振动分离 篇1
关键词：颗粒物质,竖直振动,共振,耗散,分离
1991年, 法国科学家De Ge nne s在诺贝尔物理奖颁奖会上提出颗粒物质的概念。颗粒物质一般指由尺度d>1um的大量离散固体颗粒组成的宏观复杂体系。同时, 它有许多不同于固体、液体、气体的性质, 颗粒物质在自然生活以及生产技术中广泛存在。自然界中的风沙和碎石、地表土壤以及浮冰和积雪等;我们生活中所食用的粮食、砂糖、食盐等;生活生产技术中的天然矿石、煤炭、建筑材料等;此外, 常见的很多药品类、化工产品也都可以把它们视为颗粒物质。还有很许多的散体物质体系, 例如散装的货物、地球的板块以及行驶在公路上的车辆等也常作为颗粒物质体系来处理。因此, 颗粒物质是迄今为止地球上存在的且为人们所熟悉的物质类型之一。
1 竖直振动条件下的分离
1.1 巴西坚果和反巴西坚果效应
实验发现, 在竖直振动条件下, 颗粒会出现巴西坚果和反巴西坚果效应以及它们的相互转化行为。为了解释这种现象, Hong提出了颗粒的凝聚作用以及颗粒温度的概念。他的研究表明, 在外部竖直激励振动下, 几乎所有的颗粒都在不停的运动, 运用气体动力学的理论, 可将运动的每个颗粒看成气体分子, 定义颗粒物质的颗粒温度为:
其中N为颗粒的总数目。mi, vi分别为第i个颗粒的质量和速度。Hong通过计算得出在两种大小不同的混合颗粒物质系统中, 将每个颗粒视为刚性小球, 那么每种单色的刚性球都存在着一个临界颗粒温度Tc:Tc=m gdμ/μo
其中m、d分别为颗粒的质量和颗粒粒径, g为重力加速度, μ是填充高度, μo是一个与空间维数相关的常数。当颗粒物质系统的颗粒温度T>Tc时, 在外界的振动激励下所有的颗粒都将进行流化;当T
姜泽辉等人的实验表明, 如果继续改变振动的振幅和频率, 那么颗粒还可以出现三明治样的层状分离现象。在他们的验中, 保持实验频率不变, 约化振动加速度迅速由零增加到预定值。每次振动开始前, 都须将颗粒物质的混合物尽量进行搅拌均匀, 从而保证实验的初始条件相同。振动的强度用无量纲的约化加速度表示, Γ=4π2f2A/g (其中A为激振幅, f为激振频率, g为重力加速度) 。实验的频率范围为25Hz≤f≤80Hz。当Γ≥1.2时, 颗粒物质系统将会进行“巴西果”分离, 即可观察到大而重的颗粒运动到上层, 轻而小的颗粒跑到下层。此时若保持频率不变, 增加约化加速度至到超过临界值Γ1时, 颗粒体系的两层分离状态将会不稳定, 随后进入一种局域的对流运动状态, 在它的驱动下, 将把部分的小颗粒翻转到颗粒床的上表面, 最终形成相对稳定的三层结构, 称此时体系的分离进入了三明治状态。当加速度继续增大并超过另一临界值时Γ2, 大颗粒直接由混合状态聚集到中间形成三层结构直接进入三明治状态, 继续增加加速度到第三个临界值Γ3时, 体系进入无序状态。
1.2 竖直振动作用下颗粒的动态循环反转
在梁宣文等人的实验中, 氧化铝颗粒和铜颗粒所组成的混合物质在不同激振加速度和不同频率的竖直正弦振动下即将会出现动态循环反转将会巴西果分层——三明治分层 (或反巴西果分层) ——巴西果分层的反复循环。他们的研究表明, 分层相图存在一个循环区。在循环区域里, 这个区域中颗粒系统并不稳定在一个单一分层的态上。Γ为无量纲加速度, Γ=4π2f2A/g (其中A为振幅, f为振动频率, g为重力加速度) 。当f=50Hz, Γ=4时, 体系的运动状态演变过程如图1所示。当振台的振动开始后, 初始混合均匀的颗粒物质系统很快就会发生分层, 粒径大的铜颗粒运动到上层, 粒径小的氧化铝颗粒则聚集在下层, 整个系统进入了明显的巴西果分离状态 (图1 (a) ) 。但这种巴西果的分离状态极不稳定, 当体系随着时间的演变后, 铜颗粒层和氧化铝颗粒层的分离界面出现波动状态。