CN102998119A - 一种基于复合q因子基算法的轴承故障诊断方法 - Google Patents
一种基于复合q因子基算法的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN102998119A CN102998119A CN2012105150716A CN201210515071A CN102998119A CN 102998119 A CN102998119 A CN 102998119A CN 2012105150716 A CN2012105150716 A CN 2012105150716A CN 201210515071 A CN201210515071 A CN 201210515071A CN 102998119 A CN102998119 A CN 102998119A
- Authority
- CN
- China
- Prior art keywords
- factor
- composition
- factor base
- signal
- 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.)
- Granted
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于复合Q因子基算法的轴承故障诊断方法。本发明将轴承故障非平稳信号表示成高共振成分(轴承正常部分旋转引起的随机振动及强噪声)和低共振成分(故障冲击成分)的混合。高共振成分的Q因子高,低共振成分的Q因子低,进而依据轴承故障信号的不同结构成分的振荡程度自适应地构造复合Q因子基(高Q因子基及低Q因子基)对故障信号进行处理,用高Q因子基匹配出其高共振成分(轴承正常部分旋转引起的随机振动及强噪声),利用低Q因子基匹配出其低共振成分(故障冲击成分),继而对低共振成分(冲击信号成分)解调提取轴承故障非平稳信号的故障信息进行故障诊断。
Description
技术领域
本发明涉及一种轴承故障诊断方法,特别涉及一种基于复合Q因子基算法的轴承故障诊断方法。
背景技术
轴承是旋转机械设备的重要组成部件,对其运转状态的检测和故障诊断具有很重要的意义。轴承的故障振动信号是一类典型的非平稳信号,较平稳信号而言,其分布参数或者分布规律随时间发生变化,工程实际中所接触的信号往往也是非平稳信号,所以此类信号的研究对于工程应用具有极其重要的意义。
在传统的对信号进行分析的方法中,基本上都是基于频率不同对信号进行分析,例如经典的小波变换,Hilbert-Huang变换等,然而对于复杂的非平稳信号而言,其是由持续振荡成分(高共振成分)和非持续振荡的瞬态成分(低共振成分)混合而成的。图1说明了信号共振的概念(其中,Q因子定义为中心频率fc和它带宽的比值,即Q=fc/BW),脉冲1(高频信号)和脉冲3(低频信号)只包含一个周期的正弦波,我们将它们定义为低共振信号(Q因子值为1.15),因为它们没有表现持续振荡的状态,脉冲2(高频信号)和脉冲4(低频信号)包含五个周期的正弦波(Q因子值为4.6),我们将它们定义为高共振信号,因为它们表现持续振荡的状态。即高共振信号既可以是高频信号,也可以是低频信号;低共振成分既可以是低频信号,也可以是高频信号,二者的区别不在于频率的不同,而在于它们的持续振荡程度的不同。
轴承故障振动信号结构成分复杂,且具有大量噪声和瞬态特征,属于上述的非平稳信号,其高共振成分和低共振成分存在频率重叠,利用基于频率不同的算法往往难以实现不同结构成分分离,进而提取故障特征。
发明内容
为了解决传统的基于频率的信号分析方法在轴承故障诊断中的上述技术问题,本发明提供了一种基于复合Q因子基的轴承故障诊断方法。
本发明解决上述技术问题的技术方案包括利用Matlab编程构造合适的复合Q因子基、对轴承故障非平稳信号进行基于复合Q因子基的稀疏分解、提取故障冲击分量信号、解调得到故障特征等步骤。
其中分解算法包括以下步骤:
(1)根据待分析信号的结构特点自适应地构造复合Q因子基;
(2)将原始信号x(t)在复合Q因子基上进行分解;
(3)利用相应的Q因子基提取出故障冲击信号成分。
(4)对提取出的故障冲击信号成分进行解调分析得到故障特征。
轴承振动信号主要由轴承的旋转运动引起,故障轴承振动信号中还会出现冲击和瞬态振动特征,其由高共振成分(轴承正常部分旋转引起的随机振动及强噪声)和低共振成分(故障冲击成分)组成,针对此特点,选择由高Q因子基及低Q因子基组成复合Q因子基,利用高Q因子基匹配出其高共振成分,利用低Q因子基匹配出其低共振成分。
有效表示高共振成分和低共振成分需要构造两组合适的基,高共振成分的有效表示需要一组全是包含高Q因子的基函数,这样的基可以通过对单个高Q因子的脉冲进行平移和时间尺度变换得到,在这组基中,所有的基函数的Q因子都相同,类似地,低共振成分的有效表示需要一组全是包含低Q因子的基函数。即为了对轴承故障非平稳信号进行有效的分析,需要构造一组能够有效匹配其持续振荡成分(高共振成分)的高Q因子基和一组能够匹配其非持续振荡的瞬态成分(低共振成分)的低Q因子基。本发明中我们利用复合Q因子的小波变换产生相应的高Q因子基及低Q因子基。
利用复合Q因子的小波变换设计构造相应的高Q因子基及低Q因子基。复合Q因子的小波变换利用一系列两通道滤波库,一个高共振成分滤波库,一个低共振成分滤波库,通过Matlab编程实现滤波库的构造;对非平稳信号进行处理,其中Q= (2-β)/β,r=β/(1-α),α,β分别是低通滤波库和高通滤波库的尺度参数,r是滤波库的冗余度系数;
选取调整滤波器的尺度参数α,β,其中α取值范围为0-1,β取值范围为0-1,使得匹配提取出的低共振冲击成分的峭度指标和脉冲指标最大,从而设计构造出相应的高Q因子基及低Q因子基,匹配提取出非平稳信号的高共振成分和低共振成分。
本发明的技术效果在于:将轴承故障非平稳信号表示成高共振成分(轴承正常部分旋转引起的随机振动及强噪声)和低共振成分(故障冲击成分)的混合。高共振成分的Q因子高,低共振成分的Q因子低,进而依据轴承故障信号的不同结构成分的振荡程度自适应地构造复合Q因子基(高Q因子基及低Q因子基)对故障信号进行处理,用高Q因子基匹配出其高共振成分(轴承正常部分旋转引起的随机振动及强噪声),利用低Q因子基匹配出其低共振成分(故障冲击成分),继而对低共振成分(冲击信号成分)解调提取轴承故障非平稳信号的故障信息进行故障诊断。
