大型旋转机械信号趋势分析算法模块

大型旋转机械信号趋势分析算法模块，作为信号处理算法工具箱的主要功能模块，可应用于各类关键机械部件（轴承、齿轮、转子等）的信号分析、故障探测、趋势劣化评估等，采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想实现信号分析处理、趋势预示与故障诊断模块，能应用在不同场合的设备健康监测与故障诊断，满足不同类型机械设备与关键部件（齿轮箱、轴承、转子等）的健康预诊与故障诊断需求。信号趋势分析算法模块可灵活地集成到各种设备故障诊断与健康预诊系统，提供完整的算法类接口，基于该工具箱的各种信号处理模型，可迅速建立起一套完整的基于各种关键机械部件信号分析处理与故障诊断模块的设备故障诊断与健康预诊系统电19946089034。

大型旋转机械信号趋势分析算法模块主要包括的算法模型如下：

信号处理工具箱算法软件包SPAgent主界面：

从信号处理工具箱算法软件包SPAgent主控界面可以看到，该工具箱实现的功能主要为各类信号处理算法的演示与分析，图形化的操作界面，操作人员可以直接通过左侧下拉菜单选择各类算法对信号进行处理分析，即使是技术水平不高的工人也可应用此软件调用各类信号处理算法。

大型旋转机械信号趋势分析算法模块：

4.信号趋势分析方法

4.1单峰值谱分析

1.算法特点与功能描述：

峰值谱分析可以对时变信号进行频谱分析，即可以分析非稳态信号，可以提取信号中的频率峰值，这对于信号的识别和分析非常有用。峰值谱分析对信号的分辨率较高，能够较准确地确定频率峰值的位置和幅值。

2.算法应用：

峰值谱分析在信号处理、语音识别、图像处理、生物医学工程等领域有广泛的应用。峰值谱分析可以用于信号的频域特征提取和分析，例如音频信号、振动信号等，用于故障检测、机器诊断等领域。峰值谱分析可以用于提取语音信号的频率特征，用于语音信号的识别和分析。

4.2振动波形趋势(Trend of vibration waveform，TVW)

1.算法特点与功能描述：

振动波形趋势是指在原始波形的基础上，取某个长度为一个窗口，反应一段时间内振动波形的变化趋势。其窗口长度越小，越能体现信号振动波形在单位时间内的变化，反之越大，反应的则比较粗糙。

2.算法应用：

振动监测中时间波形是最原始的振动信息源由传感器输出的振动信号一般都是时间波形。对于具有明显特征的波形，可直接用来对设备故障作出初步判断。

4.3转速三维谱阵

1.算法特点与功能描述：

通过三维形式查看转速变化过程中能量、振幅变化，查看趋势。

2.算法应用：

设备启停机阶段的转速-振动匹配以及频率特征分析。

4.4冲击响应谱

1.算法特点与功能描述：

冲击响应谱从理论上来讲，系统的激励输入到一系列的单自由度系统，该系列的单自由度系统收到的响应，将其变换到X-Y轴。冲击响应谱实现过程就是将原始信号先通过FIR滤波，将滤波后的信号用傅里叶变换获得其频谱图。

2.算法应用：

冲击响应谱分析又名冲击谱分析,是一种近似的方法用于预测受到基础激励(强迫振动)的结构峰值响应的分析方法。

4.5倒熵谱(CEFS)

1.算法特点与功能描述：

把最大嫡谱计算和富氏分析计算相结合 , 得到了新型式的倒频谱——倒熵谱，实质上原理与精熵谱类似，是对求功率谱过程的优化。

2.算法应用：

倒熵谱是一种可获得高分辨率的非线性谱估计方法，特别适用于短数据序列的谱估计。

4.6精熵谱(Precise maximum entropy method，PMEM)

1.算法特点与功能描述：

精熵谱是一种用AR模型进行的功率谱估计，是对非平稳随机信号功率谱估计的常用方法，较传统的功率谱估计方法而言其更为精确。精熵谱简单来说就是用最大熵法的原理来估计功率谱密度，是更为精确的功率谱密度。

2.算法应用：

精熵谱是一种可获得高分辨率的非线性谱估计方法，特别适用于短数据序列的谱估计。

4.8三维阶次谱

1.算法特点与功能描述：

通过三维形式查看转速变化过程中能量、振幅随阶次变化的趋势。

2.算法应用：

变转速角域重采样后的阶次能量分析。

4.9频谱趋势

1.算法特点与功能描述：

将信号按点数分成1-100，101-200，…多段，先分别求这些信号段的频谱，再分别求这些频谱的一个指标（可以是幅值的和），然后把这些指标值连成曲线。

2.算法应用：

频谱趋势算法可用于故障检测、机器诊断等领域，可以很好的反应信号的频谱变化。

4.10滤波后频谱趋势

1.算法特点与功能描述：

首先将信号进行滤波，然后将滤波后的信号按点数分成1-100，101-200，…多段，接下来，分别求这些信号段的频谱，再分别求这些频谱的一个指标（可以是幅值的和），最后把这些指标值连成曲线。

2.算法应用：

滤波后频谱趋势算法可用于故障检测、机器诊断等领域，可以很好的反应信号的频谱变化。

4.11包络谱幅值趋势

1.算法特点与功能描述：

首先将信号进行滤波，然后将滤波后的信号按点数分成1-100，101-200，…多段，接下来，分别求这些信号段的包络谱，再分别求这些包络谱的一个指标（可以是幅值的和），最后把这些指标值连成曲线。

2.算法应用：

包络谱幅值趋势算法可用于故障检测、机器诊断等领域，可以很好的反应信号的包络谱变化。

4.12时域能量趋势(Time domain energy trend，TDET)

1.算法特点与功能描述：

振动信号的时域能量就是信号在时域上的平方在区间(-∞,+∞)上的积分。其时域能量趋势就是取某个长度为一个窗口，反应一段时间内时域能量的变化趋势。其窗口长度越小，越能体现信号的时域能量在单位时间内的变化，反之越大，反应的则比较粗糙。

2.算法应用：

描述了一段时间内信号的时域能量如何随时间分布，对于具有明显特征的波形，可直接用来对设备故障作出初步判断。

4.13频域能量趋势(Frequency domain energy trend，FDET)

1.算法特点与功能描述：

振动信号的频域能量就是信号在频域上的平方在区间(-∞,+∞)上的积分，信号的时频域能量相等。其频域能量趋势就是取某个长度为一个窗口，反应一段时间内频域能量的变化趋势。其窗口长度越小，越能体现信号的频域能量在单位时间内的变化，反之越大，反应的则比较粗糙。

2.算法应用：

描述了一段时间内信号的频域能量如何随时间分布，对于具有明显特征的波形，可直接用来对设备故障作出初步判断。

4.14启停机转速时间图

1.算法特点与功能描述：

针对转速持续变化的连续振动信号，对其转速时间图进行绘制，表征转速的持续变化过程以及对振动信号的影响。

2.算法应用：

分析启停机阶段变转速设备的转速变化过程，并对比振动信号的变化，观察转速对振动信号的影响。

4.15启停机转速瀑布图

1.算法特点与功能描述：

通过三维形式查看转速变化过程中能量、振幅变化，查看趋势。

2.算法应用：

设备启停机阶段的转速-振动匹配以及频率特征分析。

4.16启停机转速谱阵

1.算法特点与功能描述：

通过二维形式查看转速变化过程中能量、振幅变化，查看趋势。

2.算法应用：

设备启停机阶段的转速-振动匹配以及频率特征分析。

4.17轴心轨迹图

1.算法特点与功能描述：

轴心轨迹显示了轴心线的路径，可将来自于两个正交、共面电涡流传感器的一维时域信息组合成转子轴横向运动的二维图。

2.算法应用：

根据转子不对中故障的特征分析，当不对中比较轻微时，轴心轨迹呈椭圆状; 当不对中故障达到中等程度时，轴心轨迹呈香蕉形; 当不对中故障较严重时，轴心轨迹呈外“8”字形。从图 8 可以看出，滑动轴承-转子近电机端振动轴心轨迹呈香蕉状，不对中故障为中等程度; 滑动轴承-转子远电机端振动轴心轨迹呈外“8”字形。