随着时间进一步的演化, 直到某个时刻时, 处在下层的氧化铝颗粒将随机从容器底的某一位置处涌出 (图1 (b) ) , 进而促使上层的颗粒将不断增多 (图1 (c) , (d) ) , 当大部分的氧化颗粒运动到铜颗粒层的上面时 (图1 (e) ) , 氧化铝颗粒层开始不断地向铜颗粒层渗漏, 这样在一段时间以内, 颗粒体系进入了界面明显的三明治 (或反巴西果) 状态 (图1 (f) ) 。伴随着系统的进一步演化, 氧化铝颗粒层将不断地通过渗漏而穿过铜颗粒层, 最后运动到处于下方的氧化铝颗粒层, 此时最上方的氧化铝颗粒层就会变得越加稀薄 (图1 (g) ) , 而下面的氧化铝颗粒层将变得越来越厚, 最后致使前一时刻形成的三明治状态消失 (图1 (h) ) 。一段时间以后最上方的氧化铝颗粒层将会完全消失, 整个颗粒物质系统重新恢复为氧化铝颗粒层在下, 铜颗粒层在上的巴西果状态 (图1 (i) ) , 这样颗粒的一个循环反转运动完成。
2 形成颗粒分离现象的主要物理机制
2.1 凝聚作用
颗粒的凝聚作用机制最先是由Hong提出来的, 在他看来, 每一种单色的刚性球都存在着一个临界颗粒温度, 可以通过控制振动的参数来实现混合颗粒物质系统的颗粒温度介于两种大小、材质不同的颗粒物质的临界温度之间, 这将使得一种颗粒流化而另外一种颗粒聚集到容器的底部。可定义两种颗粒的临界温度比为控制参量 (T1c表示大颗粒的临界温度, Tsc表示小颗粒的临界温度) , 当控制参量εcond<1时, 小颗粒将聚集下沉到容器底部而大颗粒完全流化向上运动, 表现出巴西坚果效应。当εcond>1时, 大颗粒将集聚在容器底部表现出反巴西坚果效应。
2.2 耗散机制
对于动态循环反转状态, 形成它的物理机制可用耗散结构来给出定性解释, 如容器器壁的磨擦, 颗粒间的碰撞、以及空气的耗散作用等因素。振动之初, 混合的颗粒体系将会进入巴西果状态, 形成耗散的构型以后, 因为与器壁的磨擦以及颗粒间的摩擦和碰撞、此外还有空气的作用等因素, 铜颗粒层具有的能量大部分将会被耗散掉, 它与氧化铝颗粒层碰撞接触所获得的能量又不足以弥补其损耗的动能, 因此限制了铜颗粒的运动, 其运动范围明显减小, 而铜颗粒层将会变得越来越薄。由于紧密而稳定的铜颗粒层使得氧化铝颗粒的运动受限, 迫使氧化铝颗粒层不得不变稀薄。
2.3 共振机制
在Nade的竖直振动模拟实验中, 他认为每一种颗粒都存在一个自由振动, 因而存在一个自由频率。只有当混合颗粒的共振频率不等时才会发生分离现象。当容器的振动频率等于大颗粒的自由振动频率时, 大颗粒将发生共振, 振动的振幅将达到最大, 而小颗粒的幅值相对较小, 所以在容器振动中, 呈现出巴西坚果效应;相反, 当小颗粒共振时, 出现反巴西坚果效应。对于这种崭新的物理机制, 目前还停留在模拟阶段, 试验中是否可行还有待验证。颗粒振动时的情形是极其复杂的, 如何准确测得颗粒的自由振动频率, 这仍是摆在物理学家面前的一道难题。
3 结论
通过对比分析, 由两种密度、粒径不同的颗粒所组成的混合系统, 在外部竖直的激励振动下将出现分离现象, 形成分离的物理机制可能有凝聚、耗散、共振等。在一定范围内各种机制可对混合颗粒物质系统的分离现象作出解释, 但至今为止还没有哪种机制能够完全把分离现象解释清楚。在上面的分离实验中, 空气起着重要作用。最近, 在探求颗粒分离的机制上, 本文介绍了另外两种机制, 耗散和共振。其中耗散理论可以很好的解释颗粒出现的动态循环反转效应, 而共振机制则是一种崭新的物理机制, 目前实验还未能很好的加以验证。
参考文献
[1]陆坤权, 刘寄星.颗粒物质 (上) [J].物理, 2004.
[2]汤燕, 胡林, 吴宇等.振动条件下颗粒的分离现象[J].大学物理, 2008.
振动分离 篇2
关键词：振动筛,轴承故障,盲源分离算法,单通道与多通道
振动筛广泛用于采矿、煤炭、建筑等行业, 但是当前对振动筛故障诊断的研究仍处于起步阶段, 对振动筛的状态监测和故障诊断还是停留在传统的人工故障诊断的方法, 一般凭借工人的经验进行“望、闻、问、切”的事后处理方法, 缺乏一种比较专门的方法进行故障诊断。根据这种现状, 利用近十来年迅速发展起来的盲源分离理论, 可以为振动信号的处理、故障诊断的识别提供有效的方法。
针对盲源分离算法在数学表达式上的特点, 在单通道与多通道的情况下, 分别对轴承的故障频率进行了提取, 对盲源分离算法在振动筛轴承故障诊断上的应用进行了综合全面分析。
一、多通道下的盲源分离算法
1. 盲源分离算法理论
盲源分离算法中包括很多种算法, 比较常见的有随机梯度算法, 快速独立分量分析 (Fast ICA) , 但由于灵活的ICA算法分离效果要好于随机梯度算法的分离效果, 该信号分析方法具有收敛性好、误差小的优点[1]。篇幅有限, 此处只介绍Fast ICA算法。
ICA的快速定点算法 (又称为Fast ICA算法) , 它是基于非高斯最大化原理。快速定点算法不依赖于用户具体指定的参数, 并且能够计算所有非高斯参量, 不论概率分布如何 (当然高斯分布只有一个) 。收敛速度是3次方, 与基于梯度的算法相比, 速度可能快10倍到100倍。
ICA问题的基本线性关系x (t) =As (t) 所示, 测量数据预白化 (或球化) 常常能够改进ICA算法的稳定性和收敛特性。采用标准的PCA方法可以求得变换V, 这样就可以观测数据线性变换为矢量, 即
矢量v中的元素互相无关且具有单位方差。因此, 相关矩阵 (或协方差矩阵) 是单位矩阵, 即E[vv T]=I。在这个过程中, 矢量v的维数也下降至n (独立元的数量) , 数据被压缩。
因此, PCA预白化过程实际上有两个目的:一个是球化数据;另一个是确定独立元的数量。将方程式x (t) =As (t) 带入式 (1) , 得
式中B=VA是一个正交矩阵, 即
问题简化为求一个可以用来执行独立信号分离的正交矩阵B=∈Rnxn, 即
因此, 混合矩阵A的伪逆矩阵为A+=BTV。
处理ICA的FFPA是基于高效定点迭代结构, 用于寻找观测变量线性组合的峭度局部最小点。1个零均值随机变量x的峭度由下式求得:
对于两个独立随机变量x1和x2, κ (x1+x2) =κ (x1) +κ (x2) 成立。另外, 对于零均值变量x和标量α, κ (αx) =α4κ (x) 成立。
预白化观测变量的一个线性组合被写作wv T, 并且这个线性组合可以寻找最大或最小峭度, 此处权矢量w是有界的, 即||w||2=1。FFPA基于这一思想, 每个由此算法求得的wi (i=1, 2, …, n) 矢量都是正交矩阵B的1个列矢量[2]。
2. 信号分离仿真
这里采用五组信号, 采样频率为10k Hz, 采样点数为4000个。算法的分离结果如图1所示。
从图1中可以明显看出信号得到了很好的分离, 只是排列顺序与幅值发生了变化。
为了更好地看出分离的性能, 用串音误差表示, 串音越小性能就越好, 即
从图2中可以明显看出, 随着采样点数的增加, 误差率越来越小, 到最后误差率为2, 已经达到很小的误差, 可以说算法对该信号的分离还是很精确的。分离信号与信源信号的对应关系是:
二、单通道下的的盲源分离算法
1. 基于经验模态分解 (EMD) 的盲分离