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。
图1是本发明的高共振信号及低共振信号的诠释图。
图2是本发明构造的高低Q因子基。
图3是本发明的基于复合Q因子基算法的轴承故障诊断方法整体流程图。
图4是本发明中模拟的存在外圈点蚀故障的轴承振动信号的时域波形及频谱图。
图5是本发明中对外圈点蚀故障提取出冲击成分的时域图及频谱图。
图6是本发明中对外圈点蚀故障冲击分量进行解调处理得到的解调谱。
具体实施方式
图1是本发明的高共振信号及低共振信号的诠释图。说明了信号共振的概念,脉冲1(高频信号)和脉冲3(低频信号)只包含一个周期的正弦波,我们将它们定义为低共振信号(Q因子值为1.15),因为它们没有表现持续振荡的状态,脉冲2(高频信号)和脉冲4(低频信号)包含五个周期的正弦波(Q因子值为4.6),我们将它们定义为高共振信号,因为它们表现持续振荡的状态。
利用复合Q因子的小波变换产生相应的高Q因子基及低Q因子基。复合Q因子的小波变换利用一系列两通道滤波库(一个高共振成分滤波库,一个低共振成分滤波库)对非平稳信号进行处理,根据所分析信号的特征,通过选取调整滤波器的尺度参数α,β,使得匹配提取出的低共振冲击成分的峭度指标和脉冲指标最大(峭度指标和脉冲指标,均能反映信号中冲击能量的大小。其特征值越大,说明故障信息越突出,提取的冲击性信号越明显),从而设计构造出相应的高Q因子基及低Q因子基。
r=β/(1-α)
Q= (2-β)/β
在本发明所处理的轴承外圈故障信号中,当选取α1=0.833, β1=0.5(Q1=3,r1=3)和α1=0.667, β1=1(Q2=1,r2=3)时,提取得到的低共振冲击成分的峭度指标和脉冲指标最大(分别为38.6944和45.5503,原始信号的峭度指标和脉冲指标仅分别为11.3701和10.9185),而α,β选取其它值时,提取的低共振成分的峭度指标和脉冲指标都分别比38.6944和45.5503小,从而设计构造相应地高Q因子基(Q=3,r=3)和低Q因子基(Q=1,r=3) 对待分析信号进行稀疏分解,匹配提取出轴承外圈故障非平稳信号的高共振成分和低共振成分。
图2是本发明构造的高低Q因子基(高Q因子基值为3,低Q因子基值为1),从图2可以看出,高Q因子基及低Q因子基的持续振荡程度不一样,从而可以利用复合Q因子的小波变换,构造相应的高Q因子基及低Q因子基,自适应的提取出信号中的低共振成分(故障冲击成分)。
图3为本发明的基于复合Q因子基算法的轴承故障诊断方法整体流程图。下面结合流程图对基于复合Q因子基算法的轴承故障诊断方法的原理进行详细说明。
(1)利用加速度振动传感器对齿轮箱轴承进行测量,获得振动加速度信号作为待分析信号x(t),采样长度定为2的整数次方,根据轴承转速设定采样频率;
(2)轴承振动信号主要由轴承的旋转运动引起,故障轴承振动信号中还会出现冲击和瞬态振动特征,其由高共振成分(轴承正常部分旋转引起的随机振动及强噪声)和低共振成分(故障冲击成分)组成,针对信号的结构特点,自适应的选择匹配提取高共振成分的高Q因子基及匹配提取低共振成分的低Q因子基。
(3)利用高Q因子基匹配提取信号的高共振成分,低Q因子基匹配提取信号的低共振成分(故障冲击成分),并将故障冲击成分进行解调处理即可提取出故障特征。
图4是轴承试验台的一个外圈点蚀故障的轴承振动信号x(t)时域波形及频谱图,其中电动机转速n=1496r/min,轴承的大经D=80mm,小径d=35mm,滚动体个数Z=8,接触角a=0度。将上述参数代入相应的故障特征频率计算公式,计算出轴承外圈故障特征频率为76.88Hz。采样频率为15360Hz,采样点数为8192点。可以看出,在噪声影响下,周期性冲击特征并不明显。采用基于复合Q因子基的信号稀疏分解算法分解信号。
图5为低Q因子基匹配提取出的冲击成分波形及频谱图。
图6为冲击分量解调谱,可以看出,故障特征频率76.88Hz(外圈故障特征频率)及谐频清晰可见,从而实现故障特征提取。
Claims (2)
1.一种基于复合Q因子基算法的轴承故障诊断方法,包括以下步骤:
(1)采集轴承故障振动信号作为待分析信号;
(2)对待分析信号进行复合Q因子基算法的稀疏分解,得到高共振成分即轴承正常部分旋转引起的随机振动及强噪声和低共振成分即故障冲击成分;
(3)对低共振成分进行解调处理得到故障特征。
2.根据权利要求1所述的复合Q因子基算法的轴承故障诊断方法,所述步骤(2)中复合Q因子基由高Q因子基及低Q因子基组成。
利用复合Q因子的小波变换设计构造相应的高Q因子基及低Q因子基。复合Q因子的小波变换利用一系列两通道滤波库,一个高共振成分滤波库,一个低共振成分滤波库,通过Matlab编程实现滤波库的构造;对非平稳信号进行处理,其中Q= (2-β)/β,r=β/(1-α),α,β分别是低通滤波库和高通滤波库的尺度参数,r是滤波库的冗余度系数;
选取调整滤波器的尺度参数α,β,其中α取值范围为0-1,β取值范围为0-1,使得匹配提取出的低共振冲击成分的峭度指标和脉冲指标最大,从而设计构造出相应的高Q因子基及低Q因子基。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210515071.6A CN102998119B (zh) | 2012-12-04 | 2012-12-04 | 一种基于复合q因子基算法的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210515071.6A CN102998119B (zh) | 2012-12-04 | 2012-12-04 | 一种基于复合q因子基算法的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102998119A true CN102998119A (zh) | 2013-03-27 |
CN102998119B CN102998119B (zh) | 2015-10-28 |
Family
