CN105547698A - 滚动轴承的故障诊断方法及装置 - Google Patents
滚动轴承的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN105547698A CN105547698A CN201511029384.0A CN201511029384A CN105547698A CN 105547698 A CN105547698 A CN 105547698A CN 201511029384 A CN201511029384 A CN 201511029384A CN 105547698 A CN105547698 A CN 105547698A
- Authority
- CN
- China
- Prior art keywords
- order
- component
- frequency
- order component
- 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.)
- Granted
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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明的实施例提供了一种滚动轴承的故障诊断方法及装置。其中,所述滚动轴承的故障诊断方法包括:采集滚动轴承的振动信号,求取所述振动信号的时频谱;根据时频谱确定所述振动信号的最佳阶次分量;根据所述最佳阶次分量对所述振动信号进行角度重采样得到角域信号;对所述角域信号进行包络分析,确定滚动轴承的故障部位;确定最佳阶次分量包括:设定等效转频范围,从所述时频谱上搜索出所有的阶次分量;计算所述阶次分量的阶次能量,并根据所述等效转频范围确定最佳阶次分量。本发明的滚动轴承的故障诊断方法及装置,实现了自动、快速地确定最佳阶次分量,从而为滚动轴承的故障诊断提供依据,提高了故障诊断的准确度,避免了人为因素的干扰。
Description
技术领域
本发明涉及机械故障监测技术领域,尤其涉及一种滚动轴承的故障诊断方法及装置。
背景技术
在工业应用中,滚动轴承是易损部件,也是关键的监测部件,由此,就需要对其进行故障诊断。以风力发电机组的滚动轴承为例,由于直驱风力发电机主轴转速较低,使得滚动轴承的故障特征频率处于较低的频段,早期的故障特征较微弱。另外,由于风速变化较大,风力发电机一般都是在变转速工况下工作,这增大了滚动轴承故障诊断的难度。
阶次分析技术是解决变转速工况下滚动轴承故障诊断的常用方法。具体来说,就是利用转速信号对原信号进行等角度重采样,将非平稳信号转化为角域平稳信号进行处理,将频谱转换为阶次谱,消除了变转速的影响。常见的阶次分析方法有硬件阶次分析、计算阶次分析和基于瞬时频率估计的阶次分析方法。
然而,上述方法具有以下不足之处:首先硬件阶次和计算阶次摆脱不了硬件的依赖;其次,常见的基于瞬时频率估计方法,需要人为设定搜峰曲线,人为干扰因素过大,同时对于变转速微弱早期故障无法实现准确的特征提取,进而使得故障诊断的准确度较低。
发明内容
本发明实施例的目的在于,提供一种滚动轴承的故障诊断方法及装置,以实现自动、快速地确定最佳阶次分量,从而为滚动轴承的故障诊断提供依据,提高故障诊断的准确度,避免人为因素的干扰。
为实现上述发明目的,本发明的实施例提供了一种滚动轴承的故障诊断方法。所述方法包括:采集滚动轴承的振动信号,求取所述振动信号的时频谱;根据时频谱确定所述振动信号的最佳阶次分量;根据所述最佳阶次分量对所述振动信号进行角度重采样得到角域信号;对所述角域信号进行包络分析,确定滚动轴承的故障部位;确定最佳阶次分量包括:设定等效转频范围,从所述时频谱上搜索出所有的阶次分量;计算所述阶次分量的阶次能量,并根据所述等效转频范围确定最佳阶次分量。
本发明的实施例还提供了一种滚动轴承的故障诊断装置。所述装置包括:信号采集及时频谱求取模块,用于采集滚动轴承的振动信号,求取所述振动信号的时频谱;阶次分量确定模块,用于根据时频谱确定所述振动信号的最佳阶次分量;角度重采样模块,用于根据所述最佳阶次分量对所述振动信号进行角度重采样得到角域信号;故障诊断模块,用于对所述角域信号进行包络分析,确定滚动轴承的故障部位;阶次分量确定模块包括:转频设定及分量搜索单元,用于设定等效转频范围,从所述时频谱上搜索出所有的阶次分量;能量计算及分量确定单元,用于计算所述阶次分量的阶次能量,并根据所述等效转频范围确定最佳阶次分量。
本发明实施例提供的滚动轴承的故障诊断方法及装置,通过设定等效转频范围,从时频谱上搜索出所有的阶次分量,进一步计算阶次分量的阶次能量,并根据等效转频范围确定最佳阶次分量。实现了自动、快速地确定最佳阶次分量,从而为滚动轴承的故障诊断提供依据,提高了故障诊断的准确度,避免了人为因素的干扰。
附图说明
图1为本发明实施例一的滚动轴承的故障诊断方法的流程示意图;
图2为滚动轴承的仿真振动信号的波形图;
图3为采用本发明实施例一的滚动轴承的故障诊断方法的仿真振动信号的时频图;
图4为采用本发明实施例一的滚动轴承的故障诊断方法的仿真振动信号的最佳阶次时频图;
图5为采用本发明实施例一的滚动轴承的故障诊断方法的仿真振动信号的窄带包络阶次谱图;
图6为采用常规包络分析方法的仿真振动信号的包络谱图;
图7为风力发电机滚动轴承的实测振动信号的波形图;
图8为采用本发明实施例一的滚动轴承的故障诊断方法的实测振动信号的时频图
图9为采用本发明实施例一的滚动轴承的故障诊断方法的实测振动信号的最佳阶次时频图;
图10为采用本发明实施例一的滚动轴承的故障诊断方法的实测振动信号的窄带包络阶次谱图;
图11为采用常规包络分析方法的实测振动信号的包络谱图;
图12为本发明实施例二的滚动轴承的故障诊断装置的结构示意图。
具体实施方式
下面结合附图对本发明实施例滚动轴承的故障诊断方法及装置进行详细描述。
实施例一
图1为本发明实施例一的滚动轴承的故障诊断方法的流程示意图,如图1所示,滚动轴承的故障诊断方法包括:
步骤110:采集滚动轴承的振动信号,求取振动信号的时频谱。
在具体的实现方式中,可在滚动轴承座上测量部位设置加速传感器,通过设置的加速度传感器采集滚动轴承的振动信号。图2为滚动轴承的仿真振动信号的波形图,该仿真振动信号由下式(1)表达,式中,t为时间,X(t)为幅值:
X(t)=(1+sin(4πt2))×sin(332πt2)………………………………………式(1)
求取振动信号的时频谱可采用以下方法之一:短时傅里叶变换、Gabor变换、Wigner-vill分布和小波变换,求取上述仿真振动信号的时频谱。以短时傅里叶变换为例,对仿真振动信号x(t)进行短时傅里叶变换,其变换式由下式(2)表达:
其中,t为时间,f为频率,τ为卷积变量,j为复数单位,g(t)为一个局部化的单窗函数。经短时傅里叶变换后,获得如图3所示的仿真振动信号的时频图。
步骤120:根据时频谱确定振动信号的最佳阶次分量。确定最佳阶次分量包括:
步骤121:设定等效转频范围,从所述时频谱上搜索出所有的阶次分量。
步骤122:计算所述阶次分量的阶次能量,并根据所述等效转频范围确定最佳阶次分量。
这里,设定等效转频范围的处理可包括:将由齿槽通过频率的整数倍组成的频率序列设定为等效转频范围。以直驱型风力发电机组的滚动轴承为例,直驱型风力发电机的转频较低,同时间内变化范围小,在时频谱图上直接提取需要较高的分辨率。以与转频相关且幅值较明显的频率mfcc(m=1,2,…,Q)为等效转频,其中,fcc为齿槽通过频率,Q为最大倍数。等效转频频率较高,随时间变化幅度较大,克服了直接提取风机转频的困难,同时提高了分析精度。
根据本发明示例性的实施例,步骤122中根据所述等效转频确认最佳阶次分量的处理可包括:根据计算的阶次能量对所有的阶次分量进行排序;对经排序的阶次分量,依次获取每一所述阶次分量对应的时频分布峰值带宽中所有频率的平均值;选取获取的平均值与设定的等效转频范围之间的误差小于误差阈值的阶次分量作为最佳阶次分量。
在具体的实现方式中,就是采用局部自动搜峰法搜索出所有的阶次分量。具体来说,首先,根据前述设定的等效转频范围,从图3所示的仿真振动信号的时频谱上搜索出多个阶次分量及对应的时频分布峰值带宽,这里,阶次分量可理解为一个频带(如图3中一根黑线),那么对应的时频分布峰值带宽就是指频带的带宽。
其次,计算每个阶次分量的阶次能量,对于连续数据阶次分量的阶次能量,其表达式为下式(3):
其中,Eoi表示第i个阶次能量;i表示阶次分量序号;t为时间,f为频率;Pi(t)为第i个阶次信号某时刻对应的幅值;Pi(f)为第i个阶次信号某频率对应的幅值;T为截至时刻;F为截至频率。
对于离散数据阶次分量的阶次能量,其表达式为下式(4):
其中,jj=0,1,2…N,N表示时间序列和频率序列的点数,tjj表示离散时间变量,fjj表示离散频率变量。
求出所有阶次分量的阶次能量之后,以阶次能量为指标,对多个阶次分量进行从大到小排序。排序表达式为下式(5):
[u,v]=sort(Eoi)………………………………………………………式(5)
其中,i=1,2,…,M,M表示阶次总数,u表示能量值,v表示对应的阶次分量。从高阶次能量对应的阶次分量开始,依次搜索其阶次频率是否为设定的等效转频及其倍频,直到得到等效频率对应的最佳阶次分量,图4为采用本发明实施例一的滚动轴承的故障诊断方法的仿真振动信号的最佳阶次时频图。
然后,从阶次能量最大的阶次分量开始,依次计算每个阶次分量对应的时频分布峰值带宽中所有频率的平均值,选取平均值与设定的等效转频范围之间的误差小于误差阈值的阶次分量,作为最佳阶次分量。上述过程中,阶次能量指标能很好的筛选出参考阶次,并具有可选性,避免了传统方法中以某一固定阶次为参考阶次的单一性,同时避免了人为因素的影响,便于实现工程化应用,同时提高了算法的准确性。
步骤130:根据最佳阶次分量对振动信号进行角度重采样得到角域信号。
根据本发明示例性的实施例,步骤130可包括:对最佳阶次分量进行拟合得到等效转频曲线,根据等效转频曲线生成鉴相时标,根据鉴相时标对振动信号进行角度插值重采样,得到角域信号。