从盲分离算法的数学特点可以看出, 观测数必须大于等于信源数, 对于振动现场实际来说就是所布置的传感器数目必须大于振动源数, 如果不能不满足这个条件, 那么这个矩阵x (t) =As (t) 方程将无法解出, 从而无法正确的提取出故障特征。但依据实际情况, 机械的振动非常复杂, 尤其是机械发生故障时, 这是因为一个正常的设备运行时, 彼此有较强的依存关系, 一旦有故障产生时, 这种依存关系被破坏, 使得传输链上某些运动零部件在某种程度上可视为一个振动源[3], 这就导致不能精确地估计出机械的振动源数目, 从而达不到高效率的故障分离, 并且在传统的单通道诊断方法容易造成误诊[4], 所以采用了经验模态分解与盲源分离算法相结合的改进算法 (EMD-BSS) , 进行单通道下的分离。
经验模态分解 (EMD) 可以将非线性、非平稳的信号自适应的分解成为一系列线性、平稳的本征模函数 (IMF) , 而本征模函数是近似单频率成分信号, 即在每个时刻, IMF信号只有一个频率成分, 每1个IMF都表示1个信号内在的特征振动形式。这样就可以将单通道变为多通道形式, 从而完成分离任务[5]。
2. 模拟仿真实验
为了验证基于EMD的改进盲源分离算法有效性, 这里使用3个模拟非平稳信号进行模拟仿真, 取样频率为3000Hz, 取样点数为1024个, 信号分别为:
随机选取一个混合矩阵A为:
该矩阵为2×3的形式, 经过A×S, S=[s1;s2;s3], 得到一个2×1024的矩阵形式, 即观察信号为2个, 而源数为3个, 使得观察信号数小于源数, 这就是盲源分离的欠定问题, 现在使用基于EMD的盲源分离算法进行分离。图3为源信号的图谱, 经过混合后的图形如图4所示, 可以看出, 图谱已经完全混合, 并且只有两个源信号, 根据EMD-BSS进行分离, 分离后如图5, 从图5可以明显看出, 信号得到了很好的分离, 说明该算法具有较好的实用性。利用EMD分解与盲源分离的结合算法可以在观测数小于源数的情况下较好的分离出源信号。
三、盲分离算法在振动筛的轴承故障诊断中的实验
1. 多通道下的内圈故障故障诊断实验
此次振动筛实验首先采取多通道下的轴承内圈故障分离, 传感器布置如图6, 4个轴承分别布置了4个传感器, 两台电机布置两个传感器。
采样频率为20k Hz, 电机轴承的转速910r/min, 即工频15.17Hz, 采样点数为65534, 通过前面的计算可知轴承内圈的故障频率为146.86Hz。因为主要为振动筛轴承故障实验, 电机上的两组数据暂不用, 先分析轴承座上各传感器提取的数据, 分别标记为8号通路、10号通路、11号通路、12号通路, 图7为各通路频谱图。从图7中, 只能看到工频频率16.48Hz, 并没有在频谱图上看到内圈故障的146.86Hz的故障特征, 说明故障特征淹没在其他噪声当中了。
随后用4组数据对故障频率进行分离提取, 分离后的频谱图如图8所示。图中, 第1路和第2路信号主要把工频16.48Hz提取出来, 第3路信号比较复杂, 而最后1路信号可以看出图谱比较清晰, 可以见到工频16.48Hz和内圈故障频率145.26Hz, 说明盲源分离算法可以把内圈故障的特征频率提取出来。
2. 单通道下的外圈故障诊断实验
此次实验采取单通道下的轴承外圈故障数据做分离实验, 实验数据采集与上述相同, 不再累述。只在1个轴承上放置了传感器 (图9) , 轴承外圈的故障特征频率经过计算为104.92Hz。
图10为外圈故障的频谱图, 从频谱图中可以看出, 图中只有电机的转频, 而外圈的故障特征频率却没有显现出来, 已经淹没在其他的振动信号之中。
