一种基于快速谱峭度分析的泵潜在空化故障检测方法技术

本发明专利技术公开了一种基于快速谱峭度分析的泵潜在空化故障检测方法，包括：步骤1，采集振动加速度信号进行降噪，作为待处理信号；步骤2，根据信号的数据量大小，确定信号处理的分解阶数；步骤3，根据快速谱峭度算法计算结果，选择最优的载波频率以及带宽；步骤4，对选择的载波频率以及带宽内的信号进行傅里叶变换，得到频谱包络图；步骤5，对比原信号时域图、经快速谱峭度滤波处理的信号时域图以及选定区域傅里叶变换后的频谱包络图，分析空化故障信号的时间和频率特征。利用本发明专利技术该方法能够检测到更多的空化瞬时信号，使时域和频域方面的信息看得更加清晰明显，能明显分辨出泵的正常状态与空化状态。

A fast spectral kurtosis analysis method for pump potential Cavitation Fault Detection

The invention discloses a method for detecting the potential cavitation failure of a pump based on rapid spectral kurtosis, including step 1, collecting vibration acceleration signals to de-noising, as a signal to be treated; step 2, determining the decomposition order of signal processing according to the size of the signal data; step 3, calculation according to the Fast Spectral Kurtosis Algorithm. As a result, the optimal carrier frequency and bandwidth are selected, step 4, Fourier transform to the selected carrier frequency and the signal in the bandwidth, and get the spectrum envelope diagram; step 5, compare the time domain diagram of the original signal, the time domain map processed by the fast spectral kurtosis filtering, and the spectrum envelope after the Fourier transform of the selected region, The time and frequency characteristics of the cavitation fault signal are analyzed. By using this method, more cavitation instantaneous signals can be detected, and the information of time domain and frequency domain can be seen clearly and clearly, and the normal state and cavitation state of the pump can be clearly identified.

【技术实现步骤摘要】
一种基于快速谱峭度分析的泵潜在空化故障检测方法
本专利技术属于信号处理领域，尤其涉及一种基于快速谱峭度分析泵的实时状态并且检测其潜在空化故障的方法。
技术介绍
高性能离心泵在当今社会上广泛应用和需求巨大。由于工作在高压高速等复杂条件下，离心泵的空化故障频频发生，导致振动频率加剧、噪声增大、叶片腐蚀，严重制约着泵性能和寿命。传统的检测方法在泵空化初生阶段，对于泵的流量和扬程、振动和噪声等信号变化的检测并不敏感；但当空化信号显著变化时，空化故障已经迅速发展到了相当严重的程度。空化气泡的声信号带宽跨度大、瞬时性强、处理难度较高；空化引起的振动信号往往被叶片旋转所强烈调制。目前信号处理领域常用的故障信号检测方法主要有短时傅里叶变换和小波变换两种。短时傅里叶变换是最常用的一种时频分析方法，它通过时间窗内的一段信号来表示某一时刻的信号特征。在短时傅里叶变换过程中，窗的长度决定频谱图的时间分辨率和频率分辨率，窗长越长，截取的信号越长，信号越长，傅里叶变换后频率分辨率越高，时间分辨率越差；相反，窗长越短，截取的信号就越短，频率分辨率越差，时间分辨率越好，也就是说短时傅里叶变换中，时间分辨率和频率分辨率之间不能兼得，应该根据具体需求进行取舍。短时傅里叶变换严重的受到了时域和频域分辨率的影响，导致它的作用受到了限制。而且，对于空化所产生的振动加速度信号，短时傅里叶变换无法分析出明确的信息。小波变换的实用性明显强于短时傅里叶变换，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。工业生产实际中使用离散小波变换较多。但仍存在小波基选取不唯一、小波参数组合不稳健的不足。同时也有结合支持向量机和人工神经网络方法来改进小波分解变换，利用压力脉动信号和空化场分布图像，对瞬态变化的空化特征提取十分有效，不过算法复杂度高、参数设定仍然需要经验判读。此外，与小波变换等多尺度分析互为补充的，基于多维度分析(叶轮-导叶-负载-声振信号频谱)的空化诊断方法，成功开发了高灵敏度、高可靠性的水轮机空化监测与诊断系统，但是该多维度分析方法未能获得高分辨率的动态频谱纹理，不利于表征从片状向云状空化等关键转捩过程。
技术实现思路
本专利技术提供了一种基于快速谱峭度分析的泵潜在空化故障检测方法，能够检测到更多的瞬时信号，使时域和频域方面的信息看得更加清晰明显，能明显分辨出泵的正常状态与空化状态，不仅拥有比较大的频率检测范围，而且操作简单。一种基于快速谱峭度分析的泵潜在空化故障检测方法，包括以下步骤：步骤1，对采集的振动加速度信号进行降噪，作为实验待处理信号；步骤2，根据试验待处理信号的数据量大小，确定拟合程度最高的快速谱峭度算法分解阶数作为信号处理的分解阶数；步骤3，根据快速谱峭度算法计算结果，选择能够使信号峭度最大的载波频率以及相应带宽；步骤4，对选择的载波频率以及相应带宽后的信号进行傅里叶变换，得到频谱包络图；步骤5，根据原信号时域图、经快速谱峭度处理的信号时域图以及选定区域傅里叶变换后的频谱包络图，分析故障信号的时间和频率特征。步骤1中，所述的降噪方法为，在处理程序中，使用预白化处理噪声，对信号进行降噪处理，预白化处理在MATLAB软件中为：x＝x-mean(x)；Na＝100；a＝lpc(x,Na)；x＝fftfilt(a,x)；x＝x(Na+1:end)；其中x为处理的信号。步骤2的具体过程为：步骤2-1，在MATLAB软件中，根据实际数据量，设置一个初步分解阶数；步骤2-2，在该阶数下，观察由快速谱峭度算法得到的载波频率及带宽，观察该频率范围内傅里叶变换后的频谱包络图；步骤2-3，根据频谱包络图峰特征，确定分解阶数。分解阶数确立的原则是根据处理结果的频谱包络图峰的密度来调整的，如果峰密度太低，则降低分解阶数；反之则升高。步骤3中，所述的快速谱峭度算法在MATLAB软件中为一个以原信号、分解阶数(nlevel)以及采样频率为自变量的函数。步骤5中，分析故障信号的时间和频率特征的过程具体为：步骤5-1，根据快速谱峭度处理的信号时域图上是否存在明显的冲击信号，确定是否存在空化故障，根据冲击信号在时域图上的位置，确定空化故障信号的时间；步骤5-2，根据经过傅里叶变换后的频率包络图上的轴频和叶频信息，确定空化故障信号的频率特征。本专利技术提供了一种快速谱峭度频谱纹理分析的方法，通过快速谱峭度函数，对泵的振动信号进行处理。本专利技术选择能够使其包含瞬时信息最多的最优载波频率及带宽进行信号滤波，通过对该段时域信息进行傅里叶变换得到频域信息，进而对泵状态进行检测，对特定的空化故障频率进行分析。本专利技术方法极大提升了信号增强能力，能够从旋转的叶频中增强空化信号，同时能够清晰的分辨出泵的相关数据，对于正常状态与空化状态也有一个明显的分辨。附图说明图1是本专利技术基于快速谱峭度频谱纹理分析的泵实时状态监测与潜在空化故障检测的方法的流程示意图；图2是采用快速谱峭度对额定状态下的分析处理结果示意图；图3a是额定状态下原信号时域图；图3b是额定状态下快速谱峭度滤波处理后的信号时域图；图3c是额定状态下选定区域傅里叶变换后的频谱包络图；图4是采用快速谱峭度对泵空化状态下的分析处理结果示意图；图5a是泵空化状态下原信号时域图；图5b是泵空化状态下快速谱峭度滤波处理后的信号时域图；图5c是泵空化状态下选定区域傅里叶变换后的频谱包络图。具体实施方式快速谱峭度是一种四阶谱分析工具。定义为其中H(n，f)是信号x(n)在频率f的复包络。<>是求均值的运算符。快速谱峭度可以很好的分析非稳定过程，如瞬时信号，而高度非稳态的瞬时信号的峭度数值取决于估计器的频率分辨率(Δf)，每一种瞬变现象对应着一种最优的频率带{f，Δf}。因此，在实际的分析过程中，应该找到最优的频率与频率分辨率的信息，从而在这个区间内，峭度达到最大值，即可以找到相关的瞬态信息。泵在许多状态下，如空化、以及叶片变形等等，都会使得泵的振动发生突变，从而产生大量的瞬态信息。这样，快速谱峭度算法良好的检测瞬态信息以及良好的抗噪声能力给泵的空化故障检测和诊断提供了一种很好的工具。为了更为具体地描述本专利技术，下面结合附图及具体实施方式对本专利技术的技术方案进行详细说明。如图1所示，基于快速谱峭度分析的泵潜在故障检测方法包括如下步骤：S01，通过振动加速度传感器分别收集正常荷载泵和发生空化现象的泵的振动信号，并将数据导入处理程序中。在处理程序中，使用预白化处理噪声的方法，对信号进行降噪处理。在MATLAB软件中，预白化的语句为：x＝x-mean(x)；Na＝100；a＝lpc(x,Na)；x＝fftfilt(a,x)；x＝x(Na+1:end)；其中x为处理的信号。S02，将降噪处理得到的信号使用快速谱峭度函数进行计算，快速谱峭度函数为一个以原信号、分解阶数(nlevel)以及采样频率为自变量的函数。根据数据量的大小，选取一个合适的计算分解阶数。在这里，分解阶数确立的原则是根据处理结果的频谱包络图峰的密度来确定的，如果峰密度太低，则降低分解阶数；反之则升高。在本次试验数据中，试验采集频率为40960Hz，试验数据基本文档来自技高网...