首先,对于上述拟合的过程,本实施例优选采用最小二乘拟合方法,可选的三次样条曲线拟合、基于RBF曲线拟合。
以最小二乘拟合方法为例。具体地,对最佳阶次分量上的数据点进行如下处理:对于给定的数据点(Xk,Yk),1≤k≤Nd,Nd为自然常数,可用下面的n阶多项式进行拟合,n阶多项式为下式(6):
为了使拟合出的近似曲线能尽量反映所给数据的变化趋势,要求在所有数据点上的残差都较小,即满足式|δk|=|f(Xk)-Yk|。为达到上述目标,令上述偏差的平方和最小为min,即
其次,拟合出等效转频曲线之后,根据等效转频曲线产生相应的鉴相时标。也就是说,根据瞬时频率的拟合曲线产生相应的鉴相时标Tp。阶次采样的时刻为下式(7):
其中,p为采样时刻的序列号,Δθ=π/Omax为恒定角度增量,其中Omax表示时域离散信号中需要分析的最大阶比。进一步,根据鉴相时标Tp对振动信号进行插值以实现信号的等角度插值重采样,进而得到阶次采样的角域离散转角序列x(Tp)。从而将变速非平稳信号转化为平稳信号,便于后期频谱分析。
步骤140:对角域信号进行包络分析,确定滚动轴承的故障部位。
根据本发明示例性的实施例,步骤150可包括:对角域信号进行窄带包络分析,得到窄带包络阶次谱;根据窄带包络阶次谱和指定的轴承故障阶次确定滚动轴承的故障部位。
进一步地,上述角域信号进行窄带包络分析,得到窄带包络阶次谱的处理可包括:通过带通滤波器对角域信号进行滤波,对滤波后的角域信号进行Hilbert包络分析,得到窄带包络阶次谱。
具体地,利用带通滤波器的滤波特性,使目标频率成分被滤出;利用Hilbert包络从信号中提取调制信号,分析调制信号的变化,通过包络分析可以从振动信号中分离出低频信号成分。图5为采用本发明实施例一的滚动轴承的故障诊断方法的仿真振动信号的窄带包络阶次谱图,图6为采用常规包络分析方法的仿真振动信号的包络谱图,与图6相比,从图5可以看出信号中的故障阶次分量被清晰的分离出来。
需要说明的是,指定的轴承故障阶次可包括以下至少一个:保持架故障阶次、滚动体故障阶次、外圈故障阶次和内圈故障阶次,相应地,上述根据窄带包络阶次谱和指定的轴承故障阶次确定滚动轴承的故障部位的处理可包括:将窄带包络阶次谱与指定的轴承故障阶次进行比对,根据符合的指定的轴承故障阶次确定滚动轴承的故障部位。
这里,保持架故障阶次、滚动体故障阶次、外圈故障阶次和内圈故障阶次的表达式均是由相关公式推算得来,分别为下式(8)~(11):
式(8)
式(9)
式(10)
式(11)
其中,fcc=Lfr,L为比例系数,fr为轴的转速。轴承故障阶次包括:保持架故障阶次、滚动体故障阶次、外圈故障阶次、内圈故障阶次,其中,fFTF为保持架故障频率,fBSF为滚动体故障频率,fBPFO为外圈故障频率,fBPFI为内圈故障频率,为接触角度,d为滚珠的直径,D为滚道直径,NB为滚珠数量。
在实际应用中,图7为风力发电机滚动轴承的实测振动信号的波形图,图8是对图7中实测振动信号进行短时傅里叶变换后得到的时频图,图9是根据图8以及设定等效转频范围确定的实测振动信号的最佳阶次时频图,图10是窄带包络分析处理得到的实测振动信号的窄带包络阶次谱图,图11为采用常规包络分析方法的实测振动信号的包络谱图,对比图10和图11可以看出,采用本发明实施例所述方法,故障阶次谱线结构清晰明确,能够真实的反映变转速下风力发电机组滚动轴承的故障特征,有效的克服了变转速造成的频谱模糊的现象。
本发明实施例提供的滚动轴承的故障诊断方法,与现有技术相比,具有如下技术效果:
首先,由时频谱图得到等效转频曲线过程中,采用自适应搜峰方法,搜索出所有阶次分量,以阶次能量为指标,从所有阶次分量中自动筛选出最佳阶次分量,从而为滚动轴承的故障诊断提供依据,避免了人为因素的干扰,提高了分析效率及分析精度;
其次,摆脱了硬件(如转速计)依赖,通过时频分析方法对振动信号进行分析,根据等效转频曲线提取转速信息,降低了硬件成本,用于变转速工况下滚动轴承早期故障诊断,解决了变转速影响和故障特征难提取的技术问题;
再次,滚动轴承早期故障特征出现在部件固有频率附近产生共振,全频包络噪声影响较大,难以提取早期故障特征。采用窄带包络解调技术取代全频包络,避免了全频包络解调中噪声的影响。对共振区域做解调,减少了噪声影响,提高了算法精度。
实施例二
图12为本发明实施例二的滚动轴承的故障诊断装置的结构示意图。可用于执行本发明实施例一的滚动轴承的故障诊断方法步骤。
参照图12,该滚动轴承的故障诊断装置包括信号采集及时频谱求取模块1210、阶次分量确定模块1220、角度重采样模块1230和故障诊断模块1240。
信号采集模块1210用于采集滚动轴承的振动信号,求取振动信号的时频谱。
阶次分量确定模块1220用于根据时频谱确定振动信号的最佳阶次分量。
具体地,阶次分量确定模块1220包括:
转频设定及分量搜索单元1221用于设定等效转频范围,从所述时频谱上搜索出所有的阶次分量;
能量计算及分量确定单元1222用于计算所述阶次分量的阶次能量,并根据所述等效转频范围确定最佳阶次分量。
角度重采样模块1230用于根据最佳阶次分量对振动信号进行角度重采样得到角域信号。
