线性预测和非线性能量算子在线轴承故障检测外文文献翻译、中英文翻译.docVIP

基于LabVIEW滚动轴承故障分析系统 PAGE 49 附录A 外文资料翻译 线性预测和非线性能量算子在线轴承故障检测 摘要：在线状态监测对于机电一体化系统中滚动轴承的可靠性至关重要。这允许记录关于轴承状况的连续信息并采取适当的行动。在故障检测（FD）认定中检测滚动轴承故障是真正的挑战。另外，故障诊断对于发现故障的根本原因至关重要。本文提出了一种用于轴承故障检测的在线状态监测系统。线性预测系数（LPC）首先应用于噪声消除信号。再将其进行频域分析。非线性能量算子（NEO）用于放大包含高能量的信号并使低能量信号最小化。本文所提出的方法是使用Labview环境实现的，该环境使得能够在线远程控制数据采集以及实时分析。 关键词：故障检测，在线监测，LabVIEW，能量算子，LPC，滚动轴承 前言 基于振动信号分析的故障检测是旋转机械状态监测中最流行的技术之一。据报道，在工业应用中，大约90％的旋转机械依靠滚动轴承支撑载荷，并考虑到静止和旋转元件之间的相对运动[1]。滚动轴承由一个内圈和一个外圈组成，这些内圈和外圈由一个保持架中的滚动体分开。任何这些元素都可能会遇到缺陷[2]。轴承故障是旋转机械故障的常见原因。因此，这些元件的故障检测对于防止可能导致灾难性故障的其他组件的进一步恶化是至关重要的。 基于振动信号分析的主要问题是提取反映轴承状况的特征。有不同的信号处理技术用于从振动信号中提取有用的信息。这些可以分类为：时域分析[3][4]，频域分析和时频域分析等[5]。在时域分析中，使用均方根（RMS），峰值因数和峭度来检测轴承和齿轮故障。峰值因子和RMS常常不足以检测初期故障[4]。峭度是轴承故障检测中最有效的方法。使用Kurtosis方法所面临的问题是随着缺陷的进一步发展，Kurtosis值恢复到正常值[4]。 频域分析是轴承故障检测中最流行的技术，也称为频谱分析。该方法主要取决于使用快速傅里叶变换（FFT）来检测缺陷导致的持续时间非常短的脉冲。然而，频谱分析的直接应用可能并不能说明缺陷，因为它经常需要滤波和滤波器参数估计[5]。大多数常规方法都依赖于使用带通滤波器参数估计[6]。然而，有些技术消除滤波器参数很费时间。 时频分析技术的应用取得了不同程度的成功。但是，这种方法计算起来很昂贵，可以应用于离线分析。 本文提出了一种频域分析的方法，但不需要按照规范的滤波器参数消耗时间。原始信号首先使用FFT滤波器进行滤波，作为自适应滤波器的级联第二部分。预测系数用于实现滤波器。然后应用非线性能量算子（NEO）并提取频谱。实际上，NEO不需要关于系统的先进知识。建议的方法允许监视避免收集数据并将其从机器中分离出来，如离线监视。虚拟仪器选择LabVIEW软件进行在线监测和算法实施。 本文的内容如下。第二节给出了FFT，功率谱，LPC理论和能量算子的理论背景。在第三节中，描述了实验工作和实验室测试设置。所提出方法的实施结果将在第四节中讨论。最后，所得出的结论在第五节中给出。 理论背景 线性预测系数LPC 线性预测（LP）被用作不同领域的重要工具，如自适应滤波，系统识别，谱估计和语音[8]。线性预测技术预测来自过去信号S（n）的即时信号。具有预测系数和预测顺序的线性预测器被定义为系统,其输出表达为: LPC提供了一种有效的方法来通过最小化实际信号和预测信号之间的误差来估计时变滤波器系数。预测误差表示为 上式e（n）是预测误差，k是预测顺序（p）的指数。系数可以通过最小化残差e（n）的能量来找到。预测系数被用来实现FFT滤波器作为级联的自适应滤波器的第二部分。FFT滤波执行的操作在时域中由差分方程描述为： 其中：y是输出，x是输入，Mis是滤波器的顺序和从LPC中提取的预测系数。该FFTFilt的最终滤波信号可以被提取为： 其中：IFFT指的是分别在Ndiscrete点上评估的逆快速傅里叶变换。 非线性能量算子 NEO依赖于传感器原始数据的频率解调（FDM），幅度解调（ADM）和相位解调（PDM）。它为一个离散时间序列，NEO被定义[11]: 其中：g(n)分别是原始信号,g(n-1)与g(n+1)分别是过去和下一个信号。 NEO的主要进展是当瞬时振幅和频率都很高时，它可以提供高输出。尽管通过实施NEO可以检测到能量的突然变化，但它非常适合CM中的非平稳信号，如轴承和齿轮故障信号[12]。 快速傅立叶变换（FFT） 函数x（t）的傅里叶变换（FFT）是函数X（f）[13]，其中： （FFT）是计算输入序列的离散傅立叶变换（DFT）的有效算法。输入序列X的元素个数N的DFT定义为[13] 其中X是输入序列，N是X的元素数目，Y是变换结果。频率分辨率或Y分量之间的频率间隔为，其中是采样频率。 使用（FFT）的好处是将复杂度从降低到，其中N是输入序列中元素的