CN103792086A - 基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法 - Google Patents
基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法 Download PDFInfo
- Publication number
- CN103792086A CN103792086A CN201410066346.1A CN201410066346A CN103792086A CN 103792086 A CN103792086 A CN 103792086A CN 201410066346 A CN201410066346 A CN 201410066346A CN 103792086 A CN103792086 A CN 103792086A
- Authority
- CN
- China
- Prior art keywords
- kurtosis
- algorithm
- rolling bearing
- chrom
- quantum
- 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.)
- Pending
Links
Images
Abstract
本发明涉及滚动轴承故障诊断方法,特别涉及一种基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法,基于量子遗传算法收敛速度快、全局寻优能力强的特点和基于FIR滤波器的谱峭度法能得到一定范围内带通滤波器参数的客观事实,将谱峭度法和QGA相结合,以经带通滤波后的原信号的谱峭度作为QGA的适应度函数。通过本发明的方法所得的峭度谱值较传统谱峭度法的峭度谱值高2~3个数量级,且包络谱线更加干净,故障特征频率更加明显。同时研究发现,传统谱峭度法对传感器位置比较敏感,而本发明方法诊断精度几乎不受传感器位置的影响。
Description
技术领域
本发明涉及滚动轴承故障诊断方法,特别涉及一种基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法。
背景技术
包络分析是滚动轴承故障诊断中最常用的方法之一,该方法不仅能给出轴承的损伤程度,而且能进一步指出轴承的损伤部位。在包络分析中带通滤波参数的选择至关重要,严重依赖操作人员的专业知识和以往的经验积累,得出诊断结论不仅费时,且可靠性不高。峭度作为一种统计量,在噪声较小时可以基于对奇异信号的敏感性进行系统的异常检测,但峭度作为一个全局指标无法反映信号某一分量的变化。为克服峭度的不足及功率谱无法检测和提取信号中瞬态现象的问题,谱峭度(Spectral Kurtosis,简写SK)法被Dwyer提出,其基本思路是计算每根谱线的峭度值,从而发现信号中隐藏的非平稳信息,并指出它们出现的频带。直到谱峭度的系统定义和快速算法的提出,谱峭度法在旋转机械故障诊断领域的应用才得到快速发展。但传统谱峭度法存在有限冲击响应(FIR)滤波器数目有限的问题,为此提出了各种改进,如苏文胜和蔡艳平分别用EMD对信号进行预处理并与谱峭度法相结合,对滚动轴承早期故障进行了诊断;王晓冬利用多小波可以更好地与故障特征匹配的特点,重构峭度图实现了滚动轴承故障诊断。
发明内容
本发明针对传统遗传算法易早熟、计算量大、稳定性差的缺点,基于量子遗传算法(Quantum Genetic Algorithm,简写QGA)收敛速度快、全局寻优能力强的特点和基于FIR滤波器的谱峭度法能得到一定范围内带通滤波器参数的客观事实,将谱峭度法和QGA相结合,以经带通滤波后的原信号的谱峭度作为QGA的适应度函数,提出一种滚动轴承故障诊断的新方法。
本发明的技术方案是:
一种基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法,首先对有故障的滚动轴承振动信号进行高频采样及预处理,其特征在于还包括以下步骤:
步骤1:由谱峭度法(SK)得到滤波器的初始参数,生成量子遗传算法(QGA)的初始种群;
步骤2:由观测得到的滤波器参数分别对预处理后的信号滤波,然后进行包络分析,求得各染色体对应的谱峭度作为适应度函数;
步骤3:量子遗传操作
以全干扰交叉的方法生成新的染色体种群,以一定的概率随机选取染色体进行按位取反;用当前最优染色体置换最差染色体完成选择;用量子旋转门更新染色体,使子代染色体取较大适应度值的概率更大;测量并计算适应度,记录最优个体信息;
在量子遗传中,最小的信息存储单元是量子比特。量子比特不仅能处在0或1状态,还能处在二者的任意叠加态上。量子比特的表示方法为:
|ψ>=α|0>+β|1>
其中,α和β可以是复数,分别表示|0>状态和|1>状态的概率幅,且满足归一化条件:
|α|2+|β|2=1
式中,|α|2表示自旋向0的概率,|β|2表示自旋向1的概率。一个长度为m的量子染色体可以同时表示2m个不同的状态。测量的方法为:从[0,1]之间产生一个随机数,若这个数大于|α|2,则染色体相应位测量结果取值为1,否则为0。
