CN104182608A - 一种基于独立分量分析easi算法的机械故障诊断方法 - Google Patents
一种基于独立分量分析easi算法的机械故障诊断方法 Download PDFInfo
- Publication number
- CN104182608A CN104182608A CN201410270084.0A CN201410270084A CN104182608A CN 104182608 A CN104182608 A CN 104182608A CN 201410270084 A CN201410270084 A CN 201410270084A CN 104182608 A CN104182608 A CN 104182608A
- Authority
- CN
- China
- Prior art keywords
- signal
- gear
- acceleration
- bearing
- signals
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于独立分量分析EASI算法的机械故障诊断方法。首先,利用加速度传感器采集齿轮箱不同点处的加速度信号,并采用放大器对各加速度信号进行放大,然后采用模数转换器将模拟信号转换成数字信号;再对采集的轴承数字信号,进行去均值与去相关的白化预处理,然后得到零均值且不相关的高信噪比混合信号;采用基于独立分量分析EASI算法由该混合信号得到各个轴承和齿轮上的加速度信号;若所得的加速度信号出现固定频率的尖峰脉冲,则说明该齿轮出现故障。采用本发明的方法,可以在复杂环境下,准确地判断轴承系统是否出现故障,并确定故障发生的位置。该方法故障诊断速度快,尤其适用于振动条件下的机械故障诊断。
Description
技术领域
本发明涉及机械设备故障诊断领域,特别是利用一种基于独立分量分析EASI算法的机械故障诊断方法。
背景技术
机械制造是社会的基础行业之一。随着科学技术和现代工业的飞速发展,能源、石化、运载和国防等行业中的机械设备日趋大型化、高速化、集成化和自动化,结构更加复杂,各部分关联愈加紧密。但是关键设备一旦出现故障,不仅会造成机器的损毁,还会带来巨大的经济损失和人员伤亡,这也给机械故障诊断带来了严峻的挑战。近年来,国内外因机械设备故障引起的灾难性事故屡有发生:1998年德国高速列车轮箍踏面断裂导致翻车事故、2002年我国三峡工地塔带机断裂事故、2003年美国哥伦比亚号航天飞机失事以及2008年我国华能伊敏煤电公司600MW机组发生转子裂纹等事故令人触目惊心。有效且及时地识别设备运行过程中萌生和演变的故障,对机械系统安全运行,避免重大和灾难性的事故具有重要的实际意义。因此,对机械设备开展状态监测与故障诊断,保障设备安全可靠运行,是一项事关安全生产重大且紧迫的任务。
现实的需求推动产生了“机械设备故障诊断与监测”这一新学科,经过几十年的发展,故障诊断学在理论研究与实践方面取得了重大进展,各种诊断方法层出不穷。各种基于信号处理技术的故障诊断方法日新月异,信号处理技术已成为机械故障诊断的主要技术手段。然而,在实际处理故障信号的过程中,往往发现利用传感器拾取的机械故障信号并不是单一独立的,而是多个典型故障信号的耦合。复杂的各种信号混合在一起使得许多传统信号处理方法失去原有的效果,需将耦合的故障信号有效地进行分离,然后针对每一种故障信号进行分析诊断。另外,由于实际机械工作环境复杂,传感器拾取的信号中夹杂的大量噪声信号常常淹没对故障诊断有用的特征信号,导致特征信号难以提取甚至无法提取。
发明内容
本发明的目的在于提出基于独立分量分析EASI算法的机械故障诊断方法,
该方法的由下述步骤实现:
步骤一:利用加速度信号采集系统,采集齿轮箱上不同点的加速度模拟信号,并对信号进行放大;
步骤二:利用模数转换器,将步骤一中经放大后的加速度模拟信号离散化成数字信号,然后用计算机对离散数据白化处理,先进行去均值处理,再通过去相关处理得到白化信号,即零均值不相关的高信噪比混合信号;
白化处理过程中,涉及的去均值表达式为
式中,x0i表示去均值后的信号,xi表示去均值前的数字信号,N为测量点数,i=1,2,...,N;去相关处理后,白化信号z的表达式为
z=Tx0i
式中,T为白化矩阵,且有T=D-1/2QT;其中,D为x0i的协方差矩阵的特征值组成的对角矩阵,Q为对应特征值的特征向量组成的矩阵;
步骤三:对步骤二中得到的混合信号,采用一种基于独立分量分析EASI算法进行处理,分离多路轴承信号,然后得到各个轴承上每个齿轮的加速度信号;
所涉及的各个轴承上每个齿轮的加速度信号获取方法为:
第3.1步,随机初始化分离矩阵W0,y(k)=W0z;
第3.2步,通过式
第3.3步,计算y(k)=Wk+1z,归一化
第3.4步,如果||Wk+1-Wk||≥ε,则算法不收敛,返回第2步,否则算法结束输出W;
第3.5步,计算y=Wz,此时y的每一个行向量就是齿轮箱中各个齿轮和轴承的加速信号;
步骤四:对所有轴承中每个齿轮的加速度信号的波形和正常运行下机械振动波形比较,若其中有一路波形不正确则说明该机械部件发生了故障;若说有的波形都是正常的才能说明该机械部件没有发生故障。
本发明具有的有益效果在于:
该方法可以有效解决信号的混合问题。在未知源信号及传递通道参数的情况下,仅根据测量信号来恢复源信号,实现耦合信号的分离。
该方法可以较好地解决机械故障特征信号提取问题。通过改进基于独立分量分析EASI算法,在复杂机械工作环境下,仍能有效提取故障诊断有用的特征信号。
附图说明
图1是整个机械故障诊断流程程图。
图2是振动信号的获取及数字化过程。
图3是齿轮箱振动信号测试装置示意图。
图4是传感器安装位置示意图。
图5是测量信号的波形和频谱。
图6是改进EASI算法分离信号的波形和频率。
图7是测量信号在频带850-950Hz内的频谱。
图8是改进EASI算法分离信号在频带850-950Hz内的频谱。
具体实施方式
下面结合附图,对本发明的方法与技术方案进行进一步的阐述,附图标记:1弹簧;2抱闸;3轮盘;4加速度传感器;5齿轮1;6齿轮2;7齿轮3;8齿轮4;9减速器Ⅰ;10减速器Ⅱ;11减速器Ⅲ;12电荷放大器;13计算机;14交流电机;15扭矩传感器;16变频器;17加速度传感器1;18加速度传感器2;19加速度传感器3;20加速度传感器4;21加速度传感器5;22加速度传感器6。
本发明涉及一种基于独立分量分析的轴承机械故障诊断方法。
(1)用加速度传感器采集齿轮箱上的不同点的加速度信号,要求采集信号的传感器数目不少于轴承和齿轮的总数,然后采用放大器对各个信号进行放大,然后采用模数转换器将模拟信号转换成计算机能处理的数字信号。
(2)对采集的轴承信号进行预处理,包括:去均值与去相关的白化处理,然后得到零均值各个信源不相关高信噪比的混合信号;采用基于梯EASI的等变化的独立分量分析的方法从得到各个轴承上和此轮上的加速度信号。
(3)如果出现固定频率的尖峰脉冲,则说明该此轮出现故障。
本发明可以在复杂环境下的准确的判定轴承系统是否出现故障及其故障发生在哪一个地方。
本发明描述的方法是机械故障诊断的新方法,该发明采用了独立分量分析的方法,与传统的机械故障方法相比,该方法能够在未知混合系统任何参数的情况下,对混合源信号实现较好的分离,本发明设计方案如图1所示,步骤如下:
步骤1:机械振动信号的采集及数字化,具体过程如下:
信号采集的时候采集的是齿轮箱中轴承和齿轮的的振动信号,测量点选择的原则是尽量靠近振源,靠近被测齿轮的轴承座上或被测轴承的承载区上,测点离轴承外圈的距离越近越 好。另外还要注意,齿轮箱故障类型各种各样,不同故障其振动在各个方向的强度也不一样,因此最好在垂直、水平、轴向三个方向都进行测量,每次测量测点位置保持不变,测点表面干净,避免齿轮箱表面污垢对振动在传递过程中造成衰减。
整个过程如图2所示,采集信号用的第i个加速度传感器在振动点的加速度信号用符号ui表示,然后将其用模拟放大器放大到一定的0到5v范围内用vi表示,然后用模数转换器将其转换成数字信号用xi表示,取离散数字信号的N个点给计算机处理,假设有n个传感器,将他们组成一个矢量x=[x1,x2,...,xn]T。
步骤2:将采集的数字信号预处理,具体过程:
预处理为一个白化过程,其分为两个步骤:去均值和去相关。信号x去均值,也就是x中减去其均值矢量E(x),使得x为均值为零的变量,在实际的计算中,每一路信号x的数学期望采用算术平均值代替,第i路信号去均值如下式:
去相关是通过特征值分解x0的协方差矩阵其中D为特征值组成的对角矩阵,Q为对应特征值的特征向量组成的矩阵,得到白化矩阵T=D-1/2QT,由变换z=Tx0得白化信号z。
步骤3:采用EASI算法分离混合的数字信号为单个振动点的加速度,具体过程:
第1步,随机初始化分离矩阵W0,y(k)=W0z;
第2步,通过式 更新权值矢量Wk+1;
第3步,计算y(k)=Wk+1z,归一化
第4步,如果||Wk+1-Wk||≥ε,则算法不收敛,返回第二步,否则算法结束输出W。
第5步,y=Wz,此时y的每一个行向量就是一个振动源的振动信号。
步骤4:把每一个振动源的波形和正常情况下的波形相对比,如果有一路波形不正确则说明该齿轮箱中机械部件存在故障。
实验
实验装置如图3所示,由JZQ—250型齿轮减速器、抱闸、变频器和交流电机等部件组成。齿轮1至4的齿数依次是30、69、18、81。在刚性平台上固定齿轮箱、抱闸和交流电机。实验中用盘—抱闸产生的力矩作为齿轮的负载。减速器Ⅲ两端装配6412型滚动轴承,减速器Ⅰ、Ⅱ轴两端装配6406型滚动轴承,各轴承参数参见表1。在齿轮箱上安装6个加速度传感器用于测量振动信号,图4为传感器的安装位置。
表1 齿轮箱各轴承几何参数
实验过程中,2号齿轮的一个轮齿发生断裂,电机转速为1795r/min,采样频率为1.0×104Hz,轴旋转频率为:Ⅰ轴29.91Hz,Ⅱ轴12.98Hz,Ⅲ轴2.88Hz;第一对齿轮(30/69)啮合频率为897.2Hz,第二对齿轮(18/81)啮合频率为233.6Hz。实验结果如下:
图5是测量信号的时域波形和频谱图,从图中可以看出时域信号含有明显的周期性冲击成分,频谱图也发生了严重的调制现象,说明齿轮箱发生了故障。为了进一步判断故障的位置和类型,图7对测量信号在频带850-950Hz上的频谱进行了细化,从图中可以看到故障齿轮的啮合频率(898Hz)及其两侧的边频带间隔约为13Hz。但是,同时也可以看到,另一对正常齿轮啮合振动的四次谐波(935Hz)也包含其中,测量信号中,故障齿轮与正常齿轮振动信号混合在一起,其频谱较为混乱,给故障诊断带来了一定的困难,严重时甚至不能诊断出故障。这就是传统故障诊断方法的不足:直接对测取的信号进行分析,判断故障。而在复杂环境下测取的信号,往往是各种振源信号和周围噪声振动信号的混合,用传统诊断方法直接分析这样的信号很难准确诊断出故障。