首先, 只使用一般的盲源分离算法对故障特征进行单通道盲分离, 分离效果如图11所示, 从图中可以看出, 故障频率并没有在频谱图中出现, 因此在遇到单通道盲分离时, 仅使用盲源分离算法效果不理想。
使用基于EMD分解的盲源分离算法对外圈故障特征进行提取分离, 分离结果如图12所示。从外圈故障特征分离图12b可以看出故障频率103.76Hz, 同时还存在着207.54Hz、309.75Hz、415.04Hz, 这些都为外圈故障的2倍频, 3倍频, 4倍频, 说明故障特征已经提取出来。
四、结论
通过上述对盲源分离算法在振动筛轴承内外圈的故障诊断综合分析实验, 可以得出以下结论。
(1) 盲源分离算法可以较好提取出振动筛的轴承内外圈的故障频率, 说明该算法在故障提取方面有较好地实际作用。
(2) 由于算法存在的缺点, 针对盲源分离算法的特点, 在布置传感器时, 尽量根据经验在振动源处布置足够的传感器。
(3) 当布置的传感器不足时, 可以用盲源分离算法与经验模态分解算法相结合, 可以较好地克服盲源分离算法自身所存在的不足, 甚至在单通道特殊的情况下可以将故障频率提取出来, 说明该算法具有广泛适用性。
综上所述, 此算法成功提取了振动筛轴承内外圈的故障特征, 为振动筛故障诊断提供了一种可行方法。
参考文献
[1] 石长华, 谢世坤, 臧观建等.独立分量分析在机械振动信号上的应用研究[J].机械设计与制造, 2012, 251 (1) 84—86
[2] 孙守宇.盲信号处理基础及其应用[M].北京:国防工业出版社, 2010
[3] 毋文峰.基于经验模式分解的单通道机械信号盲分离[J].机械工程学报, 2011, 4 (47) :14—15
[4] 袁浩东, 陈宏, 侯亚丁.基于全矢小波包能量熵的滚动轴承智能诊断[J].机械设计与制造, 2012, 252 (2) 238—240
振动分离 篇3
大阪大学教授原田明领导的研究小组2012年1月3日在英国在线科学媒体《自然•通讯》上报告说，其研究者制作出一种特殊凝胶，其主要成分为α－环糊精，这种成分的微粒形似面包圈，其内圈直径约为1纳米（十亿分之一米）。该小组还制成了一种主要成分是偶氮苯的凝膠，这种成分的微粒有笔直的结构，正好能嵌入α－环糊精微粒的内圈。
如果将这两种凝胶都制成边长数毫米的立方体，那么当二者相互接触时只要稍加振动，就能使它们结合在一起。
偶氮苯在自然状态下有笔直的结构，但用紫外线照射后该结构就会弯曲，并从α－环糊精的内圈中退出。因此用紫外线照射上述凝胶结合体同时稍加振动，两种凝胶就会分离。此后如再用可见光照射偶氮苯，它又会恢复笔直的结构，再施加振动，又能使这两种凝胶相互结合。
参与这项研究的大阪大学副教授山口浩靖说，上述两种新型凝胶有望用于涉及某些脏器的手术，或用作血管固定剂、止血剂。此外，还有可能用它们制作可多次使用的涂层剂、在水中使用的黏合剂和极微小的控制阀门。
（来源：新华网）
振动分离 篇4
多加速度计振动分离惯性补偿测力技术
为解决在高超声速脉冲风洞中进行大长细比等特殊模型测力实验所面临的.惯性补偿问题,笔者提出了多加速度计振动分离惯性补偿方法.这一方法应用在长细比达20:1的模型气动力实验中,得到了较为理想的实验结果.
作 者：程忠宇 陈宏 张琦 CHENG Zhong-yu CHEN Hong ZHANG Qi 作者单位：国防科技大学航天技术系,湖南,长沙,410073刊 名：流体力学实验与测量 ISTIC EI PKU英文刊名：EXPERIMENTS AND MEASUREMENTS IN FLUID MECHANICS年，卷(期)：13(4)分类号：V211.74关键词：惯性补偿 加速度计 脉冲风洞 气动力测量 天平