基于信息熵的涡旋压缩机的振动信号分析外文文献翻译、中英文翻译.docVIP

涡旋压缩机隔振与降噪方法的研究 PAGE 42 附录2外文翻译 基于信息熵的涡旋压缩机的振动信号分析 吴在新，王永为，刘涛 关键字︰ 涡旋压缩机;信息熵;灰色关联度;故障诊断 摘要. 为了对涡旋压缩机的运行状态进行定量描述，在熵理论的基础上提出了信息熵的缺陷诊断方法。该方法基于时域中的奇异频谱熵，频域中的功率谱熵，时频域中的小波功率谱熵和小波空间特征谱熵，来作为涡旋压缩机振动状态定量特征的综合评价指标。在不变速度运行条件下，进行固有频率的识别。同时，涡旋压缩机的轴向振动，径向顺应机构和轻微的液体堵塞对涡旋压缩机的影响是多次分析的。 公开了可变速度操作下的动涡卷的三种形式的周期性灾变和信息熵与转速的变化。 1.介绍 涡旋式压缩机近年来引起了广泛的关注。它们已经广泛应用于空调，制冷，各种气体压缩发动机增压器和增压泵的其他系统。然而，涡旋压缩机工作过程的故障分析仍在用传统的单频谱分析描述了工作状态的初级阶段。该操作条件的性能数据不能通过精确的数学模型计算。 近年来，在涡旋压缩机测试系统平台生成以及噪音和振动分析中的应用非常广泛。虽然彭斌[1]提出了基于模块化硬件方法的测试系统来获得涡旋压缩机的运行，但是并没有分析操作条件异常的情况。振泉刘 [2] 分析了在时间域和频率域，涡旋压缩机的振动信号，但信号是易受现场干扰的影响。然而，故障诊断的可靠性较弱，因为振动信号的频域分析与故障症状之间的对应关系经常受采样时间，测试位置和采样频率的影响。 本文基于提取的时域、频域、时域频域故障特征，介绍了基于灰色关联度的涡旋式压缩机的故障识别方法。此外，它可作为一个综合的指标来评价涡旋压缩机振动状态。 2.信息熵特征的振动信号 奇异光谱熵法是分析具有较少采样点[4]并含有噪声的序列的好工具。对于给定的时间序列[x1 x2…… xn ]和窗口长度M，嵌入空间m行M列的轨迹矩阵可以构造为： 其中 轨迹矩阵变换后，其滞后协方差为M×M矩阵S ，S如下： 奇异值分解在矩阵S上进行。假设是奇异值满足,则构成振动信号奇异值谱。因此，的奇异值谱是时间上的振动信号的除法域[6]。时域信号中的奇异频谱熵可以定义为： 。 在整个奇异值谱第i个奇异值的比例。越简单的信号，能量集中的模式就越多。与此相反，越复杂的信号，就有更多的能量被分散。 2.2组件重力计算 定义时间窗口以截取信号。截取的信号段为。 计算窗口内信号的功率谱值，并根据窗口的移动观察功率谱熵的变化。假设短时间窗口为M，长度的滑动步长为σ，数据序列分为K段，窗口内的平均能量由下式给出： 频域信号的功率谱熵可以定义为： 其中， 其中是整个功率谱中第i个能量窗口频谱值的比例。整个频率的振动能量分布越均匀，信号越复杂，不确定度越大。 2.3 实体建模和网格划分 假设信号是被分解为D j 在尺度的小波分解与j (j = 1，2 ... M).分解结果可以构成 M ? N 矩阵 DM ?N ，如果分解数是m。根据信号奇异值分解理论，对小波变换系数矩阵DM ?N进行奇异值分解得到奇异值谱。时频域小波空间特征谱熵由下式定义： 是整个奇异值谱中第i个奇异值的比例。小波空间特征熵可以区分不同时间频率分布的信号[7]。 在尺度场E中，基于多分辨率分析的小波变换可以用作信号能量的除法。 信号x（n）用J层小波分解并重建得到小波系数和。 原始信号序列x可以表示为整个重建系数的和。 在等级j下，滑动窗口内的信号能量表示为： 在滑动窗口中j + 1层刻度下的信号的总能量由下式给出： 由滑动窗口拦截的原始信号的小波能谱熵定义为： 其中和 随着窗口沿着时间轴滑动，可以获得一个规则，即随时间推移的小波能谱熵变化，即随着窗口移动数m（m = 1,2，... M）的变化， ，并观察不同时间窗口的信号特征，在不同的尺度空间实现。 3.结构静态分析 这次实验的对象是兰州理工大学机械研究所齿端二阶涡旋压缩机为原型。振动测试点是如图 1 所示。 图.1涡旋压缩机测试点的选择 在本研究中，采样频率为f1 = 2000Hz，变频器的电机转速为3120r / min。 采样次数为N = 1024。当涡旋压缩机运行平稳时，传感器开始收集信号。通过观察信号波形，发现压缩机左右两侧的振动信号相似，从而研究了压缩机右侧1＃-8＃传感器输出信号的振动信号。而1＃，5＃，7＃和8＃振幅相对较大。在涡旋压缩机顶点，滚动啮合位置，电气安装位置和压缩机底部有更严重的振动。对于这些测试位置，典型故障包括转子不平衡，涡卷故障，机械组件松动和轴承松动。以5＃传感器测量滚动故障信号为例。 振动信号如图2、3所示。 图2.滚动故障的原始信号。 （a）奇异值谱熵图。 （b）功率谱熵曲线。 （c）小波空间熵的特征。 （d）小波能谱