CN103674550B - 一种滚动轴承静电监测信号实时混合去噪方法 - Google Patents
一种滚动轴承静电监测信号实时混合去噪方法 Download PDFInfo
- Publication number
- CN103674550B CN103674550B CN201310680168.7A CN201310680168A CN103674550B CN 103674550 B CN103674550 B CN 103674550B CN 201310680168 A CN201310680168 A CN 201310680168A CN 103674550 B CN103674550 B CN 103674550B
- Authority
- CN
- China
- Prior art keywords
- signal
- real time
- electrostatic
- frequency
- rolling bearing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000005096 rolling process Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 206010038743 Restlessness Diseases 0.000 claims abstract description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000006698 induction Effects 0.000 abstract description 6
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010003830 Automatism Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种滚动轴承静电监测信号实时混合去噪方法。该方法包括：采用自适应谱插值法实时抑制静电感应信号中的工频干扰分量；根据系统实时性要求，将静电感应信号分为若干小段，对每段信号运用奇异值差分谱法滤除宽频背景噪声；采用中值滤波滤除脉冲噪声。本发明在保证系统实时性要求的条件下，有效去除静电感应信号中混有的不同类型噪声干扰，提高了静电监测技术的早期故障识别能力。
Description
技术领域
本发明涉及一种滚动轴承静电监测信号实时混合去噪方法，属于信号处理技术领域。
背景技术
滚动轴承作为旋转机械关键部件，其运行状态往往直接影响到整台设备的精度、可靠性及寿命。由于滚动轴承的寿命离散性很大，定时维修会造成“过度维修”或者“维修不足”，因此，对滚动轴承进行状态监测具有重要意义。
随着科技发展，大量行之有效的技术被应用于滚动轴承的状态监测，主要有振动监测，声发射技术，温度测量，磨损颗粒分析等，其中振动监测应用最为广泛，同时振动信号多种时频域分析方法有效地提高了其故障识别能力，但是振动监测方法仅能监测滚动轴承相对严重故障，如裂纹，麻点，表面剥落等。目前，一种基于静电感应的监测技术以其高灵敏性为滚动轴承的状态监测提供了一种新的方法，静电监测能够早于振动监测发现故障征兆。但是噪声干扰问题影响了静电监测技术的早期故障识别能力，因此静电信号去噪方法对于促进静电监测技术的应用具有重要意义。
经过对现有技术的检索发现，文献“轴承钢早期胶合故障静电在线监测方法及试验”，发表于2012年9月15日，摩擦学学报，首次提出了运用奇异值差分谱方法对磨损区域静电信号进行去噪，取得了比较良好的效果，但是此方法没有考虑工频干扰强烈时，奇异值差分谱法容易错误选取重构分量个数的问题，忽略了脉冲噪声对静电感应信号的影响，同时直接进行奇异值分解运算，计算量大，耗时长，难以满足实时性要求。
发明内容
本发明针对现有技术存在的不足，提出了一种滚动轴承静电监测信号实时混合去噪方法，综合运用多种方法滤除静电感应信号中混有的工频干扰、背景噪声以及脉冲噪声等，有效地提高了静电监测技术早期故障识别能力。
本发明为解决其技术问题采用如下技术方案：
一种滚动轴承静电监测信号实时混合去噪方法，包括如下步骤：
(1)采用自适应谱插值法实时抑制静电信号工频干扰分量，所述自适应谱插值法步骤如下：
(1.1)对原始静电信号进行傅里叶变换，计算其频谱；
(1.2)以频率分辨率为步长，在45Hz到50Hz内自动搜寻频率幅值最大点作为工频准确频率；
(1.3)将到频率内每一点的幅值采用插值结果进行代替，而相位保持不变；
(1.4)对插值后的频谱进行傅里叶反变换，得到消除工频后的静电信号；
(2)根据系统实时性要求将信号分解成若干小段，每段信号长度不超过1024点，对每一小段信号运用奇异值差分谱法滤除宽频背景噪声；
(3)对上述去噪后每一小段信号采用中值滤波去除脉冲噪声，重构信号得到最终去噪信号。
本发明的有益效果如下：
(1)本发明结合静电监测信号的特点，综合运用自适应谱插值，奇异值差分谱和中值滤波等方法，有效去除静电监测信号中混有的不同类型噪声干扰，避免单一方法的局限性，有效提高了滚动轴承早期故障识别能力。
(2)本发明所提自适应谱插值法，自动搜索工频准确频率，增强了谱插值法的实时性和准确性。
(3)本发明在运用奇异值差分谱去噪前，先将信号分解为若干小段，有效避免了奇异值分解和中值滤波计算量大、耗时长的问题，满足了系统实时性需求。
附图说明
图1为本发明滚动轴承静电监测信号实时混合去噪方法流程图。
图2(a)为实例中滚动轴承早期故障静电监测信号波形图；图2(b)为实例中滚动轴承早期故障静电监测信号频谱图。
图3(a)为实例中滚动轴承早期故障静电监测信号去噪后波形图；图3(b)为实例中滚动轴承早期故障静电监测信号去噪后频谱图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
如图1所示，本发明的方法具体实施步骤如下：
(1)采用自适应谱插值法实时去除工频干扰分量
谱插值法假设信号的频谱在工频及相关谐波成分位置处与其相邻的频率成分为连续变化过程。要满足谱插值去噪过程的实时性和自动性，需准确确定工频频率。对原始静电信号进行傅里叶变换，计算其频谱，然后以频率分辨率为步长，在45Hz到50Hz内自动搜寻频率幅值最大点作为工频准确频率，将到频率内每一点的幅值采用线性插值结果进行代替，而相位保持不变；
线性插值方法如下所示：
其中a和b为选择进行插值的两点，，和是和时的已知数据点，是要计算的插值函数值。
(2)将信号分解成若干小段，每段信号长度一般不超过1024点。
(3)运用奇异值差分谱进行去噪
首先对离散数字信号，构造Hankel矩阵如下:
式中1<n<N，令m=N-n+1，则。
然后将此矩阵进行奇异值分解，为了描述奇异值序列的突变情况，定义奇异值差分谱：
其中为Hankel矩阵的奇异值。则将所有形成的序列称为奇异值的差分谱序列，描述了两两相邻的奇异值的变化情况。突变点往往携带有更重要的信息，最大突变点尤其值得关注。这种最大突变点显然代表着理想信号和噪声的分界，在此突变位置之前的奇异值所对应的分量为有用信号，而突变位置之后的其他奇异值所对应的分量则为噪声。
(4)运用中值滤波去除脉冲噪声
本发明成功应用与滚动轴承寿命实验的实时监测中，并取得了良好的去噪效果。试验轴承型号为6207，实验径向载荷20kN，转速3000转/min。采样频率10kHz，每隔1min存储一段长10240点的数据。
图2(a)为滚动轴承早期故障静电监测信号波形图，其中明显包含背景噪声和随机脉冲，对其进行频谱分析，图2(b)为早期故障静电监测信号的频谱图，从中可以看到频谱成分复杂，50Hz工频干扰明显，故障特征频率成分几乎淹没在噪声中，难以据此做出正确的诊断。采用本发明的实时混合去噪方法进行噪声去除，图3(a)为滚动轴承早期故障静电监测信号去噪后波形图，从中可以看到背景噪声和随机脉冲得到抑制，对其进行频谱分析，图3(b)为早期故障静电监测信号去噪后的频谱图，从中可以看到工频得到有效抑制，轴承外圈故障特征频率得到凸显，说明了本发明所提方法的正确性和有效性。
Claims (1)
1.一种滚动轴承静电监测信号实时混合去噪方法，其特征在于，包括如下步骤：
（1）采用自适应谱插值法实时抑制静电信号工频干扰分量，所述自适应谱插值法步骤如下：
（1.1）对原始静电信号进行傅里叶变换，计算其频谱；
（1.2）以频率分辨率为步长，在45Hz到50Hz内自动搜寻频率幅值最大点作为工频准确频率；
（1.3）将到频率内每一点的幅值采用插值结果进行代替，而相位保持不变；
（1.4）对插值后的频谱进行傅里叶反变换，得到消除工频后的静电信号；
（2）根据系统实时性要求将消除工频后的静电信号分解成若干小段，每段信号长度不超过1024点，对每一小段信号运用奇异值差分谱法滤除宽频背景噪声；
（3）对上述去噪后每一小段信号采用中值滤波去除脉冲噪声，重构信号得到最终去噪信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310680168.7A CN103674550B (zh) | 2013-12-16 | 2013-12-16 | 一种滚动轴承静电监测信号实时混合去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310680168.7A CN103674550B (zh) | 2013-12-16 | 2013-12-16 | 一种滚动轴承静电监测信号实时混合去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103674550A CN103674550A (zh) | 2014-03-26 |
| CN103674550B true CN103674550B (zh) | 2015-12-09 |
Family
ID=50312774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310680168.7A Active CN103674550B (zh) | 2013-12-16 | 2013-12-16 | 一种滚动轴承静电监测信号实时混合去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103674550B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107957566A (zh) * | 2017-11-17 | 2018-04-24 | 吉林大学 | 基于频率选择奇异谱分析的磁共振测深信号提取方法 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106596105A (zh) * | 2016-12-23 | 2017-04-26 | 四川中烟工业有限责任公司 | 一种轴承故障诊断方法、装置及系统 |
| CN106895985B (zh) * | 2017-03-10 | 2019-10-25 | 汉威广园(广州)机械设备有限公司 | 高速线材轧机的故障信号降噪重构特征识别方法 |
| CN108287073B (zh) * | 2018-01-24 | 2019-12-27 | 石家庄铁道大学 | 基于奇异值分量频域谱的共振带选择方法 |
| CN108983158B (zh) * | 2018-04-16 | 2021-02-02 | 中国地质大学（武汉） | 一种基于Hankel矩阵奇异值分解的探地雷达噪声抑制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5511010A (en) * | 1994-06-10 | 1996-04-23 | Texas Instruments Incorporated | Method and apparatus of eliminating interference in an undersettled electrical signal |
| CN101034038A (zh) * | 2007-03-28 | 2007-09-12 | 华北电力大学 | 异步电动机轴承故障检测方法 |
-
2013
- 2013-12-16 CN CN201310680168.7A patent/CN103674550B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5511010A (en) * | 1994-06-10 | 1996-04-23 | Texas Instruments Incorporated | Method and apparatus of eliminating interference in an undersettled electrical signal |
| CN101034038A (zh) * | 2007-03-28 | 2007-09-12 | 华北电力大学 | 异步电动机轴承故障检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Reducing power line inteference in digitised electromyogram recordings by spectrum interpolation;D.T.Mewett, et al;《Medical & Biological Engineering & Computing》;20041231;第42卷;第524-531页 * |
