[发明专利]一种基于FrFT-EWT原理的旋转机械故障特征提取方法

说明书

本发明公开了一种基于FrFT‑EWT的旋转机械故障特征提取方法，综合利用了分数阶傅里叶变换(Fractional Fourier Transform，简称FrFT)处理多分量线性调频信号的能力和经验小波变换(Empirical Wavelet Transform，简称EWT)自适应提取信号特征分量的能力，将经验小波变换推广至分数阶傅里叶变换域中，实现了非平稳信号的自适应分解，显著地扩展了其应用范围。本发明实现了对于转轴启停车振动信号特征分量的自适应提取，为转轴在启停车阶段的信息自适应处理及早期微弱故障的检测与识别提供了一条有效的途径。

技术领域

本发明属于机械设备故障诊断领域，具体涉及一种基于FrFT-EWT原理的旋转机械故障特征提取方法。

背景技术

大型旋转机械是石油、化工、能源、冶金等许多行业中的关键设备，保障这些关键设备安全、稳定、连续优质地运行，对于安全生产、提高企业经济效益具有十分重要的意义。转轴作为旋转机械设备的关键部件，是故障的高发部位，它的运行状态往往直接影响到设备运行状态的安全性和稳定性。

相比于平稳工作运行工况，转轴启停车过程的振动信号含有更为丰富的状态信息，对于机组动态特性的反映也更为深入和敏感，充分利用这些信息可以发现难以识别的微弱故障。但是，转子启停车振动信号是一种典型的非平稳信号，常常表现为多分量、多调制的现象，且往往伴有大量噪声干扰，一般不能直接利用这类信号进行故障诊断。然而，启停车振动信号可以看作是多个线性调频信号分量的组合，因此需要先将启停车信号中的主要分量提取出来，再进行状态识别与故障诊断。

基于分数阶傅里叶变换(Fractional Fourier Transform，简称FrFT)的滤波方法可以实现非平稳信号中线性调频分量的准确提取，但是该滤波方法在提取每一个线性调频分量时都需要进行一次分数阶傅里叶变换及其逆变换，运算量极大、执行效率低，且在每一个分数阶域内都需要人为构造滤波器，不具备自适应分析信号的能力。作为一种自适应处理方法，经验小波变换(Empirical Wavelet Transform，简称EWT)可以提取出信号中的经验模式分量，具有数学理论完备、运行效率高等优点。但该方法无法实现非平稳信号中有效分量的正确提取。

发明内容

本发明的目的在于克服现有基于分数阶傅里叶变换滤波方法运算量大、不具有自适应处理能力的缺点，提供一种基于FrFT-EWT的旋转机械故障特征提取方法，该方法将分数阶傅里叶变换与经验小波变换相结合，具有自适应处理启停车过程非平稳信号的能力。

为达到上述目的，本发明所采用的技术方案包括以下步骤：

1)获取转轴启车过程的等时间间隔的振动信号和键相信号；

2)使用步骤1)中获取的键相信号，计算转轴在启车过程的升速序列；

3)基于步骤2)的结果，对振动信号进行p₁阶次下的分数阶傅里叶变换，得到振动信号的分数阶傅里叶频谱；

4)对步骤3)中的分数阶傅里叶频谱内进行经验小波变换，提取振动信号的1倍频分量、高倍频分量和低倍频分量；

5)对步骤5)中得到的1倍频分量作-p₁阶次的分数阶傅里叶变换，可得振动信号1倍频分量的时域波形；

6)基于步骤2)和步骤4)的结果，对振动信号的高阶分量作p₃阶次下的分数阶傅里叶变换，提取出高阶分量中的2倍频分量、3倍频分量和4倍频分量；

7)对步骤6)中得到的2、3和4倍频分量作-p₃阶次的分数阶傅里叶变换，可得振动信号的2、3和4倍频分量的时域波形；

8)利用步骤5)和步骤7)得到的振动信号的前4个倍频分量的时域波形，进行故障识别与诊断。