CN104156623A - 一种机械复合故障的诊断方法 - Google Patents

一种机械复合故障的诊断方法 Download PDF

Info

Publication number
CN104156623A
CN104156623A CN201410427453.2A CN201410427453A CN104156623A CN 104156623 A CN104156623 A CN 104156623A CN 201410427453 A CN201410427453 A CN 201410427453A CN 104156623 A CN104156623 A CN 104156623A
Authority
CN
China
Prior art keywords
network
fault
corporations
similarity
sample
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
Application number
CN201410427453.2A
Other languages
English (en)
Inventor
蒋玲莉
潘阳
陈安华
李学军
伍济钢
宾光富
王广斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN201410427453.2A priority Critical patent/CN104156623A/zh
Publication of CN104156623A publication Critical patent/CN104156623A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种机械复合故障的诊断方法,包括以下步骤:应用经验模态分解将复合故障信号分解为若干个IMF分量;提取每个IMF分量的特征量,建立故障样本数据网络模型;将每个IMF分量视为网络中的社团,根据复杂网络社团结构内部连接紧密,而与社团外部连接稀疏的特性,进行同类社团合并;合并所得每个社团与单一故障相对应;对合并的信号进行分析,将复合故障特征分离为单一故障特征,得到故障诊断结构。本发明将复合故障分解为不同频率的IMF分量,将每个IMF分量视为网路中的社团结构,根据复杂网络社团合并,得到分离后的单故障信号,从而实现复合故障特征分离,得到诊断结果。

Description

一种机械复合故障的诊断方法
技术领域
本发明涉及一种复合故障诊断方法,尤其涉及将复合故障信号特征分离转化为单一故障诊断的机械复合故障诊断方法。
背景技术
随着工业技术的进步,大型复杂机械正朝着大型化、复杂化发展,机械运行状态是否良好将直接影响工业生产。然而在工程实际中有的设备零件需要损坏达到一定程度才发现并进行更换,在载荷工况极其复杂情况下,此期间可能出现多种故障并存的现象,从而形成复合故障。由于大部分复合故障的特征频率均处于分析频率的低频段,能量较低,常被淹没在强大的背景噪声中,故障间的相互影响等特性,从频谱图上很难看出与故障对应的特征频率。因此,给复合故障全面准确诊断造成困难。
而近几年,对单故障诊断研究发展迅速,如FFT分析、包络谱分析、小波分析、谱峭度等,这些方法在单故障诊断中均表现出较好的效果。然而,将这些方法应用于复合故障诊断中却会遇到许多困难,FFT分析和包络谱分析在诊断故障强弱差距较大的复合故障时,较弱的故障成分容易淹没于噪声之中,从而在诊断时被忽略。小波分析通过特定的基函数对信号特征进行提取,在故障诊断中广泛应用的是单小波只有一个基函数,只能最佳匹配一种故障特征,故在复合故障特征提取时容易顾此失彼。谱峭度是根据计算每根谱线的峭度值大小来选取带通滤波器参数,然后进行故障诊断,在分析复合故障时,由于选取最大的峭度值进行分析导致某些故障峭度值易被遗漏,从而难以准确诊断出各故障状态。因此,如何将复合故障特征分离从而形成单一故障进行故障诊断,一直是难点且缺乏行之有效的分离方法,同时也成为故障诊断中需要解决的关键问题。
发明内容
为了解决上述技术问题,本发明提供一种可靠性高的机械复合故障的诊断方法,将复合故障特征分离转化为单一故障诊断,以解决复合故障诊断困难的问题。
本发明解决上述技术问题的技术方案包括以下步骤:
(1)应用EMD将复合故障信号分解为若干个IMF分量;
(2)提取每个IMF分量的特征量,建立故障样本数据网络模型;
(3)将每个IMF分量视为网络中的社团,根据复杂网络社团结构内部连接紧密,而与社团外部连接稀疏的特性,进行同类社团合并;
(4)合并所得每个社团与单一故障相对应;
(5)对合并的信号进行分析,实现复合故障特征分离与诊断。
本发明的技术效果是:本发明应用EMD将复合故障信号分解为若干个IMF分量,由于不同单一故障的特征会在不同频段得以体现,提取每个IMF分量的特征量,建立故障样本数据网络模型;然后将每个IMF分量视为网络中的社团,根据复杂网络社团结构内部连接紧密,而与社团外部连接稀疏的特性,进行同类社团合并,合并所得每个社团与单一故障相对应,最后对合并的信号进行分析,实现复合故障特征分离,并得到诊断结果,解决了复合故障诊断难的技术问题。
附图说明
图1是本发明的流程图。
图2是本发明中复合故障振动信号和包络谱示意图。
图3是本发明中网络社团聚类系数示意图。
图4是本发明中转子不平衡和内圈复合故障分离的包络频谱图。
图5是本发明中滚动轴承内圈和滚动体复合故障分离的包络频谱图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
参见图1,图1为本发明的流程图。本发明的具体实施步骤如下:
(1)应用EMD(Empirical Mode Decomposition,EMD)将复合故障信号分解为若干个IMF分量。EMD方法是一种全新的信号时频分析方法。它是利用信号内部时间尺度的变化做能量与频率的解析,可以将非线性、非平稳态的信号自适应的分解为有限数目的线性、稳态的本征模态函数分量(Intrinsic Mode Function,简称IMF)IMF1,IMF2,IMF3…,IMFn,这样不同的本征模态分量反映不同频段的信息。而复合故障有多个故障特征对应不同的故障频率,每个故障频段在不同的模态分量得以体现。利用EMD这一特性,能够将振动信号中的各故障状态信息进行分离,然后将每个IMF分量视为复杂网络中的社团结构进行社团合并。
(2)提取每个IMF分量的特征量,建立故障样本数据网络模型。通过现场监测,获得复合故障动态信息,对复合故障观测信号进行EMD,得到若干个IMF分量,提取不同IMF分量故障特征量,组成样本集,把每个样本抽象为网络节点,样本与样本之间的关系抽象为边,这样不同IMF分量的样本就可以抽象成复杂网络结构,而每个IMF分量视为网络中的社团。
设故障样本集X={x1,x2...,xn},每个样本p个属性,即xi={xi1,xi2...,xip},xi与xj之间的联系用相似度aij∈A表示;将每个数据样本xi视为网络“节点”,数据样本之间的联系作为网络“关系”,则数据结构可以表示成故障数据网络模型G(X,A)。
比较不同模式的相似性可以转化为比较两个向量的距离。一般而言,aij是样本xi和xj间距离dij的函数。相似度函数设计的原则是使网络具有较好的块状结构(块内相似度尽可能接近,块之间相似度差别较大),将其定义为:
aij=exp(-0.1*dij)          (1)
式中,dij为欧式距离度量。显然,dij越小,aij越大,表明xi与xj间的相似度越大。由于样本自身的相似度没有意义,定义自身的相似度为0,即当i=j时,aij=0。由于两个节点之间彼此的相似度相等,即aij=aji,所以A是一个对称矩阵。则n个节点的网络的连接矩阵为:
至此,得到故障数据网络模型G(X,A)。
(3)将每个IMF分量视为网络中的社团,根据复杂网络社团结构内部连接紧密,而与社团外部连接稀疏的特性,进行同类社团合并。复杂网络聚类系数揭示了网络的聚类特性,节点i的聚类系数Ci表示与i相连接的节点中任意两个节点之间存在连接的概率。若节点i与ki个节点相连,这ki个相邻节点之间最多存在ki(ki-1)/2条边。Ei是相邻节点之间实际存在的边数,则:
C i = 2 F i k i ( k i - 1 ) - - - ( 4 )
网络的聚类系数C为整个网络中所有节点的聚类系数的平均值:
C = 1 N Σ i C i - - - ( 5 )
复杂网络具有社团结构特性,当聚类系数越大,网络的聚类程度越高,设置在不同的判别因子时,计算对应的每个社团聚类系数,从而确定判别因子当aij大于设置为1,表示两个节点之间有联系;小于就设置为0,表示两个节点之间没有联系。这样网络就可以抽象为由点集和边集组成的图来表示。
(4)合并所得每个社团与单一故障相对应。将复合故障信号经EMD分解的IMF分量视为网络中社团,并进行同类社团合并。对故障数据网络模型G(X,A)所得Z个社团,即EMD分解的IMF分量个数。设社团XP,Xq是X的真子集,即XP≠0,Xq≠0,且则有,Apq=(aij),i∈Xp,j∈Xq,且因此当p≠q时,为子集Xp,Xq间关系数量,aij∈A时;而p=q时,为子集内部关系的数量,aij∈A。记对于有Z个社团结构的网络,模块性指标[12-13]Q定义为:
Q = Σ p = 1 c e pp - Σ p = 1 c ( Σ q = 1 c e pq ) 2 - - - ( 6 )
其中,反映社团内部节点的连接情况,则体现了社团间节点的连接情况。显然越大,越小,则Q越大,表明社团内节点密度高而社团间节点连接少。由此可见,Q不但定量的刻画了社团结构的基本概念,而且广泛用于社团结构探测算法的设计,是一个合适的网络社团结构指标。
有n个节点的网络G(X,A)的连接矩阵如式(3)所示,设网络由Z个社团组成,即可以计算对应的eij∈En,记
如果将社团p和q合并,就会引起模块性指标Q变化为
Q ‾ = Σ m = 1 z e mm + e pq + e qp - Σ m = 1 z ( Σ i = 1 z e mi ) 2 - 2 Σ i = 1 z e pi = Q + 2 e pq - 2 Σ i = 1 z e qi Σ i = 1 z e pi - - - ( 8 )
这里记:
其中
式中,epq=eqp为子集Xp和Xq间的相似度;epi为子集Xp和Xi间的相似度;eqi为子集Xq和Xi间的相似度。可见,合并子集Xq和Xp会使Q的取值发生的变化。考虑到Q值越大聚类效果越好,只要满足就说明将Xq和Xp合并是有效的,进一步的就能保证此次合并是最优且有效的。对任意两个社团合并都可计算相应的模块性合并指标变化即每次合并操作之前可以计算出:
合并满足的子集Xq和Xp。如果有多个大于零的只需合并最大的两个子集,如果说明合并过程己经结束。
将分离后的信号进行包络谱分析,与单一故障信号相对应。
(5)对信号进行比较分析,将复合故障特征分离为单一故障特征,得到故障诊断结果。
结合本发明方法的内容提供以下的实施例:
本发明选取不平衡—滚动轴承内圈、滚动轴承内圈—滚动体两种复合故障作为实施例,轴承型号为ER10K,在转盘上增加两个6克小螺丝钉,构造转子不平衡,采集复合故障振动信号。实现步骤如下:
步骤1:在机械故障综合模拟实验台上,轴两端一端安装正常轴承,另一端安装内圈故障轴承;轴的转速为2396r/min,采样频率为16384Hz,根据故障特征频率计算公式,经计算在该工况下滚动轴承内圈故障特征频率fi=197.1Hz,转子不平衡故障的特征频率为40Hz,采集转子不平衡-滚动轴承内圈复合故障振动信号如图(2),并将复合故障进行EMD分解,提取分解过后的每个IMF分量特征量,按式(1)建立故障样本网络模型;
步骤2:计算故障样本网络模型中的网络聚类系数如图(3),从而确定判别因子时大部分社团聚类系数值下降较明显,由于聚类系数越高,网络的聚类程度越好,因此,该本文选择从而建立的故障数据网络模型,其网络连接矩阵A。
步骤3:冗余社团合并,将每个IMF分量视为故障样本网络中不同的社团结构,按式(9)计算两两社团合并指标变化,计算合并后变化指标得到式(10),合并满足的两个IMF分量,如果有多个大于零的只需合并最大的两个IMF分量,如果所有小于0说明合并己结束。限于篇幅,只列出了最后一次合并后指标变化。
由上述合并结果可以看出,IMF1,IMF2,IMF3,IMF4,IMF5合并在一起,剩下IMF分量合并在一起。
步骤4:如图4所示,针对分离后的信号进行包络谱分析,如图4(a)所示,可以看到谱峰值192.1Hz,该值与内圈故障特征频率197.1Hz非常接近以及2倍频、3倍频清晰可见,表明轴承中存在内圈故障。如图4(b),谱峰值40Hz以及倍频十分明显,表明转子存在不平衡故障。这与实验设置的故障情况相符。
步骤5:为了进一步验证方法的有效性,构造滚动轴承内圈和滚动体复合故障,轴的转速为2095r/min,采样频率为16384Hz,经计算在该工况下滚动轴承内圈故障和滚动体故障特征频率分别为fi=173.2Hz、f0=69.7Hz,针对分离后的信号进行包络谱分析如图(5)所示。由图5(a)可以看出,谱峰值160.1Hz与内圈故障特征频率150.2Hz接近,以及2倍频和3倍频(320.2Hz≈2fi,480.2Hz≈3fi),表明轴承中存在内圈故障。图5(b)中谱峰值64.03Hz与滚动体故障特征频率60.5Hz非常接近,并且有十分明显的2倍频和3倍频(128.1Hz≈2fi,192.1Hz≈3fi),这一结果表明轴承中存在滚动体故障,这与实验设置的故障情况相符。

Claims (4)

1.一种机械复合故障的诊断方法,包括以下步骤:
(1)应用EMD将复合故障信号分解为若干个IMF分量;
(2)提取每个IMF分量的特征量,建立故障样本数据网络模型;
(3)将每个IMF分量视为网络中的社团,根据复杂网络社团结构内部连接紧密,而与社团外部连接稀疏的特性,进行同类社团合并;
(4)合并所得每个社团与单一故障相对应;
(5)对合并的信号进行分析,将复合故障特征分离为单一故障特征,得到故障诊断结果。
2.根据权利要求1所述的机械复合故障的诊断方法,所述故障样本数据网络建模步骤为:
设故障样本集X={x1,x2...,xn},每个样本p个属性,即xi={xi1,xi2...,xip},xi与xj之间的联系用相似度aij∈A表示;
将每个数据样本xi视为网络“节点”,数据样本之间的联系作为网络“关系”,则数据结构可以表示成加权无向网络G(X,A);
比较不同模式的相似性可以转化为比较两个向量的距离,一般而言,aij是样本xi和xj间距离dij的函数,相似度函数设计的原则是使网络具有较好的块状结构,将其定义为:
aij=exp(-0.1*dij)
式中,dij为欧式距离度量,dij越小,aij越大,表明xi与xj间的相似度越大;自身的相似度为0,即当i=j时,aij=0,由于两个节点之间彼此的相似度相等,即aij=aji,所以A是一个对称矩阵,则n个节点的网络的连接矩阵为:
至此,得到故障数据网络模型G(X,A)。
3.根据权利要求1所述的机械复合故障的诊断方法,所述复合故障信号经EMD分解的IMF分量视为网络中的社团,进行冗余社团合并,根据任意两个社团合并计算相应的模块性合并指标变化即每次合并操作之前可以计算出:
直到所有的都小于零为止,冗余社团合并结束。
4.根据权利要求3所述的机械复合故障的诊断方法,所述冗余社团合并是将合并的IMF分量重新组合进行包络谱分析,将没有分离的复合故障信号进行包络谱分析作对比。
CN201410427453.2A 2014-08-27 2014-08-27 一种机械复合故障的诊断方法 Pending CN104156623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410427453.2A CN104156623A (zh) 2014-08-27 2014-08-27 一种机械复合故障的诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410427453.2A CN104156623A (zh) 2014-08-27 2014-08-27 一种机械复合故障的诊断方法

Publications (1)

Publication Number Publication Date
CN104156623A true CN104156623A (zh) 2014-11-19

Family

ID=51882121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410427453.2A Pending CN104156623A (zh) 2014-08-27 2014-08-27 一种机械复合故障的诊断方法

Country Status (1)

Country Link
CN (1) CN104156623A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110006649A (zh) * 2018-12-24 2019-07-12 湖南科技大学 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN110110870A (zh) * 2019-06-05 2019-08-09 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法
CN110647136A (zh) * 2019-09-29 2020-01-03 华东交通大学 一种牵引电机驱动系统复合故障检测与分离方法
CN112014107A (zh) * 2020-03-12 2020-12-01 岭南师范学院 一种改进经验模态分解轴承振动分析方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009294133A (ja) * 2008-06-06 2009-12-17 Nsk Ltd 転動装置の診断方法
CN102629243A (zh) * 2012-03-02 2012-08-08 燕山大学 基于神经网络集成和bs-emd的端点效应抑制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009294133A (ja) * 2008-06-06 2009-12-17 Nsk Ltd 転動装置の診断方法
CN102629243A (zh) * 2012-03-02 2012-08-08 燕山大学 基于神经网络集成和bs-emd的端点效应抑制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔玲丽: "基于EMD的复合故障诊断方法", 《北京科技大学学报》 *
蒋玲莉 等: ""EMD模糊聚类法及在滚动轴承故障诊断中的应用"", 《机械强度》 *
陈安华 等: ""基于复杂网络社团聚类的故障模式识别方法研究"", 《振动与冲击》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110006649A (zh) * 2018-12-24 2019-07-12 湖南科技大学 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN110110870A (zh) * 2019-06-05 2019-08-09 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法
CN110110870B (zh) * 2019-06-05 2022-03-22 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法
CN110647136A (zh) * 2019-09-29 2020-01-03 华东交通大学 一种牵引电机驱动系统复合故障检测与分离方法
CN110647136B (zh) * 2019-09-29 2021-01-05 华东交通大学 一种牵引电机驱动系统复合故障检测与分离方法
CN112014107A (zh) * 2020-03-12 2020-12-01 岭南师范学院 一种改进经验模态分解轴承振动分析方法及系统

Similar Documents

Publication Publication Date Title
Li et al. The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review
CN105275833B (zh) 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法
CN102866027B (zh) 基于lmd和局域时频熵的旋转机械故障特征提取方法
CN104458170B (zh) 机械装备监测振动信号的时频图处理方法及系统
Yongbo et al. Review of local mean decomposition and its application in fault diagnosis of rotating machinery
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN105628381B (zh) 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法
Jia et al. GTFE-Net: A gramian time frequency enhancement CNN for bearing fault diagnosis
CN103091096A (zh) 基于eemd和小波包变换的早期故障敏感特征提取方法
CN104155108A (zh) 一种基于振动时频分析的滚动轴承故障诊断方法
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
Shi et al. A two-stage sound-vibration signal fusion method for weak fault detection in rolling bearing systems
CN109827777A (zh) 基于偏最小二乘法极限学习机的滚动轴承故障预测方法
CN104156623A (zh) 一种机械复合故障的诊断方法
CN106096313B (zh) 一种基于奇异谱分解和谱峭度的包络分析方法
Ma et al. Early fault diagnosis of rotating machinery based on composite zoom permutation entropy
Chen et al. A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data
CN104330258A (zh) 一种基于特征参量的滚动轴承故障灰色关联度辨识方法
CN109635306A (zh) 基于小波分解和谱峭度的旋转机械故障诊断方法
CN109540523A (zh) 一种艇用离心泵滚动轴承故障诊断方法
Li et al. Feature extraction based on EWT with scale space threshold and improved MCKD for fault diagnosis
Liu et al. Rotating machinery fault diagnosis under time-varying speeds: A review
Xu et al. A Novel Parameter‐Adaptive VMD Method Based on Grey Wolf Optimization with Minimum Average Mutual Information for Incipient Fault Detection
CN103758742B (zh) 一种基于双类特征融合诊断的柱塞泵故障诊断系统
CN107340133A (zh) 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法

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: 20141119

RJ01 Rejection of invention patent application after publication