改进HHT方法在转子故障中应用.docVIP

改进HHT方法在转子故障中应用摘 要:HHT(希尔伯特-黄变换)能够将振动信号分解为有限的模态分量,并由此可对汽轮机转子故障信号进行特征提取,但噪声的干扰对分解过程和分解结果影却很大。先利用小波变换技术对含噪故障信号进行去噪处理,再作HHT分析的方法。结果表明,该方法克服了直接用HHT分解方法由噪声带来的不必要的干扰,提高了参数提取的准确性,并由此提高了汽轮机转子质量不平衡故障诊断率。 关键词:汽轮机转子 不平衡故障 小波去噪 HHT 中图分类号:TP27 文献标识码:A 文章编号:1672-3791(2012)04(b)-0041-01 汽轮机发电机组的振动关系到机组安全稳定运行。在实际应用中,由于故障早起所产生的特征信息比较弱,而汽轮机运转时的背景噪声一般较大,特征信息淹没在背景噪声中不易被识别,使得HHT方法的优势难以体现。本文综合小波变换和HHT的特点,提出基于小波消噪的HHT分析方法,并对实测的不平衡故障信号做特征值提取和分析,从而进行更准确的故障诊断。 1 HHT方法的简介 针对非平稳、非线性信号进行HHT(希尔伯特黄)变换时,首先在时频分析上通过EMD方法将信号进行模态分解,因此可以得到此信号的固有模态分量(MF),再对MF进行Hilbert变换得到其瞬时幅值和瞬时频率,从而可得到其Hilbert谱。 EMD(经验模态分解)方法认为:复杂的时间序列可以通过EMD分解为一些相互不同的简单、非正弦函数的固有模态分量,通过EMD的分解,将信号中不同尺度的趋势逐级分解开来,同时也将信号中的波动也分解,因此完成对信号的平稳化处理,生成数据序列,这些数据序列具有不同特征尺度的,即MF(固有模态函数)分量。 MF这个波动信号是与时间轴对称的。在实际应用中,机组工作状态中含有噪声,且早期的故障振动信号不明显,采集故障信号不容易,在此情况下,HHT方法的优势难以体现,因此需要去掉噪声以便在故障提取中发挥最大的意义。 2 小波消噪与HHT结合的故障提取 为了提高提取故障特征的准确性,先通过小波变换对信号消噪,在运用HHT变换方法对消噪后的信号提取故障特征。采集来的转子不平衡时的时域波形。此时故障振动信号中含有噪声,可看出时域波形波峰与波谷处有不同程度的毛刺。 若原始振动信号不通过小波变换消噪,则通过固有模态分解EMD含有噪声的原始参数将会使结果的准确率降低:首先,因为噪声的原因分解层数也相应变多,使信号分解的实效性降低;其次,会因为分解过程中误差的积累,使得原始波形特征提取准确率更低。图1为无消噪情况下的EMD结果。 由图1可知,图中代表两个主频率成分inf3和inf4在噪声下都有很大的影响。 信号通过小波变换去除噪声后的图像,相较信号不通过小波变换消噪的图像体现在波峰与波谷去掉了毛刺,提高了HHT变换提取故障特征的准确性。将去噪后的信号进行固有模态分解,图2为去噪后信号的EMD。 图2与图1对比可知,inf1、inf2、inf3这三个主要的固有模态分量在去噪后较图1去噪前相比改善很多。 inf3对应基频振动模式,inf2对应二倍频振动模式,inf1对应多倍频振动模式。 由针对上图2中的三种inf1、inf2、inf3分别进行希尔伯特黄变换得到的Hilbert谱图。可知,基频成分集中在0.05Hz周围。由此可知,振动信号的基频成分稳定存在,二倍频成分很小,基本上没有,高频成分存在,但是不稳定。因此可以判定为转子质量不平衡故障。当频率在0.025与0.026左右出现密集,因此说明振动信号中存在三倍频以及四倍频,但是稳定性差;当二倍频成分集中在0左右,说明二倍频成分很小。 3 结语 运用先小波去噪再HHT的方法,解决了在HHT分析过程中存在的对噪声敏感这一不足,在进行信号分解之前利用小波技术去掉噪声干扰,减掉不必要的分解层带来的误差,从而提高了信号分解的准确性和提取信号参数的实效性;在此理论基础上,本文又实例分析了旋转机械的不对中故障,利用该方法准确而有效地为故障诊断做出判断,再次证明基于小波消噪的HHT方法在机械故障诊断中有一定的优势。 1