Abstract：According to the need of ship propulsion shafting maintenance support， an innovative method of identifying ship propulsion shafting non-stationary vibration signal is proposed. The improved LMD time-frequency analysis is used to solve the instantaneous frequency. The characteristics of the multi-component composite non-stationary vibration signal are extracted by using the parameterized time-frequency entropy algorithm. The simulation signal is used for verification and analysis， and the rotor experimental platform is built and the fault diagnosis of propulsion shafting is realized by experimental verification.

Key words： propulsion shafting; non-stationary vibration signal;LMD time-frequency analysis; parameterized time-frequency entropy; fault diagnosis

0前言

推進軸系作為船舶的主要動力設備，以穩定的輸出和高效的效率在海上運輸業中占據著不可忽視的作用[1]。但工程實際中經常會出現非平穩振動信號，例如加減速過程、變功率輸出等。同時大部分軸系故障的振動信號呈現多分量復合特征，導致傳統的故障診斷方法難以進行特征識別和提取[2]。針對該問題，提出一種可靠的、能夠對多分量復合非平穩振動信號進行識別和特征提取的方法，以保障旋轉機械設備運行的安全性和穩定性。

1非平穩振動信號識別方法

1.1 改進的非平穩振動信號分析

對非平穩振動信號的識別和分析通常采用局域均值分解（Local Mean Decomposition，LMD），對局部時間特征尺度進行劃分，得到由包絡信號和調頻信號相乘的PF分量，LMD是一種自適應時頻分析方法[3]，其具體流程如下：

Step 1：求解局部均值函數 ;

Step 2：求解包絡估計函數 ;

Step 3：求解純調頻信號 ;

Step 4：求解包絡信號 ;

Step 5：求解PF分量。

通過LMD分解對復雜非平穩振動信號進行分解，然后求解單一PF分量的瞬時頻率并繪制成時頻譜圖。

利用LMD得到的時頻曲線上存在毛刺、失真等缺陷，提升PF分量瞬時頻率的求解效果可改善該問題，對于提高LMD時頻分析對多分量復合非平穩振動信號的識別能力尤為重要[4]。改進方法如下：

Step 1：對信號中的極值點進行調整，將其幅值調整為最接近的1或-1;

Step 2：為避免奇異點與毛刺的出現，求出幅值跳躍的差值 ，其中 為信號中的極值點;

Step 3：采用非均勻縮放使曲線更平滑;

（1）

其中 為鄰域內點到 的距離，最后將鄰域內的所有點都加上經過縮放的差值 。

（2）

Step 4：進行重組得到重構后的純調頻信號 ，對其進行相位求解、展開和求導，最終得到經過修正后的瞬時頻率。

1.2非平穩振動信號識別方法

使用參數化的時頻熵方法計算不平衡振動信號時頻熵，令時頻平面有n個面積相等的時頻塊，其中含有頻率成分的時頻塊有 個，單個時頻塊內的能量為：

（3）

其中 為瞬時能量，T1、T2為該時頻塊的起始和結束時間。然后對每一個時頻塊進行能量歸一化，得到 ，其中 為整個時頻面的總能量且 。不同的信號在時頻平面上具有不同的能量分布狀態，可以得到不同的時頻熵 。

（4）

基準狀態可定義為平穩狀態下的單分量信號，此時信號中的能量均集中于基頻，每一個含有頻率成分的時頻塊內的能量均為 ， 與 的計算公式如下：

其中 為含有頻率成分的時頻塊數量， 與 為第i個時頻塊的起始與結束時間， 為標準的時頻塊基準能量值。利用檢測信號每一個含有頻率成分的時頻塊的能量減去基準值 ：

其中 為檢測信號時頻平面上含有頻率成分的時頻塊個數，將差值累加并平均到每個時頻塊中求得時頻熵。

2 實驗設計與故障診斷分析

2.1 實驗平臺搭建與故障模擬

針對船舶推進軸系等效特征搭建軸系故障模擬實驗平臺如圖1所示。

將臺架由0加速到3000r/min，加速時間為20s，采樣率為1000Hz，分別對軸系不平衡、軸系不對中、碰摩故障的非平穩振動信號采集。采集其波形和頻譜，對不平衡故障信號進行LMD分解，結果如圖2所示。

2.2基于參數化時頻熵的故障診斷

通過參數化的時頻熵方法計算軸系不平衡、不對中和碰摩故障下的非平穩振動信號時頻熵，實驗重復三次，形成故障診斷信號庫并進行故障診斷實驗驗證。從表中可以看出軸系不平衡故障下的參數化時頻熵數值基本穩定在5.13～5.26，不平衡故障的參數化時頻熵都分布在5.2左右，軸系不對中故障分布在6.4左右，碰摩故障分布在8.3左右，無故障工況下參數化時頻熵不超過0.13。

重新設置故障，進行基于改進LMD和參數化時頻熵的非平穩振動信號故障診斷實驗。從表1中可以看出，對重新設置的計算所得的參數化時頻熵與參考值完全匹配，成功識別出了軸系不平衡、軸系不對中、碰摩三種軸系故障和無故障。說明使用基于改進LMD時頻分析與參數化時頻熵的方法，對軸系故障的多分量復合非平穩振動信號進行識別與特征提取，能夠實現對軸系故障的識別。

3 結語

將改進的LMD時頻分析與參數化時頻熵算法結合，提出一種新的多分量復合非平穩振動信號特征提取方法。用仿真信號和實際軸系振動信號對其效果進行驗證，并與其他傳統方法進行對比。結果顯示該方法對多分量復合非平穩振動信號具有較好的特征提取效果，且克服了傳統方法中存在的缺點。

參考文獻

[1] 武起立. 基于多體動力學船舶柴油機推進軸系軸承潤滑研究[D]. 大連海事大學， 2012.

[2] 彭延峰. 自適應最稀疏時頻方法及其在旋轉機械故障識別中的應用[D].湖南大學，2017.

[3] Smith J S . The local mean decomposition and its application to EEG perception data.[J]. Journal of the Royal Society Interface， 2005， 2（5）：443-454.

[4] 任達千， 楊世錫， 吳昭同， et al. 基于LMD的信號瞬時頻率求取方法及實驗[J]. 浙江大學學報（工學版）， 2009， 43（3）：523-528.