CN105004523B - 基于加权相似性测度的滚动轴承状态监测方法 - Google Patents
基于加权相似性测度的滚动轴承状态监测方法 Download PDFInfo
- Publication number
- CN105004523B CN105004523B CN201510468725.8A CN201510468725A CN105004523B CN 105004523 B CN105004523 B CN 105004523B CN 201510468725 A CN201510468725 A CN 201510468725A CN 105004523 B CN105004523 B CN 105004523B
- Authority
- CN
- China
- Prior art keywords
- word frequency
- rolling bearing
- similarity measure
- frequency sequence
- represent
- 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
本发明公开了一种基于加权相似性测度的滚动轴承状态监测方法,该方法首先根据相邻序列点之间的涨落趋势将滚动轴承振动信号转换为二值符号序列,然后再将二值符号序列转换为单词频次序列,最后计算初始状态所对应的单词频次序列与其它任一状态所对应的单词频次序列之间的加权相似性测度,以该测度作为特征参数来监测滚动轴承的运行状态,在滚动轴承的运行过程中,如果加权相似性测度在某时刻所对应的数值较上一时刻所对应的数值变化超过20%,则判定滚动轴承的运行状态在该时刻发生了明显的变化,该时刻则被作为故障出现的时刻,本发明适合于处理复杂的滚动轴承振动信号,能及时准确地检测出滚动轴承的早期故障,具有良好的抗噪性和鲁棒性,便于工程应用。
Description
技术领域
本发明涉及一种轴承,具体的说,涉及一种滚动轴承状态监测方法,属于旋转机械状态监测与故障诊断领域。
背景技术
滚动轴承作为一种最常用的旋转部件,其故障特征通常比较微弱,特别是当滚动轴承故障处于早期阶段时,其故障特征非常难以提取。因此,滚动轴承的早期故障检测是一个难题。
目前,传统的滚动轴承状态监测方法有人工监听法、有效值方法和峭度方法,以上方法都是直接对原始信号进行监听、分析,因此这些方法容易受到噪声及其它成分的干扰,误差大,抗噪性和鲁棒性较差,难以及时准确地检测出滚动轴承的早期故障。
发明内容
本发明要解决的问题是针对以上不足,提出一种基于加权相似性测度的滚动轴承状态监测方法,该方法能够及时准确地检测出滚动轴承的早期故障,误差小,具有良好的抗噪性和鲁棒性。
为解决以上技术问题,本发明采取的技术方案如下:基于加权相似性测度的滚动轴承状态监测方法,其特征在于,包括振动信号序列转换二值符号序列步骤。
一种优化方案,振动信号序列转换二值符号序列步骤:
根据相邻序列点之间的上升或下降关系将序列x ik 转换为二值符号序列;
。
进一步地,包括测取振动信号序列步骤。
进一步地,测取振动信号序列步骤:
利用加速度传感器以固定的时间间隔分次测取滚动轴承的振动信号,记第i次获取的信号为x ik (k=1, 2, …,N),N为采样信号的长度。
进一步地,包括单词频次序列计算步骤。
进一步地,单词频次序列计算步骤:
定义m个连续字符为一个单词,通过数据点的滑动将该二值符号序列转换为一个包含不同单词类型的集合,计算每个单词类型出现的频率,最后得到一个长度为2m的单词频次序列。
进一步地,包括判断步骤。
进一步地,判断步骤:
将初始状态作为正常参考状态,计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列之间的加权相似性测度,将加权相似性测度作为特征参数来判断滚动轴承是否存在故障。
进一步地,如果加权相似性测度在某时刻所对应的数值较上一时刻所对应的数值变化超过20%,则判断该时刻为故障出现的时刻。
进一步地,加权相似性测度的计算包括以下步骤:
1) 分别计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列的概率密度;
,,
其中,代表第i个时刻所对应的单词频次序列,代表初始时刻所对应的单词频次序列,代表中的第k个元素,代表中的第k个元素,代表单词频次序列的概率密度,代表中的第k个元素,代表单词频次序列的概率密度,代表中的第k个元素,代表单词频次序列的长度,即;
2) 计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列所对应的权重因子:
,
其中,代表单词频次序列和之间的权重因子,代表中的第k个元素;
3) 计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列之间的加权相似性测度:
,
其中,代表单词频次序列和之间的加权相似性测度,代表单词频次序列的长度,即。
本发明采用以上技术方案,与现有技术相比,具有以下优点:
1) 与传统的滚动轴承状态监测不同,本发明不是直接对原始数据进行分析,而是先将长的原始序列转换为短的单词频次序列,然后计算单词频次序列之间的加权相似性,由于单词频次序列保留了原始序列最本质的特征,因此本发明不但能够简化滚动轴承振动数据的动力学分析过程,而且能够最大程度地消除噪声对分析结果的影响,具有良好的抗噪性和鲁棒性,准确率达到98%。
2) 本发明利用序列点之间的内在涨落机制,能够自适应地将滚动轴承的原始振动信号转换为二值符号序列,从而避免了由于人为设定阈值而带来的误差。
3) 本发明将信息熵的概念引入到相似性测度的计算中,考虑了不同的单词频次在相似性测度计算中的不同权重,能够客观地度量单词频次序列之间的相似性。
4) 该方法能够准确地检测出滚动轴承的状态突变点,及早发现滚动轴承的早期故障,比有效值方法、峭度方法平均提前24.5%。
下面结合附图和实施例对本发明作进一步说明。
附图说明
附图1为本发明实施例中监测方法的流程图;
附图2为本发明实施例中加权相似性测度的计算步骤的流程图;
附图3为正常滚动轴承振动仿真信号;
附图4为早期故障滚动轴承振动仿真信号;
附图5为严重故障滚动轴承振动仿真信号;
附图6为本发明实施例1中有效值对滚动轴承仿真信号的监测结果;
附图7为本发明实施例1中峭度对滚动轴承仿真信号的监测结果;
附图8为本发明实施例1中本发明监测方法对滚动轴承仿真信号的监测结果;
附图9为本发明实施例2中有效值对滚动轴承全生命周期运行过程的监测结果;
附图10为本发明实施例2中峭度对滚动轴承全生命周期运行过程的监测结果;
附图11为本发明实施例2中本发明监测方法对滚动轴承全生命周期运行过程的监测结果。
具体实施方式
实施例,如图1所示,基于加权相似性测度的滚动轴承状态监测方法,按以下步骤实施:
1) 利用加速度传感器以固定的时间间隔分次测取滚动轴承的振动信号,记第i次获取的信号为x ik (k=1, 2, …,N),N为采样信号的长度;时间间隔一般取10分钟即可;
2) 根据相邻序列点之间的上升或下降关系将序列x ik 转换为二值符号序列,
,
3) 定义m个连续字符为一个单词,通过数据点的滑动将该二值符号序列转换为一个包含不同单词类型的集合,计算每个单词类型出现的频率,最后得到一个长度为2m的单词频次序列;一般设置m=8;
4) 将初始状态作为正常参考状态,计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列之间的加权相似性测度,将加权相似性测度作为特征参数来判断滚动轴承是否存在故障。
经试验验证,在滚动轴承的运行过程中,如果加权相似性测度在某时刻所对应的数值较上一时刻所对应的数值变化超过20 %,可以通过人眼观察到轴承上具有轻微故障点,则认为滚动轴承的运行状态在该时刻发生了明显的变化,该时刻则被作为故障出现的时刻。当低于20%时,肉眼还几乎看不出故障点,所以认为滚动轴承的运行状态在加权相似性测度的变化值达到20%时发生了明显的变化,该时刻则被作为故障出现的时刻。
如图2所示,加权相似性测度的计算步骤如下:
1) 分别计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列的概率密度,
,,
其中,代表第i个时刻所对应的单词频次序列,代表初始时刻所对应的单词频次序列,代表中的第k个元素,代表中的第k个元素,代表单词频次序列的概率密度,代表中的第k个元素,代表单词频次序列的概率密度,代表中的第k个元素,代表单词频次序列的长度,即;
2) 计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列所对应的权重因子
,
其中,代表单词频次序列和之间的权重因子,代表中的第k个元素;
3) 计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列之间的加权相似性测度;
,
其中,代表单词频次序列和之间的加权相似性测度,代表单词频次序列的长度,即。
为了证明本发明所述方法的正确性,给出一个仿真算例和一个具体实例进一步说明。
试验1,利用滚动轴承仿真数据对本发明所述算法的性能进行验证。当滚动轴承出现故障时,其振动信号中的冲击分量和噪声分量明显增强,因此通过逐渐增强冲击分量和噪声分量的方法来模拟滚动轴承从正常状态→早期故障→严重故障的过程,仿真算式为,这里符号、和分别代表第 段数据所包含的简谐分量、冲击分量和噪声分量,它们的表达式分别为,,,其中N为每段数据的长度,,为仿真信号的采样频率, Hz,为冲击信号出现的频率,Hz,为冲击分量的幅值系数,当时,,当时,,当时,,符号代表计算标准差, 为噪声分量的幅值系数,对所有的60段数据从均匀增大到。随着滚动轴承运行状态的不断恶化,轴承振动信号中的噪声分量逐渐增大,当时向仿真信号中添加冲击分量,表示滚动轴承在该时刻开始出现故障,当时仿真信号中的冲击分量明显增大,表示滚动轴承在该时刻出现严重故障。图3-5所示分别为正常(取j=1)、早期故障(取j=50)和严重故障(取j=58)阶段滚动轴承的振动仿真数据。首先采用有效值方法对该滚动轴承仿真信号进行分析,结果如图6所示。图6显示有效值方法检测到的状态突变点分别位于j=47和j=59,这显然与实际情况不符。接着采用峭度方法对该滚动轴承仿真信号进行分析,结果如图7所示。图7显示峭度方法检测到的状态突变点分别位于j=43和j=59,这也与实际情况不符。采用本发明对该仿真数据进行分析,结果如图8所示。从图8可以看出,本发明检测到的状态突变点分别位于和,这两个时刻正好分别对应仿真信号中冲击分量出现和增大的时刻,因此该仿真算例证明了本发明的有效性。
本发明监测方法经200次仿真试验验证,准确率达100%。
试验2,利用实测的滚动轴承全生命周期数据对本发明所述算法的性能进行进一步验证。四个型号为Rexnord ZA-2115的双列滚子轴承被安装在主轴上,主轴的转速保持在2000 RPM,利用弹簧机构向轴承施加30000 N的径向载荷。轴承振动数据通过安装在1号轴承外壳上的加速度计测取,采样频率为20 kHz,每次采样测取20480个点,每隔10分钟采样一次,直到轴承完全破坏为止总共测取了984组数据,耗时164个小时。采用有效值方法对该滚动轴承的运行过程进行监测,结果如图9所示。从图9可以看出,有效值方法能够检测到的最早的状态突变点位于117.2小时处。接着,采用峭度方法对该滚动轴承的运行过程进行监测,结果如图10所示。从图10可以看出,峭度方法能够检测到的最早的状态突变点位于117小时处。最后,采用本发明对该滚动轴承的运行过程进行监测,结果如图11所示。从图11可以看出,本发明能够检测到的最早的两个状态突变点分别位于88.67小时处和117.2小时处,其中第二个状态突变点大体对应有效值(或峭度)所能检测到的第一个状态突变点。从上面的结果可以看出,本发明能够检测到的最早的状态突变时刻远远早于有效值(或峭度)方法能够检测到的最早的状态突变时刻。
经100次试验验证,采用本发明监测方法能够检测到的最早的状态突变时刻比有效值方法、峭度方法平均提前24.5%。
为了进一步验证本发明的有效性,在保持实验条件完全相同的情况下重复进行100次上述滚动轴承实验,采用本发明监测方法、有效值方法和峭度方法实时监测滚动轴承的运行状态,当用本发明检测到状态突变时(此时,有效值和峭度未能检测到状态突变)停止实验,然后对轴承1进行拆解,其中98次试验发现轴承1的外圈表面上存在着几个比较小的凹坑,这个结果说明本发明的滚动轴承监测方法准确率达到98%。因此,与现有技术相比,本发明在滚动轴承早期故障检测方面具有更好的性能。
本领域技术人员应该认识到,上述的具体实施方式只是示例性的,是为了使本领域技术人员能够更好的理解本发明内容,不应理解为是对本发明保护范围的限制,只要是根据本发明技术方案所作的改进,均落入本发明的保护范围。
Claims (9)
1.基于加权相似性测度的滚动轴承状态监测方法,其特征在于,包括振动信号序列转换二值符号序列步骤、加权相似性测度的计算步骤;
加权相似性测度的计算步骤包括:
1) 分别计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列的概率密度;
,,
其中,代表第i个时刻所对应的单词频次序列,代表初始时刻所对应的单词频次序列,代表中的第k个元素,代表中的第k个元素,代表单词频次序列的概率密度,代表中的第k个元素,代表单词频次序列的概率密度,代表中的第k个元素,代表单词频次序列的长度,即;
2) 计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列所对应的权重因子:
,
其中,代表单词频次序列和之间的权重因子,代表中的第k个元素;
3) 计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列之间的加权相似性测度:
,
其中,代表单词频次序列和之间的加权相似性测度,代表单词频次序列的长度,即。
2.如权利要求1所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,振动信号序列转换二值符号序列步骤:
根据相邻序列点之间的上升或下降关系将序列x ik 转换为二值符号序列;
。
3.如权利要求1所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,包括测取振动信号序列步骤。
4.如权利要求3所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,测取振动信号序列步骤:
利用加速度传感器以固定的时间间隔分次测取滚动轴承的振动信号,记第i次获取的信号为x ik (k=1, 2, …,N),N为采样信号的长度。
5.如权利要求1所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,包括单词频次序列计算步骤。
6.如权利要求5所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,单词频次序列计算步骤:
定义m个连续字符为一个单词,通过数据点的滑动将该二值符号序列转换为一个包含不同单词类型的集合,计算每个单词类型出现的频率,最后得到一个长度为2m的单词频次序列。
7.如权利要求5所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,包括判断步骤。
8.如权利要求7所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,判断步骤:
将初始状态作为正常参考状态,计算初始状态所对应的单词频次序列与其它任一时刻所对应的单词频次序列之间的加权相似性测度,将加权相似性测度作为特征参数来判断滚动轴承是否存在故障。
9.如权利要求8所述的基于加权相似性测度的滚动轴承状态监测方法,其特征在于,如果加权相似性测度在某时刻所对应的数值较上一时刻所对应的数值变化超过20%,则判断该时刻为故障出现的时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510468725.8A CN105004523B (zh) | 2015-08-04 | 2015-08-04 | 基于加权相似性测度的滚动轴承状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510468725.8A CN105004523B (zh) | 2015-08-04 | 2015-08-04 | 基于加权相似性测度的滚动轴承状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105004523A CN105004523A (zh) | 2015-10-28 |
CN105004523B true CN105004523B (zh) | 2017-07-21 |
Family
ID=54377279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510468725.8A Active CN105004523B (zh) | 2015-08-04 | 2015-08-04 | 基于加权相似性测度的滚动轴承状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105004523B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198013B (zh) * | 2016-06-29 | 2018-05-29 | 潍坊学院 | 一种基于经验模式分解滤波的包络分析方法 |
CN106198015B (zh) * | 2016-06-29 | 2018-05-25 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
CN106198011B (zh) * | 2016-06-29 | 2018-05-25 | 潍坊学院 | 一种旋转机械的elmd和三次样条平滑包络分析方法 |
CN106198014B (zh) * | 2016-06-29 | 2018-05-29 | 潍坊学院 | 一种基于经验模式分解和谱峭度的包络分析方法 |
CN106198018B (zh) * | 2016-06-29 | 2018-05-25 | 潍坊学院 | 一种旋转机械的eemd和平滑迭代包络分析方法 |
CN106198010B (zh) * | 2016-06-29 | 2018-06-22 | 潍坊学院 | 一种基于局部均值分解滤波的包络分析方法 |
CN106198017B (zh) * | 2016-06-29 | 2018-05-29 | 潍坊学院 | 一种滚动轴承的lmd、谱峭度和平滑迭代包络分析方法 |
CN106198009B (zh) * | 2016-06-29 | 2018-05-29 | 潍坊学院 | 一种滚动轴承的emd、谱峭度和平滑迭代包络分析方法 |
CN106198012B (zh) * | 2016-06-29 | 2018-05-25 | 潍坊学院 | 一种基于局部均值分解和谱峭度的包络分析方法 |
CN106198016B (zh) * | 2016-06-29 | 2018-05-25 | 潍坊学院 | 一种滚动轴承的nmd、谱峭度和平滑迭代包络分析方法 |
CN107389343B (zh) * | 2017-07-24 | 2019-07-30 | 潍坊学院 | 基于Roberts算子和t检验的瞬时频率估计方法 |
CN108956111B (zh) * | 2018-06-11 | 2020-05-12 | 北京天泽智云科技有限公司 | 一种机械部件的异常状态检测方法及检测系统 |
CN109034028B (zh) * | 2018-07-16 | 2021-09-24 | 河北工业大学 | 一种基于符号化与tf-idf的机械设备故障特征提取方法 |
EP3660613B1 (en) * | 2018-11-27 | 2021-07-21 | Tetra Laval Holdings & Finance S.A. | A method for condition monitoring of a cyclically moving machine component |
CN112402736B (zh) * | 2020-11-17 | 2023-03-10 | 杭州师范大学钱江学院 | 一种输液监视方法 |
CN113670612B (zh) * | 2021-08-16 | 2023-03-14 | 西南交通大学 | 一种基于加权组合包络谱的滚动轴承故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01172622A (ja) * | 1987-12-26 | 1989-07-07 | Tosoh Corp | 転がり軸受けの異常検出方法 |
CN102156042B (zh) * | 2011-03-18 | 2012-11-21 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
DE102011100611A1 (de) * | 2011-05-05 | 2011-11-10 | Daimler Ag | Vorrichtung und Verfahren zum Bestimmen eines Funktionszustands eines Lagers |
CN102435436B (zh) * | 2011-11-24 | 2015-05-27 | 电子科技大学 | 风扇轴承状态退化评估方法 |
CN103577703A (zh) * | 2013-11-14 | 2014-02-12 | 上海白丁电子科技有限公司 | 基于变量权重的相似性度量评估非线性动态系统的方法 |
CN104156585B (zh) * | 2014-08-04 | 2018-06-01 | 北京工业大学 | 一种基于多项指标特征的双字典匹配追踪轴承故障程度评价方法 |
-
2015
- 2015-08-04 CN CN201510468725.8A patent/CN105004523B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105004523A (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105004523B (zh) | 基于加权相似性测度的滚动轴承状态监测方法 | |
CN105067262B (zh) | 一种滚动轴承状态监测方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
CN103776654B (zh) | 多传感器信息融合的故障诊断方法 | |
CN106934126B (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN103927414B (zh) | 含单点故障的滚动轴承振动响应仿真分析方法 | |
CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN103868692A (zh) | 基于核密度估计和k-l散度的旋转机械故障诊断方法 | |
CN106571016B (zh) | 一种基于报警次数跳变触发机制的机械早期故障判别方法 | |
CA2814083A1 (en) | System and method for detecting fault conditions in a drivetrain using torque oscillation data | |
CN104343709B (zh) | 一种检测风机故障的装置及方法 | |
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 | |
CN101299004A (zh) | 一种基于确定学习理论的振动故障诊断方法 | |
CN110823576A (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN109187021A (zh) | 基于熵的多源风电机组轴承故障诊断方法 | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN109416023A (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
CN105094118A (zh) | 一种飞机发动机压气机失速故障检测方法 | |
CN103678938B (zh) | 一种面向空间形状和误差范围的退化模型一致性检验方法 | |
CN107655690A (zh) | 基于人工神经网络的电机轴承故障诊断方法 | |
CN114705432A (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN105976021A (zh) | 一种带式输送机滚筒组件故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN111173688A (zh) | 基于自适应观测器的风力发电机故障诊断与隔离方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |