CN102059255B - 一种高线轧机早期故障微弱特征提取的方法 - Google Patents
一种高线轧机早期故障微弱特征提取的方法 Download PDFInfo
- Publication number
- CN102059255B CN102059255B CN2010105612275A CN201010561227A CN102059255B CN 102059255 B CN102059255 B CN 102059255B CN 2010105612275 A CN2010105612275 A CN 2010105612275A CN 201010561227 A CN201010561227 A CN 201010561227A CN 102059255 B CN102059255 B CN 102059255B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- detected
- phasor
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种高线轧机早期故障微弱特征提取的方法,属于轧机故障诊断技术领域。用于检测已知特征频率的早期故障。该方法通过振动传感器提取高速线材轧机的早期故障的微弱振动信号,将信号放大滤波之后由模数转换器将模拟信号转换为数字信号,将数字信号输入到预先设计好的差分振子系统中,利用差分振子的相图判断待检测频率信号的有无和幅值大小。优点在于,可以利用差分振子检测微弱故障信号,计算机可自动判别差分振子振子相位图的收敛程度及大小,从而判断原始信号中是否包含待测的微弱特征信号,并定量表征待检测频率成份的幅值信息,从而检测出高速线材轧机中的早期微弱故障特征信号,提早发现故障隐患。
Description
技术领域
本发明属于轧机故障诊断技术领域,特别是涉及一种高线轧机早期故障微弱特征提取的方法,适用于检测已知频率的微弱信号。
背景技术
机械设备状态监测和故障诊断的实质是对机械设备的运行状态信息进行识别,尽早发现并及时消除故障的症状,避免重大事故的发生。故障产生的早期,其特征相对较轻微,对机械系统所造成的影响相对较小,维修成本也相对较低,故障发现得越早,越有助于机械设备的安全可靠运行。当机械系统处于故障早期时,反映故障的特征信号,如振动、声发射等的幅值相对较小,而且受到机械系统工作噪声、数据采集装置噪声、信号传输中的耦合噪声等的影响,导致信号信噪比极低,很难据此正确判断机械系统的运行状态。因此,先进的微弱信号检测技术对于准确识别机械设备的早期故障具有十分重要的作用。
目前,微弱信号检测方法主要集中于两个方面:一是利用现代信号处理方法对对噪声进行抑制或消除,当噪声频率与信号频率相等或相接近时,该类方法在抑制噪声的同时,亦不可避免地损伤到有用信号,极大地影响了微弱信号检测的效果。二是利用一些非线性系统自身的特性对微弱信号进行检测,常用的非线性方法有随机共振法、混沌振子法和差分振子法等。
随机共振系统结构参数严重影响着输出结果,如何自适应选择系统参数以达到最优输出,始终是困扰各种随机共振求解算法的难题。有学者提出了以待检测频率达到最大值为最终判据的自适应扫频随机共振法,另有其他学者提出了以近似熵为信号复杂性判据的自适应随机共振法。这两种方法均是以不断调整系统参数为前提的,严重影响了算法的求解速度。混沌振子以输出相图的显著变化来检测微弱信号,已有科技文献相继提出采用符号序列统计量或系统输出周期解的平均面积为判据实现微弱信号的定量检测,在一定程度上达到了客观、自动识别振子状态的目的。
差分振子法是基于差分方程构造检测器,确定系统激励频率fe及检测频率fd,当被测信号中含有fd这一频率成分时,则系统产生共振,其相图随即发生变化,通过观察系统的相图变化判断系统是否发生故障,从而实现了早期故障的可视化检测。
然而,目前基于差分振子的微弱信号检测,主要集中于利用差分振子相图的差异检测特有频率成分的有无,而缺少差分振子相图的自动识别方法及微弱信号幅值的定性表征方法。
发明内容
本发明的目的在于提供一种高线轧机早期故障微弱特征提取的方法,克服了现有的缺少差分振子相图的自动识别方法及微弱信号幅值的定性表征的缺陷,不仅可以自动识别差分振子系统输出的相位图状态,而且还可借助差分振子相图的外接正方形大小定性表征微弱信号的幅值。
为了实现上述目的,本发明采取的技术方案包括以下步骤:
(1)通过安装在高速线材轧机需检测位置的振动加速度传感器提取设备振动信号,并将该信号放大滤波后由模数转换器将模拟信号转换为数字信号;
(2)根据被测高速线材轧机的传动结构及零部件几何参数确定被测振动信号中可能包括的故障特征频率,建立相应的差分振子系统;
(3)对步骤(1)中得到的数字信号输入差分振子系统,绘制差分振子系统的输出相图;
(4)将差分振子的相图进行归一化处理(即振子相图的横纵坐标均在[-11]内),以原点为圆心,以0.2为半径画圆。落入到圆域中点的个数记为n1;若n/N>0.1(N为差分振子相图总的点数,下同)则相图收敛于极点,即可判断原始振动信号中不存在待检测频率;若n/N<0.02则相同收敛于极环,即可判断原始振动信号中存在待检测频率。;
若依据步骤(3)判断出原始信号中包含待检测频率成份,再以差分振子相图最小正切正方形的边长作为指标来定量表征振子相图的大小,差分振子相图大者,其表征的待检测频率成份的幅值也较大,反之亦然;
(5)依据步骤(3)和步骤(4),判断出高速线材轧机振动信号中是否包含故障特征频率成分及该频率的幅值相对大小,进而确定设备故障部位及故障类型。
所述的差分振子系统为二维离散线性系统:
式中a、b、c和d是系统参数,p是放大倍数,fe是系统激励频率,T(k)为待检测信号,fd是待检测频率,fs是待检测信号的采样频率。其中,系统参数一般设置为:a∈(0,0.05)、b∈(0.95,1.05)、c=-1和d=-1,放大倍数p∈(1,5),系统激励频率根据系统参数计算得到,计算方法为待检测信号的采样频率为:fs∈[50,10000],待检测频率fd的范围取决于采样频率fs,二者关系为
与现有的检测方法相比,本发明具有以下优点:
本发明可以检测早期的频率已知的微弱故障特征信号,并可自动识别差分振子系统输出相图的收敛情况,定性表征出原始微弱信号的相对幅值大小。
可以利用差分振子检测微弱故障信号,计算机可自动判别差分振子振子相位图的收敛程度及大小,从而判断原始信号中是否包含待测的微弱特征信号,并定量表征待检测频率成份的幅值信息,从而检测出高速线材轧机中的早期微弱故障特征信号,提早发现故障隐患。
附图说明
图1是本发明的工作原理图。
图2是本发明实现的基于差分振子理论的微弱信号检测的算法流程图。
图3是本发明实现的检测含噪仿真信号是否含有50Hz频率成分时的差分振子相图。
图4是本发明实现的检测含噪仿真信号是否含有55Hz频率成分时的差分振子相图。
图5是本发明实现的检测含噪仿真信号是否含有23Hz频率成分时的差分振子相图。
图6是本发明实现的检测含噪仿真信号是否含有23Hz频率成分时的差分振子相图。
图7是应用差分振子时相图的一种主要形态(收敛于极点状态)。
图8是应用差分振子时相图的一种主要形态(收敛于极环状态,但极环相对较小)。
图9是应用差分振子时相图的一种主要形态(收敛于极环状态,但极环相对较大)。
图10是本发明实现的检测含噪仿真信号是否含有30Hz频率成分时的差分振子相图(幅值A=0.75)。
图11是本发明实现的检测含噪仿真信号是否含有30Hz频率成分时的差分振子相图(幅值A=1.0)。
图12是本发明实现的检测含噪仿真信号是否含有30Hz频率成分时的差分振子相图(幅值A=1.25)。
图13是本发明实现的原始信号幅值变化与差分振子相图大小的关系曲线。
图14为本发明实现的某高速线材轧机故障早期振动信号时域波形。
图15为本发明实现的某高速线材轧机故障早期振动信号时域波形。
图16为本发明实现的某高速线材轧机故障早期振动信号时域波形。
图17为本发明实现的某高速线材轧机故障早期振动信号幅值谱。
图18为本发明实现的某高速线材轧机故障早期振动信号幅值谱。
图19为本发明实现的某高速线材轧机故障早期振动信号幅值谱。
图20为本发明实现的某高速线材轧机故障早期振动信号包络谱。
图21为本发明实现的某高速线材轧机故障早期振动信号包络谱。
图22为本发明实现的某高速线材轧机故障早期振动信号包络谱。
图23为本发明实现的某高速线材轧机故障早期振动信号差分振子相图。
图24为本发明实现的某高速线材轧机故障早期振动信号差分振子相图。
图25为本发明实现的某高速线材轧机故障早期振动信号差分振子相图。
具体实施方式
本发明采取的技术方案包括以下步骤:
(1)通过安装在高速线材轧机需检测位置的振动加速度传感器提取设备振动信号,并将该信号放大滤波后由模数转换器将模拟信号转换为数字信号;
(2)根据被测高速线材轧机的传动结构及零部件几何参数确定被测振动信号中可能包括的故障特征频率,建立相应的差分振子系统;
(3)对步骤(1)中得到的数字信号输入差分振子系统,绘制差分振子系统的输出相图;
(4)将差分振子的相图进行归一化处理(即振子相图的横纵坐标均在[-11]内),以原点为圆心,以0.2为半径画圆。落入到圆域中点的个数记为n1;若n/N>0.1(N为差分振子相图总的点数,下同)则相图收敛于极点,即可判断原始振动信号中不存在待检测频率;若n/N<0.02则相同收敛于极环,即可判断原始振动信号中存在待检测频率。;
若依据步骤(3)判断出原始信号中包含待检测频率成份,再以差分振子相图最小正切正方形的边长作为指标来定量表征振子相图的大小,差分振子相图大者,其表征的待检测频率成份的幅值也较大,反之亦然;
(5)依据步骤(3)和步骤(4),判断出高速线材轧机振动信号中是否包含故障特征频率成分及该频率的幅值相对大小,进而确定设备故障部位及故障类型。
下面结合附图对本发明作进一步说明:
本实施例中的数据采集过程及前期处理如图1所示,差分振子系统的内部信号处理算法流程如图2所示。首先根据被测轧机传动结构确定待检测信号中可能包括哪个故障特征频率,建立相应的差分振子系统。差分振子数学模型为:
xk+1=axk+byk (1)
其中:a、b、c和d是差分振子系统参数,一般可设置为a=0.005,b=1.004,c=-1,d=-1,p是放大倍数,fe是系统激励频率,T(k)为待检测信号,fd是待检测频率fs是采样频率。
设定好差分振子系统参数后,将待检测信号输入到差分振子系统中,计算得到两个时间序列{xk}和{yk},进而绘制出差分振子的相图。
图3为含噪仿真信号y=0.5sin(2·π·50·t)+noise输入差分振子后得到的相图。其中noise是随机噪声,采样频率fs=1000Hz,采样点数N=8192;差分振子激励频率fe=0.3292,放大倍数p=1,待检测频率fd=50Hz,差分振子相图收敛于极环状态,表明原始信号中包含50Hz这一频率成分。图4利用差分振子对图3中的同一仿真信号检测55Hz的频率成分,差分振子相图收敛于极点,表明原始信号中不包含55Hz这一频率成分。
图5为含噪仿真信号y=sin(2·π·150·t)+cos(2·π·23·t)+noise输入差分振子后得到的相图,其中noise是随机噪声,采样频率fs=60Hz,采样点数N=2048;差分振子激励频率fe=0.3296,放大倍数p=2.5,待检测频率fd=23Hz,差分振子相图收敛于极环状态,表明原始信号中包含23Hz这一频率成分。图6为图5中仿真信号输入差分振子后得到的相图,其中采样频率fs=10000Hz,其它参数与图5设置相同。可见采样频率fs在[50,10000]之间均可利用本专利方法检测微弱信号。
在实际应用过程中,可识别的差分振子的相图主要有如图7、图8和图9所示三种形态。图7表示原始信号中不存在待检测频率,图9表示原始信号中存在待检测频率,而图8则是介于图7和图9中间的一种形态。差分振子相图收敛于极点与收敛于极环的最大区别就是,振子的输出是否在相图的坐标原点大量的聚集。
针对差分振子相图的特点给出以下判别准则:
(1)将差分振子的相图归一化即振子相图的横纵坐标均在[-11]内。
准则(3)是针对相图收敛于极环状态但由于噪声等干扰的存在而产生毛刺,或收敛于极点状态,但是在原点处出现了一定面积的空白。准则(3)就是判断,噪声等干扰或原点处出现的空白面积相对于整个差分振子相图来说是否主导优势。如果噪声等干扰只是作为一个扰动存在即并不影响相图的收敛性,相图收敛于极环。同理对于相图在原点处一定的空白面积相对于整个相图面积占据主导优势有相图收敛于极环。反之则有相图收敛于极点。
经计算图7中:n1/N=0.2554显然大于0.1收敛于极点。图8中n1/N=0.0029小于0.02,收敛于极环。图9中n1/N=0收敛于极环,因此通过以上准则就可以判断差分振子相图的状态。
本发明利用差分振子相图的大小来确定微弱信号待检测频率的幅值大小,图10~图12为某仿真函数y=A·sin(2π·30·t)+noise在不同幅值A情况下差分振子输出的相图。
其中图10的幅值A=0.75,图11的幅值A=1.00,图12的幅值A=1.25。从图10~图12中可以看出,随着信号幅值的增大,差分振子相图也随之不断地增大。若以差分振子相图最小正切正方形的变长作为指标来定量表征振子相图的大小(如图10中的实线正方形),则差分振子幅值的增加与正方形边长的增加具有单调递增的线性比例关系,幅值每增加0.25对应正方形的边长增加20。正方形边长与信号幅值的关系如图13所示。
在差分振子各参数设置相同的条件下,差分振子相图的大小反映了信号幅值的大小。在求得信号幅值与差分振子相图大小的比例关系的条件下,可以获得待检测信号的幅值。在这一比例关系未知的条件下,则可以获得待检测信号幅值的相对大小,即差分振子相图大者,其表征的幅值也较大。因此,通过信号幅值与差分振子相图关系,可以得到幅值的变化量,弥补了差分振子不能够直接检测信号幅值大小的缺憾。
以某高线厂第25架精轧机的振动信号分析为例。2008年某高线厂在线监测系统发出报警,第25架精轧机的振动幅值超标。检修时发现,该精轧机齿轮箱一轴轴承内圈严重剥落。现取设备振动超限报警前20天左右的3组数据进行分析,期望能在故障初期的振动信号中发现故障特征,实现微弱故障的早期诊断。设备轴承型号为162250G,振动信号采样频率为4000Hz,采样点数为2048,根据在线监测系统监测的转速计算可得轴承内圈损伤的特征频率为43.28Hz。图14~图16分别为振动超限报警前21天、20天和19天的振动信号时域波形,图17~图19分别为振动超限报警前21天、20天和19天的振动信号的幅值谱,图20~图22分别为振动超限报警前21天、20天和19天的振动信号的包络解调谱。
从图14~图16中可以发现,振动超限报警前21天、20天和19天的振动信号时域波形的振动幅值相差不大。图17~图19所示的幅值谱中,这三天的频谱低频信息全部被噪声淹没,无法找到轴承内圈损伤的特征频率43.28Hz。图20~图22所示的包络解调谱中也未能给出该轴承的故障特征信息。因此,依靠传统方法我们无法判别设备当前的运行状态。将这三天的数据输入同一个差分振子中,差分振子输出的相图如图23~图25所示。