用量子比特编码的染色体称作量子染色体。对一规模为n的种群,第t代的量子种群表示为Q(t)={q1 t,q2 t,……qn t},qj t为种群中第j个量子染色体,具体形式可以描述为:
m为染色体的长度。
其中,染色体交叉是为了保持种群多样性,防止早熟收敛。本发明采用全干扰交叉的方法,操作如表1所示。本发明方法利用量子的相干特性,使所有染色体参与到交叉操作中。即使在大多数染色体完全相同的极端情况下,通过交叉操作仍能产生新的染色体。
表1全干扰交叉
量子旋转门是染色体进化的重要手段,本发明取Δθ=0.05π量子旋转门的调整策略,如表2所示。
表2旋转角调整策略
xi、bi分别为当前染色体和最优染色体第i位的测量值;f(x)、f(b)分别是当前染色体和历史最优染色体的适应度值;“*”表示取值任意;s(αiβi)控制旋转门的方向,保证算法收敛。
步骤4:终止判别:达到最大进化代数t则终止循环,否则进化代数加1并返回步骤3。
步骤5:以最佳滤波器参数对预处理信号进行滤波和包络分析,得到包络谱,诊断滚动轴承故障特征频率。
在以上方案的基础上,所述的步骤2中各染色体的对应的谱峭度作为适应度函数为:
其中,Rp为通带最大衰减、Rs为阻带最小衰减、fp1为通带下限频率、fp2为通带上限频率、fs1为阻带下限频率和fs2为阻带上限频率;chrom(i)是对量子染色体第i位观测得到的一位二进制数,Fs是采样频率。
本发明的有益效果是:
本发明的滚动轴承故障的诊断方法,首先通过传统谱峭度法给出带通滤波器初始参数范围,然后利用量子遗传算法的全局寻优能力对带通滤波器参数进行优化,以优化后的带通滤波器对原始信号滤波并进行包络分析,从而实现轴承故障的诊断。所得的峭度谱值较传统谱峭度法的峭度谱值高2~3个数量级,且包络谱线更加干净,故障特征频率更加明显。同时研究发现,传统谱峭度法对传感器位置比较敏感,而本发明方法诊断精度几乎不受传感器位置的影响。
附图说明
附图1为本发明具体实施例1的外圈故障原信号波形及其频谱;
附图2为本发明具体实施例1的外圈故障信号滤波器响应及滤波后的波形;
附图3为本发明具体实施例1的3点钟方向的诊断结果;
附图4为本发明具体实施例1的6点钟方向的诊断结果;
附图5为本发明具体实施例1的12点方向的诊断结果;
附图6为本发明具体实施例2的内圈故障原信号波形及其频谱;
附图7为本发明具体实施例2的内圈故障信号滤波器响应及滤波后的波形;
附图8为本发明方法和传统谱峭度法所得的包络谱线对比;
附图9为本发明具体实施例2的滚动体故障诊断结果;
附图10为本发明诊断方法的流程图。
具体实施方式
本发明的具体实施方式如下:
实施例1:
以Case Western Reserve University(CWRU)的轴承试验数据为例计算分析。试验所用的轴承为SKF的6205-2RS型深沟球轴承。轴承故障分别为由电火花加工的外圈、内圈、滚动体点蚀故障,损伤宽度均为0.18mm。采样时转子的转速为1772r/min,采样率为48kHz,取样长度为70000点,滚动体数为9,滚动体直径为7.94mm,节圆直径为39.04mm。内圈、外圈、滚动体、保持架的特征频率分别为159.9Hz、105.9Hz、139.2Hz、11.76Hz。
轴承外圈固定,内圈随转子一同旋转,对传感器不同测量方向的敏感性,对于外圈故障提取了传感器分别位于3点钟方向、6点钟/载荷方向和12点钟方向的振动数据进行分析。图1为轴承外圈故障3点钟方向的原始信号及其频谱图。
分析图1可以看出,由于噪声和转子自身振动等因素的影响,轴承故障信息被完全淹没,根本无法进行有效诊断。为此,利用本文方法进行最优滤波器设计和故障特征提取。图2为利用本文方法得到的3点钟方向原始信号最优带通滤波器和滤波后的时域波形。
分析图2可以看出,经最优带通滤波后的时域波形与原始信号相比,存在明显的轴承故障冲击特征。图3~图5分别为传感器位于3点钟方向、6点钟/载荷方向和12点钟方向外圈故障的信号,经本发明方法得到的最优滤波包络谱。同时为便于比较将基于谱峭度法得到的包络谱一并列出。
对比分析图3~图5可以看出,对于3点钟方向和6点钟方向的轴承故障信号,利用本发明方法得到的峭度值明显高于传统谱峭度法得到的峭度值,得到的包络谱线量值比传统谱峭度法的量值高2~3个数量级,谱线更加干净,故障特征频率及其倍频非常明显,能够极大提高故障诊断的准确性。对于12点钟的诊断结果,虽然传统谱峭度法的峭度值高于本文方法的峭度值,但本发明方法所得的包络谱线能够清晰地揭示轴承故障特征频率及其倍频,基本消除了与轴承结构参数无关的背景噪声的影响。而传统谱峭度法得到的包络谱线由于背景噪声的影响,很难有效识别故障特征频率。说明本发明方法诊断精度几乎不受传感器位置的影响,而传统谱峭度法对传感器位置比较敏感。同时也进一步说明,在轴承故障诊断中,对于实测信号由于背景噪声等的影响,依靠谱峭度量值单一指标很难进行有效判断。
实施例2:
对实施例1中同一转速下的轴承内圈故障进行了诊断。图6为内圈故障的原始信号及其频谱值,图7为利用本文方法得到的最优滤波器及滤波后的振动信号。图8为本发明方法和传统谱峭度法所得的包络谱线对比。
分析图6~图8,可以进一步得出对于轴承内圈故障本文方法得到的峭度值仍然明显高于传统谱峭度法得到的峭度值。对应的包络谱线量值也比传统谱峭度法的结果高2~3个数量级,谱线更加干净,故障特征频频及其倍频明显。
同时通过对不同转速下的轴承内、外圈故障进行诊断,均可以得到与上述相同的诊断结论,进一步证明了本发明方法的有效性。
对含滚动体故障的轴承数据进行诊断,诊断结果如图9所示。分析图9可以看出,利用本发明方法得到的峭度值也明显高于传统谱峭度法得到的峭度值,相应的包络谱线量值也明显增大。实际信号特征频率137.7Hz比理论值139.2Hz小约1%,分析原因,极有可能是由滚动体打滑造成的,与滚动轴承1%~2%的打滑率经验值相吻合。
Claims (2)
1.一种基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法,首先对有故障的滚动轴承
振动信号进行高频采样及预处理,其特征在于还包括以下步骤:
步骤1:由谱峭度法(SK)得到滤波器的初始参数,生成量子遗传算法(QGA)的初始种群;
步骤2:由观测得到的滤波器参数分别对预处理后的信号滤波,然后进行包络分析,求得各染色体对应的谱峭度作为适应度函数;
步骤3:量子遗传操作
以全干扰交叉的方法生成新的染色体种群,以一定的概率随机选取染色体进行按位取反;用当前最优染色体置换最差染色体完成选择;用量子旋转门更新染色体,使子代染色体取较大适应度值的概率更大;测量并计算适应度,记录最优个体信息;
步骤4:终止判别:达到最大进化代数t则终止循环,否则进化代数加1并返回步骤3。
步骤5:以最佳滤波器参数对预处理信号进行滤波和包络分析,得到包络谱,诊断滚动轴承故障特征频率。
2.根据权利要求1所述的基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法,其特征在于所述的步骤2中各染色体的对应的谱峭度作为适应度函数为:
其中,Rp为通带最大衰减、Rs为阻带最小衰减、fp1为通带下限频率、fp2为通带上限频率、fs1为阻带下限频率和fs2为阻带上限频率;chrom(i)是对量子染色体第i位观测得到的一位二进制数,Fs是采样频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410066346.1A CN103792086A (zh) | 2014-02-26 | 2014-02-26 | 基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410066346.1A CN103792086A (zh) | 2014-02-26 | 2014-02-26 | 基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103792086A true CN103792086A (zh) | 2014-05-14 |
Family
ID=50667964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410066346.1A Pending CN103792086A (zh) | 2014-02-26 | 2014-02-26 | 基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103792086A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101936A (zh) * | 2018-08-21 | 2018-12-28 | 北京工业大学 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
CN109596354A (zh) * | 2018-12-21 | 2019-04-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090199640A1 (en) * | 2006-06-01 | 2009-08-13 | Schaeffler Kg | Method for rolling-element bearing diagnosis |
CN202793793U (zh) * | 2012-08-30 | 2013-03-13 | 桂林电子科技大学 | 大型风力机组轴承故障诊断系统 |
CN103076163A (zh) * | 2011-12-06 | 2013-05-01 | 西安交通大学 | 一种轴承—转子系统特性参数的在线测试方法 |
CN103499445A (zh) * | 2013-09-28 | 2014-01-08 | 长安大学 | 一种基于时频切片分析的滚动轴承故障诊断方法 |
CN103575523A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
-
2014
- 2014-02-26 CN CN201410066346.1A patent/CN103792086A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090199640A1 (en) * | 2006-06-01 | 2009-08-13 | Schaeffler Kg | Method for rolling-element bearing diagnosis |