故障诊断模块1240用于对角域信号进行包络分析,确定滚动轴承的故障部位。
本发明实施例提供的滚动轴承的故障诊断装置,通过设定等效转频范围,从时频谱上搜索出所有的阶次分量,进一步计算阶次分量的阶次能量,并根据等效转频范围确定最佳阶次分量。实现了自动、快速地确定最佳阶次分量,从而为滚动轴承的故障诊断提供依据,提高了故障诊断的准确度,避免了人为因素的干扰。
优选地,能量计算及分量确定单元1222可具体包括:
分量排序子单元(图中未示出)用于根据计算的阶次能量对所有的阶次分量进行排序;
均值获取子单元(图中未示出)用于对经排序的阶次分量,依次获取每一阶次分量对应的时频分布峰值带宽中所有频率的平均值;
分量确定子单元(图中未示出)用于选取获取的平均值与设定的等效转频范围之间的误差小于误差阈值的阶次分量作为最佳阶次分量。
进一步地,能量计算及分量确定单元1222具体用于根据下式计算连续数据阶次分量的阶次能量:
其中,Eoi表示第i个阶次能量;i表示阶次分量序号;t为时间,f为频率;Pi(t)为第i个阶次信号某时刻对应的幅值;Pi(f)为第i个阶次信号某频率对应的幅值;T为截至时刻;F为截至频率。
更进一步地,能量计算及分量确定单元1222具体用于根据下式计算离散数据阶次分量的阶次能量:
其中,jj=0,1,2…N,N表示时间序列和频率序列的点数,tjj表示离散时间变量,fjj表示离散频率变量。
这里,转频设定及分量搜索单元1221具体用于将由齿槽通过频率的整数倍组成的频率序列设定为等效转频范围。
优选地,角度重采样模块1230可具体包括:
分量拟合单元(图中未示出)用于对最佳阶次分量进行拟合得到等效转频曲线;
鉴相时标生成单元(图中未示出)用于根据等效转频曲线生成鉴相时标;
角度重采样单元(图中未示出)用于根据鉴相时标对振动信号进行角度插值重采样,得到角域信号。
进一步地,故障诊断模块1240可具体包括:
包络分析单元(图中未示出)用于对角域信号进行窄带包络分析,得到窄带包络阶次谱;
故障确定单元(图中未示出)用于根据窄带包络阶次谱和指定的轴承故障阶次确定滚动轴承的故障部位。
更进一步地,包络分析单元具体用于通过带通滤波器对角域信号进行滤波;对滤波后的角域信号进行Hilbert包络分析,得到窄带包络阶次谱。
需要说明的是,指定的轴承故障阶次可包括以下至少一个:保持架故障阶次、滚动体故障阶次、外圈故障阶次和内圈故障阶次。
优选地,信号采集及时频谱求取模块1210具体用于采用以下方法之一:短时傅里叶变换、Gabor变换、Wigner-vill分布和小波变换,求取振动信号的时频谱。
在上述实施例的基础上,本发明还具有以下技术效果:
一方面,由时频谱图得到等效转频曲线过程中,采用自适应搜峰方法,搜索出所有阶次分量,以阶次能量为指标,从所有阶次分量中自动筛选出最佳阶次分量,避免了人为因素的干扰,提高了分析效率及分析精度;
另一方面,无需设置硬件转速计,通过时频分析方法对振动信号进行分析,根据等效转频曲线提取转速信息,避免了硬件成本及安装条件的制约,用于变转速工况下滚动轴承早期故障诊断,解决了变转速影响和故障特征难提取的技术问题。
再一方面,采用窄带包络技术取代全频包络,避免了全频包络解调中噪声的影响。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (20)
1.一种滚动轴承的故障诊断方法,包括:
采集滚动轴承的振动信号,求取所述振动信号的时频谱;
根据时频谱确定所述振动信号的最佳阶次分量;
根据所述最佳阶次分量对所述振动信号进行角度重采样得到角域信号;
对所述角域信号进行包络分析,确定滚动轴承的故障部位;其特征在于,确定最佳阶次分量包括:
设定等效转频范围,从所述时频谱上搜索出所有的阶次分量;
计算所述阶次分量的阶次能量,并根据所述等效转频范围确定最佳阶次分量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述等效转频确认最佳阶次分量的处理包括:
根据计算的阶次能量对所有的阶次分量进行排序;
对经排序的阶次分量,依次获取每一所述阶次分量对应的时频分布峰值带宽中所有频率的平均值;
选取获取的平均值与设定的等效转频范围之间的误差小于误差阈值的阶次分量作为最佳阶次分量。
3.根据权利要求1所述的方法,其特征在于,所述对所述角域信号进行包络分析,确定滚动轴承的故障部位的处理包括:
对所述角域信号进行窄带包络分析,得到窄带包络阶次谱;
根据所述窄带包络阶次谱和指定的轴承故障阶次确定滚动轴承的故障部位。
4.根据权利要求3所述的方法,其特征在于,所述对所述角域信号进行窄带包络分析,得到窄带包络阶次谱的处理包括:
通过带通滤波器对所述角域信号进行滤波;
对滤波后的角域信号进行Hilbert包络分析,得到窄带包络阶次谱。
5.根据权利要求1所述的方法,其特征在于,所述根据所述最佳阶次分量对所述振动信号进行角度重采样得到角域信号的处理包括:
对所述最佳阶次分量进行拟合得到等效转频曲线;
根据等效转频曲线生成鉴相时标;
根据所述鉴相时标对所述振动信号进行角度插值重采样,得到角域信号。