在图23~图25中,振动超限报警前21天的振动信号的差分振子相图呈现出收敛于极点的状态,说明此时信号中不存在待检测频率。振动超限报警前20天和19天的振动信号的差分振子相图呈现出收敛于极环的状态,说明此时信号中含有待检测频率,相比较报警前19天振动信号差分振子相图收敛于极环的状态更加清晰、简明。报警前20天振动信号的差分振子相图极环所占的正方形面积显然要小于报警前19天振动信号差分振子相图极环所占正方形的面积,即信号待检测频率成分的幅值有所增大。图23~图25中的差分振子相图表明:轴承在报警前21天没有故障特征表现出来,在报警前20天出现了故障特征,并有恶化的趋势,即在报警前19天故障特征表现得更为明显。差分振子不但可以反映信号的频域信息,还可以表征信号的幅值变化信息。
利用差分振子检测设备故障时,需要事先确定待检测设备的故障特征频率。在设备传动结构已知,轴承型号明确,设备转速可测的情形下,可以利用先验知识计算出轴承和齿轮损伤的特征频率,继而建立差分振子阵列,对上述特征频率分别检测,可以确定原始振动信号中是否包含主要零部件的故障特征频率,进而确定故障发生的具体部位。。
本发明首先提出用差分振子系统来检测微弱信号,解决了高速线材轧机早期故障微弱信号检测的问题。
Claims (1)
1.一种高线轧机早期故障微弱特征提取的方法,其特征在于,包括以下步骤:
(1)通过安装在高线轧机需检测位置的振动加速度传感器提取设备振动信号,并将该信号放大滤波后由模数转换器将模拟信号转换为数字信号;
(2)根据被测高速线材轧机的传动结构及零部件几何参数确定被测振动信号中包括的故障特征频率,建立相应的差分振子系统;
(3)对步骤(1)中得到的数字信号输入差分振子系统,计算得到两个时间序列{xk}和{yk},以时间序列{xk}为横坐标,以时间序列{yk}为纵坐标,在二维平面上绘制出一系列离散的点,从而绘制出差分振子相图;
(4)将差分振子相图进行归一化处理,差分振子相图的横纵坐标均在[-1,1]内,以原点为圆心,以0.2为半径画圆;落入到圆域中的差分振子相图离散点的个数记为n;当n/N>0.1,N为差分振子相图总的点数,则差分振子相图收敛于极点,判断原始振动信号中不存在待检测频率;当n/N<0.02则差分振子相图收敛于极环,判断原始振动信号中存在待检测频率;
当依据步骤(3)判断出原始信号中包含待检测频率成份,再以差分振子相图最小正切正方形的边长作为指标来定量表征振子相图的大小,差分振子相图大者,其表征的待检测频率成份的幅值也较大,反之亦然;
(5)依据步骤(3)和步骤(4),判断出高线轧机振动信号中是否包含故障特征频率成分,并求取故障特征频率的幅值,进而确定设备故障部位及故障类型;
步骤(2)中所述的差分振子系统为二维离散线性系统:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105612275A CN102059255B (zh) | 2010-11-23 | 2010-11-23 | 一种高线轧机早期故障微弱特征提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105612275A CN102059255B (zh) | 2010-11-23 | 2010-11-23 | 一种高线轧机早期故障微弱特征提取的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102059255A CN102059255A (zh) | 2011-05-18 |
CN102059255B true CN102059255B (zh) | 2012-11-21 |
Family
ID=43994866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105612275A Active CN102059255B (zh) | 2010-11-23 | 2010-11-23 | 一种高线轧机早期故障微弱特征提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102059255B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106629395B (zh) * | 2016-12-16 | 2018-11-23 | 天津金岸重工有限公司 | 一种门座式起重机微弱振动信号的幅值检测方法 |
CN111208427B (zh) * | 2020-04-23 | 2020-07-24 | 湖南中车时代通信信号有限公司 | 一种牵引电机故障诊断方法及装置 |
CN115935250B (zh) * | 2022-11-10 | 2023-10-27 | 天地(常州)自动化股份有限公司北京分公司 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
CN116536850B (zh) * | 2023-05-11 | 2024-08-02 | 郑州豫力无纺布有限公司 | 一种无纺布高速热轧机 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101294845A (zh) * | 2008-05-05 | 2008-10-29 | 西北工业大学 | 转子早期故障的多频率微弱信号检测方法 |
-
2010
- 2010-11-23 CN CN2010105612275A patent/CN102059255B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101294845A (zh) * | 2008-05-05 | 2008-10-29 | 西北工业大学 | 转子早期故障的多频率微弱信号检测方法 |
Non-Patent Citations (2)
Title |
---|
李强.《机械设备早期故障预示中的微弱信号检测技术研究》.《中国博士学位论文全文数据库(工程科技2辑)》.2009,全文. * |
李楠等.《电机转子系统早期故障可视化检测的差分振子法》.《电力自动化设备》.2007,第27卷(第6期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN102059255A (zh) | 2011-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9989439B2 (en) | Method and data processing device for severity assessment of bearing defects using vibration energy | |
CN203432784U (zh) | 用于旋转的机械部件的状态监控装置 | |
EP2581724B1 (en) | A method and a system for the purpose of condition monitoring of gearboxes | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
Qu et al. | A new acoustic emission sensor based gear fault detection approach | |
CN103048593B (zh) | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 | |
CN107003665B (zh) | 用于评估连接到马达的旋转机械的状态的方法 | |
EP3550278A1 (en) | Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing | |
CN103091096A (zh) | 基于eemd和小波包变换的早期故障敏感特征提取方法 | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN102059255B (zh) | 一种高线轧机早期故障微弱特征提取的方法 | |
CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
CN103868692A (zh) | 基于核密度估计和k-l散度的旋转机械故障诊断方法 | |
CN104111154B (zh) | 风力发电机组的振动趋势分析方法和振动趋势分析系统 | |
CN108195584B (zh) | 一种基于准确度谱图的滚动轴承故障诊断方法 | |
CN103940597A (zh) | 一种基于广义极值形态滤波的机械故障检测方法 | |
CN102109554A (zh) | 电网次同步振荡的模态自适应实时检测方法 | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
CN105862935A (zh) | 一种用于挡土墙结构系统的损伤识别方法 | |
CN109946081A (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
CN105388012A (zh) | 基于非线性调频小波变换的阶次跟踪方法 | |
CN105738061A (zh) | 一种振动信号的图像分析方法 | |
CN109883705A (zh) | 电机滚动轴承局部点蚀故障诊断方法及其诊断系统 | |
CN106990169A (zh) | 基于前向散射波和c均值聚类算法的板类缺陷定位方法 | |
Bastami et al. | Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100041 Shijingshan Road, Shijingshan District, Shijingshan District, Beijing Patentee after: Shougang Group Co. Ltd. Address before: 100041 Shijingshan Road, Shijingshan District, Shijingshan District, Beijing Patentee before: Capital Iron & Steel General Company |