CN102778356A - 增强随机共振系统以及基于该系统的机械故障诊断方法 - Google Patents
增强随机共振系统以及基于该系统的机械故障诊断方法 Download PDFInfo
- Publication number
- CN102778356A CN102778356A CN2012102845075A CN201210284507A CN102778356A CN 102778356 A CN102778356 A CN 102778356A CN 2012102845075 A CN2012102845075 A CN 2012102845075A CN 201210284507 A CN201210284507 A CN 201210284507A CN 102778356 A CN102778356 A CN 102778356A
- Authority
- CN
- China
- Prior art keywords
- stochastic resonance
- enhanced random
- output
- resonator system
- resonance system
- 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.)
- Granted
Links
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- 238000012360 testing method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种增强随机共振系统以及基于该系统的机械故障诊断方法,本发明将多个随机共振系统有机结合用来增强微弱信号,其中,前一级随机共振的输出作为后一级的输入,然后利用增强随机共振技术提取机械设备的故障信息,进而实现机械设备故障的有效诊断。这种方法克服了强噪声背景下微弱信号提取难的问题,使被噪声淹没的微弱故障信息得到放大,对机械设备的早期故障诊断具有重要意义。
Description
技术领域
本发明属于机械设备故障诊断领域,涉及一种增强随机共振系统以及基于该系统的机械故障诊断方法。
背景技术
机械设备是国民经济要素的重要组成部分,承载着创造物质财富和改善人类生活质量的特殊历史使命,机械设备一旦出现故障,后果不堪设想。机械设备通常运行在低速重载等恶劣工况下,由于复杂多变的振动传输路径、恶劣工况下的强背景噪声、多振动源的激励和响应的相互耦合、以及测试噪声和人为干扰等诸多因素的影响,导致故障诊断中实际获取到的必然是信噪比极低、特征非常微弱的噪声污染信号。
现有的特征提取方法主要从消除噪声的角度出发来检测故障特征,已经在微弱特征提取和故障诊断中表现出了优良的特性,然而对于噪声重度污染的微弱特征信号,一味的降噪虽然在一定程度上降低了的噪声,但也削弱了特征信号,效果不好。
随机共振是一种利用噪声来增强微弱信号的新理论。它描述这样一种现象:在非线性系统中,当噪声强度逐渐增大时,输出信噪比不降反升,并且在某个强度时信噪比达到一个峰值,此时输入信号、噪声及非线性系统三者达到最佳匹配关系,当噪声继续增大时,信噪比又开始下降。与传统方法相比,随机共振反其道而行之,能将噪声信号中的部分噪声能量向微弱特征信号转移,在削弱噪声的同时,又强化了微弱特征,实现了微弱特征的有效检测。
简单理解,随机共振是将高频噪声能量向低频转移从而放大低频信号以达到检测目的,可以将随机共振看做一个特殊的低通滤波器。低频能量增大以后,其中被噪声淹没的微弱特征就会显现出来。利用随机共振处理可以有效提取微弱特征的优良特性,有针对性的分析机械设备拾取到的信噪比较低信号,实现机械设备的故障诊断。
实际在处理信噪比极低的微弱信号时,单一随机共振的效果往往达不到我们的预期目标,会对诊断结果的准确性造成一定的影响,有时会发生误诊断。
鉴于以上缺陷,实有必要提供一种增强随机共振系统以及基于该系统的机械故障诊断方法以解决以上技术问题。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种增强随机共振系统以及基于该系统的机械故障诊断方法。该方法针对强背景噪声下的微弱特征提取问题,利用多个随机共振系统的有机结合来提高其处理效果,根据提取到的故障特征判断机械设备的运行状态,进而完成故障诊断。
本发明的技术方案如下:
一种增强随机共振系统,所述增强随机共振系统包括多个随机共振系统,其中,第一级随机共振系统的输出结果作为第二级随机共振系统的输入,第二级随机共振系统的输出结果作为第三级随机共振系统的输入,以此类推,最后一级随机共振系统的输出为增强随机共振系统的输出。一种增强随机共振系统的机械故障诊断方法,包括以下步骤:
(1)计算待诊断机械设备的故障特征频率,提取待诊断机械设备的振动数据作为增强随机共振系统的输入,增强随机共振系统的输出为与振动数据相应的数据结果;
(2)对增强随机共振的数据结果进行傅里叶变换,取其频谱,然后计算信噪比,将该信噪比与历史正常数据对比,完成机械设备的故障诊断。
在步骤(1)中,所述提取的振动数据首先经过希尔伯特变换得到包络谱数据,然后将该包络谱数据作为增强随机共振系统的输入。
与现有技术相比,本发明增强随机共振系统以及基于该系统的机械故障诊断方法至少具有以下优点:本发明系统将多个随机共振系统有机结合用来增强微弱信号,利用增强随机共振技术提取机械设备的故障信息,进而实现机械设备的故障诊断。这种方法克服了强噪声背景下微弱信号提取难的问题,使被噪声淹没的微弱故障信息得到放大,实现了机械设备的早期故障诊断。
附图说明
图1为本发明一种基于增强随机共振系统的机械故障诊断方法的流程图;
图2为原始信号的时域波形、频谱及包络谱图;
图3为三级增强随机共振系统效果图;
图4为增强随机共振处理历史正常数据效果图;
图5为经验模式分解处理数据对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明增强随机共振系统包括多个随机共振系统,其中,第一级随机共振系统的输出结果作为第二级随机共振系统的输入,第二级随机共振系统的输出结果作为第三级随机共振系统的输入,以此类推,最后一级随机共振系统的输出为增强随机共振系统的输出。
所述基于增强随机共振系统的机械故障诊断方法包括以下步骤:
1)计算机械设备的故障特征频率,将现场测试得到的待诊断机械设备的振动数据输入到增强随机共振系统中进行分析处理;
