基于虚拟仪器的轴心轨迹分析仪的设计

1 引 言

    轴心轨迹是转子轴心相对于轴承座的运动轨迹，轴心轨迹作为旋转机械的一个重要的状态特征参量，能简单、直观、形象地反映设备的运行状况。通过对轴心轨迹的观察，可以判断出一些常见的故障，例如油膜涡动、油膜振荡、轴不对中等。传统的轴心轨迹形状和动态特性的识别是基于人机对话模式实现的，基本靠人的经验判断，严重影响了轴心轨迹故障诊断的智能化水平^[1]。为了更快更智能地对轴心轨迹进行分析识别，设计了一种全新的基于虚拟仪器的一体化轴心轨迹分析仪，它能够自动识别常见的轴心轨迹形状，从而判断旋转机械转子的运行状态。

2 轴心轨迹分析仪

    利用安装在同一截面内互相垂直的两支电涡流传感器对轴心的偏移量进行检测，传感器的前置放大器输出信号经滤波后通过采集卡进行 A/D 转换就可以得到轴心轨迹信号。测试系统如图 1 所示。

    参考目前可进行旋转机械轴心轨迹信号分析仪器的功能和未来特征分析的发展方向，确定了轴心轨迹分析仪应具有的功能，如图 2 所示。使用这些功能可以有效地对转子运行过程中的轴心轨迹信号进行分析。

3 轴心轨迹的自动识别

    该文通过提取能表示一个周期的轴心轨迹图形的特征量来对其进行识别。首先需要对轴心轨迹图形进行预处理，采集若干周期的轴心轨迹数据，得到原始的轴心轨迹图形，再对其进行数学形态学滤波处理，最终得到一条细化的轴心轨迹图形，代表该转子的轴心轨迹。采用 BP（Back Propagation）神经网络与人工判断相结合的方法来进行轴心轨迹特征识别，即当出现神经网络识别效果不佳的轨迹图像时，仪器会提示使用人员来进行判断，然后用学习的方式将不能识别的轴心轨迹的特征量和对应的类别添加到模板中。进行轴心轨迹自动识别的流程如图 3 所示。

3.1 基于数学形态学的轴心轨迹图像预处理

    由实际测量的振动信号得到的轴心轨迹一般都受到噪声污染，使原始轴心轨迹很复杂。虽然采集到的两路数据在合成前已经进行了初步的硬件消噪处理，但是为了后面特征提取的方便以及减少数据量，还需要做一些预处理。该文采用形态滤波器提纯轴心轨迹。

    数学形态学的数学基础是建立在集合论基础上的，它的具体实现是由若干个形态学代数算子组成的，最基本的有腐蚀、膨胀、开、闭 4 种。这些运算子在处理二值图像中各有特点，通过对这些算子的组合及进一步推导，还可以引申出其他的基于二值图像的实用算法，甚至还可以将其扩展为针对灰度图像的形态学算法。而将数学形态学作为对图像进行分析处理的数学工具，其基本思想是用具有一定形态特征的结构元素去度量图像中的对应形态，在具体实现对图像的滤波时，需要根据图像的纹理等特征，选择合适的结构元素。结构元素的大小、形状等都是要考虑的重要方面^[2]，该文选择 3×3 圆盘形结构元素。