图6是用改进的EASI算法分离的结果,可以看出故障齿轮与正常齿轮的振动信号被分离开来。图8是对分离后的信号进行频谱细化的结果:图8左半部分为故障齿轮的频谱,只包含啮合频率及其边频成分,正常齿轮的频谱基本上看不到了;而图8右半部分只有正常齿轮的四次谐波及其边频成分。因此,利用现代信号处理中的ICA方法,可以有效实现齿轮箱振动信号的分离,对齿轮故障信号的特征提取较为有利。
Claims (1)
1.一种基于独立分量分析的EASI算法的机械故障诊断方法,其特征在于:
步骤一:利用加速度信号采集系统,采集齿轮箱上不同点的加速度模拟信号,并对信号进行放大;
步骤二:利用模数转换器,将步骤一中经放大后的加速度模拟信号离散化成数字信号,然后用计算机对离散数据白化处理,先进行去均值处理,再通过去相关处理得到白化信号,即零均值不相关的高信噪比混合信号;
白化处理过程中,涉及的去均值表达式为
式中,x0i表示去均值后的信号,xi表示去均值前的数字信号,N为测量点数,i=1,2,...,N;去相关处理后,白化信号z的表达式为
z=Tx0i
式中,T为白化矩阵,且有T=D-1/2QT;其中,D为x0i的协方差矩阵的特征值组成的对角矩阵,Q为对应特征值的特征向量组成的矩阵;
步骤三:对步骤二中得到的混合信号,采用一种基于独立分量分析EASI算法进行处理,分离多路轴承信号,然后得到各个轴承上每个齿轮的加速度信号;
所涉及的各个轴承上每个齿轮的加速度信号获取方法为:
第3.1步,随机初始化分离矩阵W0,y(k)=W0z;
第3.2步,通过式
第3.3步,计算y(k)=Wk+1z,归一化
第3.4步,如果||Wk+1-Wk||≥ε,则算法不收敛,返回第2步,否则算法结束输出W;
第3.5步,计算y=Wz,此时y的每一个行向量就是齿轮箱中各个齿轮和轴承的加速信号;
步骤四:对所有轴承中每个齿轮的加速度信号的波形和正常运行下机械振动波形比较,若其中有一路波形不正确则说明该机械部件发生了故障;若说有的波形都是正常的才能说明该机械部件没有发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410270084.0A CN104182608A (zh) | 2014-06-17 | 2014-06-17 | 一种基于独立分量分析easi算法的机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410270084.0A CN104182608A (zh) | 2014-06-17 | 2014-06-17 | 一种基于独立分量分析easi算法的机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104182608A true CN104182608A (zh) | 2014-12-03 |
Family
ID=51963643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410270084.0A Pending CN104182608A (zh) | 2014-06-17 | 2014-06-17 | 一种基于独立分量分析easi算法的机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182608A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104913355A (zh) * | 2015-06-29 | 2015-09-16 | 珠海格力电器股份有限公司 | 吸油烟机的噪音处理系统、方法及装置 |
CN110705041A (zh) * | 2019-09-12 | 2020-01-17 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
CN113739909A (zh) * | 2021-09-08 | 2021-12-03 | 上海海事大学 | 一种基于全尺度时域平均的船舶旋转机械故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604012A (zh) * | 2008-06-11 | 2009-12-16 | 索尼株式会社 | 信号处理装置、信号处理方法以及程序 |
CN102866425A (zh) * | 2012-09-17 | 2013-01-09 | 中国石油大学(华东) | 一种基于盲源地震信号平稳叠加模型的盲分离方法 |
CN103439110A (zh) * | 2013-07-31 | 2013-12-11 | 哈尔滨工程大学 | 滚动轴承早期微弱故障诊断方法 |
CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 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 |
-
2014