2)对增强随机共振的处理结果进行频谱,然后计算信噪比,将该信噪比与历史正常数据的结果相对比,完成机械设备的故障诊断。
根据上述发明内容和图1的基于一种基于增强随机共振技术的机械故障诊断方法的流程图,首先根据机械设备的自身参数与运行工况计算待诊断部件的故障特征频率,然后将现场测得的振动数据输入到增强随机共振系统中,其中,第一级随机共振的输出作为第二级随机共振的输入,第二级的输出作为第三级的输入,依此类推,最后一级的输出就是增强随机共振的输出结果,从增强随机共振的输出频谱中观察是否出现了故障特征频率对应的明显谱线,同时计算输出信噪比,将其与历史正常状态计算得到的输出信噪比相比较,完成机械设备的故障诊断。
作为本发明的优选实施例,所述增强随机共振系统的输入可以是将振动数据进行希尔伯特变换后的数据,以增强最终结果的准确性。
以铁路某型货车的轮对轴承检测为例,轴承型号SKF197726,采用液压驱动的方式,驱动轮转速约为300rpm,可以获得其键相信号,驱动轮与轴承外圈的直径比为20:23,在轴承端盖侧面利用加速度传感器采集振动数据,采样频率为6K。
首先,根据轴承参数和测试工况计算得到其故障特征频率如表1所示。
表1:轴承故障特征频率
内圈故障频率 | 51.6Hz |
外圈故障频率 | 39.69Hz |
滚动体故障频率 | 16.98Hz |
保持架故障频率 | 1.985Hz |
对轴承是否出现内圈故障进行检测,常用的方法是包络解调技术,图2为实际信号的(a)原始波形、(b)频谱及(c)包络谱图。其中,时域波形上没有出现明显的冲击成分,频谱上对应的内圈特征频率51.6Hz处不存在高谱峰,包络谱图上轴承转频及内圈特征频率成分都不明显,同时经过计算,包络谱上的特征频率处的信噪比极低。因此,常用方法无法诊断轴承内圈是否出现了故障。
其次,利用基于增强随机共振的机械故障诊断方法进行检测,取轴承的包络谱数据输入到增强随机共振系统中,增强级数为3,每一级对其处理的数据单独选取最优的系统参数。将第一级随机共振的输出作为第二级随机共振的输入,第二级的输出作为第三级的输入,第三级的输出即为增强随机共振的输出。
图3为三级增强随机共振的处理结果,其中,(a)为第一级随机共振处理后的时域波形,(b)为其对应的频谱,(c)为第二级随机共振的输出时域波形,(d)为对应的频谱,(e)和(f)分别为第三级随机共振的输出波形及频谱,(f)图也是增强随机共振系统的输出结果。时域波形的周期性随着级数的增加越来越明显,从其频谱图中观察,每一级中都出现了比较高的谱峰,同时主谱峰周围的幅值都较小,但随着级数的增加,主谱峰相对其周围越来越明显,经计算,其信噪比分别为Snr1=7.4,Snr2=8.5,Snr3=9.2,呈现逐渐上升的趋势。由于随机共振系统相当于一个特殊的低通滤波器,每一级的总能量逐渐降低,这就是幅值下降的原因,因此,特征频率的谱峰高度不能作为评价结果的标准。
最后,结合轴承内圈故障分析输出结果,频谱中51.8Hz的高谱峰正好对应于轴承的内圈故障51.6Hz,初步判断轴承内圈存在故障。相比于单一随机共振系统,经过增强随机共振系统处理后其信噪比由7.4变为9.2,增加了约25%,说明51.8Hz的频率成分能量很大,证实了轴承内圈故障的诊断结论。
用同样的方法处理历史正常数据,增强随机共振系统的输出结果如图4所示,其频谱上未出现51.6Hz的特征频率,只是其周围存在一些毛刺,而且信噪比很低,与上述结果相对比进一步证实了此轴承存在内圈故障。
为了证明上述发明内容的有效性和优越性,利用经验模式分解(EMD)的方法对所测得的轴承振动数据进行分析,将数据按照由高频到低频逐级分解出来,如图5(a),然后对分解的每一层数据分别做其频谱与包络谱,如图5(b)(c)所示。观察其每一层的数据,时域波形都没有明显冲击,频谱的低频部分也不存在对应的内圈故障频率,包络谱上仍旧没有明显的频率成分。因此,经验模式分解无法有效提取强噪声下的微弱特征成分,根据其结果我们无法判断轴承内圈是否出现了故障。
综上所述,将多个随机共振系统有机结合用来增强微弱信号,然后利用增强随机共振技术提取机械设备的故障信息,进而实现机械设备故障的有效诊断。这种方法克服了强噪声背景下微弱信号提取难的问题,使被噪声淹没的微弱故障信息得到放大,对机械设备的早期故障诊断具有重要意义。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (3)
1.一种增强随机共振系统,其特征在于:所述增强随机共振系统包括多个随机共振系统,其中,第一级随机共振系统的输出结果作为第二级随机共振系统的输入,第二级随机共振系统的输出结果作为第三级随机共振系统的输入,以此类推,最后一级随机共振系统的输出为增强随机共振系统的输出。
2.一种基于权利要求1所述的增强随机共振系统的机械故障诊断方法,其特征在于:包括以下步骤:
(1)计算待诊断机械设备的故障特征频率,提取待诊断机械设备的振动数据作为增强随机共振系统的输入,增强随机共振系统的输出为与振动数据相应的数据结果;
(2)对增强随机共振的数据结果进行傅里叶变换,取其频谱,然后计算信噪比,将该信噪比与历史正常数据对比,完成机械设备的故障诊断。
3.如权利要求2所述一种基于增强随机共振系统的机械故障诊断方法,其特征在于,在步骤(1)中,所述提取的振动数据首先经过希尔伯特变换得到包络谱数据,然后将该包络谱数据作为增强随机共振系统的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210284507.5A CN102778356B (zh) | 2012-08-06 | 2012-08-06 | 增强随机共振系统以及基于该系统的机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210284507.5A CN102778356B (zh) | 2012-08-06 | 2012-08-06 | 增强随机共振系统以及基于该系统的机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102778356A true CN102778356A (zh) | 2012-11-14 |
CN102778356B CN102778356B (zh) | 2015-07-01 |
Family
ID=47123342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210284507.5A Expired - Fee Related CN102778356B (zh) | 2012-08-06 | 2012-08-06 | 增强随机共振系统以及基于该系统的机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102778356B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998119A (zh) * | 2012-12-04 | 2013-03-27 | 北京工业大学 | 一种基于复合q因子基算法的轴承故障诊断方法 |
CN103412057A (zh) * | 2013-07-19 | 2013-11-27 | 西安交通大学 | 基于随机共振和移动最小二乘的弱振荡衰减信号参数识别 |
CN105181334A (zh) * | 2015-09-21 | 2015-12-23 | 燕山大学 | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 |
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
CN106203325A (zh) * | 2016-07-07 | 2016-12-07 | 燕山大学 | 基于增强级联多稳随机共振的微弱故障信号特征提取方法 |
CN106525426A (zh) * | 2016-12-06 | 2017-03-22 | 安徽大学 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
CN106872199A (zh) * | 2017-02-10 | 2017-06-20 | 河南理工大学 | 一种机电设备非线性故障预测方法 |
CN107300467A (zh) * | 2017-06-19 | 2017-10-27 | 苏州微著设备诊断技术有限公司 | 一种低速重载传动装置故障诊断方法 |
CN109238715A (zh) * | 2018-10-31 | 2019-01-18 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN110196173A (zh) * | 2019-05-05 | 2019-09-03 | 成都大学 | 一种基于自学习的强噪声环境机器运行故障在线检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6008642A (en) * | 1997-08-25 | 1999-12-28 | The United States Of America As Represented By The Secretary Of The Navy | Stochastic resonance detector for weak signals |
CN1595179A (zh) * | 2004-07-09 | 2005-03-16 | 天津大学 | 用于信息检测的级联双稳系统 |
CN101561314A (zh) * | 2009-05-12 | 2009-10-21 | 中国人民解放军国防科学技术大学 | 随机共振-混沌微弱信号检测方法 |
-
2012
- 2012-08-06 CN CN201210284507.5A patent/CN102778356B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6008642A (en) * | 1997-08-25 | 1999-12-28 | The United States Of America As Represented By The Secretary Of The Navy | Stochastic resonance detector for weak signals |
CN1595179A (zh) * | 2004-07-09 | 2005-03-16 | 天津大学 | 用于信息检测的级联双稳系统 |
CN101561314A (zh) * | 2009-05-12 | 2009-10-21 | 中国人民解放军国防科学技术大学 | 随机共振-混沌微弱信号检测方法 |
Non-Patent Citations (3)
Title |
---|
何慧龙等: "级联双稳随机共振系统非线性滤波特性", 《吉林大学学报》 * |
赵艳菊等: "级联双稳随机共振降噪下的经验模式分解", 《天津大学学报》 * |
邱阿瑞: "电机滚动轴承故障诊断的新方法", 《中小型电机》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998119B (zh) * | 2012-12-04 | 2015-10-28 | 北京工业大学 | 一种基于复合q因子基算法的轴承故障诊断方法 |
CN102998119A (zh) * | 2012-12-04 | 2013-03-27 | 北京工业大学 | 一种基于复合q因子基算法的轴承故障诊断方法 |
CN103412057A (zh) * | 2013-07-19 | 2013-11-27 | 西安交通大学 | 基于随机共振和移动最小二乘的弱振荡衰减信号参数识别 |
CN103412057B (zh) * | 2013-07-19 | 2015-11-25 | 西安交通大学 | 基于随机共振和移动最小二乘的弱振荡衰减信号参数识别 |
CN105181334A (zh) * | 2015-09-21 | 2015-12-23 | 燕山大学 | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 |
CN105825197B (zh) * | 2016-03-29 | 2019-01-08 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
CN106203325A (zh) * | 2016-07-07 | 2016-12-07 | 燕山大学 | 基于增强级联多稳随机共振的微弱故障信号特征提取方法 |
CN106525426B (zh) * | 2016-12-06 | 2018-02-09 | 安徽大学 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
CN106525426A (zh) * | 2016-12-06 | 2017-03-22 | 安徽大学 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
CN106872199A (zh) * | 2017-02-10 | 2017-06-20 | 河南理工大学 | 一种机电设备非线性故障预测方法 |
CN107300467A (zh) * | 2017-06-19 | 2017-10-27 | 苏州微著设备诊断技术有限公司 | 一种低速重载传动装置故障诊断方法 |
CN109238715A (zh) * | 2018-10-31 | 2019-01-18 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN109238715B (zh) * | 2018-10-31 | 2024-01-26 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN110196173A (zh) * | 2019-05-05 | 2019-09-03 | 成都大学 | 一种基于自学习的强噪声环境机器运行故障在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102778356B (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102778356A (zh) | 增强随机共振系统以及基于该系统的机械故障诊断方法 | |
Song et al. | Vibration-based intelligent fault diagnosis for roller bearings in low-speed rotating machinery | |
Amarnath et al. | Empirical mode decomposition of acoustic signals for diagnosis of faults in gears and rolling element bearings | |
Yin et al. | Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising | |
Zheng et al. | Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD | |
Hemmati et al. | Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation | |
Guo et al. | A compound fault diagnosis method of rolling bearing based on wavelet scattering transform and improved soft threshold denoising algorithm | |
Yan et al. | Energy-based feature extraction for defect diagnosis in rotary machines | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
Yan et al. | A feature selection framework-based multiscale morphological analysis algorithm for fault diagnosis of rolling element bearing | |
CN102269655A (zh) | 一种轴承故障的诊断方法 | |
Pang et al. | Enhanced singular spectrum decomposition and its application to rolling bearing fault diagnosis | |
CN104792528A (zh) | 一种自适应最优包络解调方法 | |
CN111238812B (zh) | 一种滚动轴承保持架故障的自诊断方法 | |
CN105181334A (zh) | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 | |
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 | |
CN104281775B (zh) | 一种基于参数补偿多稳随机共振系统的微弱信号检测方法 | |
CN106203325A (zh) | 基于增强级联多稳随机共振的微弱故障信号特征提取方法 | |
Gelman et al. | Diagnostics of local tooth damage in gears by the wavelet technology | |
Djemili et al. | A wind turbine bearing fault detection method based on improved CEEMDAN and AR-MEDA | |
Hemmati et al. | Rolling element bearing condition monitoring using acoustic emission technique | |
DE102021200649A1 (de) | Verfahren und Steuereinrichtung zur Schadenserkennung an einem Bauteil | |
Osman et al. | A new Hilbert-Huang transform technique for fault detection in rolling element bearings | |
CN110887651A (zh) | 一种基于传感器共振滤波的转子故障微弱信号提取方法 | |
Wu et al. | The bearing fault diagnosis of rotating machinery by using Hilbert-Huang 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150701 |