CN105303033B - 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法 - Google Patents

基于集合固有时间尺度分解算法的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN105303033B
CN105303033B CN201510611394.9A CN201510611394A CN105303033B CN 105303033 B CN105303033 B CN 105303033B CN 201510611394 A CN201510611394 A CN 201510611394A CN 105303033 B CN105303033 B CN 105303033B
Authority
CN
China
Prior art keywords
mrow
msub
time scale
decomposition algorithm
intrinsic time
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
Application number
CN201510611394.9A
Other languages
English (en)
Other versions
CN105303033A (zh
Inventor
刘昱
张俊红
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201510611394.9A priority Critical patent/CN105303033B/zh
Publication of CN105303033A publication Critical patent/CN105303033A/zh
Application granted granted Critical
Publication of CN105303033B publication Critical patent/CN105303033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

一种基于集合固有时间尺度分解算法的滚动轴承故障诊断方法,包括以下步骤:利用位移传感器采集滚动轴承的振动信号;利用集合固有时间尺度分解算法对采集到的振动信号进行分解,生成若干个旋转分量和残差信号;从所有旋转分量中选取能够反映故障信息的敏感旋转分量;对敏感旋转分量进行包络谱分析;通过分析故障特征频率对应的包络谱幅值判断故障类型。本发明解决了固有时间尺度分解算法的模态混叠问题,为特征提取奠定了良好的基础,通过计算峭度,选取了对故障较为敏感的旋转分量,最后通过分析故障特征频率对应的敏感分量包络谱幅值判断故障类型。本发明可以准确的识别滚动轴承故障,适用于滚动轴承故障诊断。

Description

基于集合固有时间尺度分解算法的滚动轴承故障诊断方法
技术领域
[0001] 本发明涉及一种滚动轴承故障诊断方法。特别是涉及一种基于集合固有时间尺度 分解算法的滚动轴承故障诊断方法。
背景技术
[0002] 振动分析是对滚动轴承进行故障诊断最简单最直接的手段,典型的振动分析方法 包括:小波变换、魏格纳分布、经验模态分解等,但它们都有各自的缺点。小波变换不具有自 适应性且基函数的选择过于依赖使用者的经验。魏格纳分布具有很高的时频分辨率,但是 交叉项的出现限制了它的应用。经验模态分解是一种自适应的时频分解方法,在动力机械 故障诊断中得到了较广泛的应用,但该方法存在着过包络、模态混淆、端点效应以及由 Hilbert变换带来的无法解释的负频率等问题。固有时间尺度分解算法是一种新的非平稳 信号分析方法,它弥补了经验模态分解的很多不足。但是它仍然存在着比较严重的模态混 叠问题。
[0003] 为了解决经验模态分解的模态混叠问题,wu等人提出了集合经验模态分解算法, 该方法通过向信号多次添加相同幅值的白噪声来引导信号向对应的尺度分解,最后通过集 总平均消除加入的噪声。集合经验模态分解算法很好的解决了经验模态分解的模态混叠问 题,但它同时带来了其它两个问题。第一个问题是添加的白噪声不能完全抵消,虽然可以通 过选择较大的添加噪声次数来降低最终的白噪声残余,但是相应的计算时间也会大大增 加,这有悖于故障诊断对算法速度的要求。另外一个问题是不同的白噪声的加入可能会导 致每次分解产生的旋转分量个数不相等,从而给最后的集总平均带来困难。简单的套用集 总经验模态分解的框架来解决固有时间尺度分解算法的模态混叠同样会带来上述两个问 题,因此为了解决固有时间尺度分解算法的模态混叠问题,有必要提出一种新的噪声辅助 分析框架。此外,信号分解之后会产生许多旋转分量,如何从这些旋转分量选取对噪声敏感 分量并进行故障特征的提取也是滚动轴承故障诊断有待解决的问题。
发明内容
[0004] 本发明所要解决的技术问题是,提供一种能够准确分析非平稳振动信号,提取具 有代表性故障特征的基于集合固有时间尺度分解算法的滚动轴承故障诊断方法。
[0005] 本发明所采用的技术方案是:一种基于集合固有时间尺度分解算法的滚动轴承故 障诊断方法,包括以下步骤:
[0006] 1)利用位移传感器采集滚动轴承的振动信号X (t);
[0007] 2)利用集合固有时间尺度分解算法对采集到的振动信号X (t)进行分解,生成若干 个旋转分量
Figure CN105303033BD00041
丨和残差信号e(t);
Figure CN105303033BD00042
[0009] 其中,K为旋转分量PRQ⑴的总数,k为旋转分量标号;
[0010] 3)从所有旋转分量中选取能够反映故障信息的敏感旋转分量;
[0011] 4)对敏感旋转分量进行包络谱分析;
[0012] 5)通过分析故障特征频率对应的包络谱幅值判断故障类型。
[0013] 步骤2)中所述的集合固有时间尺度分解算法,包括首先定义算子Hk( ·)为利用固 有时间尺度分解算法获取信号的第k阶旋转分量,进行如下步骤:
[0014] (1)初始化M个幅值为A的白噪声信号ru(t),i = l,. . .,M,其中M为偶数,m(t)=- ΠΜ/2+i (t);
[0015] ⑵将白噪声信号m⑴分别添加到振动信号X⑴中生成M个混合信号X⑴+m⑴;
[0016] (3)利用固有时间尺度分解算法计算各混合信号X (t) +in (t)的第一阶旋转分量
Figure CN105303033BD00051
,并对所有第一阶旋转分量⑴求平均值,将所述平均值定义为的集合固有时间 尺度分解算法的第一阶旋转分量
Figure CN105303033BD00052
[0018] ⑷计算一阶残差信号
Figure CN105303033BD00053
[0020] ⑸利用固有时间尺度分解算法计算各ei⑴+Ct1 · H1 (m (t))信号的第一阶旋转分 量出(ei⑴+Ct1 · H1 (m⑴)),并对所有第一阶旋转分量H1 (ei⑴+Ct1 · H1 (m⑴))求平均值, 将所述平均值定义为的集合固有时间尺度分解算法的第二阶旋转分量
Figure CN105303033BD00054
[0022] ⑹对于k = 2,3,…,K,计算第k阶残差信号
Figure CN105303033BD00055
[0024] ⑺利用固有时间尺度分解算法计算各ek⑴+ak · Hk (m (t))信号的第一阶旋转分 量出(ek⑴+Ct1 · Hk (m⑴)),并对所有第一阶旋转分量H1 (ek⑴+Ct1 · Hk (m⑴))求平均值, 将所述平均值定义为的集合固有时间尺度分解算法的第k+Ι阶旋转分量
Figure CN105303033BD00056
[0026] ⑻令k = k+l,重复步骤⑸〜⑺直到第k阶残差信号e⑴满足固有时间尺度分解 算法的终止条件,最终振动信号X (t)表示为
Figure CN105303033BD00057
[0028]其中的系数ak是采用如下公式得到:
Figure CN105303033BD00058
[0030] 其中,ε为白噪声幅值A与信号标准偏差的比值,std (ek (t))为信号ek⑴的标准偏 差。
[0031] 步骤3)中所述的敏感旋转分量,是所有旋转分量中峭度值最高的分量。
[0032] 本发明的基于集合固有时间尺度分解算法的滚动轴承故障诊断方法,解决了固有 时间尺度分解算法的模态混叠问题,为特征提取奠定了良好的基础,通过计算峭度,选取了 对故障较为敏感的旋转分量,最后通过分析故障特征频率对应的敏感分量包络谱幅值判断 故障类型。本发明可以准确的识别滚动轴承故障,适用于滚动轴承故障诊断。
附图说明
[0033] 图1是本发明基于集合固有时间尺度分解算法的滚动轴承故障诊断方法流程图;
[0034] 图2是仿真信号y (t)及其两个组成部分X1 (t)和X2 (t)时域波形图;
[0035] 图3是利用固有时间尺度分解算法对仿真信号y (t)进行分解的结果图;
[0036] 图4是利用集合固有时间尺度分解算法对仿真信号y (t)进行分解的结果图;
[0037]图5是故障实验系统不意图;
[0038] 其中
[0039] 1:电动机;2:联轴器;3:轴承座;4:圆盘;5:转速传感器;6:位移传感器;7:计算机; 8:数据采集卡;9:试验台基座
[0040] 图6是滚动轴承滚动体故障振动信号波形图;
[0041] 图7是滚动轴承滚动体故障振动信号经过集合固有时间尺度分解算法分解后得到 的旋转分量和残差信号波形图;
[0042] 图8是敏感旋转分量的包络谱图。
具体实施方式
[0043] 下面结合实施例和附图对本发明的一种基于集合固有时间尺度分解算法的滚动 轴承故障诊断方法做出详细说明。
[0044] 本发明的一种基于集合固有时间尺度分解算法的滚动轴承故障诊断方法,如图1 所示,包括以下步骤:
[0045] 1)利用位移传感器采集滚动轴承的振动信号X (t);
[0046] 2)滚动轴承振动信号属于非平稳信号,因此选择最先进的非平稳信号分析方法_ 固有时间尺度分解算法对轴承振动信号进行分析。和经验模态分解一样,固有时间尺度分 解算法存在着模态混叠问题。因此,本发明提出了一种集合固有时间尺度分解算法,并利用 该算法对采集到的振动信号X (t)进行分解,生成若干个旋转分量?和残差信号e (t);
Figure CN105303033BD00061
[0048] 其中,K为旋转分量
Figure CN105303033BD00062
的总数,k旋转分量标号;
[0049] 所述的集合固有时间尺度分解算法,包括首先定义算子Hk (·)为利用固有时间尺 度分解算法获取信号的第k阶旋转分量,进行如下步骤:
[0050] (1)初始化M个幅值为A的白噪声信号ru (t),i = l,· · ·,M,其中M为偶数,m (t)=- ΠΜ/2+i (t):
[0051] ⑵将白噪声信号m⑴分别添加到振动信号X⑴中生成M个混合信号X⑴+m⑴;
[0052] (3)利用固有时间尺度分解算法计算各混合信号X (t) +ru (t)的第一阶旋转分量 PRC^O,并对所有第一阶旋转分量PRC^)求平均值,将所述平均值定义为的集合固有时间 尺度分解算法的第一阶旋转分量
Figure CN105303033BD00071
[0054] ⑷计算一阶残差信号
Figure CN105303033BD00072
[0056] ⑸利用固有时间尺度分解算法计算各ei⑴+Ci1 · H1 (m (t))信号的第一阶旋转分 量出(ei⑴+Ct1 · H1 (m⑴)),并对所有第一阶旋转分量H1 (ei⑴+Ct1 · H1 (m⑴))求平均值, 将所述的平均值定义为的集合固有时间尺度分解算法的第二阶旋转分量
Figure CN105303033BD00073
[0058] ⑹对于k = 2,3,…,K,计算第k阶残差信号
Figure CN105303033BD00074
[0060] ⑺利用固有时间尺度分解算法计算各ek⑴+¾ · Hk (m (t))信号的第一阶旋转分 量出(ek⑴+Ct1 · Hk (m⑴)),并对所有第一阶旋转分量H1 (ek⑴+Ct1 · Hk (m⑴))求平均值, 将所述的平均值定义为的集合固有时间尺度分解算法的第k+Ι阶旋转分量
Figure CN105303033BD00075
[0062] ⑻令k = k+l,重复步骤⑸〜⑺直到第k阶残差信号e⑴满足固有时间尺度分解 算法的终止条件。最终振动信号X (t)可以表示为
Figure CN105303033BD00076
[0064] 其中的系数ak是采用如下公式得到:
Figure CN105303033BD00077
[0066] 这样设置可以保证每一个残差信号与所添加的噪声信号具有恒定的信噪比,其 中,ε为白噪声幅值A与信号标准偏差的比值,std (ek⑴)为信号ek⑴的标准偏差。集合固有 时间尺度分解算法添加的正负相反的白噪声大大降低了最终的噪声残余。集合固有时间尺 度分解算法每产生一个旋转分量计算一次残差,彻底解决了由于添加不同的白噪声造成分 解得到的旋转分量数目不同难以进行平均的问题。
[0067] 3)集合固有时间尺度分解算法得到的旋转分量中,有些分量包含着大量的故障信 息且对故障较为敏感,另外一些分量所包含的故障信息较少且对故障不敏感。因此,需要对 旋转分量进行选择。轴承故障通常会使振动信号的峭度值增大,因此要从所有旋转分量中 选取能够反映故障信息的敏感旋转分量,即选择峭度值最大的旋转分量作为敏感旋转分 量;
[0068] 4)当滚动轴承出现故障时其包络谱会发生明显变化,因此对敏感旋转分量进行包 络谱分析;
[0069] 5)通过分析故障特征频率对应的包络谱幅值判断故障类型。
[0070] 下面用实例说明本发明的基于集合固有时间尺度分解算法的滚动轴承故障诊断 方法,但不用来限制本发明的范围。
[0071] 首先,利用仿真信号对集合固有时间尺度分解算法解决模态混叠问题的能力进行 验证。仿真信号y (t)由幅值为1的正弦信号X1⑴和幅值为0.2的间断冲击信号X2⑴组成,仿 真信号y (t)及其两个组成部分X1⑴和X2⑴如图2所示。分别利用固有时间尺度分解算法和 集合固有时间尺度分解算法对仿真信号进行分析,结果如图3和图4所示。其中集合固有时 间尺度分解算法添加白噪声次数为100,噪声幅值为信号标准偏差的〇. 05倍。由图3可知,固 有时间尺度分解算法存在着明显的模态混叠,正弦信号X1 (t)和间断冲击信号X2 (t)都被分 解到第一阶旋转分量中;此外,部分正弦信号还被分解到第二阶旋转分量中。由图4可知,第 一阶旋转分量和第三阶旋转分量分别与间断冲击信号X2⑴和正弦信号X1 (t)对应。因此,集 合固有时间尺度分解算法很好的克服了原算法的模态混叠问题。
[0072] 其次,利用滚动轴承故障信号对本专利提出的一种基于集合固有时间尺度分解算 法的滚动轴承故障诊断方法进行验证。
[0073] 本实例采用转子实验台实验数据进行验证,该实验台以PW4000型双转子涡轮风扇 发动机的低压滚动轴承为蓝本,采用与原机相同的0-2-1支承结构形式和轴承类型,试验台 尺寸较模型尺寸缩小一倍,使用电机驱动,实验台如图5所示。
[0074] 步骤1,利用位移传感器采集滚动轴承滚动体故障振动信号,如图6所示。实验台转 速为1500r/min,采样频率为20kHz,滚动轴承故障是通过线切割在轴承滚动体上加工深度 为0.3mm的切槽实现。
[0075] 步骤2,利用集合固有时间尺度分解算法对采集到的振动信号进行分解(添加白噪 声次数为100,噪声幅值为信号标准偏差的0.1倍),分解结果如图7所示。从上到下1-8个信 号分别对应旋转分量1-8,第9个信号对应残差信号。
[0076] 步骤3,计算各旋转分量的峭度,选择峭度值最大的分量作为敏感旋转分量;
[0077] 各旋转分量的峭度值如表1所示。
[0078] 表1各分量峭度值
[0079]
Figure CN105303033BD00081
[0080] 步骤4,对敏感分量(PRC2)进行包络谱分析,结果如图8所示;
[0081] 步骤5,观察包络谱可以发现,滚动体故障特征频率(158.7HZ)对应的包络谱幅值 较大,可以判断该轴承存在滚动体故障。

Claims (2)

1. 一种基于集合固有时间尺度分解算法的滚动轴承故障诊断方法,其特征在于,包括 以下步骤: 1) 利用位移传感器采集滚动轴承的振动信号X (t); 2) 利用集合固有时间尺度分解算法对采集到的振动信号X (t)进行分解,生成若干个旋 转分量
Figure CN105303033BC00021
和残差信号e(t);
Figure CN105303033BC00022
其中,K为旋转分量
Figure CN105303033BC00023
的总数,k为旋转分量标号; 所述的集合固有时间尺度分解算法,包括首先定义算子Hk (·)为利用固有时间尺度分 解算法获取信号的第k阶旋转分量,进行如下步骤: ⑴初始化M个幅值为A的白噪声信号m (t),i = l,· · ·,M,其中M为偶数,m (t) =-nM/2+i ⑴; ⑵将白噪声信号m⑴分别添加到振动信号X⑴中生成M个混合信号X⑴+m⑴; (3)利用固有时间尺度分解算法计算各混合信号X (t)+in (t)的第一阶旋转分量
Figure CN105303033BC00024
,并对所有第一阶旋转分量
Figure CN105303033BC00025
求平均值,将所述平均值定义为的集合固有时间 尺度分解算法的第一阶旋转分量
Figure CN105303033BC00026
⑷计算一阶残差信号
Figure CN105303033BC00027
(5)利用固有时间尺度分解算法计算各ei (t) +Ct1 · H1 (m (t))信号的第一阶旋转分量出 (ei⑴+Q1 · H1 (m⑴)),并对所有第一阶旋转分量H1 (ei⑴+Ct1 · H1 (m⑴))求平均值,将所 述平均值定义为的集合固有时间尺度分解算法的第二阶旋转分量
Figure CN105303033BC00028
⑹对于k=2,3,…,K,计算第k阶残差信号
Figure CN105303033BC00029
(7)利用固有时间尺度分解算法计算各ek (t)+¾ · Hk (m (t))信号的第一阶旋转分量出 (ek⑴+Q1 · Hk (m⑴)),并对所有第一阶旋转分量H1 (ek⑴+Ct1 · Hk (m⑴))求平均值,将所 述平均值定义为的集合固有时间尺度分解算法的第k+Ι阶旋转分量
Figure CN105303033BC000210
其中的系数ak是采用如下公式得到:
Figure CN105303033BC000211
其中,ε为白噪声幅值A与信号标准偏差的比值,Stdfek (t))为信号e“t)的标准偏差; ⑻令k = k+l,重复步骤(5)〜(7)直到第k阶残差信号e (t)满足固有时间尺度分解算法 的终止条件,最终振动信号X (t)表示为
Figure CN105303033BC00031
3) 从所有旋转分量中选取能够反映故障信息的敏感旋转分量; 4) 对敏感旋转分量进行包络谱分析; 5) 通过分析故障特征频率对应的包络谱幅值判断故障类型。
2.根据权利要求1所述的基于集合固有时间尺度分解算法的滚动轴承故障诊断方法, 其特征在于,步骤3)中所述的敏感旋转分量,是所有旋转分量中峭度值最高的分量。
CN201510611394.9A 2015-09-21 2015-09-21 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法 Active CN105303033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510611394.9A CN105303033B (zh) 2015-09-21 2015-09-21 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510611394.9A CN105303033B (zh) 2015-09-21 2015-09-21 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN105303033A CN105303033A (zh) 2016-02-03
CN105303033B true CN105303033B (zh) 2018-02-27

Family

ID=55200296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510611394.9A Active CN105303033B (zh) 2015-09-21 2015-09-21 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN105303033B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107748209B (zh) * 2017-12-04 2020-05-15 中国水利水电科学研究院 一种结构损伤检测方法
CN109187023B (zh) * 2018-09-04 2021-01-26 温州大学激光与光电智能制造研究院 一种汽车发电机轴承故障诊断方法
CN109682600A (zh) * 2018-09-14 2019-04-26 温州大学 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130014895A (ko) * 2011-08-01 2013-02-12 한국전자통신연구원 음원 분리 기준 결정 장치와 방법 및 음원 분리 장치와 방법
CN104697767B (zh) * 2014-12-17 2017-03-22 天津大学 一种基于振动分析的转子系统故障诊断方法及装置

Also Published As

Publication number Publication date
CN105303033A (zh) 2016-02-03

Similar Documents

Publication Publication Date Title
Teng et al. Multi-fault detection and failure analysis of wind turbine gearbox using complex wavelet transform
CN105303033B (zh) 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法
Li et al. Extracting repetitive transients for rotating machinery diagnosis using multiscale clustered grey infogram
Feng et al. Fault diagnosis for wind turbine planetary gearboxes via demodulation analysis based on ensemble empirical mode decomposition and energy separation
Hu et al. A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension
CN106092565A (zh) 一种振动故障分析方法及其系统
CN105806613A (zh) 一种基于阶比复杂度的行星齿轮箱故障诊断方法
Yoon et al. On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis
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
Li et al. Gear fault detection and diagnosis under speed-up condition based on order cepstrum and radial basis function neural network
CN104697767B (zh) 一种基于振动分析的转子系统故障诊断方法及装置
Wang et al. Multi-scale enveloping order spectrogram for rotating machine health diagnosis
CN107003665B (zh) 用于评估连接到马达的旋转机械的状态的方法
CN105651504A (zh) 基于自适应小波能量的旋转机械故障特征提取方法
US20090082976A1 (en) Methods of Analysing Apparatus
Cheng et al. Envelope deformation in computed order tracking and error in order analysis
CN105445022B (zh) 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法
CN102175412A (zh) 转子扭振测试装置及其测试方法
Cheng et al. Quantitative damage detection for planetary gear sets based on physical models
Li et al. An intelligent harmonic synthesis technique for air-gap eccentricity fault diagnosis in induction motors
Kong et al. Fault feature extraction of planet gear in wind turbine gearbox based on spectral kurtosis and time wavelet energy spectrum
CN107941511A (zh) 一种基于信号时频分解的频率—峭度图的实现方法
Wang et al. A hybrid approach to bearing defect diagnosis in rotary machines
CN103149047A (zh) 一种基于非线性混合模型的冷却塔声学诊断方法
CN111307426A (zh) 一种基于FrFT-EWT原理的旋转机械故障特征提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 300350 District, Jinnan District, Tianjin Haihe Education Park, 135 beautiful road, Beiyang campus of Tianjin University

Applicant after: Tianjin University

Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92

Applicant before: Tianjin University

GR01 Patent grant
GR01 Patent grant