CN104316323B - 基于周期靶向的最优共振频带确定方法 - Google Patents
基于周期靶向的最优共振频带确定方法 Download PDFInfo
- Publication number
- CN104316323B CN104316323B CN201410577135.4A CN201410577135A CN104316323B CN 104316323 B CN104316323 B CN 104316323B CN 201410577135 A CN201410577135 A CN 201410577135A CN 104316323 B CN104316323 B CN 104316323B
- Authority
- CN
- China
- Prior art keywords
- envelope signal
- complex envelope
- signal
- rolling bearing
- 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.)
- Active
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于周期靶向的最优共振频带确定方法,先将振动加速度传感器吸附于被测试滚动轴承轴承座,对其振动信号进行采集,然后构建1/3‑二叉树状滤波器组得到滤波后的复包络信号,再计算各包络信号的周期性强度PAR,将低于阈值的复包络信号的峭度置零,然后计算剩下包络信号的峭度值,选取峭度最大的复包络信号所对应的频带为最优共振频带,并作该包络信号的频谱,得到包络谱,与滚动轴承存在的故障类型所对应的故障特征频率对比,最后确定滚动轴承存在的故障类型,本发明利用了故障激发冲击的本质特征,避免了非周期冲击对共振解调频带选择的干扰,具有鲁棒性,且在共振解调频带的确定过程是自适应的,有利于实现故障特征提取和诊断监测的自动化。
Description
技术领域
本发明涉及滚动轴承故障诊断技术和信号处理分析技术领域,特别涉及基于周期靶向的最优共振频带确定方法。
背景技术
共振解调法是一种最为常用的振动冲击特征提取技术,被广泛应用于大型、关键机械设备的滚动轴承监测与诊断。共振解调法首先采用敲击测试或谱峭度方法确定冲击信号所在的共振频带;在此基础上,利用带通滤波技术抑制测试噪声和低频振动分量的影响,并依此提取滚动轴承冲击成分的时域波形;最后,对滤波信号进行包络谱分析即可得到轴承的故障特征频率。依据上述特征频率的幅值大小和分布位置,不但可以判断轴承是否故障,而且可以准确锁定轴承的故障部位。
共振频带(带通滤波频带)的准确选取既是冲击波形准确提取的关键,也是整个共振解调法的核心。当前共振解调法在实施过程中一般采用快速谱峭度图(Fast Kurtogram)的方法来确定带通滤波的参数,即滤波的中心频率和带宽,这是比较有效和便捷的方法。
然而,澳大利亚Randall指出快速谱峭度图的方法对大的随机冲击干扰敏感。这种干扰会使原方法选择错误的滤波频带,而不能达到共振解调技术对故障特征提取和诊断的目的。此外,滚动轴承的故障特征是周期性冲击,快速谱峭度图的方法在滤波频带的确定过程中只考虑了故障引起冲击的冲击性(峭度值),而忽略了周期性。以上缺陷不仅会导致所确定的滤波频带被一个或者几个大的随机冲击干扰主导,也无法提取故障特征信息进行有效的故障诊断。
专利申请号为201410140890.6的专利针对高峰值脉冲干扰带来的共振解调频带选取不准确的问题,提出以子频带谱峭度平均的方法来优化共振频带的选取,然而其方法没有考虑冲击信号的周期性,而冲击的周期性正是进行共振频带包络解调的前提。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供基于周期靶向的最优共振频带确定方法,实现故障特征提取和诊断监测的自动化,节约时间,效率更高。
为了达到上述目的,本发明采取的技术方案为:
基于周期靶向的最优共振频带确定方法,包括以下步骤:
步骤一,将振动加速度传感器吸附于对被测试滚动轴承的轴承座上,并对振动信号进行高频采样和预处理,将振动信号记为x(t);
步骤二,构建1/3-二叉树状滤波器组,对振动信号x(t)进行滤波得到复包络信号ei,j(t),ei,j(t)由滤波器组中对应的第i行第j列的滤波器滤波得到;
步骤三,计算复包络信号ei,j(t)的周期性强度,记为PAR(Periodic Component toAperiodic Component Ratio),通过自相关算法实现,
信号x(t)的自相关函数定义为:
rx(τ)≡∫x(t)x(t+τ)dt. (1)
τ=0时函数取得最大值rx(0),是信号的总能量,τmax为自相关函数中除τ=0以外所有局部最大值中取得最大值的时延,其函数值rx(τmax)表示信号中周期分量的能量,得到信号中周期分量所占能量比为:
信号x(t)周期性强度指标PAR的计算定义为:
步骤四,根据周期性强度PAR的阈值,将低于阈值的复包络信号ei,j(t)的峭度值Ki,j置零,排除非周期分量的干扰,
阈值设定范围在0.2到0.7之间,根据实际信号的信噪比来确定,信噪比高的信号相应的阈值设定越大;
步骤五,计算未置零的复包络信号ei,j(t)的峭度值,将峭度值最大的复包络信号所对应的频带确定为最优共振频带;
步骤六,包络频谱分析,计算复包络信号的频谱,与滚动轴承存在的故障类型所对应的故障特征频率对比,确定滚动轴承存在的故障类型。
本发明相比于现有技术,具有以下有益效果:
a)本发明所提出的基于周期靶向的最优共振频带确定方法是一种寻找包含最多故障诊断信息量频带的方法,利用了故障激发冲击的本质特征。
b)本发明将周期性作为指标进行了计算,将冲击不具有周期性的频带进行了滤除,避免了非周期冲击对共振解调频带选择的干扰,方法具有鲁棒性。
c)本发明在共振解调频带的确定过程不需要人为参与,有利于实现故障特征提取和诊断监测的自动化,节约时间,效率更高。
附图说明
图1为本发明实施例试验台结构示意图。
图2为本发明实施例滚动轴承内圈故障。
图3为本发明方法的流程图。
图4为本发明实施例的原始振动信号。
图5为本发明方法的1/3-二叉树状滤波器组。
图6为实施例的传统Fast Kurtogram分析。
图7为实施例的基于周期靶向的Kurtogram分析。
图8为实施例的本发明方法的滤波信号。
图9为实施例的本发明方法的包络谱。
图10为实施例的Fast Kurtogram方法的滤波信号。
图11为实施例的Fast Kurtogram方法的包络谱。
具体实施方式
下面结合附图和实施例对本发明做详细描述。
以某车辆段的机车滚动轴承故障检测试验台为例,该滚动轴承试验台由驱动电机1、驱动轮2、滚动轴承3、轮对4、滚动轴承5组成,如图1所示,驱动电机1带动驱动轮2转动,驱动轮2与被测试滚动轴承3的外圈接触并带动外圈旋转,滚动轴承5和轮对4固定不动。
具体参数如下:1)滚动轴承5的接触角度:9°;2)滚动轴承5的滚动体直径:23.775mm;3)滚动轴承5的滚动体个数:20个;4)滚动轴承5的节径为:180mm;5)滚动轴承5故障类型为外圈剥落故障,如图2所示;6)振动加速度传感器A吸附于轮对4的顶端位置;7)滚动轴承5的外圈转速为350rpm;8)测试系统对振动信号进行高频采样和数据存储,采样过程的频率为76800Hz,采样时间为5s。
对滚动轴承进行故障诊断,应用本发明对原始数据分析确定共振解调频带并和传统方法Fast Kurtogram进行对比。
如图3所示,基于周期靶向的最优共振频带确定方法,包括以下步骤:
步骤一,将振动加速度传感器A吸附于对被轮对4的顶端位置,并对振动信号进行高频采样和预处理,将振动信号记为x(t),如图4所示,信号在t=3.02s处存在一个大的干扰冲击;
步骤二,如图5所示,构建1/3-二叉树状滤波器组,总层数为6,对振动信号x(t)进行滤波得到复包络信号ei,j(t),ei,j(t)由滤波器组中对应的第i行第j列的滤波器滤波得到;
步骤三,计算复包络信号ei,j(t)的周期性强度,记为PAR(Periodic Componentto Aperiodic Component Ratio),通过自相关算法实现,
信号x(t)的自相关函数定义为:
rx(τ)≡∫x(t)x(t+τ)dt. (4)
τ=0时函数取得最大值rx(0),是信号的总能量,τmax为自相关函数中除τ=0以外所有局部最大值中取得最大值的时延,其函数值rx(τmax)表示信号中周期分量的能量,得到信号中周期分量所占能量比为:
信号x(t)周期性强度指标PAR的计算定义为:
步骤四,根据周期性强度PAR的阈值,将低于阈值的复包络信号ei,j(t)的峭度值Ki,j置零,排除非周期分量的干扰;
阈值通常设定范围在0.2到0.7之间,根据实际信号的信噪比来确定,信噪比高的信号相应的阈值设定越大,在本实施例中选定为0.5;
步骤五,计算未置零的复包络信号ei,j(t)的峭度值,将峭度值最大的复包络信号所对应的频带确定为最优共振频带,
如果采用传统的Fast Kurtogram分析,结果如图6所示,确定的滤波频带为[24000Hz,24800Hz];采用基于周期靶向的Kurtogram分析,结果如图7所示,确定的滤波频带为[12000Hz,14400Hz],谱图中用虚线框标志出来的频带即为方法所确定的频带;
步骤六,包络频谱分析,计算复包络信号的频谱,与滚动轴承存在的故障类型所对应的故障特征频率对比,确定滚动轴承存在的故障类型。
本实施例中基于周期靶向的Kurtogram分析的滤波结果如图8所示,其包络谱如图9所示,谱图中外圈故障特征频率(BPFO)的谐波明显,并存在外圈转频的调频分量,说明轴承存在外圈局部故障,调频分量是由是外圈经过承载区引起的,与实际外圈剥落故障吻合。
本实例中如果采用Fast Kurtogram方法的滤波,滤波结果信号如图10所示,其包络谱如图11所示,该方法所确定的滤波频带被一个大的冲击分量主导,并不包含有用的故障诊断信息。
在本实施例中,Fast Kurtogram方法失效了,而本发明提出的基于周期靶向的Kurtogram分析有效地排除了这种大的随机冲击的干扰,提取出了故障特征信息,对故障进行了有效诊断,具有良好的鲁棒性。
Claims (1)
1.基于周期靶向的最优共振频带确定方法,其特征在于,包括以下步骤:
步骤一,将振动加速度传感器吸附于被测试滚动轴承的轴承座上,并对振动信号进行高频采样和预处理,将振动信号记为x(t);
步骤二,构建1/3-二叉树状滤波器组,对振动信号x(t)进行滤波得到复包络信号ei,j(t),ei,j(t)由1/3-二叉树状滤波器组中对应的第i行第j列的滤波器滤波得到;
步骤三,计算复包络信号ei,j(t)的周期性强度指标,记为PAR(Periodic Component toAperiodic Component Ratio),通过自相关算法实现,
复包络信号x(t)的自相关函数定义为:
rx(τ)≡∫x(t)x(t+τ)dt\*MERGEFORMAT (1)
τ=0时函数取得最大值rx(0),是复包络信号的总能量,τmax为自相关函数中除τ=0以外所有局部最大值中取得最大值的时延,其函数值rx(τmax)表示复包络信号中周期分量的能量,得到复包络信号中周期分量所占能量比为:
复包络信号x(t)周期性强度指标PAR的计算定义为:
步骤四,根据周期性强度指标PAR的阈值,将低于阈值的复包络信号ei,j(t)的峭度值Ki,j置零,排除非周期分量的干扰,
阈值设定范围在0.2到0.7之间,根据实际复包络信号的信噪比来确定,信噪比高的复包络信号相应的阈值设定越大;
步骤五,计算未置零的复包络信号ei,j(t)的峭度值,将峭度值最大的复包络信号所对应的频带确定为最优共振频带;
步骤六,包络频谱分析,计算复包络信号的频谱,与滚动轴承存在的故障类型所对应的故障特征频率对比,确定滚动轴承存在的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410577135.4A CN104316323B (zh) | 2014-10-24 | 2014-10-24 | 基于周期靶向的最优共振频带确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410577135.4A CN104316323B (zh) | 2014-10-24 | 2014-10-24 | 基于周期靶向的最优共振频带确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104316323A CN104316323A (zh) | 2015-01-28 |
CN104316323B true CN104316323B (zh) | 2017-01-11 |
Family
ID=52371585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410577135.4A Active CN104316323B (zh) | 2014-10-24 | 2014-10-24 | 基于周期靶向的最优共振频带确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104316323B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3102858A1 (fr) * | 2019-11-05 | 2021-05-07 | Safran | Procédé, dispositif et programme d’ordinateur de surveillance d’une machine tournante d’un aéronef |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124200B (zh) * | 2016-06-29 | 2018-07-03 | 潍坊学院 | 一种旋转机械的elmd和平滑迭代包络分析方法 |
CN106769033B (zh) * | 2016-11-30 | 2019-03-26 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
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 |
CN109596354B (zh) * | 2018-12-21 | 2020-06-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
CN111855211B (zh) * | 2020-07-31 | 2021-05-07 | 北京航空航天大学 | 一种用于故障特征增强的最优解调频带确定方法 |
CN113155466B (zh) * | 2021-05-24 | 2024-04-23 | 合肥工业大学 | 轴承故障视觉振动检测方法及系统 |
JP7476440B2 (ja) | 2021-09-23 | 2024-05-01 | 鵬 陳山 | 回転機械の衝撃系異常の診断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2209410C1 (ru) * | 2001-11-21 | 2003-07-27 | Открытое акционерное общество "ВНИПП" | Способ диагностики подшипников |
CN102243140B (zh) * | 2011-04-18 | 2013-01-23 | 杨彦利 | 一种基于子带信号分析的机械设备状态监测方法 |
CN102798529B (zh) * | 2012-08-30 | 2015-03-25 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
CN102840907B (zh) * | 2012-09-18 | 2014-05-14 | 河南省电力公司电力科学研究院 | 早期故障状态下滚动轴承振动信号特征提取和分析方法 |
CN103940612B (zh) * | 2014-04-10 | 2016-05-25 | 昆明理工大学 | 一种滚动轴承故障特征提取方法及系统 |
-
2014
- 2014-10-24 CN CN201410577135.4A patent/CN104316323B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3102858A1 (fr) * | 2019-11-05 | 2021-05-07 | Safran | Procédé, dispositif et programme d’ordinateur de surveillance d’une machine tournante d’un aéronef |
WO2021089936A1 (fr) * | 2019-11-05 | 2021-05-14 | Safran | Procédé, dispositif et programme d'ordinateur de surveillance d'une machine tournante d'un aéronef |
Also Published As
Publication number | Publication date |
---|---|
CN104316323A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104316323B (zh) | 基于周期靶向的最优共振频带确定方法 | |
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 | |
CN104792528A (zh) | 一种自适应最优包络解调方法 | |
CN103940612B (zh) | 一种滚动轴承故障特征提取方法及系统 | |
CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
CN107505135A (zh) | 一种滚动轴承复合故障提取方法及系统 | |
RU2010120713A (ru) | Способ обнаружения и автоматической идентификации повреждения подшипников качения | |
CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
CN103699513B (zh) | 一种基于多尺度噪声调节的随机共振方法 | |
CN102778356B (zh) | 增强随机共振系统以及基于该系统的机械故障诊断方法 | |
CN105092241A (zh) | 一种齿轮局部故障诊断方法及系统 | |
CN110806315B (zh) | 一种基于倒位编辑的齿轮箱复合故障诊断方法 | |
CN104796116B (zh) | 一种基于参数拟合的冲击波形峰值测量方法 | |
CN110617982A (zh) | 一种基于声纹信号的旋转机械设备故障识别方法 | |
CN110046476A (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
CN109063668A (zh) | 一种基于峰值保留降采样的冲击信号包络解调方法 | |
CN107525671A (zh) | 一种风电传动链复合故障特征分离与辨识方法 | |
CN106096313A (zh) | 一种基于奇异谱分解和谱峭度的包络分析方法 | |
CN106096200A (zh) | 一种基于小波分解和谱峭度的包络分析方法 | |
CN104133248B (zh) | 一种高保真声波干扰压制方法 | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN106053070B (zh) | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 | |
CN107315991A (zh) | 一种基于小波阈值去噪的ifra频响曲线去噪方法 | |
CN103776903A (zh) | 一种风电叶片脱层检测方法及检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |