如何分析旋转机械的噪音和振动

为什么我们需要测量旋转机器的噪音和振动？

旋转机械的分析是汽车和一般工业中精炼活动的核心。它还允许工程师跟踪齿轮箱，传动系统和轴承中的故障。

机器中的每个旋转部件都会产生振动，从而产生噪音，这是由于机器部件的平衡或平滑性的小缺陷造成的。此外，还存在与风扇叶片和泵相关的所谓“叶片通过”现象。在每种情况下，我们都可以将振动的频率与旋转机器的速度联系起来。例如，具有五个等间距刀片的风扇将以旋转速度的五倍产生噪声，并且有时在更***的倍数下仍然取决于用于将风扇保持在适当位置的支撑件的数量。如果它们靠近叶片，则频率成为叶片数量和支撑数量的乘积。

这些振动在机器或车辆的结构上起到强制作用，在那里它们被安装。当由旋转部件产生的激励频率与结构的固有频率之一匹配时，发生***严重的影响。这些“重合”频率通常是许多设计努力的目标，以限制效果，无论它们是疲劳，振动还是由此产生的噪音。

对于变速机器，将噪音和振动降低到可接受的水平是一项相当大的挑战。旋转部件通常传输非常大量的功率，并且不幸的是，即使非常少量的功率（转换成振动或噪声）也会产生不希望的效果。

分析旋转机械的数据

让我们假设我们已经从某种旋转机器捕获了噪声或振动信号，同时我们通过它的整个速度范围加速它。我们将使用从4缸赛车引擎记录的短噪声信号。在图1中，我们可以看到信号的时间历史，您可以使用下面的链接来收听信号。

听取噪音信号

图1：噪声信号的时间历史

分析此数据的频率内容的***简单方法是计算自动频谱。我们在图2中看到了结果。

图2：整个噪声信号的频谱

因为我们测试的发动机正在改变速度，所以几乎不可能从这个频谱中得出任何有意义的结果。很明显，我们需要一种不同的方法。我们的***种方法可能是将数据分成几个部分，并查看从这些部分生成的一系列光谱。这是通过“跳频FFT”完成的。这需要时间历史的固定长度部分，执行FFT然后沿着小的增量移动并重复该过程。这产生了一系列在整个测试期间分布的FFT谱，如图3所示。

图3：经典瀑布图（频率v时间）

图3是大多数人在想到瀑布情节时可视化的内容。该数据可以以许多不同的方式表示。其中***受欢迎和***有用的是强度或颜色图，如图4所示。

图4：强度或颜色图

该图显示了沿底轴的频率，时间从底部到顶部。很明显，在地图左侧看到的红线代表随着时间的推移发动机加速的频率上升。因此，这些是我们感兴趣的旋转效果。但是，我们仍然缺少的是有关发动机速度的任何信息。

分析旋转速度

我们需要知道的是在整个测试期间发动机的速度。有几种方法可以获得这个，但***准确的是捕获某种转速信号。理想情况下，转速计信号应为方波或脉冲。它可以是从发动机的某个运动部分测量的每转一次脉冲到由编码器产生的每转几千个脉冲的任何东西。图5和图6显示了我们测试中两个不同时间的转速信号。

图5：转速计信号（慢速）

图6：转速计信号（***速）

我们的信号每转产生两个脉冲。上面的两个数字都显示了0.1s的数据，所以很明显，在图6中，引擎的旋转速度明显快于图5所示。很明显，我们的信号不是一个干净的方波，只要转速处理算法很复杂而且足够***，这并不重要。转速计处理软件分析整个转速计信号并产生另一个信号，代表测试时的速度。这可以在图7中看到。

图7：速度v时间

在这里我们可以看到，在我们的测试过程中，发动机在大约5.5秒内从超过1000rpm加速到超过6000rpm。

瀑布情节

我们处理的下一步是再次执行“跳频FFT”处理，但这次不是以等间隔时间步长计算FFT，而是使用我们的速度v时间数据以等间隔速度步长计算它们。这就是所谓的“瀑布”处理。我们的噪声信号的瀑布图如图8所示。

图8：瀑布图（频率v速度）

现在我们可以清楚地看到速度相关噪声的线性特性。这在瀑布图中显示为倾斜线。因为这是一个四缸四冲程发动机，主导频率是旋转速度的两倍或二次谐波。在旋转机械的情况下，我们称之为第二顺序。

命令

可以从瀑布图中提取订单的详细信息，我们的数据中的示例可以在图9中看到。

图9：订单和总体水平

图9显示了第2，第4和第6个订单与总体水平重叠。总体水平代表每种速度下的总能量。

同步采样数据（订单或角度域）

一旦数据与转速计信号一起被捕获，诸如Prosig的DATS软件包之类的软件可以重新采样数据并将其转换为角度域。这意味着每个数据点表示围绕旋转周期的等间隔位置，而不是等间隔时间点。这使得使用DFT轻松分析即可直接提取订单，即使在一个周期内速度变化很大。以这种方式同步采样的数据可以在角度域中的各个周期上进行平均，从而消除来自与旋转无关的其他源的信号的噪声。这些技术的进一步细节超出了本文的范围，将在以后的文章中讨论。