大型旋轉機械信號趨勢分析算法模塊

大型旋轉機械信號趨勢分析算法模塊，作為信號處理算法工具箱的主要功能模塊，可應用于各類關鍵機械部件（軸承、齒輪、轉子等）的信號分析、故障探測、趨勢劣化評估等，采用全Python語言，以B/S模式，通過前端與后端集成開發，采用開放的、模塊化、多層架構的設計思想實現信號分析處理、趨勢預示與故障診斷模塊，能應用在不同場合的設備健康監測與故障診斷，滿足不同類型機械設備與關鍵部件（齒輪箱、軸承、轉子等）的健康預診與故障診斷需求。信號趨勢分析算法模塊可靈活地集成到各種設備故障診斷與健康預診系統，提供完整的算法類接口，基于該工具箱的各種信號處理模型，可迅速建立起一套完整的基于各種關鍵機械部件信號分析處理與故障診斷模塊的設備故障診斷與健康預診系統電19946089034。

大型旋轉機械信號趨勢分析算法模塊主要包括的算法模型如下：

信號處理工具箱算法軟件包SPAgent主界面：

從信號處理工具箱算法軟件包SPAgent主控界面可以看到，該工具箱實現的功能主要為各類信號處理算法的演示與分析，圖形化的操作界面，操作人員可以直接通過左側下拉菜單選擇各類算法對信號進行處理分析，即使是技術水平不高的工人也可應用此軟件調用各類信號處理算法。

大型旋轉機械信號趨勢分析算法模塊：

4.信號趨勢分析方法

4.1單峰值譜分析

1.算法特點與功能描述：

峰值譜分析可以對時變信號進行頻譜分析，即可以分析非穩態信號，可以提取信號中的頻率峰值，這對于信號的識別和分析非常有用。峰值譜分析對信號的分辨率較高，能夠較準確地確定頻率峰值的位置和幅值。

2.算法應用：

峰值譜分析在信號處理、語音識別、圖像處理、生物醫學工程等領域有廣泛的應用。峰值譜分析可以用于信號的頻域特征提取和分析，例如音頻信號、振動信號等，用于故障檢測、機器診斷等領域。峰值譜分析可以用于提取語音信號的頻率特征，用于語音信號的識別和分析。

4.2振動波形趨勢(Trend of vibration waveform，TVW)

1.算法特點與功能描述：

振動波形趨勢是指在原始波形的基礎上，取某個長度為一個窗口，反應一段時間內振動波形的變化趨勢。其窗口長度越小，越能體現信號振動波形在單位時間內的變化，反之越大，反應的則比較粗糙。

2.算法應用：

振動監測中時間波形是最原始的振動信息源由傳感器輸出的振動信號一般都是時間波形。對于具有明顯特征的波形，可直接用來對設備故障作出初步判斷。

4.3轉速三維譜陣

1.算法特點與功能描述：

通過三維形式查看轉速變化過程中能量、振幅變化，查看趨勢。

2.算法應用：

設備啟停機階段的轉速-振動匹配以及頻率特征分析。

4.4沖擊響應譜

1.算法特點與功能描述：

沖擊響應譜從理論上來講，系統的激勵輸入到一系列的單自由度系統，該系列的單自由度系統收到的響應，將其變換到X-Y軸。沖擊響應譜實現過程就是將原始信號先通過FIR濾波，將濾波后的信號用傅里葉變換獲得其頻譜圖。

2.算法應用：

沖擊響應譜分析又名沖擊譜分析,是一種近似的方法用于預測受到基礎激勵(強迫振動)的結構峰值響應的分析方法。

4.5倒熵譜(CEFS)

1.算法特點與功能描述：

把最大嫡譜計算和富氏分析計算相結合?,?得到了新型式的倒頻譜——倒熵譜，實質上原理與精熵譜類似，是對求功率譜過程的優化。

2.算法應用：

倒熵譜是一種可獲得高分辨率的非線性譜估計方法，特別適用于短數據序列的譜估計。

4.6精熵譜(Precise maximum entropy method，PMEM)

1.算法特點與功能描述：

精熵譜是一種用AR模型進行的功率譜估計，是對非平穩隨機信號功率譜估計的常用方法，較傳統的功率譜估計方法而言其更為精確。精熵譜簡單來說就是用最大熵法的原理來估計功率譜密度，是更為精確的功率譜密度。

2.算法應用：

精熵譜是一種可獲得高分辨率的非線性譜估計方法，特別適用于短數據序列的譜估計。

4.8三維階次譜

1.算法特點與功能描述：

通過三維形式查看轉速變化過程中能量、振幅隨階次變化的趨勢。

2.算法應用：

變轉速角域重采樣后的階次能量分析。

4.9頻譜趨勢

1.算法特點與功能描述：

將信號按點數分成1-100，101-200，…多段，先分別求這些信號段的頻譜，再分別求這些頻譜的一個指標（可以是幅值的和），然后把這些指標值連成曲線。

2.算法應用：

頻譜趨勢算法可用于故障檢測、機器診斷等領域，可以很好的反應信號的頻譜變化。

4.10濾波后頻譜趨勢

1.算法特點與功能描述：

首先將信號進行濾波，然后將濾波后的信號按點數分成1-100，101-200，…多段，接下來，分別求這些信號段的頻譜，再分別求這些頻譜的一個指標（可以是幅值的和），最后把這些指標值連成曲線。

2.算法應用：

濾波后頻譜趨勢算法可用于故障檢測、機器診斷等領域，可以很好的反應信號的頻譜變化。

4.11包絡譜幅值趨勢

1.算法特點與功能描述：

首先將信號進行濾波，然后將濾波后的信號按點數分成1-100，101-200，…多段，接下來，分別求這些信號段的包絡譜，再分別求這些包絡譜的一個指標（可以是幅值的和），最后把這些指標值連成曲線。

2.算法應用：

包絡譜幅值趨勢算法可用于故障檢測、機器診斷等領域，可以很好的反應信號的包絡譜變化。

4.12時域能量趨勢(Time domain energy trend，TDET)

1.算法特點與功能描述：

振動信號的時域能量就是信號在時域上的平方在區間(-∞,+∞)上的積分。其時域能量趨勢就是取某個長度為一個窗口，反應一段時間內時域能量的變化趨勢。其窗口長度越小，越能體現信號的時域能量在單位時間內的變化，反之越大，反應的則比較粗糙。

2.算法應用：

描述了一段時間內信號的時域能量如何隨時間分布，對于具有明顯特征的波形，可直接用來對設備故障作出初步判斷。

4.13頻域能量趨勢(Frequency domain energy trend，FDET)

1.算法特點與功能描述：

振動信號的頻域能量就是信號在頻域上的平方在區間(-∞,+∞)上的積分，信號的時頻域能量相等。其頻域能量趨勢就是取某個長度為一個窗口，反應一段時間內頻域能量的變化趨勢。其窗口長度越小，越能體現信號的頻域能量在單位時間內的變化，反之越大，反應的則比較粗糙。

2.算法應用：

描述了一段時間內信號的頻域能量如何隨時間分布，對于具有明顯特征的波形，可直接用來對設備故障作出初步判斷。

4.14啟停機轉速時間圖

1.算法特點與功能描述：

針對轉速持續變化的連續振動信號，對其轉速時間圖進行繪制，表征轉速的持續變化過程以及對振動信號的影響。

2.算法應用：

分析啟停機階段變轉速設備的轉速變化過程，并對比振動信號的變化，觀察轉速對振動信號的影響。

4.15啟停機轉速瀑布圖

1.算法特點與功能描述：

通過三維形式查看轉速變化過程中能量、振幅變化，查看趨勢。

2.算法應用：

設備啟停機階段的轉速-振動匹配以及頻率特征分析。

4.16啟停機轉速譜陣

1.算法特點與功能描述：

通過二維形式查看轉速變化過程中能量、振幅變化，查看趨勢。

2.算法應用：

設備啟停機階段的轉速-振動匹配以及頻率特征分析。

4.17軸心軌跡圖

1.算法特點與功能描述：

軸心軌跡顯示了軸心線的路徑，可將來自于兩個正交、共面電渦流傳感器的一維時域信息組合成轉子軸橫向運動的二維圖。

2.算法應用：

根據轉子不對中故障的特征分析，當不對中比較輕微時，軸心軌跡呈橢圓狀;?當不對中故障達到中等程度時，軸心軌跡呈香蕉形;?當不對中故障較嚴重時，軸心軌跡呈外“8”字形。從圖?8?可以看出，滑動軸承-轉子近電機端振動軸心軌跡呈香蕉狀，不對中故障為中等程度;?滑動軸承-轉子遠電機端振動軸心軌跡呈外“8”字形。