- 2014-06-17 CN CN201410270084.0A patent/CN104182608A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604012A (zh) * | 2008-06-11 | 2009-12-16 | 索尼株式会社 | 信号处理装置、信号处理方法以及程序 |
CN102866425A (zh) * | 2012-09-17 | 2013-01-09 | 中国石油大学(华东) | 一种基于盲源地震信号平稳叠加模型的盲分离方法 |
CN103439110A (zh) * | 2013-07-31 | 2013-12-11 | 哈尔滨工程大学 | 滚动轴承早期微弱故障诊断方法 |
CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 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 |
Non-Patent Citations (2)
Title |
---|
吕淑平等: "独立分量分析的算法分析与改进", 《噪声与振动控制》 * |
都强: "ICA盲分离算法研究及在机械设备故障诊断中的应用", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104913355A (zh) * | 2015-06-29 | 2015-09-16 | 珠海格力电器股份有限公司 | 吸油烟机的噪音处理系统、方法及装置 |
CN110705041A (zh) * | 2019-09-12 | 2020-01-17 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
CN110705041B (zh) * | 2019-09-12 | 2022-12-23 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
CN113739909A (zh) * | 2021-09-08 | 2021-12-03 | 上海海事大学 | 一种基于全尺度时域平均的船舶旋转机械故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104792523B (zh) | 基于行星齿轮结构等效轴承模型的振动频谱特征分析方法 | |
CN101354312B (zh) | 智能轴承故障诊断系统 | |
CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及系统 | |
CN101907089A (zh) | 一种基于三维空间轴心轨迹的压缩机轴系故障诊断方法 | |
CN109297705A (zh) | 基于med和模糊熵的行星齿轮箱振动信号故障诊断方法 | |
CN101886977B (zh) | 一种信号中周期瞬态成分的自适应检测方法 | |
Figlus et al. | Diagnosis of the wear of gears in the gearbox using the wavelet packet transform | |
CN102109554B (zh) | 电网次同步振荡的模态自适应实时检测方法 | |
CN102441579B (zh) | 热连轧轧机运行状态的在线监测方法 | |
CN110333071B (zh) | 一种利用窄带倒谱变换的机械振动信号处理方法 | |
CN109253244B (zh) | 一种多齿轮系统大型机械齿轮箱故障检测方法 | |
CN107608936A (zh) | 一种行星齿轮箱复合故障特征提取方法 | |
CN104182608A (zh) | 一种基于独立分量分析easi算法的机械故障诊断方法 | |
CN109765052B (zh) | 基于goa-asr的行星齿轮箱早期故障诊断方法 | |
CN102507186A (zh) | 一种基于特色参数的行星齿轮箱状态监测与故障辨识方法 | |
CN103940607B (zh) | 不依赖于时域平均的行星齿轮箱信号分离和诊断方法 | |
Li et al. | Cyclic statistics in rolling bearing diagnosis | |
CN103048135A (zh) | 一种柔性转子滚动轴承基础系统多故障耦合实验器及故障辨识方法 | |
CN108444698A (zh) | 基于teo解调和随机共振的行星齿轮箱早期故障诊断方法 | |
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 | |
Yoon et al. | Planetary gearbox fault diagnosis using a single piezoelectric strain sensor | |
CN108181098A (zh) | 一种门座式起重机低速重载部件故障特征提取方法 | |
CN206114292U (zh) | 一种多传感器旋转机械系统故障检测诊断装置 | |
CN102798413A (zh) | 一种铁道动态检测系统 | |
CN109484937A (zh) | 一种矿井提升机状态检测的增强同步提取变换方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141203 |