CN105510066B - 基于自适应降噪算法的一类旋转机械系统故障诊断方法 - Google Patents
基于自适应降噪算法的一类旋转机械系统故障诊断方法 Download PDFInfo
- Publication number
- CN105510066B CN105510066B CN201510833775.1A CN201510833775A CN105510066B CN 105510066 B CN105510066 B CN 105510066B CN 201510833775 A CN201510833775 A CN 201510833775A CN 105510066 B CN105510066 B CN 105510066B
- Authority
- CN
- China
- Prior art keywords
- signal
- noise reduction
- reduction algorithm
- noise
- adaptive
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明的目的在于提供基于自适应降噪算法的一类旋转机械系统故障诊断方法,主要用于周期信号和冲击及噪声信号的分离后重新仿真,能够提取出最精确的反映机械运行状况的信号参数,供后续分析。为了实现所述目的,本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法,将振动信号由自适应滤波算法将其分成两部分,第一部分为周期信号,第二部分为脉冲信号加噪声信号;对第二部分通过降噪算法进一步分离噪声信号,提高脉冲信号的信噪比;再进行特征提取;通过特征提取后的数据进行仿真,建立振动信号模型;通过这样的设置,本发明脉冲信号需要和周期信号分离,并且减少噪声限号对脉冲信号的影响。这样在分析故障时可以更为准确。
Description
技术领域
本发明涉及一种机械系统故障诊断方法,尤其涉及基于自适应降噪算法的一类旋转机械系统故障诊断方法。
背景技术
旋转机械结构复杂,对运转条件要求高,并长期处于高速运行状态,而且在正常运行过程中,即使有先兆性故障隐患也难以被察觉。但是一旦故障爆发就会带来难以估计的损失。如果将旋转机械停止定期检修虽然可以预防事故发生,但是也相应降低了生产和工作的效率。
针对这样的问题,现有技术中设计了专利号为201310223686.6的发明专利《基于瞬时频率估计的旋转机械振动信号角域重采样方法》,该专利涉及一种机械故障诊断管理方法,所述方法包括:采集旋转机械的振动信号、时域降采样、计算振动信号的瞬时频率、划分瞬时频率序列、拟合瞬时频率曲线、计算信号角域采样时刻序列、计算信号角域采样时刻对应的幅值序列;计算信号角域采样时刻对应的幅值序列利用拉格朗日插值算法,求取对应的重采样时刻原信号的幅值序列A(t),最终获得振动信号在角域内的重采样信号R(t)。该方法不需要额外的转速计来提取转速信息,直接从振动信号中获取转轴的转速信息,本方法分析精度高,硬件成本低,不受环境限制,特别是对企业现有设备的技术改造具有意义。
但是在仔细分析后可以发现,对比文件在采集旋转机械的振动信号时,由于环境的影响以及噪声的作用,并不能确保采集到准确的振动信号。而在不准确的振动信号的基础上进行分析是无法达到准确的预测效果的。
发明内容
本发明的目的在于提供基于自适应降噪算法的一类旋转机械系统故障诊断方法,主要用于周期信号和冲击及噪声信号的分离后重新仿真,能够提取出最精确的反映机械运行状况的信号参数,供后续分析。为了实现所述目的,本发明包括如下步骤:
步骤1:获取系统振动信号;
步骤2:振动信号由自适应滤波算法将其分成两部分,第一部分为周期信号,第二部分为脉冲信号加噪声信号;具体为将系统振动信号直接输入叠加计算器,再经过一个延迟后将这个系统振动信号通过数字滤波器,该延迟为0.3倍周期信号的一周期的长度,经过数字滤波器处理后,一部分通过叠加计算器和之前的信号进行叠加,最终从叠加计算器中计算出周期信号;另一部分经过自适应算法分离出脉冲信号和噪声信号;
步骤3:对第二部分通过降噪算法进一步分离噪声信号,提高脉冲信号的信噪比;
步骤4:对步骤3获得的处理后的信号进行特征提取;
步骤5,通过特征提取后的数据进行记录,建立正常运行的数据;
步骤6,将后续不同时间段获得的数据和正常运行的数据进行对比判断旋转机械状况。
所述所述振动信号具体形式如下所示,
V=Vp+Vi+Vn
V表示振动信号,Vp表示周期性振动信号,Vi表示振动信号
中脉冲振动信号,Vn表示噪声信号。
优选的,所述数字滤波器采用FIR横向滤波器。
优选的,对于M阶FIR横向滤波器,其加权系数向量为θ(k)=[θ1(k),θ2(k),...,θM(k)],设离散时间信号为
S(n),n=1,2,...N
θi n+1=θi n+μe(n)S(n-Δ-i)
其中μ>0,为搜索步长,θi为滤波器参数,Δ表示延迟步数,S(n)为第n个数据采集点,为第n步预测值。
优选的,所述提取出的信号特征值包括频域特征值和时域特征值,其中频域特征值用来量化周期信号,具体包括:1.信号RMS,2.前四轴谐波之和;
时域特征值用来量化脉冲信号,具体包括:1.Kurtosis,2.Skewness,3.Impulsefactor,4.Shape factor。
优选的,所述步骤3中对第二部分通过降噪算法进一步分离噪声信号时采用定义阈值为其中n为信号采样个数,σ为信号标准差,信号值大于阈值部分留下,小于阈值部分设置为0。
通过这样的设置,本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法综合运用了数字信号处理和统计模型分析方法,简单的说,将原先混杂在一起的周期性振动信号,脉冲振动信号,噪声信号分别提取出来。其中周期信号用于模拟旋转机械设备健康部件振动信号,脉冲信号用于模拟旋转系统故障部件振动信号。为了提高故障诊断系统诊断能力,脉冲信号需要和周期信号分离,并且减少噪声限号对脉冲信号的影响。这样在分析故障时可以更为准确。
附图说明
图1是本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法的自适应滤波算法原理框图,图中圆形标记即为叠加计算器。
图2是本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法的信号仿真图。其中横坐标是采样点数n,纵坐标是幅值(电压V)。
图3是本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法的脉冲振动信号和噪声信号混合仿真图。其中横坐标是采样点数n,纵坐标是幅值(电压V)。
图4是本发明基于自适应降噪算法的一类旋转机械系统故障诊断方法的周期性振动信号仿真图。其中横坐标是采样点数n,纵坐标是幅值(电压V)。
具体实施方式
基于自适应降噪算法的一类旋转机械系统故障诊断方法,包括如下步骤:
步骤1:获取系统振动信号;
步骤2:振动信号由自适应滤波算法将其分成两部分,第一部分为周期信号,第二部分为脉冲信号加噪声信号;如图1所示,体为将系统振动信号直接输入叠加计算器,再经过一个延迟后将这个系统振动信号通过数字滤波器,该延迟为0.3倍周期信号的一周期的长度,经过数字滤波器处理后,一部分通过叠加计算器和之前的信号进行叠加,最终从叠加计算器中计算出周期信号;另一部分经过自适应算法分离出脉冲信号和噪声信号;
步骤3:对第二部分通过降噪算法进一步分离噪声信号,提高脉冲信号的信噪比;
步骤4:对步骤3获得的处理后的信号进行特征提取;
步骤5,通过特征提取后的数据进行记录,建立正常运行的数据;
步骤6,将后续不同时间段获得的数据和正常运行的数据进行对比判断旋转机械状况。
所述振动信号具体形式如下所示,
V=Vp+Vi+Vn
V表示振动信号,Vp表示周期性振动信号,Vi表示振动信号中脉冲振动信号,Vn表示噪声信号。
所述数字滤波器采用FIR横向滤波器。
对于M阶FIR横向滤波器,其加权系数向量为θ(k)=[θ1(k),θ2(k),...,θM(k)],设离散时间信号为
S(n),n=1,2,...N
θi n+1=θi n+μe(n)S(n-Δ-i)
其中μ>0,为搜索步长,θi为滤波器参数,Δ表示延迟步数,S(n)为第n个数据采集点,为第n步预测值。所述提取出的信号特征值包括频域特征值和时域特征值,其中频域特征值用来量化周期信号,具体包括:1.信号RMS,2.前四轴谐波之和;
时域特征值用来量化脉冲信号,具体包括:1.Kurtosis,2.Skewness,3.Impulsefactor,4.Shape factor。RMS和前四轴谐波之和用于检测旋转系统中产生周期性信号的故障,比如unbalance,misalignment.Kurtosis,Skewness,Impulse factor,和Shape factor用于检测旋转系统中产生周期性脉冲信号的故障,比如轴承故障。所述步骤3中对第二部分通过降噪算法进一步分离噪声信号时采用定义阈值为其中n为信号采样个数,σ为信号标准差,信号值大于阈值部分留下,小于阈值部分设置为0。
为了说明自适应算法的有效性,本实施例采用仿真数据来加以说明。仿真信号由三部分信号组成,分别是周期信号,脉冲信号,和噪声信号。其中周期信号用于模拟旋转机械设备健康部件振动信号,脉冲信号用于模拟旋转系统故障部件振动信号。为了提高故障诊断系统诊断能力,脉冲信号需要和周期信号分离。通过计算我们获得
以这些特征参数我们就可以制作图形,如图2为仿真信号。图3、图4分别为分解后的降噪的脉冲信号,以及周期信号。对比图2和图3、图4结果,我们可以清晰的看出自适应滤波算法的有效性。
Claims (5)
1.基于自适应降噪算法的旋转机械系统故障诊断方法,其特征在于:包括如下步骤:
步骤1:获取系统振动信号;
步骤2:振动信号由自适应滤波算法将其分成两部分,第一部分为周期信号,第二部分为脉冲信号加噪声信号;具体为将系统振动信号经过一个延迟后通过数字滤波器,该延迟为0.3倍周期信号的一周期的长度,经过数字滤波器处理后,一部分通过叠加计算器和系统振动信号进行叠加,最终从叠加计算器中计算出周期信号;另一部分经过自适应算法分离出脉冲信号和噪声信号;
步骤3:对第二部分通过降噪算法进一步分离噪声信号,提高脉冲信号的信噪比;
步骤4:对步骤3获得的处理后的信号进行特征提取;
步骤5,通过特征提取后的数据进行记录,建立正常运行的数据;
步骤6,将后续不同时间段获得的数据和正常运行的数据进行对比判断旋转机械状况。
2.根据权利要求1所述基于自适应降噪算法的旋转机械系统故障诊断方法,其特征在于,所述振动信号具体形式如下所示,
V=Vp+Vi+Vn
V表示振动信号,Vp表示周期性振动信号,Vi表示振动信号中脉冲振动信号,Vn表示噪声信号。
3.根据权利要求1所述基于自适应降噪算法的旋转机械系统故障诊断方法,其特征在于,所述数字滤波器采用FIR横向滤波器。
4.根据权利要求1所述基于自适应降噪算法的旋转机械系统故障诊断方法,其特征在于,提取出的信号特征值包括频域特征值和时域特征值,其中频域特征值用来量化周期信号,具体包括:1.信号RMS,2.前四轴谐波之和;
时域特征值用来量化脉冲信号,具体包括:1.Kurtosis,2.Skewness,3.Impulsefactor,4.Shape factor。
5.根据权利要求1所述基于自适应降噪算法的旋转机械系统故障诊断方法,其特征在于,所述步骤3中对第二部分通过降噪算法进一步分离噪声信号时采用定义阈值为其中n为信号采样个数,σ为信号标准差,信号值大于阈值部分留下,小于阈值部分设置为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510833775.1A CN105510066B (zh) | 2015-11-25 | 2015-11-25 | 基于自适应降噪算法的一类旋转机械系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510833775.1A CN105510066B (zh) | 2015-11-25 | 2015-11-25 | 基于自适应降噪算法的一类旋转机械系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105510066A CN105510066A (zh) | 2016-04-20 |
CN105510066B true CN105510066B (zh) | 2018-11-30 |
Family
ID=55718208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510833775.1A Active CN105510066B (zh) | 2015-11-25 | 2015-11-25 | 基于自适应降噪算法的一类旋转机械系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105510066B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203362B (zh) * | 2016-07-13 | 2019-02-12 | 广东工业大学 | 一种基于脉冲指标的旋转机械故障诊断方法 |
CN109583092B (zh) * | 2018-11-30 | 2020-07-14 | 中南大学 | 一种多层次多模式特征提取的智能机械系统故障诊断方法 |
CN110426220A (zh) * | 2019-05-23 | 2019-11-08 | 中国航空工业集团公司上海航空测控技术研究所 | 基于自适应滤波电路的机械故障监测系统 |
CN110118582B (zh) * | 2019-06-12 | 2022-03-25 | 北京博识创智科技发展有限公司 | 一种旋转机械设备故障诊断方法及系统 |
CN112989700B (zh) * | 2021-03-12 | 2024-03-22 | 上海物骐微电子有限公司 | 基于人工免疫算法的主动降噪优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051466A (zh) * | 2005-12-23 | 2007-10-10 | Qnx软件操作系统(威美科)有限公司 | 改进的周期信号增强 |
CN103262570A (zh) * | 2010-12-16 | 2013-08-21 | 英特尔公司 | 自适应噪声消除 |
CN103323274A (zh) * | 2013-05-24 | 2013-09-25 | 上海交通大学 | 旋转机械状态监测与故障诊断系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2860026B2 (ja) * | 1992-11-18 | 1999-02-24 | シャープ株式会社 | 振動緩和装置 |
JP4263756B2 (ja) * | 2005-03-10 | 2009-05-13 | ティーオーエー株式会社 | 未知系構造推定装置およびその方法 |
-
2015
- 2015-11-25 CN CN201510833775.1A patent/CN105510066B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051466A (zh) * | 2005-12-23 | 2007-10-10 | Qnx软件操作系统(威美科)有限公司 | 改进的周期信号增强 |
CN103262570A (zh) * | 2010-12-16 | 2013-08-21 | 英特尔公司 | 自适应噪声消除 |
CN103323274A (zh) * | 2013-05-24 | 2013-09-25 | 上海交通大学 | 旋转机械状态监测与故障诊断系统及方法 |
Non-Patent Citations (1)
Title |
---|
机械振动周期和冲击响应信号的分离与提取;张家凡等;《2007’中国仪器仪表与测控技术交流大会论文集(二)》;20071231;第567-569页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105510066A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105510066B (zh) | 基于自适应降噪算法的一类旋转机械系统故障诊断方法 | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
WO2022261805A1 (zh) | 一种柴油机齿轮箱故障诊断方法 | |
Yang et al. | Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion | |
Lei et al. | EEMD method and WNN for fault diagnosis of locomotive roller bearings | |
Zhou et al. | Application of the horizontal slice of cyclic bispectrum in rolling element bearings diagnosis | |
CN105527077A (zh) | 一种基于振动信号的通用旋转机械故障诊断与检测的方法 | |
CN105651504A (zh) | 基于自适应小波能量的旋转机械故障特征提取方法 | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
CN104931197A (zh) | 基于eemd的自动平衡机振动信号处理方法 | |
CN103308152B (zh) | 基于瞬时频率估计的旋转机械振动信号角域重采样方法 | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
Meng et al. | General synchroextracting chirplet transform: Application to the rotor rub-impact fault diagnosis | |
CN104034412B (zh) | 一种基于分数阶全息原理的旋转机械故障特征提取方法 | |
CN105157821A (zh) | 一种旋转机械振动故障诊断及定量分析方法 | |
Duan et al. | Adaptive morphological analysis method and its application for bearing fault diagnosis | |
CN103149029A (zh) | 利用倒频谱识别航空发动机转静碰摩部位的方法 | |
CN108731945A (zh) | 一种航空发动机转子系统故障信号特征信息的提取方法 | |
Xiang et al. | Comparison of Methods for Different Time-frequency Analysis of Vibration Signal. | |
CN109459131A (zh) | 一种旋转机械多通道振动信号的时频特征提取方法及装置 | |
CN108444715A (zh) | 轴承状态诊断方法、装置、存储介质及电子设备 | |
CN105352726B (zh) | 一种齿轮的故障诊断方法 | |
Du et al. | Optimum IMFs selection based envelope analysis of bearing fault diagnosis in plunger pump | |
Liu et al. | Two-step adaptive chirp mode decomposition for time-varying bearing fault diagnosis | |
CN105258790A (zh) | 一种现场振动信号去噪参数优化选择方法 |
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 | ||
GR01 | Patent grant |