PCA的幅值滤波特性及在转子特征提取中的应用

发布时间：2022-01-24 06:44

　　为了解决有效特征值的选择问题,从理论上证明了有效特征值的数量规律,即一个频率对应两个特征值;推导了特征值的排序规律,即信号的幅值越大,其对应的两个特征值也越大。将上述两个性质统称为主成分分析的幅值滤波特性,提出了一种基于该特性的信号分离算法,并通过仿真信号及实际转子信号的分析,验证了算法在信号分离中的有效性。研究结果表明,该算法无论是在同时提取多个频率成分还是提取单个频率成分方面都表出了优良的特性,提纯信号中既不会含有多余成分,也不会发生相位偏移。最后将本文提出的算法应用于大型滑动轴承试验台转子的轴心轨迹提纯,成功识别了转子的不对中故障。 

【文章来源】：华南理工大学学报(自然科学版). 2020,48(05)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

特征值曲线

试验数据来源于课题组自主研发的滑动轴承试验台[16],电涡流传感器(D1、D2)安装在转子同一轴截面两侧相互垂直的斜45°方向(如图5所示)。以采样频率2 048 Hz采集4 096个点,结果如图6所示。由图6(c)、(d)可知,位移信号的主要成分为1X和2X,同时存在转频的高次谐波成分、工频干扰及随机噪声。图6 位移信号的时域波形及频谱图

研究表明,轴心轨迹的形状与故障类型存在密切关系,如外“8”字形或香蕉形对应不对中故障,内“8”字形对应油膜涡动故障等[10]。直接利用图6中的两个信号D1和D2合成的轴心轨迹如图9所示,由图可知,由于受到转频的高次谐波成分、电源工频成分(50 Hz及150 Hz)及随机噪声的干扰,轴心轨迹杂乱无章,无法据此辨别转子的故障类型。因此,需要对图9中的轴心轨迹进行提纯,其本质是分别对信号D1和D2进行降噪及滤除多余的频率成分之后,再利用信号的提纯结果合成轴心轨迹。本文中,信号的提纯工作在4.3小节中已经完成(如图8所示),因此,直接利用图8中的提纯结果合成轴心轨迹,结果如图10所示,由图可知,轴心轨迹为“8”字形,说明转子存在不对中故障。这是由于在升速过程中,转子两端的油膜力的大小不一致引起的转子中心与轴承中心发生偏离所致。

【参考文献】：
期刊论文
[1]基于主成分分析的特征频率提取算法及应用[J]. 李振,李伟光,赵学智,郑相立.  振动.测试与诊断. 2018(04)
[2]非零奇异值和频率的关系及其在信号分解中的应用[J]. 赵学智,叶邦彦.  电子学报. 2017(08)
[3]变支点滑动轴承工作机理分析及转子振动特性试验研究[J]. 杨期江,李伟光,郑相立,王凯.  华南理工大学学报(自然科学版). 2016(11)
[4]PCA与SVD信号处理效果相似性与机理分析[J]. 聂振国,赵学智.  振动与冲击. 2016(02)
[5]分量形成方式对奇异值分解信号处理效果的影响[J]. 赵学智,叶邦彦.  上海交通大学学报. 2011(03)
[6]基于Granger因果检验和PCA的脑网络效应连接方法[J]. 钟元,王慧南,焦青,张志强,郑罡,于海燕,卢光明.  华南理工大学学报(自然科学版). 2010(01)
[7]奇异值差分谱理论及其在车床主轴箱故障诊断中的应用[J]. 赵学智,叶邦彦,陈统坚.  机械工程学报. 2010(01)

硕士论文
[1]基于奇异值分解的信号处理关键技术研究[D]. 聂振国.华南理工大学 2016



本文编号：3606070