| 基于小波分析及奇异值差分谱理论的滚动轴承故障诊断;邵克勇等;《制造业自动化》;20130425;第35卷(第3期);第507-515页 * |
| 基于谱插值与经验模态分解的表面肌电信号降噪处理;李强等;《计算机应用研究》;20100930;第27卷(第9期);第3326-3328页 * |
| 轴承钢早期胶合故障静电在线监测方法及试验;张营等;《摩擦学学报》;20120930;第32卷(第5期);第79-82页 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107957566A (zh) * | 2017-11-17 | 2018-04-24 | 吉林大学 | 基于频率选择奇异谱分析的磁共振测深信号提取方法 |
| CN107957566B (zh) * | 2017-11-17 | 2019-11-05 | 吉林大学 | 基于频率选择奇异谱分析的磁共振测深信号提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103674550A (zh) | 2014-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Adaptive multipoint optimal minimum entropy deconvolution adjusted and application to fault diagnosis of rolling element bearings | |
| Li et al. | Multi-dimensional variational mode decomposition for bearing-crack detection in wind turbines with large driving-speed variations | |
| CN103674550B (zh) | 一种滚动轴承静电监测信号实时混合去噪方法 | |
| Hu et al. | An adaptive spectral kurtosis method and its application to fault detection of rolling element bearings | |
| Yang et al. | Application of Hilbert–Huang transform to acoustic emission signal for burn feature extraction in surface grinding process | |
| Qin et al. | Weak transient fault feature extraction based on an optimized Morlet wavelet and kurtosis | |
| Wang et al. | A time–frequency-based maximum correlated kurtosis deconvolution approach for detecting bearing faults under variable speed conditions | |
| CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| CN104655380A (zh) | 一种旋转机械设备故障特征提取方法 | |
| Jiang et al. | A novel rolling bearing defect detection method based on bispectrum analysis and cloud model-improved EEMD | |
| CN105527077A (zh) | 一种基于振动信号的通用旋转机械故障诊断与检测的方法 | |
| Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
| CN107101827A (zh) | 一种低速重载齿轮裂纹故障在线检测方法 | |
| Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
| Tian et al. | Rolling element bearing fault diagnosis using simulated annealing optimized spectral kurtosis | |
| Ding et al. | Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations | |
| Liu et al. | Asymmetric penalty sparse model based cepstrum analysis for bearing fault detections | |
| 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 | |
| Zhao et al. | Adaptive scaling demodulation transform: Algorithm and applications | |
| CN109596354B (zh) | 基于自适应共振频带识别的带通滤波方法 | |
| Zheng et al. | Zero-phase filter-based adaptive Fourier decomposition and its application to fault diagnosis of rolling bearing | |
| Dayong et al. | Adaptive noise reduction method of synchronous hydraulic motor acoustic signal based on improved dislocation superposition method | |
| CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
| Li et al. | An improved EMD method for fault diagnosis of rolling bearing | |
| Alekseev et al. | Diagnostic features identification algorithm according to vibration parameters of a compressor installation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |