CN105241666B - 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 - Google Patents
一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 Download PDFInfo
- Publication number
- CN105241666B CN105241666B CN201510604772.0A CN201510604772A CN105241666B CN 105241666 B CN105241666 B CN 105241666B CN 201510604772 A CN201510604772 A CN 201510604772A CN 105241666 B CN105241666 B CN 105241666B
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling bearing
- sparse
- frequency
- dictionary
- 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.)
- Expired - Fee Related
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于信号稀疏表示理论的滚动轴承故障特征提取方法,包括以下步骤:应用多阶固有频率的单位脉冲响应函数构造表征滚动轴承局部损伤的过完备字典,通过相关滤波法从振动响应信号中识别滚动轴承和传感器系统的多阶固有频率及其阻尼比,获得优化字典;应用匹配追踪算法求解稀疏系数,并通过合理的分段提高求解速度和精度;重构每段冲击响应信号,获得故障特征信号的稀疏表示;对获得稀疏信号中相邻冲击响应成分的时间间隔进行时域指标统计特性分析,结合平均值和均方差值来诊断故障类型。本发明的方法兼具解析法和自适应法的优点,提高了波形特征的精度,可克服传统的基于傅里叶变换的方法不适用转速波动的缺陷。
Description
技术领域
本发明涉及旋转机械和信号处理领域,特别涉及一种基于信号稀疏表示理论的滚动轴承故障特征提取方法。
背景技术
滚动轴承作为支撑旋转机械的重要部件,其功能失效是导致机械停机的重要因素之一。装配误差、分布故障和局部故障都会导致滚动轴承产生异常的振动响应信号。当滚动轴承的任一元件(外圈、内圈、滚动体和保持架)的表面出现局部损伤(点蚀、剥落、裂纹等)时,损伤表面与其他表面接触时会产生瞬态冲击力,能够激起包括轴承元件、传感器和相关结构的固有频率,产生具有共振调制特征的冲击响应信号。通过安装在轴承座附近的传感器,可以采集到表征轴承故障的冲击响应信号,并混杂着其他结构的振动响应信号以及噪声。从振动响应信号中准确地提取表征轴承故障的特征信号是诊断的关键任务之一,在微弱故障特征提取时,尤为重要。
基于傅里叶变换的幅值解调得到的包络信号往往包含着很多与轴承故障相关的特征,可通过包络谱中出现的轴承特征频率及其谐次来识别故障类型。幅值解调的核心是选择合适的共振频带来提高信噪比。有关确定共振频带的许多研究工作在持续进行着,其中应用最多的方法是谱峭度及其优化方法。若考虑到实际运行转速的波动和滚动体的滑动因素,轴承故障产生的瞬态冲击响应则会出现非平稳特性,这限制了傅里叶变换和包络分析的应用。小波变换通过具有不同伸缩和平移参数的基小波与被分析信号做一系列的卷积运算,可将信号同时分解到时域和频域,能有效的处理非平稳信号。在许多案例中,小波变换已被成功用于诊断轴承的局部损伤。只要选择的基小波合适,小波变换就能很好的匹配和提取瞬态冲击特征。Morlet小波是应用最多的基小波,因为它具有指数衰减形式的波形,与冲击响应的特征很相似。然而,如何设定合适的Morlet小波参数(中心频率和带宽)仍然是一个具有挑战性的问题。
过去二十年,信号稀疏表示理论在图像处理、语音识别和压缩感知等领域取得了引人注目的成绩,也被引入到旋转机械的故障特征提取和信号分离。它的基本原理是应用字典中的原子进行线性组合构造信号,包含两个关键问题:字典设计和系数求解。基于过完备字典的应用,原子不要求完全正交,可以根据信号的自身特点灵活的选择。稀疏系数的求解都是以lp范数最小化为目标,大致可分为三大类:贪婪追踪算法、线性规划方法和迭代收缩算法。在诊断滚动轴承故障时,信号稀疏表示被用来分离和提取冲击成分,再结合包络分析来识别轴承损伤类型。Cui等建立了能反映故障轴承特征参数的字典,并结合匹配追踪与遗传算法较好地提取了轴承故障。Qin等构造了包含冗余傅里叶基、单位矩阵基和短时傅里叶基的复合变换基字典,通过基追踪算法来求解稀疏系数,能较好的匹配信号的局部特征。Zhu和Cai等先后构造了以Laplace小波、Morlet小波、谐小波和调Q小波为原子的过完备字典,结合神经网络和分裂增广拉格朗日收缩算法(SALSA)来提取轴承故障的冲击响应成分。Tang等应用平移不变稀疏编码(SISC)算法获得信号的潜在成分(latent compnonet)来构造字典和分解信号,提取滚动轴承的微弱故障特征。即使信号稀疏表示理论在滚动轴承方面得到了很多应用,但大部分文献的研究内容仍未考虑以下情况:
(1)由于载荷的变化,局部损伤在不同时刻产生的冲击力大小会不一致,能够激起轴承和传感器系统的多阶固有频率;由于不同激励点传递到安装位置固定的传感器的传递函数不同,传感器在不同时刻采集到的冲击响应的波形参数都可能不一样,包括幅值、频率和阻尼比。上述文献在构造过完备字典时,都只用了一阶固有频率,并不能准确的描述冲击响应的波形特征。
(2)当内圈和滚动体存在局部损伤时,损伤位置会作与轴的转动周期相同或相关的周期运动,周期性地通过轴承的载荷区,与此同时,冲击力在传感器坐标系的投影大小也存在周期性时变,使得不同时刻的冲击响应具有幅值调制现象。在非承载区,冲击力的幅值很小,甚至可能为零,导致某些冲击振动响应缺失。
(3)受转速波动和滚动体滑动的影响,前后两个冲击响应的时间间隔会存在一定的随机误差,使得响应信号呈现非平稳特性,一定程度上限制包络分析的应用。然而,现有的文献多是基于滚动体纯滚动的假设。
(4)对于齿轮箱中的滚动轴承而言,正常齿轮的啮合频率成分会与轴承局部损伤产生的冲击响应耦合,降低故障特征成分的信噪比,会增加构造过完备字典的难度和稀疏系数求解的精度。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于信号稀疏表示理论的滚动轴承故障特征提取方法。
本发明的目的通过如下技术方案实现:一种基于信号稀疏表示理论的滚动轴承故障特征提取方法,具体包括以下步骤:
S1、采集包含滚动轴承故障特征的振动加速度响应信号;
S2、应用带通滤波器,滤除振动响应信号中由其他结构振动导致的干扰成分;
S3、以单位脉冲响应函数构建过完备稀疏字典C;
S4、应用相关滤波法从滤波信号中识别滚动轴承和传感器系统的多阶固有频率及其阻尼比,得到优化的过完备稀疏字典D;
S5、对滤波信号进行分段,利用匹配追踪算法求解每段信号的稀疏系数;
S6、重构信号,获得滚动轴承故障特征信号的稀疏表示;
S7、对稀疏信号中的冲击响应时间间隔进行时域指标统计分析,识别故障类型。
所述步骤S1具体包含以下步骤:
S11、坐标系建立:建立空间坐标系XYZ,X轴正向指向滚动轴承的轴向,Z轴正向竖直向上,Y轴正向由右手定则确定;
S12、安装传感器:在轴承座表面安装1个单向加速度传感器,测试方向为Z向;依次连接传感器、数据采集器和便携式计算机;
S13、令与滚动轴承内圈配合的轴工作转频为fn;设数据采集器的采样频率为fs,采样时间长度T为10~20s,则采样时间间隔△t=1/fs,采样点数N=fs·T;采集和同步记录测试点的振动加速度时域信号,记为xT(t);
S14、从xT(t)中截取时长Tx的振动加速度信号进行分析,记为x(t)。
所述步骤S2中,应用带通滤波器对振动响应信号x(t)进行滤波,滤除轴承制造和装配误差导致的低频振动或者其他结构振动的干扰成分,记滤波后的信号为xp(t),所述带通滤波器的上限截止频率fhc设定为奈奎斯特频率,而下限截止频率flc应大于数倍纯滚动轴承轴的转频或齿轮箱滚动轴承的齿轮啮合频率。
所述步骤S3中,以单位脉冲响应函数
为原子,构造表征滚动轴承局部损伤的稀疏字典C,其中fd是滚动轴承和传感器系统的有阻尼固有频率;ζ是系统的阻尼比;τ是冲击脉冲响应发生的时刻。
所述步骤S4具体包括以下步骤:
S41、从滤波信号xp(t)取一段信号xc(t)用于相关滤波,取信号xc(t)的长度Tc=Tx/2;
S42、设定fd∈[0:△fd:fs/2],ζ∈[0.001:△ζ:0.2]和τ∈[0:△τ:Tc],△fd、△ζ和△τ为对应参数的搜索步长;
S43、参数fd、ζ和τ代入式
生成原子dγ(t),构造过完备稀疏字典C;
S44、根据式
计算信号xc(t)与字典C中各原子dγ(t)的相关系数,式中<·>代表内积;
S45、搜索λ(t)的局部最大值,记为λm;λm对应的频率和阻尼比记为即为滚动轴承和传感器系统的固有频率及其阻尼比;λm对应的为冲击发生的时刻。实际中,滚动轴承局部损伤可能激起系统的多阶固有频率,不同的局部最大值λm对应的固有频率和阻尼比可能相同。
S46、用识别出的和代入式
得到的原子dγ(t)构成的集合即为优化的过完备稀疏字典D,所述优化的过完备稀疏字典D的冗余度远远小于字典C,可提高信号稀疏系数求解的速度。
所述步骤S5中,将滤波信号xp(t)分成W段,记为xw(t),w=1,2,…,W,每段信号的长度为轴承元件局部损伤的最小特征周期,即为内圈的故障特征周期,记为TI。这样的分段能降低稀疏系数求解时内积计算的点数,节省计算时间。
所述步骤S6中,利用优化的过完备稀疏字典D和匹配追踪算法,对每段信号xw(t)进行稀疏分解,求解稀疏系数,重构冲击响应信号,具体步骤如下:
S61、为提高冲击响应时刻的匹配精度,将第S42中的搜索步长△τ进行细化,减小为△τ′,且τ′=[0:△τ′:TI];
S62、将τ′代入
对优化的过完备稀疏字典D进行扩展,令进行幅值归一化;
S63、按照式计算所有原子与第w段信号xw(t)的内积;找出内积最大值对应的原子相应的内积即为稀疏系数则信号xw(t)经第一次分解后,可表示为式R1x为残差。
S64、对残差R1x进行同样地分解,记进行至第K次分解对应的原子为内积为和残差Rkx,则信号xw(t)可由式重构表示为xws(t):
S65、当前后两次匹配残差的均方根差满足式其中ε为一足够小的正数,或者迭代的次数大于原子的个数,则停止匹配。
S66、将W段信号xws(t)按式进行组合,即可得到滤波信号xp(t)的稀疏表示xs(t)和残差Rs(t)。
所述步骤S7中,对稀疏信号中相邻两个冲击响应的时间间隔进行时域指标统计,包括平均值和均方差。
所述的滚动轴承外圈与轴承座配合,绝对转频为零,内圈与传动轴配合,转频与传动轴的转频一致,为fn。
所述的滚动轴承与内圈配合的传动轴具有转速波动,所述转速波动导致每个周期内冲击响应发生时刻τ0的波动范围不大于滚动轴承元件局部损伤特征周期Tn的一半,即τ0≤Tn/2。
所述的滚动轴承中的滚动体具有滚动和滑动运动,滚动体滑动因素导致每个周期内冲击响应发生时刻τ0的波动范围不大于滚动轴承元件局部损伤特征周期Tn的一半,即τ0≤Tn/2。
所述的滚动轴承的局部损伤在非载荷区与其他表面接触时,产生的冲击力幅值为零。最大载荷分布角度为180°。
振动响应信号采集时设置较高的采样频率fs,以便包括滚动轴承和传感器系统的多阶固有频率,并使离散冲击响应波形具有更多的点数,更好的表现波形特征。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明以多阶固有频率的单位脉冲响应函数为原子构造过完备稀疏字典,所构造的字典与实际的滚动轴承元件局部损伤振动响应波形更接近;并且固有频率及其阻尼比是通过相关滤波法从实际采集到的振动响应信号中自适应识别得到的,具有明确的物理意义,通用性广。
2、将信号进行合理的分段,再对每段信号进行稀疏系数求解,可大大降低内积计算的点数,提高计算速度和信号的匹配精度。
3、适用于转速波动、滚动体滑动以及非承载区某些冲击响应缺失的情况;还具有较好的抗噪性能,在微弱冲击信号提取方面具有良好的效果。
附图说明
图1为本发明所述的滚动轴承局部损伤特征信号提取流程图;
图2纯滚动轴承原始振动加速度信号时域图;
图3纯滚动轴承原始振动加速度信号频域图;
图4带通滤波后的纯滚动轴承振动响应信号时域波形图;
图5纯滚动轴承振动响应信号的相关系数结果图;
图6纯滚动轴承振动响应信号相关滤波后识别的各时刻固有频率示意图;
图7纯滚动轴承振动响应信号相关滤波后识别的各时刻阻尼比示意图;
图8识别得到的纯滚动轴承的固有频率及其阻尼比结果图;
图9重构得到的纯滚动轴承故障冲击响应信号的稀疏表示时域波形图;
图10汽车变速器滚动轴承原始振动加速度信号时域波形图;
图11汽车变速器滚动轴承原始振动加速度信号频域图;
图12带通滤波后的汽车变速器滚动轴承振动响应信号时域波形图;
图13汽车变速器滚动轴承振动响应信号的相关系数结果图;
图14汽车变速器滚动轴承振动响应信号相关滤波后识别的各时刻固有频率示意图;
图15汽车变速器滚动轴承振动响应信号相关滤波后识别的各时刻阻尼比示意图;
图16识别得到的汽车变速器滚动轴承的固有频率及其阻尼比结果图;
图17重构得到的汽车变速器滚动轴承故障冲击响应信号的稀疏表示时域波形图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
当滚动轴承元件(外圈、内圈、滚动体和保持架)发生局部损伤(点蚀、剥落和裂纹等),损伤表面与正常表面接触时会产生冲击力,并激起轴承、传感器和其他结构的固有频率,生产冲击振动响应信号。在假设滚动体只作纯滚动的情况下,冲击响应信号会随着轴的转动以固定频率重复出现,该频率被称为轴承故障特征频率,其中外圈特征频率fo和内圈特征频率fI的理论计算公式为:
式中,fn是轴的转频;Ds是滚动轴承的节径;d是滚动体的直径;z是滚动体的个数;α是接触角。传感器采集到的滚动轴承的振动响应信号具有幅值按指数衰减的冲击响应波形特征。考虑到冲击力会激起系统的多阶固有频率,可通过式(2-3)的数学模型模拟。
式中,N为被激起的固有频率的阶数;M为采集时间内冲击响应的理论个数;fdi为第i阶固有频率,其对应的阻尼比为ζi;Aim为第i阶固有频率下第m个冲击响应的幅值;τ为冲击响应发生的时刻;T为冲击响应重复出现的理论周期,为fo或fI的倒数;η(t)代表高斯白噪声。
传统的滚动轴承故障故障诊断方法主要是包络分析。但在转速波动和滚动体滑动的因素影响下,基于包络信号分析的滚动轴承故障诊断方法具有一定局限性,容易出现频率模糊混叠现象。基于小波变换的滚动轴承故障特征提取方法受限于母小波的选择。基于信号稀疏表示理论的滚动轴承特征提取方法,因为过完备稀疏字典的应用,原子函数可以灵活的选择。任一信号x∈Rn都可表示为字典D∈Rn×q的线性组合,即x=Dα,其中α∈Rn是含有不为零值的稀疏系数向量。字典D中的任一列dγ∈Rn(γ=1,2,...,q)称为原子。稀疏系数向量α可通过求解式(2-4)的优化问题得到。
式中,||·||0表示范数;ε≥0是近似稀疏的容差。信号稀疏表示包括两个重要问题,一是字典设计,;二是系数求解,应使向量α的非零项最小,信号足够稀疏。
一种基于信号稀疏表示理论的滚动轴承故障特征提取方法,如图1所示,具体包括以下步骤:
S1、采集包含滚动轴承故障特征的振动加速度响应信号;
S2、应用带通滤波器,滤除振动响应信号中由其他结构振动导致的干扰成分;
S3、以单位脉冲响应函数构建过完备稀疏字典C;
S4、应用相关滤波法从滤波信号中识别滚动轴承和传感器系统的多阶固有频率及其阻尼比,得到优化的过完备稀疏字典D;
S5、对滤波信号进行分段,利用匹配追踪算法求解每段信号的稀疏系数;
S6、重构信号,获得滚动轴承故障特征信号的稀疏表示;
S7、对稀疏信号中的冲击响应时间间隔进行时域指标统计分析,识别故障类型。
所述步骤S1具体包含以下步骤:
S11、坐标系建立:建立空间坐标系XYZ,X轴正向指向滚动轴承的轴向,Z轴正向竖直向上,Y轴正向由右手定则确定;
S12、安装传感器:在轴承座表面安装1个单向加速度传感器,测试方向为Z向;依次连接传感器、数据采集器和便携式计算机;
S13、令与滚动轴承内圈配合的轴工作转频为fn;设数据采集器的采样频率为fs,采样时间长度T为10~20s,则采样时间间隔△t=1/fs,采样点数N=fs·T;采集和同步记录测试点的振动加速度时域信号,记为xT(t);
S14、从xT(t)中截取时长Tx的振动加速度信号进行分析,记为x(t)。
所述步骤S2中,应用带通滤波器对振动响应信号x(t)进行滤波,滤除轴承制造和装配误差导致的低频振动或者其他结构振动的干扰成分,记滤波后的信号为xp(t),所述带通滤波器的上限截止频率fhc设定为奈奎斯特频率,而下限截止频率flc应大于数倍纯滚动轴承轴的转频或齿轮箱滚动轴承的齿轮啮合频率。
所述步骤S3中,以单位脉冲响应函数
为原子,构造表征滚动轴承局部损伤的稀疏字典C,其中fd是滚动轴承和传感器系统的有阻尼固有频率;ζ是系统的阻尼比;τ是冲击脉冲响应发生的时刻。
所述步骤S4具体包括以下步骤:
S41、从滤波信号xp(t)取一段信号xc(t)用于相关滤波,取信号xc(t)的长度Tc=Tx/2;
S42、设定fd∈[0:△fd:fs/2],ζ∈[0.001:△ζ:0.2]和τ∈[0:△τ:Tc],△fd、△ζ和△τ为对应参数的搜索步长;
S43、参数fd、ζ和τ代入式
生成原子dγ(t),构造过完备稀疏字典C;
S44、根据式
计算信号xc(t)与字典C中各原子dγ(t)的相关系数,式中<·>代表内积;
S45、搜索λ(t)的局部最大值,记为λm;λm对应的频率和阻尼比记为即为滚动轴承和传感器系统的固有频率及其阻尼比;λm对应的为冲击发生的时刻。实际中,滚动轴承局部损伤可能激起系统的多阶固有频率,不同的局部最大值λm对应的固有频率和阻尼比可能相同。
S46、用识别出的和代入式
得到的原子dγ(t)构成的集合即为优化的过完备稀疏字典D,所述优化的过完备稀疏字典D的冗余度远远小于字典C,可提高信号稀疏系数求解的速度。
所述步骤S5中,将滤波信号xp(t)分成W段,记为xw(t),w=1,2,…,W,每段信号的长度为轴承元件局部损伤的最小特征周期,即为内圈的故障特征周期,记为TI。这样的分段能降低稀疏系数求解时内积计算的点数,节省计算时间。
所述步骤S6中,利用优化的过完备稀疏字典D和匹配追踪算法,对每段信号xw(t)进行稀疏分解,求解稀疏系数,重构冲击响应信号,具体步骤如下:
S61、为提高冲击响应时刻的匹配精度,将第S42中的搜索步长△τ进行细化,减小为△τ′,且τ′=[0:△τ′:TI];
S62、将τ′代入
对优化的过完备稀疏字典D进行扩展,令进行幅值归一化;
S63、按照式计算所有原子与第w段信号xw(t)的内积;找出内积最大值对应的原子相应的内积即为稀疏系数则信号xw(t)经第一次分解后,可表示为式R1x为残差。
S64、对残差R1x进行同样地分解,记进行至第K次分解对应的原子为内积为和残差Rkx,则信号xw(t)可由式重构表示为xws(t):
S65、当前后两次匹配残差的均方根差满足式其中ε为一足够小的正数,或者迭代的次数大于原子的个数,则停止匹配。
S66、将W段信号xws(t)按式进行组合,即可得到滤波信号xp(t)的稀疏表示xs(t)和残差Rs(t)。
所述步骤S7中,对稀疏信号中相邻两个冲击响应的时间间隔进行时域指标统计,包括平均值和均方差。对比统计所得的平均值与滚动轴承各元件局部损伤的故障特征理论周期,诊断故障类型,并应用均方差值判断均值的可信度。
下面分别通过纯滚动轴承外圈局部损伤和汽车变速器滚动轴承内圈局部损伤模拟试验具体说明:
实施例1:纯滚动轴承外圈局部损伤
在纯滚动轴承试验台按照具有外圈故障的滚动轴承,故障尺寸为0.2mm宽,0.5mm深,轴承型号为N205M的结构参数列于表1。
表1 N205M型滚动轴承结构参数
外径 | 内径 | 节径 | 滚动体直径 | 滚子数 | 接触角 |
52mm | 25mm | 38mm | 6.5mm | 13 | 0° |
本实施例通过以下具体步骤实现:
步骤S1:
S11、坐标系建立:建立空间坐标系XYZ,X轴正向指向滚动轴承的轴向,Z轴正向竖直向上,Y轴正向由右手定则确定。
S12、安装传感器:在轴承座表面安装1个单向加速度传感器;传感器连接米勒贝母(BBM)MKII信号采集器,数据采集器连接便携式计算机。
S13、设定滚动轴承内圈随轴的工作转速为800r/min,即转频fn=13.33Hz,则根据式(2-1)和(2-2)可计算得到外圈和内圈的故障特征周期分别为TO=1/fO=13.92ms和TI=1/fI=9.85ms;设定数据采集器的采样频率fs=100kHz,采样时间长度T=10s;采集和同步记录测试点的振动加速度时域信号xT(t);
S14、从xT(t)中截取长度为Tx=1s的振动加速度信号x(t),其时域波形和幅值谱见图2和图3。
步骤S2:
对振动响应信号x(t)进行带通滤波,滤除驱动前段电动机和皮带轮的干扰成分,得到信号xp(t),如图4所示。带通滤波器的上限截止频率fhc=fs/2,下限截止频率flc=fs/20。
步骤S3:
以单位脉冲响应函数
为原子,构造表征滚动轴承局部损伤的过完备稀疏字典C。
步骤S4:
应用相关滤波法识别滚动轴承和传感器系统的固有频率及其阻尼比,结果见图5、图6和图7,步骤如下:
S41、从滤波信号xp(t)取长度Tc=Tx/2的信号xc(t)用于相关滤波;
S42、设定fd∈[flc:50:fhc],ζ∈[0.001:0.001:0.2]和τ∈[0:TI/25:Tc];
S43、将参数fd、ζ和τ代入式(1-1)生成原子dγ(t),构造过完备稀疏字典C;
S44、根据式(1-2)计算信号xc(t)与字典C中各原子dγ(t)的相关系数;
S45、搜索λ(t)的局部最大值λm及其对应的固有频率、阻尼比和冲击发生时刻识别的固有频率和阻尼比见图8。
S46、用识别出的和代入式(1-1),得到优化的过完备稀疏字典Di。
步骤S5:
将滤波信号xp(t)分成W段,记为xw(t),w=1,2,…,W,每段信号的长度为内圈的故障特征周期TI=9.85ms。
步骤S6:
利用字典D和匹配追踪算法,对每段信号xw(t)进行稀疏分解,具体步骤如下:
S61、为提高冲击响应时刻的匹配精度,将第S42中的搜索步长△τ进行细化,减小为△τ′=TI/27,且τ′=[0:△τ′:TI]。
S62、将τ′代入式(1-1)对字典D进行扩展,令
S63、按照式(1-3)计算所有原子与第w段信号xw(t)的内积;找出内积最大值对应的原子相应的内积即为稀疏系数则信号xw(t)经第一次分解后,可表示为式(1-4),R1x为残差。
S64、对残差R1x进行同样地分解,记进行至第K次分解对应的原子为内积为和残差则信号xw(t)可由式(1-5)重构表示为xws(t):
S65、当前后两次匹配残差的均方根差满足式(1-6)(ε为一足够小的正数,ε=0.1)或者迭代的次数大于原子的个数,则停止匹配。
S66、将W段信号xws(t)按式(1-7)进行组合,即可得到滤波信号xp(t)的稀疏表示xs(t)和残差Rs(t)。稀疏信号xs(t)的时域波形见图9,提取的冲击响应发生时刻与图4的原滤波信号基本吻合。
步骤S7:
对稀疏信号xs(t)中相邻两个冲击响应的时间间隔进行时域指标统计,其中平均值、最大值、最小值和均方差分别为14.00ms、11.40ms、18.18ms和1.05ms,其中平均值14.00ms与外圈局部损伤的特征周期13.92ms非常接近,相对误差只有0.57%,精度非常高,且均方差较小,表明所提方法能够很好地识别滚动轴承故障类型。
实施例2:汽车变速器滚动轴承内圈局部损伤
在汽车变速器输出轴处按照具有内圈局部故障的滚动轴承,故障尺寸为0.2mm宽,1mm深,型号为NUP311EN的结构参数列于表2。
表2 NUP311EN型滚动轴承结构参数
外径 | 内径 | 节径 | 滚动体直径 | 滚子数 | 接触角 |
120mm | 55mm | 85mm | 18mm | 13 | 0° |
本实施例通过以下具体步骤实现:
步骤S1:
S11、坐标系建立:建立空间坐标系XYZ,X轴正向指向滚动轴承的轴向,Z轴正向竖直向上,Y轴正向由右手定则确定。
S12、安装传感器:在轴承座表面安装1个单向加速度传感器;传感器连接米勒贝母(BBM)MKII信号采集器,数据采集器连接便携式计算机。
S13、设定滚动轴承内圈随轴的工作转速为500r/min,即转频fn=8.33Hz,则根据式(2-1)和(2-2)可计算得到外圈和内圈的故障特征周期分别为TO=1/fO=23.39ms和TI=1/fI=15.22ms;设定数据采集器的采样频率fs=100kHz,采样时间长度T=10s;采集和同步记录测试点的振动加速度时域信号xT(t);
S14、从xT(t)中截取长度为Tx=1s的振动加速度信号x(t),其时域波形和幅值谱见图10和图11。
步骤S2:
对振动响应信号x(t)进行带通滤波,滤除驱动前段电动机和皮带轮的干扰成分,得到信号xp(t)。带通滤波器的上限截止频率fhc=fs/2,下限截止频率flc=fs/20。
步骤S3:
以单位脉冲响应函数
为原子,构造表征滚动轴承局部损伤的过完备稀疏字典C。
步骤S4:
应用相关滤波法识别滚动轴承和传感器系统的固有频率及其阻尼比,结果见图13、图14和图15,步骤如下:
S41、从滤波信号xp(t)取长度Tc=Tx/2的信号xc(t)用于相关滤波;
S42、设定fd∈[flc:50:fhc],ζ∈[0.001:0.001:0.2]和τ∈[0:TI/25:Tc];
S43、将参数fd、ζ和τ代入式(1-1)生成原子dγ(t),构造过完备稀疏字典C;
S44、根据式(1-2)计算信号xc(t)与字典C中各原子dγ(t)的相关系数;
S45、搜索λ(t)的局部最大值λm及其对应的固有频率、阻尼比和冲击发生时刻识别的固有频率和阻尼比见图16。
S46、用识别出的和代入式(1-1),得到优化的过完备稀疏字典D。
步骤S5:
将滤波信号xp(t)分成W段,记为xw(t),w=1,2,…,W,每段信号的长度为内圈的故障特征周期TI=15.22ms。
步骤S6:
利用字典D和匹配追踪算法,对每段信号xw(t)进行稀疏分解,具体步骤如下:
S61、为提高冲击响应时刻的匹配精度,将第S42中的搜索步长△τ进行细化,减小为△τ′=TI/27,且τ′=[0:△τ′:TI]。
S62、将τ′代入式(1-1)对字典D进行扩展,令
S63、按照式(1-3)计算所有原子与第w段信号xw(t)的内积;找出内积最大值对应的原子相应的内积即为稀疏系数则信号xw(t)经第一次分解后,可表示为式(1-4),R1x为残差。
S64、对残差R1x进行同样地分解,记进行至第K次分解对应的原子为内积为和残差则信号xw(t)可由式(1-5)重构表示为xws(t):
S65、当前后两次匹配残差的均方根差满足式(1-6)(ε为一足够小的正数,ε=0.1)或者迭代的次数大于原子的个数,则停止匹配。
S66、将W段信号xws(t)按式(1-7)进行组合,即可得到滤波信号xp(t)的稀疏表示xs(t)和残差Rs(t)。稀疏信号xs(t)的时域波形见图17,提取的冲击响应发生时刻与图12的原滤波信号基本吻合。
步骤S7:
对稀疏信号xs(t)中相邻两个冲击响应的时间间隔进行时域指标统计,其中平均值、最大值、最小值和均方差分别为15.47ms、12.96ms、19.36ms和1.83ms,其中平均值15.47ms与内圈局部损伤的特征周期15.22ms非常接近,相对误差为1.6%,精度很高,且均方差较小,表明所提方法能够较好地识别滚动轴承故障类型。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于信号稀疏表示理论的滚动轴承故障特征提取方法,其特征在于,包括以下步骤:
S1、采集包含滚动轴承故障特征的振动加速度响应信号;
S2、应用带通滤波器,滤除振动响应信号中由其他结构振动导致的干扰成分;
S3、以单位脉冲响应函数构建过完备稀疏字典C;
S4、应用相关滤波法从滤波信号中识别滚动轴承和传感器系统的多阶固有频率及其阻尼比,得到优化的完备稀疏字典D;
S5、对滤波信号进行分段,利用匹配追踪算法求解每段信号的稀疏系数;
S6、重构信号,获得滚动轴承故障特征信号的稀疏表示;
S7、对稀疏信号中的冲击响应时间间隔进行时域指标统计分析,识别故障类型;
所述步骤S1具体包含以下步骤:
S11、坐标系建立:建立空间坐标系XYZ,X轴正向指向滚动轴承的轴向,Z轴正向竖直向上,Y轴正向由右手定则确定;
S12、安装传感器:在轴承座表面安装1个单向加速度传感器,测试方向为Z向;依次连接传感器、数据采集器和便携式计算机;
S13、令与滚动轴承内圈配合的轴工作转频为fn;设数据采集器的采样频率为fs,采样时间长度T为10~20s,则采样时间间隔Δt=1/fs,采样点数N=fs·T;采集和同步记录测试点的振动加速度时域信号,记为xT(t);
S14、从xT(t)中截取时长Tx的振动加速度信号进行分析,记为x(t);
步骤S2中,所述的应用带通滤波器对振动响应信号x(t)进行滤波,目的是为了滤除轴承制造和装配误差导致的低频振动或者其他结构振动的干扰成分,记滤波后的信号为xp(t),带通滤波器的上限截止频率fhc设定为奈奎斯特频率,而下限截止频率flc应大于数倍纯滚动轴承的转频或齿轮箱滚动轴承齿轮的啮合频率;
所述步骤S3具体为:以单位脉冲响应函数
为原子,构造表征滚动轴承局部损伤的过完备稀疏字典C,其中fd是滚动轴承和传感器系统的有阻尼固有频率,ζ是系统的阻尼比,τ是冲击脉冲响应发生的时刻;
所述步骤S4具体包括以下步骤:
S41、从滤波信号xp(t)取一段信号xc(t)用于相关滤波,取信号xc(t)的长度Tc=Tx/2;
S42、设定fd∈[0:Δfd:fs/2],ζ∈[0.001:Δζ:0.2]和τ∈[0:Δτ:Tc],Δfd、Δζ和Δτ为对应参数的搜索步长;
S43、参数fd、ζ和τ代入式子
生成原子dγ(t),构造过完备稀疏字典C;
S44、根据式子
计算信号xc(t)与字典C中各原子dγ(t)的相关系数,其中<·>代表内积;
S45、搜索λ(t)的局部最大值,记为λm;λm对应的频率和阻尼比记为即为滚动轴承和传感器系统的固有频率及其阻尼比;λm对应的为冲击发生的时刻;
S46、用识别出的和代入式
得到的原子dγ(t)构成的集合即为优化的过完备稀疏字典D,所述优化的过完备稀疏字典D的冗余度远远小于字典C。
2.根据权利要求1所述的基于信号稀疏表示理论的滚动轴承故障特征提取方法,其特征在于:步骤S7中,所述的时域指标包括平均值和均方差。
3.根据权利要求1所述的基于信号稀疏表示理论的滚动轴承故障特征提取方法,其特征在于:
所述步骤S5具体为采用内圈故障特征周期TI将滤波信号xp(t)分成W分段;
所述步骤S6具体为利用优化的过完备稀疏字典D和匹配追踪算法,对每段信号xw(t)进行稀疏分解,求解稀疏系数,重构冲击响应信号,具体步骤如下:
S61、为提高冲击响应时刻的匹配精度,将第S42中的搜索步长Δτ进行细化,减小为Δτ′,且τ′=[0:Δτ′:TI];
S62、将τ′代入
对优化的过完备稀疏字典D进行扩展,令进行幅值归一化;
S63、按照式计算所有原子与第w段信号xw(t)的内积;找出内积最大值对应的原子相应的内积即为稀疏系数则信号xw(t)经第一次分解后,可表示为式R1x为残差;
S64、对残差R1x进行同样地分解,记进行至第K次分解对应的原子为内积为和残差Rkx,则信号xw(t)可由式重构表示为xws(t):
S65、当前后两次匹配残差的均方根差满足式其中ε为一足够小的正数,或者迭代的次数大于原子的个数,则停止匹配;
S66、将W段信号xws(t)按式进行组合,即可得到滤波信号xp(t)的稀疏表示xs(t)和残差Rs(t)。
4.根据权利要求1所述的基于信号稀疏表示理论的滚动轴承故障特征提取方法,其特征在于:所述的滚动轴承的外圈与轴承座配合,绝对转频为零,内圈与传动轴配合,转频与传动轴的转频一致。
5.根据权利要求1所述的基于信号稀疏表示理论的滚动轴承故障特征提取方法,其特征在于:所述的滚动轴承与内圈配合的传动轴具有转速波动,所述转速波动导致每个周期内冲击响应发生时刻τ0的波动范围不大于滚动轴承元件局部损伤特征周期Tn的一半,即τ0≤Tn/2。
6.根据权利要求1所述的基于信号稀疏表示理论的滚动轴承故障特征提取方法,其特征在于:所述的滚动轴承中的滚动体具有滚动和滑动运动,滚动体滑动因素导致每个周期内冲击响应发生时刻τ0的波动范围不大于滚动轴承元件局部损伤特征周期Tn的一半,即τ0≤Tn/2。
7.根据权利要求1所述的基于信号稀疏表示理论的滚动轴承故障特征提取方法,其特征在于:所述的滚动轴承的局部损伤在非载荷区与其他表面接触时,产生的冲击力幅值为零,最大载荷分布角度为180°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604772.0A CN105241666B (zh) | 2015-09-21 | 2015-09-21 | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604772.0A CN105241666B (zh) | 2015-09-21 | 2015-09-21 | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105241666A CN105241666A (zh) | 2016-01-13 |
CN105241666B true CN105241666B (zh) | 2017-10-20 |
Family
ID=55039389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510604772.0A Expired - Fee Related CN105241666B (zh) | 2015-09-21 | 2015-09-21 | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105241666B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272427A (zh) * | 2020-02-14 | 2020-06-12 | 西安交通大学 | 基于加权稀疏正则的轴承故障检测方法 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699082B (zh) * | 2016-01-25 | 2018-01-05 | 西安交通大学 | 一种稀疏化的最大谐噪比解卷积方法 |
CN106096201B (zh) * | 2016-06-29 | 2019-02-22 | 潍坊学院 | 一种旋转机械的eemd和三次样条平滑包络分析方法 |
CN106441895B (zh) * | 2016-10-09 | 2019-03-22 | 安徽大学 | 一种列车轴承轨边信号冲击成分提取方法 |
CN107525674B (zh) * | 2017-05-27 | 2019-06-28 | 苏州大学 | 基于脊线概率分布和局部波动的转频估计方法及检测装置 |
CN107345858B (zh) * | 2017-07-25 | 2018-08-14 | 安徽大学 | 一种列车轴承轨边信号冲击成分快速提取方法 |
CN107543722A (zh) * | 2017-08-18 | 2018-01-05 | 西安交通大学 | 基于深度堆叠字典学习的滚动轴承故障特征提取方法 |
CN107451760B (zh) * | 2017-09-04 | 2020-06-26 | 西安交通大学 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
CN107992843B (zh) * | 2017-12-13 | 2021-08-17 | 武汉科技大学 | 一种旋转机械故障信号的稀疏特征提取方法 |
CN108805059B (zh) * | 2018-05-29 | 2020-04-21 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
CN108507789B (zh) * | 2018-05-31 | 2020-02-25 | 燕山大学 | 滚动轴承故障稀疏诊断方法 |
CN109145402B (zh) * | 2018-07-31 | 2022-11-25 | 北京航空航天大学 | 一种基于故障混杂模型的机电系统故障传播分析方法 |
CN109060350A (zh) * | 2018-09-04 | 2018-12-21 | 重庆大学 | 一种基于字典学习的滚动轴承故障特征提取方法 |
CN109117896B (zh) * | 2018-09-28 | 2020-07-24 | 西安交通大学 | 一种基于ksvd字典学习的滚动轴承故障特征提取方法 |
CN109540560B (zh) * | 2018-11-30 | 2020-03-24 | 厦门大学 | 旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法 |
CN109839271A (zh) * | 2018-12-29 | 2019-06-04 | 昆明理工大学 | 一种基于匹配追踪稀疏算法的轴承故障特征提取方法 |
CN109813547B (zh) * | 2019-01-08 | 2020-09-22 | 华南理工大学 | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 |
CN109784305B (zh) * | 2019-01-29 | 2020-12-08 | 石家庄铁道大学 | 基于波形冲击匹配的Lapalce小波基稀疏表示字典构造方法 |
CN109948485B (zh) * | 2019-03-08 | 2023-05-12 | 浙江工业大学之江学院 | 基于振动信号相关性分析的旋转机械故障特征提取方法 |
CN110132554B (zh) * | 2019-04-17 | 2020-10-09 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN110174270A (zh) * | 2019-06-10 | 2019-08-27 | 苏州大学 | 多源时频脊线提取方法 |
CN110543820A (zh) * | 2019-07-29 | 2019-12-06 | 华南理工大学 | 一种基于编辑倒频谱的故障滚动轴承模态参数提取方法 |
CN111272274B (zh) * | 2020-02-22 | 2022-07-19 | 西北工业大学 | 基于传声器随机采样的封闭空间低频声场再现方法 |
CN111678691A (zh) * | 2020-07-27 | 2020-09-18 | 江南大学 | 基于改进的稀疏分解算法的齿轮故障检测方法 |
CN112362343A (zh) * | 2020-10-28 | 2021-02-12 | 华南理工大学 | 基于调频字典的齿轮箱变转速下分布型故障特征提取方法 |
CN114593908A (zh) * | 2022-03-01 | 2022-06-07 | 西人马(深圳)科技有限责任公司 | 一种齿轮故障分析方法及装置 |
CN115112061B (zh) * | 2022-06-28 | 2023-07-25 | 苏州大学 | 一种钢轨波磨检测方法及系统 |
CN116595324B (zh) * | 2023-07-19 | 2023-11-10 | 北谷电子股份有限公司 | 信号瞬态冲击始点的提取方法 |
CN117589456B (zh) * | 2024-01-19 | 2024-04-02 | 中国航发四川燃气涡轮研究院 | 增强稀疏分解的滚动轴承变转速故障诊断方法 |
CN117705448B (zh) * | 2024-02-05 | 2024-05-07 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6381208A (ja) * | 1986-09-25 | 1988-04-12 | Ono Sokki Co Ltd | 転がり軸受の回転する軌道輪の軌道面・転動体表面の粗さ推定方法 |
KR20110131411A (ko) * | 2010-05-31 | 2011-12-07 | 자동차부품연구원 | 허브 베어링 검사 방법 |
CN103018044B (zh) * | 2012-11-22 | 2015-06-03 | 北京工业大学 | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 |
CN104316163B (zh) * | 2014-06-23 | 2017-06-06 | 华南理工大学 | 基于内积变换和相关滤波的齿轮箱耦合调制信号分离方法 |
CN104655425B (zh) * | 2015-03-06 | 2017-05-03 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
-
2015
- 2015-09-21 CN CN201510604772.0A patent/CN105241666B/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272427A (zh) * | 2020-02-14 | 2020-06-12 | 西安交通大学 | 基于加权稀疏正则的轴承故障检测方法 |
CN111272427B (zh) * | 2020-02-14 | 2021-04-13 | 西安交通大学 | 基于加权稀疏正则的轴承故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105241666A (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105241666B (zh) | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 | |
Chen et al. | Fault diagnosis method based on integration of RSSD and wavelet transform to rolling bearing | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
He et al. | Sparse representation based on local time–frequency template matching for bearing transient fault feature extraction | |
Cui et al. | Matching pursuit of an adaptive impulse dictionary for bearing fault diagnosis | |
Ma et al. | Early fault diagnosis of bearing based on frequency band extraction and improved tunable Q-factor wavelet transform | |
Wang et al. | Transient signal analysis based on Levenberg–Marquardt method for fault feature extraction of rotating machines | |
Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
Junlin et al. | A novel sparse feature extraction method based on sparse signal via dual-channel self-adaptive TQWT | |
Xing et al. | Multi-component fault diagnosis of wheelset-bearing using shift-invariant impulsive dictionary matching pursuit and sparrow search algorithm | |
Ou et al. | A new rolling bearing fault diagnosis method based on GFT impulse component extraction | |
Zhao et al. | Sparse classification based on dictionary learning for planet bearing fault identification | |
CN108152033A (zh) | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 | |
Islam et al. | Acoustic emission sensor network based fault diagnosis of induction motors using a gabor filter and multiclass support vector machines. | |
Fan et al. | Machine fault feature extraction based on intrinsic mode functions | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
He et al. | Weak characteristic determination for blade crack of centrifugal compressors based on underdetermined blind source separation | |
CN106055919A (zh) | 一种基于遥测数据小波变换的卫星异常检测方法 | |
Miao et al. | Rolling element bearing fault feature extraction using EMD-based independent component analysis | |
CN109708891A (zh) | 一种柔性椭圆轴承滚道故障诊断方法 | |
Xiang et al. | Comparison of Methods for Different Time-frequency Analysis of Vibration Signal. | |
Wang et al. | A novel hybrid approach for damage identification of wind turbine bearing under variable speed condition | |
Li et al. | Rotating machinery fault diagnosis based on typical resonance demodulation methods: a review | |
Huang et al. | Feature extraction for rolling element bearing faults using resonance sparse signal decomposition | |
Huang et al. | Separation method of rolling bearing compound fault characteristics based on Improved harmonic wavelet packet decomposition and fast ICA |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171020 Termination date: 20210921 |