6.根据权利要求2所述的方法,其特征在于,所述计算所述阶次分量的阶次能量包括:
根据
计算连续数据阶次分量的阶次能量,其中,Eoi表示第i个阶次能量;i表示阶次分量序号;t为时间,f为频率;Pi(t)为第i个阶次信号某时刻对应的幅值;Pi(f)为第i个阶次信号某频率对应的幅值;T为截至时刻;F为截至频率。
7.根据权利要求2所述的方法,其特征在于,所述计算所述阶次分量的阶次能量包括:
根据
计算离散数据阶次分量的阶次能量,其中,jj=0,1,2…N,N表示时间序列和频率序列的点数,tjj表示离散时间变量,fjj表示离散频率变量。
8.根据权利要求3所述的方法,其特征在于,所述指定的轴承故障阶次包括以下至少一个:保持架故障阶次、滚动体故障阶次、外圈故障阶次和内圈故障阶次。
9.根据权利要求1所述的方法,其特征在于,所述求取所述振动信号的时频谱的处理采用以下方法之一:短时傅里叶变换、Gabor变换、Wigner-vill分布和小波变换。
10.根据权利要求1所述的方法,其特征在于,所述设定等效转频范围的处理包括:将由齿槽通过频率的整数倍组成的频率序列设定为等效转频范围。
11.一种滚动轴承的故障诊断装置,包括:
信号采集及时频谱求取模块,用于采集滚动轴承的振动信号,求取所述振动信号的时频谱;
阶次分量确定模块,用于根据时频谱确定所述振动信号的最佳阶次分量;
角度重采样模块,用于根据所述最佳阶次分量对所述振动信号进行角度重采样得到角域信号;
故障诊断模块,用于对所述角域信号进行包络分析,确定滚动轴承的故障部位;其特征在于,阶次分量确定模块包括:
转频设定及分量搜索单元,用于设定等效转频范围,从所述时频谱上搜索出所有的阶次分量;
能量计算及分量确定单元,用于计算所述阶次分量的阶次能量,并根据所述等效转频范围确定最佳阶次分量。
12.根据权利要求11所述的装置,其特征在于,所述能量计算及分量确定单元具体包括:
分量排序子单元,用于根据计算的阶次能量对所有的阶次分量进行排序;
均值获取子单元,用于对经排序的阶次分量,依次获取每一所述阶次分量对应的时频分布峰值带宽中所有频率的平均值;
分量确定子单元,用于选取获取的平均值与设定的等效转频范围之间的误差小于误差阈值的阶次分量作为最佳阶次分量。
13.根据权利要求11所述的装置,其特征在于,所述故障诊断模块具体包括:
包络分析单元,用于对所述角域信号进行窄带包络分析,得到窄带包络阶次谱;
故障确定单元,用于根据所述窄带包络阶次谱和指定的轴承故障阶次确定滚动轴承的故障部位。
14.根据权利要求13所述的装置,其特征在于,所述包络分析单元具体用于通过带通滤波器对所述角域信号进行滤波;对滤波后的角域信号进行Hilbert包络分析,得到窄带包络阶次谱。
15.根据权利要求11所述的装置,其特征在于,所述角度重采样模块具体包括:
分量拟合单元,用于对所述最佳阶次分量进行拟合得到等效转频曲线;
鉴相时标生成单元,用于根据等效转频曲线生成鉴相时标;
角度重采样单元,用于根据所述鉴相时标对所述振动信号进行角度插值重采样,得到角域信号。
16.根据权利要求12所述的装置,其特征在于,所述能量计算及分量确定单元具体用于
根据
计算连续数据阶次分量的阶次能量,其中,Eoi表示第i个阶次能量;i表示阶次分量序号;t为时间,f为频率;Pi(t)为第i个阶次信号某时刻对应的幅值;Pi(f)为第i个阶次信号某频率对应的幅值;T为截至时刻;F为截至频率。
17.根据权利要求12所述的装置,其特征在于,所述能量计算及分量确定单元具体用于
根据
计算离散数据阶次分量的阶次能量,其中,jj=0,1,2…N,N表示时间序列和频率序列的点数,tjj表示离散时间变量,fjj表示离散频率变量。
18.根据权利要求13所述的装置,其特征在于,所述指定的轴承故障阶次包括以下至少一个:保持架故障阶次、滚动体故障阶次、外圈故障阶次和内圈故障阶次。
19.根据权利要求11所述的装置,其特征在于,所述信号采集及时频谱求取模块具体用于采用以下方法之一:短时傅里叶变换、Gabor变换、Wigner-vill分布和小波变换,求取所述振动信号的时频谱。
20.根据权利要求11所述的装置,其特征在于,所述转频设定及分量搜索单元具体用于将由齿槽通过频率的整数倍组成的频率序列设定为等效转频范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029384.0A CN105547698B (zh) | 2015-12-31 | 2015-12-31 | 滚动轴承的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029384.0A CN105547698B (zh) | 2015-12-31 | 2015-12-31 | 滚动轴承的故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105547698A true CN105547698A (zh) | 2016-05-04 |
CN105547698B CN105547698B (zh) | 2017-11-14 |
Family
ID=55827042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511029384.0A Active CN105547698B (zh) | 2015-12-31 | 2015-12-31 | 滚动轴承的故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105547698B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105973584A (zh) * | 2016-06-17 | 2016-09-28 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
CN106017925A (zh) * | 2016-05-09 | 2016-10-12 | 北京信息科技大学 | 基于小波包分解的回转窖托轮轴承故障诊断方法 |
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 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 |
CN106932135A (zh) * | 2017-05-17 | 2017-07-07 | 苏交科集团股份有限公司 | 基于加权窄带搜峰识别振动频率的柔性拉索索力测试方法 |
CN107525674A (zh) * | 2017-05-27 | 2017-12-29 | 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 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN107643180A (zh) * | 2016-07-21 | 2018-01-30 | 北京航天动力研究所 | 基于小波分析的高速低温涡轮泵轴承保持架故障诊断方法 |
CN107941510A (zh) * | 2017-10-19 | 2018-04-20 | 西安交通大学 | 基于等角度双重采样的滚动轴承故障特征的提取方法 |
CN108225769A (zh) * | 2016-12-15 | 2018-06-29 | 唐智科技湖南发展有限公司 | 一种防止保持架特征谱误诊为故障谱的机理诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109520738A (zh) * | 2018-10-25 | 2019-03-26 | 桂林电子科技大学 | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 |
CN110160767A (zh) * | 2019-06-14 | 2019-08-23 | 安徽智寰科技有限公司 | 基于包络分析的冲击周期自动识别与提取方法及系统 |
CN110243605A (zh) * | 2019-06-10 | 2019-09-17 | 苏州大学 | 多源时频脊线提取方法 |
CN110617964A (zh) * | 2019-07-29 | 2019-12-27 | 中国铁道科学研究院集团有限公司城市轨道交通中心 | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 |
CN110763462A (zh) * | 2019-04-26 | 2020-02-07 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN110907162A (zh) * | 2019-12-13 | 2020-03-24 | 北京天泽智云科技有限公司 | 一种变转速下无转速计的旋转机械故障特征提取方法 |
CN110966100A (zh) * | 2018-09-30 | 2020-04-07 | 中国航发商用航空发动机有限责任公司 | 一种燃烧振荡的监测装置及其方法 |
CN110987427A (zh) * | 2019-12-31 | 2020-04-10 | 安徽容知日新科技股份有限公司 | 一种用于机械设备的数据处理方法、装置及系统 |
CN111059004A (zh) * | 2020-03-18 | 2020-04-24 | 浙江上风高科专风实业有限公司 | 一种适应于风机系列的状态自动监测方法及系统 |
CN111307452A (zh) * | 2020-03-05 | 2020-06-19 | 江苏天沃重工科技有限公司 | 一种时变转速下旋转机械智能故障诊断方法 |
CN111458016A (zh) * | 2019-11-29 | 2020-07-28 | 一汽解放汽车有限公司 | 驱动桥总成振动快速检测方法 |
CN111738068A (zh) * | 2020-05-13 | 2020-10-02 | 南京航空航天大学 | 一种转速波动工况下的传动轴故障诊断方法和系统 |
CN114509268A (zh) * | 2022-02-16 | 2022-05-17 | 河南中烟工业有限责任公司 | 电机滚动轴承故障诊断方法 |
US11333575B2 (en) * | 2018-02-12 | 2022-05-17 | Dalian University Of Technology | Method for fault diagnosis of an aero-engine rolling bearing based on random forest of power spectrum entropy |
CN116257739A (zh) * | 2023-05-16 | 2023-06-13 | 成都飞机工业(集团)有限责任公司 | 一种高速电主轴快速可视化诊断方法 |
CN116358873A (zh) * | 2023-05-31 | 2023-06-30 | 厚普智慧物联科技有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN116861219A (zh) * | 2023-09-01 | 2023-10-10 | 华能新能源股份有限公司山西分公司 | 一种风电机组变桨故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010037180A1 (en) * | 2000-04-20 | 2001-11-01 | Hidemichi Komura | Fault diagnosis method and apparatus |
CN102269620A (zh) * | 2011-06-23 | 2011-12-07 | 中国人民解放军军事交通学院 | 基于转速调整的改进阶比分析方法 |
CN103353344A (zh) * | 2013-06-25 | 2013-10-16 | 国家电网公司 | 基于自适应stft的旋转机械阶次跟踪方法 |
CN103353396A (zh) * | 2013-06-24 | 2013-10-16 | 西安交通大学 | 基于无时标短时相位解调的齿轮箱故障诊断方法 |
CN103499443A (zh) * | 2013-09-12 | 2014-01-08 | 西安交通大学 | 一种齿轮故障无键相角域平均计算阶次分析方法 |
CN104266747A (zh) * | 2014-06-09 | 2015-01-07 | 中能电力科技开发有限公司 | 一种基于振动信号阶次分析的故障诊断方法 |
-
2015
- 2015-12-31 CN CN201511029384.0A patent/CN105547698B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010037180A1 (en) * | 2000-04-20 | 2001-11-01 | Hidemichi Komura | Fault diagnosis method and apparatus |
US6629058B2 (en) * | 2000-04-20 | 2003-09-30 | Rion Co., Ltd. | Fault diagnosis method and apparatus |
CN102269620A (zh) * | 2011-06-23 | 2011-12-07 | 中国人民解放军军事交通学院 | 基于转速调整的改进阶比分析方法 |
CN103353396A (zh) * | 2013-06-24 | 2013-10-16 | 西安交通大学 | 基于无时标短时相位解调的齿轮箱故障诊断方法 |
CN103353344A (zh) * | 2013-06-25 | 2013-10-16 | 国家电网公司 | 基于自适应stft的旋转机械阶次跟踪方法 |
CN103499443A (zh) * | 2013-09-12 | 2014-01-08 | 西安交通大学 | 一种齿轮故障无键相角域平均计算阶次分析方法 |
CN104266747A (zh) * | 2014-06-09 | 2015-01-07 | 中能电力科技开发有限公司 | 一种基于振动信号阶次分析的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
刘中磊等: "基于故障特征频率的阶比双谱方法及其在滚动轴承故障诊断中的应用", 《中国电机工程学报》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017925B (zh) * | 2016-05-09 | 2019-01-25 | 北京信息科技大学 | 基于小波包分解的回转窖托轮轴承故障诊断方法 |