【技术保护点】
一种基于快速谱峭度分析的泵潜在空化故障检测方法，包括：步骤1，对采集的振动加速度信号进行降噪，作为试验待处理信号；步骤2，根据试验待处理信号，确定拟合程度最高的快速谱峭度算法分解阶数作为信号处理的分解阶数；步骤3，根据快速谱峭度算法计算结果，选择能够使信号峭度最大的载波频率以及相应带宽；步骤4，对选择的载波频率以及相应带宽后的信号进行傅里叶变换，得到频谱包络图；步骤5，根据原信号时域图、经快速谱峭度处理的信号时域图以及选定区域傅里叶变换后的频谱包络图，分析故障信号的时间和频率特征。

【技术特征摘要】
1.一种基于快速谱峭度分析的泵潜在空化故障检测方法，包括：步骤1，对采集的振动加速度信号进行降噪，作为试验待处理信号；步骤2，根据试验待处理信号，确定拟合程度最高的快速谱峭度算法分解阶数作为信号处理的分解阶数；步骤3，根据快速谱峭度算法计算结果，选择能够使信号峭度最大的载波频率以及相应带宽；步骤4，对选择的载波频率以及相应带宽后的信号进行傅里叶变换，得到频谱包络图；步骤5，根据原信号时域图、经快速谱峭度处理的信号时域图以及选定区域傅里叶变换后的频谱包络图，分析故障信号的时间和频率特征。2.根据权利要求1所述的基于快速谱峭度分析的泵潜在空化故障检测方法，其特征在于，步骤1中，所述的降噪方法为，在处理程序中，使用预白化处理噪声，对信号进行降噪处理。3.根据权利要求1所述的基于快速谱峭度分析的泵潜在空化故障检测方法，其特征在于，步骤2的具体过程为：步骤2-1，在MATLAB软件中，根据试验待处理信号的数据量大小，设置一个初步分解阶数；步骤2-2，在该阶数下，观察...

【专利技术属性】
技术研发人员：余天义，初宁，宁岳，唐川荃，吴大转，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33