CN103076163A (zh) * | 2011-12-06 | 2013-05-01 | 西安交通大学 | 一种轴承—转子系统特性参数的在线测试方法 |
CN202793793U (zh) * | 2012-08-30 | 2013-03-13 | 桂林电子科技大学 | 大型风力机组轴承故障诊断系统 |
CN103499445A (zh) * | 2013-09-28 | 2014-01-08 | 长安大学 | 一种基于时频切片分析的滚动轴承故障诊断方法 |
CN103575523A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
张亚洲 等: ""基于谱峭度法和自适应遗传算法的轴承故障诊断"", 《轴承》, no. 3, 5 March 2010 (2010-03-05), pages 40 - 43 * |
张永祥 等: ""基于遗传算法和峰度最佳的滚动轴承故障诊断"", 《振动与冲击》, vol. 26, no. 8, 25 August 2007 (2007-08-25) * |
项灏 等: ""一种改进的量子遗传模拟退火算法及其在神经网络智能故障诊断中的应用"", 《机床与液压》, vol. 40, no. 13, 31 July 2012 (2012-07-31), pages 196 - 200 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101936A (zh) * | 2018-08-21 | 2018-12-28 | 北京工业大学 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
CN109596354A (zh) * | 2018-12-21 | 2019-04-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
CN104535323B (zh) | 一种基于角域‑时域‑频域的机车轮对轴承故障诊断方法 | |
CN104677623B (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测系统 | |
Yoon et al. | On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis | |
CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN103424258A (zh) | 一种滚动轴承的故障诊断方法 | |
CN102269655B (zh) | 一种轴承故障的诊断方法 | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
CN107941510A (zh) | 基于等角度双重采样的滚动轴承故障特征的提取方法 | |
CN107013449A (zh) | 基于深度学习的声音信号识别压缩机故障的方法及系统 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
CN103712792B (zh) | 一种针对风电齿轮箱的故障诊断方法 | |
CN103471848A (zh) | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 | |
CN111089726A (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN102928225A (zh) | 一种针对滚动轴承故障诊断的自适应共振解调方法 | |
CN110243603B (zh) | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN104819766A (zh) | 基于谐噪比的包络解调频带确定方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN103344430A (zh) | 齿轮箱的故障诊断方法 | |
CN106053871A (zh) | 一种通过滚动轴承滚道剥落故障对应冲击特征提取转速的方法 | |
CN104111154A (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 | |
CN102721462B (zh) | 旋转机械启停车过程波德图/奈奎斯特图的快速计算方法 | |
CN101251445B (zh) | 旋转机械碰摩声发射信号的分形特征分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140514 |
|
RJ01 | Rejection of invention patent application after publication |