Python 阶次分析——原理及代码实现

阶次分析是一种在旋转机械健康监测中应用广泛的技术,特别是在非平稳工况下,如变频运行和启停机过程中。在这些情况下,传统的频谱分析方法已经不再适用,因为它们无法正确地解释非平稳信号中的频率成分。因此,阶次分析成为了解决这些问题的有效方法。

阶次分析的基本思想是将信号分解成一系列具有相同阶次（即旋转机械部件的转速）的成分。这些成分可以被视为具有相同的频率,但它们的实际频率随着转速的变化而变化。因此,阶次分析可以正确地解释非平稳信号中的频率成分,并且可以提供更准确的机械健康监测结果。

阶次分析的过程包括以下步骤:

采集信号:首先需要采集旋转机械的振动信号或声音信号,这些信号通常是非平稳的,并且包含多种频率成分。
计算阶次:接下来需要计算信号的阶次。阶次是旋转机械部件的转速与采样频率的比值。计算阶次需要知道旋转机械部件的转速和采样频率。通常,可以使用编码器或其他传感器来测量旋转机械部件的转速。
阶次谱分析:计算阶次后,可以对信号进行阶次谱分析。阶次谱分析是一种类似于频谱分析的方法,但它使用阶次而不是频率作为横坐标。在阶次谱图中,可以看到信号中每个阶次的能量分布情况,从而可以确定哪些阶次是主要的。
分析结果:最后,需要对阶次谱图进行分析,以确定旋转机械的健康状况。在阶次谱图中,可以观察到各种不同的特征,如谐波、次谐波和调制等。这些特征可以提供有关旋转机械部件的故障和问题的信息。

# 原始数据及转速
    tmpdata = {0: {'x': t, 'y': vdata}, 1: {'x': faxis, 'y': famp}, 2: {'x': t, 'y': tacho}}
    shape = (3, 1)
    xlabel = ['时间(s)', '频率(Hz)', '时间(s)']
    ylabel = ['幅值', '幅值', '幅值']
    title = ['原始波形', '原始频谱','转速信号']
    multi_plot(tmpdata, shape=shape, xlabel=xlabel, ylabel=ylabel, title=title, show=0)

    # 脉冲位置识别及转速提取
    order = OrderAnalysis(vdata, fs, tacho, type=1, pulsesPerRev=ppr)
    index = order.tachormp(plot=1)
    fig, axs = plt.subplots(2,1)
    axs[0].plot(index['tachosignal']['t'],index['tachosignal']['signal'])
    for k in range(len(index['index']['lcr'])):
        axs[0].axvline(x=index['index']['lcr'][k], color='r', linestyle='-')
        axs[0].axvline(x=index['index']['tmiddle'][k], color='m', linestyle='-')
        axs[0].axvline(x=index['index']['lcf'][k], color='b', linestyle='-')

    axs[1].plot(index['rpm']['t'], index['rpm']['rpm'])

    # 阶次谱分析
    res = order.get_order_wave_fft()

    # 角域信号
    tmpdata = {0: {'x': res['awave']['x'], 'y': res['awave']['y']},
               1: {'x': res['afft']['x'], 'y': res['afft']['y']}}
    shape = (2, 1)
    xlabel = ['时间(s)', '阶次']
    ylabel = ['幅值', '幅值']
    title = ['角域波形', '阶次谱']
    multi_plot(tmpdata, shape=shape, xlabel=xlabel, ylabel=ylabel, title=title, show=1)

利用变转速Benchmark Dataset——SQ变转速振动信号数据集（SQV dataset）对代码进行测试，结果如下：


![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/fc2962df472746f1b1fc8beaf729140c.png