ID=47926974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210515071.6A Active CN102998119B (zh) | 2012-12-04 | 2012-12-04 | 一种基于复合q因子基算法的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102998119B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
CN104075889A (zh) * | 2014-07-16 | 2014-10-01 | 北京工业大学 | 一种基于故障特征的零空间轴承复合故障诊断方法 |
CN104089775A (zh) * | 2014-06-30 | 2014-10-08 | 石家庄铁道大学 | 基于电流模式的轴承故障诊断用共振解调器 |
CN104111172A (zh) * | 2014-07-17 | 2014-10-22 | 北京工业大学 | 一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法 |
CN105841803A (zh) * | 2016-03-15 | 2016-08-10 | 大连理工大学 | 基于品质因子最小化的加工振动信号分解方法 |
CN109100144A (zh) * | 2018-08-01 | 2018-12-28 | 江苏大学 | 基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法 |
CN109708891A (zh) * | 2019-01-30 | 2019-05-03 | 华南理工大学 | 一种柔性椭圆轴承滚道故障诊断方法 |
CN111220383A (zh) * | 2019-11-14 | 2020-06-02 | 东华大学 | 基于振荡共振理论的传动设备微弱故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
US8073634B2 (en) * | 2008-09-22 | 2011-12-06 | University Of Ottawa | Method to extract target signals of a known type from raw data containing an unknown number of target signals, interference, and noise |
CN102539150A (zh) * | 2012-01-17 | 2012-07-04 | 电子科技大学 | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 |
CN102778356A (zh) * | 2012-08-06 | 2012-11-14 | 西安交通大学 | 增强随机共振系统以及基于该系统的机械故障诊断方法 |
-
2012
- 2012-12-04 CN CN201210515071.6A patent/CN102998119B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8073634B2 (en) * | 2008-09-22 | 2011-12-06 | University Of Ottawa | Method to extract target signals of a known type from raw data containing an unknown number of target signals, interference, and noise |
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
CN102539150A (zh) * | 2012-01-17 | 2012-07-04 | 电子科技大学 | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 |
CN102778356A (zh) * | 2012-08-06 | 2012-11-14 | 西安交通大学 | 增强随机共振系统以及基于该系统的机械故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
IVAN W. SELESNICK: "Resonance-based signal decomposition: A new sparsity-enabled signal analysis method", 《SIGNAL PROCESSING》, vol. 91, no. 12, 31 December 2011 (2011-12-31) * |
IVAN W. SELESNICK: "Wavelet Transform With Tunable Q-Factor", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》, vol. 59, no. 8, 31 August 2011 (2011-08-31) * |
傅勤毅等: "滚动轴承故障特征的小波提取方法", 《机械工程学报》, vol. 37, no. 2, 28 February 2001 (2001-02-28) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
CN104089775A (zh) * | 2014-06-30 | 2014-10-08 | 石家庄铁道大学 | 基于电流模式的轴承故障诊断用共振解调器 |
CN104089775B (zh) * | 2014-06-30 | 2015-07-08 | 石家庄铁道大学 | 基于电流模式的轴承故障诊断用共振解调器 |
CN104075889A (zh) * | 2014-07-16 | 2014-10-01 | 北京工业大学 | 一种基于故障特征的零空间轴承复合故障诊断方法 |
CN104111172A (zh) * | 2014-07-17 | 2014-10-22 | 北京工业大学 | 一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法 |
CN105841803A (zh) * | 2016-03-15 | 2016-08-10 | 大连理工大学 | 基于品质因子最小化的加工振动信号分解方法 |
CN109100144A (zh) * | 2018-08-01 | 2018-12-28 | 江苏大学 | 基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法 |
CN109100144B (zh) * | 2018-08-01 | 2020-06-09 | 江苏大学 | 基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法 |
CN109708891A (zh) * | 2019-01-30 | 2019-05-03 | 华南理工大学 | 一种柔性椭圆轴承滚道故障诊断方法 |
CN111220383A (zh) * | 2019-11-14 | 2020-06-02 | 东华大学 | 基于振荡共振理论的传动设备微弱故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102998119B (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102998119B (zh) | 一种基于复合q因子基算法的轴承故障诊断方法 | |
Gu et al. | Rolling element bearing faults diagnosis based on kurtogram and frequency domain correlated kurtosis | |
CN102937668B (zh) | 一种电力系统低频振荡检测方法 | |
CN102866027B (zh) | 基于lmd和局域时频熵的旋转机械故障特征提取方法 | |
CN103308152B (zh) | 基于瞬时频率估计的旋转机械振动信号角域重采样方法 | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
Zhang et al. | Energy operator demodulating of optimal resonance components for the compound faults diagnosis of gearboxes | |
CN103575523A (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN110940524B (zh) | 一种基于稀疏理论的轴承故障诊断方法 | |
CN105445022A (zh) | 一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法 | |
Jiang et al. | Rolling bearing fault detection using an adaptive lifting multiwavelet packet with a dimension spectrum | |
CN103575987B (zh) | 基于dsp间谐波检测仪器及其检测方法 | |
CN108801634A (zh) | 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用 | |
CN109900447B (zh) | 一种基于谐波信号分解的循环冲击振动检测方法及系统 | |
Zhang et al. | Signal detection based on second-order underdamped tristable stochastic resonance and its application to weak fault diagnosis | |
Ou et al. | Compound fault diagnosis of gearboxes based on GFT component extraction | |
CN107292067B (zh) | 一种基于压缩感知与双谱分析的齿轮故障诊断方法 | |
Liu et al. | Synchronous fault feature extraction for rolling bearings in a generalized demodulation framework | |
Lv et al. | A novel fault diagnosis method for rotating machinery based on EEMD and MCKD | |
Huang et al. | Nonconvex regularized sparse representation in a tight frame for gear fault diagnosis | |
CN102323479B (zh) | 列车谐波电流分析方法 | |
Gu et al. | Weak fault feature extraction of rolling element bearings based on ensemble tunable Q-factor wavelet transform and non-dominated negentropy | |
CN109728860B (zh) | 一种基于采集终端检测装置的通讯干扰抑制方法 | |
Han et al. | Feature extraction method for weak mechanical fault signal based on double coupled Duffing oscillator and EMD | |
Li et al. | The research of weak fault signal detection based on the Duffing oscillator coupled synchronization |
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 |