PeakVue 振动分析技术「建议收藏」

全栈程序员-用户IM • 2022年10月16日上午10:16 • 未分类

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

首先声明，对于振动分析，本人是菜鸟。所以本文中可能有错误，或者不够专业和严谨。

最简单的振动检测指标是所谓通频值（Overall vibration value）。它是采集信号的均方根：

实例：产生一个正弦波，并计算rms。该值越大，反映振动越大。

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt
n = 512                        
dt = 0.01                     
t = np.linspace(1, n, n)*dt-dt
y = np.sin(2*np.pi*t) 
plt.plot(t, y)
plt.show()
rms = np.sqrt(np.mean(y**2))
print(rms/N)

结果为 0.7 .正弦波的rms 是0.7。

RMS 的计算公式

PeakVue 振动分析技术「建议收藏」

波峰因数（Crest Factor）

Crest Factor (peak-to-RMS ratio) = (peak value)/(RMS value).

通频值和波峰因素振动仪表的方法的好处是产生一个单一的值来反映机器的健康。

CF+ 严重性

0 to 5 好 Good

6 to 10 满意 Satisfactory

11 to 15 不满意 Unsatisfactory above

15 不能接受 Unaccepatable

波峰因数+（Crest Factor +）

当轴承急剧损坏时，RMS 的值加大，与峰值接近，Crest Factor 反而会下降。

CF =oc Peak+oc RMS+oc (peak value)/(RMS value).

oc 代表正比于。我觉得就是乘一个比例系数就可以了。

PeakVue 方法

波峰因数计算量比较小，但是有许多的故障无法检测出来。实际上，轴承的许多早期故障是金属和金属摩擦产生的。表现为微弱的高频信号。如果和低频振动信号混合在一起。高频信号难以辨别。

PeakVue 方法是艾默生公司的专利技术，它的实现算法主要为：

1 使用高通滤波器（highpass Filter）过滤掉低频信号，截止频率大约为1000Hz

2 使用希尔伯特变换计算出包络线

3 对包络线做FFT 变换。

我的项目

振动数据IEPE采集器

使用STM32F429 +ads127l01 实现IEPE 压电振动传感器ADC 采集，通过UDP 将数据传送到PC机。PC机使用Python 做后续数据处理。

测试床

python 程序

import socket
import numpy as np
from scipy.fftpack import fft
from scipy import signal
import struct
from matplotlib import pyplot as plt
def bytesToFloat(h1,h2,h3,h4):
    ba = bytearray()
    ba.append(h1)
    ba.append(h2)
    ba.append(h3)
    ba.append(h4)
    return struct.unpack("!f",ba)[0]
HOST = '192.168.31.98'
PORT = 3800
BUFSIZ = 512
ADDR = (HOST,PORT)
udpSerSock = socket.socket(socket.AF_INET,socket.SOCK_DGRAM)
udpSerSock.bind(ADDR)
t = np.linspace(0, 127, 128, True)
y =[]
for i in range(128):
    y.append(0) 
fig, (ax1, ax2) = plt.subplots(2, 1, sharex=False)    
plt.show()
while True:
    data, addr = udpSerSock.recvfrom(BUFSIZ)
    
    for i in range(128):
         y[i]=bytesToFloat(data[i*4+3],data[i*4+2],data[i*4+1],data[i*4+0])
    b,a = signal.butter(16, 0.128, 'highpass')
    filtered = signal.filtfilt(b, a, y)*20
    yh = np.abs(signal.hilbert(filtered))  
    yy= np.abs(fft(yh)) 
    yy[0] =0  
    ax1.clear()
    ax1.set_title("Peakvue")
    ax1.plot(t,yy) 
    ax1.axis([0, 128, 0,40])
    ax2.clear()
    ax2.plot(t,yh) 
    #ax2.axis([0, 128, -20, 20])
    ax2.set_title("highpass")
    
    plt.pause(0.1)

过几天慢慢解释

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/181438.html原文链接：https://javaforall.cn

【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛

【官方授权正版激活】： 官方授权正版激活支持Jetbrains家族下所有IDE 使用个人JB账号...