机车驱动装置例行跑合试验台信号处理与分析

引言

机车驱动装置的例行试验是针对交流异步电机装配上减速齿轮箱后的空载运行试验,或只带轮对的轮对悬空试验。通常可以由多种形式获取驱动装置的状态,如磁链、振动、温度、瞬时角速度、气隙转矩等。其中对驱动装置的振动进行监测和诊断,是掌握其运行状态和发现故障的重要技术手段。

随着我国高速铁路、城市轨道交通等领域的高速发展,监测驱动装置的安全越来越重要,但是想要实时准确地判断驱动装置的运行状态,仅仅依靠现场工作人员的判断是远远不够的,需要研发一套优秀的智能监测平台。

工程实际检测到的信号往往混有不同程度的噪声,从振动角度来说,噪声就是无规律的振动:从信号处理角度来说,噪声分为白噪声和有色噪声,白噪声是指频率分量的能量均匀分布在整个给定带宽内,有色噪声是指频率分量的能量集中在给定带宽的某个频带内:从广义上讲,可以统称信号中有用成分以外的所有成分为噪声。对于采集到的机车驱动装置的振动信号处理分析是机车驱动装置例行试验中的核心技术之一。小波分析作为一种有效分析离散不规则信号的方法,可以通过振动信号来判断机器所处的状态。而运用趋势分析可以弥补小波分析中选择函数困难的缺点,并对振动信号进行降噪处理。

本文主要内容包括机车驱动装置例行试验台振动信号的采集,传输硬件方案的设计与实现,基于小波分析和趋势分析的振动信号处理与分析方法。利用小波分析,提取节点频域分布作为特征量,可以鉴别驱动装置的运行状态。

1相关方法介绍

1.1小波分析

信号携带的数据量非常大,对数据进行处理分析后才能提取出需要的信息。稀疏表示,即用较少的系数来反映所想寻求的数据,对数据的处理过程更加快速简便。稀疏表示的构建方法即通过分解在字典中选取基本波形信号,但想要寻求到一种适用于所有信号的理想系数变换几乎是不可能的事情,由此便诞生了小波变换。

1.1.1小波变换理论简介

小波变换的原理与傅里叶变换相似,不同之处在于把三角函数基换成了小波基。与傅里叶变换不同,小波变换有两个变量:scale和translation。scale控制小波函数的收缩,其导数即频率:translation控制小波函数的平移,平移量对应时间。通过信号的伸缩平移,可以得到某种重合情况,这样积分也会得到一个极大值,不同的是,得到频率成分的同时,还可以知道该频率的时间位置。

小波变换随着不断减小范围尺度可以对局部信号的结构进行缩放,在一个信号中奇点和不规则的结构往往携带了重要信息。小波跨尺度变换幅度与局部信号规律性和利普希茨指数有关。从小波变换的多个范围中区域最大值可以发现奇点和边缘值。这些最大值定义了一个几何尺度空间支持,从中恢复信号和图像的近似值。非孤立的奇异点出现在高度不规则的信号中,如多分形。小波变换利用多分形的自相似性来计算其奇异点的分布,这个奇异点谱表征了多分形的特性。

1.1.2稀疏表示

信号处理领域的一个永恒思想就是将信号分解成简单波形的线性组合,并且寻找简洁的信号表示。这样做可以去除信号中的冗余性,有助于了解信号的性质,提取有用的信息,以便进一步对信号进行分析和处理。

1.1.3小波包分析

小波包分析是在小波分析基础上的一种优化,即把信号包含的信息能量集中以后进行更细化的分析,它将频带进行多层次划分,对每个分解后的频带均进行再次划分,并根据被分析信号的特征选择相应频带,使之与信号频谱相匹配,从而得到了比二进离散小波变换更精细的信号分解。一般根据实际工程中的信号特征和处理信号的目的需求来选择合适的小波包,定性上选择与待分析信号的振动频率相近的小波函数。

1.2趋势分析

小波分析中技术选择的难题会导致去噪效果不够理想。去趋势波动分析是一种时间序列长程相关性标度指数的计算方法,能够有效剔除信号中外部趋势的影响,还原时间序列本身具备的统计特性。

1.2.1趋势分析法介绍

趋势分析法也是振动信号分析常用的方法,振动信号是非平稳和非线性特征的一种典型信号,机车驱动装置振动信号中包含了很多摩擦特征[1]的信息,可以利用测量的振动路主要截面的压力、温度、转子转速等参数分析、判断与振动路数有关的单元体和子系统的技术状态是否完好,并隔离故障到这些单元体和子系统。趋势分析的具体方法是利用测量参数的偏差量,包括未平滑和平滑的偏差量,绘成偏差量随时间变化的趋势图。

1.2.2去趋势波动分析

去趋势波动分析(DetrendedFluctuationAnalysis,DFA）的基础是分形自相似理论。通过对信号累积[2]和分段去趋势运算来突出信号中的弱相关成分,非平稳信号中的长程相关信息都能够被检测,成功应用在信号去噪、故障诊断、医学数据分析等领域,并且取得很好的效果。

先用小波重构得到降噪信号,再使用去趋势波动分析算法对降噪以后的摩擦振动信号进行分析,得到去趋势波动分析谱图以及不同阶数下Hurst指数[3],实现特征参数对振动信号的摩擦磨损状态的判别。

2试验台结构及信号采集

机车驱动装置例行跑合试验台的主要功能是通过测试电力机车振动速度和温度的变化,来检验轮对装配、电机悬挂装置、轴箱装配的组装质量。

2.1试验台结构及组成

机车驱动装置例行跑合试验台主要由控制部分、信号采集与分析部分、监控管理部分等组成,硬件装置包括工控机、PLC、LCD显示器、打印机、振动信号分析仪、变频器、电源转换开关、驱动装置支架等。其系统架构如图1所示。

2.2信号采集

在例行试验台上,根据切割磁力线的原理,将振动烈度转换为与之成正比的电压信号,设计同时采集旋转机械的振动烈度(位移）及转速,振动信号经低频补偿、放大、有源积分、峰-峰检波、有效值运算及差分放大电路后,送入微处理器系统,经A/D转换、数字滤波、数字信号处理、运算后得到振动烈度值。不同型号的驱动装置振动信号采集3～16路不等,同时采集4路温度信号和1路环境温度信号。

3信号处理及分析

3.1小波函数的选择

Daubechies系列小波是图像和信号处理中运用广泛且高效的小波基,对于给定的支撑宽度,这种小波具有最大的消失矩。Daubechies小波系提供了极相位N=2,3,…,10(9个小波）的紧密支持的小波。Daubechies小波尺度函数还具有低通滤波器的特性,考虑到机车驱动装置的振动信号的能量主要分布在低频段,因此本研究中选择Daubechies小波作为分解小波。基于Daubechies小波基对机车振动信号进行小波包分析,主要是利用小波包能量的分解与重构,将隐含在机车振动信号中的特征分量提取出来,并将其映射到不同的频带上,通过对比分析不同频带能量分布的情况,可以体现出不同状态下机车驱动装置振动信号的差异性,从而区分出正常运行状态和异常运行状态。

3.2小波包振动信号分析结果

dbN小波系的优点是随着N值的增加,支撑长度变长,频率局部性变好,同时滤波器的长度增加,但随着N值的增加,dbN小波系的计算量呈指数增加,因此在试验台分析数据中选用db3小波对机车驱动装置的振动信号做3层小波包分解。

选择某一路电机振动信号为例进行详细说明,利用db3小波先对原始振动信号进行3层小波包变换,然后提取出每一层的细节系数,从图2、图3可以看出小波包系数信号对原始信号有所压缩。

对小波包分解后的系数再次进行重构,得到不同频段的重构系数信号,如图4所示。

根据图像可以看出,在驱动装置刚开始运行和快要结束运行的时间段均有较大频率的振动。以15mm/s为标准,将振动信号分为正常信号和异常信号,分别用小波包进行3层分解,得到8个节点相对应的系数信号,分解后的小波包系数信号频谱图如图5所示。节点(3,0）至节点(3,7）代表了不同频段的信号,可以根据不同节点的频谱来观察正常信号和异常信号在低频和高频部分的区别,从而进一步分析具有敏感性的特征。

振动信号的总能量不会因为经过小波包分解而改变,所以根据不同状态下小波包分解各频带能量的分布情况绘制小波包能量特征分布直方图,如图6所示。由能量分布图可以观察到信号中大部分能量都分布在小波包分解的第一个和第二个节点中。

3.3去趋势波动分析

通过从数据中去除线性趋势,集中分析趋势数据的波动。线性趋势通常表示数据的系统性增加或减少,利用detrend函数以最小二乘式从振动数据中减去均值或最佳拟合线,从每秒的振动信号中去除线性趋势,重点观察整体振动幅度的波动情况,分析曲线图如图7所示。

从图7可以看出,去除趋势性后的信号时域曲线和原曲线形状几乎相同,但是趋势曲线的振动幅度更低,振动的总体趋势略高于振动强度的平均值。

3.4信号特征提取及识别

3.4.1小波包分解及特征提取

根据敏感度分析公式对小波包分解每个节点能量的均值进行分析,得到小波分解后第8节点能量的分布敏感性最强,所以针对不同振动信号的第8节点频谱图进行对比。

由图8可以看出,异常信号的边带成分显著增强,几乎全频带的能量都略有增加,中频段的变化最为明显。在200～400Hz频段功率有超过0.2成分的频谱一般为异常信号。

3.4.2去趋势分析及特征提取

先以振动时间为变化周期重点观察各路振动信号在时域上的波动情况,并分析对比不同摩擦振动状态下的曲线特征。从图9可以看出异常状态下振动信号的波动更加不稳定和剧烈,曲线的平滑性会降低,趋势曲线不仅均值会比正常状态下高,还会呈现出上升的趋势。

由图9可以看出,一方面,正常信号的曲线边缘比较顺滑,异常曲线比较粗糙且最值之间差距大:另一方面,对比振动均值趋势曲线可以看出,正常状态下曲线是没有波动的,异常状态下则呈现出增加的趋势。由此可以把振动趋势曲线的起始点作为特征提取,正常信号是从10mm/s开始并始终保持在10mm/s上下小幅度波动,异常信号是从5mm/s增加到10mm/s。

再尝试分析振动信号的异常与环境温度的关系,利用趋势分析来观察振动变化与环境温度之间的联系,分析曲线如图10所示。

温度在不同的时期,绝对值有所差异,经过归一化处理得到相关数据,由图10可以看出,振动波动较大的成分多数集中在16～18℃,正常状态下振动信号在其余的温度区间几乎没有振动幅度,异常状态在各个温度区间都会有不同程度的振动,且在环境温度为17℃时振动最为剧烈。

4结语

对振动信号的处理分析有助于分析机器摩擦振动的状态,对频域和时域利用不同方法可以多维度、多角度来分析驱动装置的工作状态。本文主要利用传统的去趋势分析法和小波分析法,对机车驱动装置的振动信号在时域上进行分解重构,得到去噪后的信号后再在时域上观察趋势走向,同时通过小波包多层分解,将时域信号转为频域信号,最终通过对比发现机器在频域上的状态特征更加明显。另外,根据趋势曲线可以发现振动信号的异常波动与环境温度也有一定的关系。