CN106017925A (zh) * | 2016-05-09 | 2016-10-12 | 北京信息科技大学 | 基于小波包分解的回转窖托轮轴承故障诊断方法 |
CN105973584A (zh) * | 2016-06-17 | 2016-09-28 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
CN105973584B (zh) * | 2016-06-17 | 2018-08-10 | 北京信息科技大学 | 一种小波包频域信号流形学习故障诊断方法 |
CN107643180A (zh) * | 2016-07-21 | 2018-01-30 | 北京航天动力研究所 | 基于小波分析的高速低温涡轮泵轴承保持架故障诊断方法 |
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 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 |
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 |
CN108225769B (zh) * | 2016-12-15 | 2020-02-14 | 唐智科技湖南发展有限公司 | 一种防止保持架特征谱误诊为故障谱的机理诊断方法 |
CN108225769A (zh) * | 2016-12-15 | 2018-06-29 | 唐智科技湖南发展有限公司 | 一种防止保持架特征谱误诊为故障谱的机理诊断方法 |
CN106932135A (zh) * | 2017-05-17 | 2017-07-07 | 苏交科集团股份有限公司 | 基于加权窄带搜峰识别振动频率的柔性拉索索力测试方法 |
CN106932135B (zh) * | 2017-05-17 | 2022-09-23 | 苏交科集团股份有限公司 | 一种基于加权窄带搜峰法识别振动频率的柔性拉索索力测试方法 |
CN107525674A (zh) * | 2017-05-27 | 2017-12-29 | 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 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN107941510A (zh) * | 2017-10-19 | 2018-04-20 | 西安交通大学 | 基于等角度双重采样的滚动轴承故障特征的提取方法 |
US11333575B2 (en) * | 2018-02-12 | 2022-05-17 | Dalian University Of Technology | Method for fault diagnosis of an aero-engine rolling bearing based on random forest of power spectrum entropy |
CN108830127B (zh) * | 2018-03-22 | 2021-08-10 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN110966100A (zh) * | 2018-09-30 | 2020-04-07 | 中国航发商用航空发动机有限责任公司 | 一种燃烧振荡的监测装置及其方法 |
CN110966100B (zh) * | 2018-09-30 | 2021-03-05 | 中国航发商用航空发动机有限责任公司 | 一种燃烧振荡的监测装置及其方法 |
CN109520738A (zh) * | 2018-10-25 | 2019-03-26 | 桂林电子科技大学 | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 |
CN110763462A (zh) * | 2019-04-26 | 2020-02-07 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
CN110763462B (zh) * | 2019-04-26 | 2023-09-26 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
CN110243605A (zh) * | 2019-06-10 | 2019-09-17 | 苏州大学 | 多源时频脊线提取方法 |
CN110160767A (zh) * | 2019-06-14 | 2019-08-23 | 安徽智寰科技有限公司 | 基于包络分析的冲击周期自动识别与提取方法及系统 |
CN110160767B (zh) * | 2019-06-14 | 2021-03-02 | 安徽智寰科技有限公司 | 基于包络分析的冲击周期自动识别与提取方法及系统 |
CN110617964A (zh) * | 2019-07-29 | 2019-12-27 | 中国铁道科学研究院集团有限公司城市轨道交通中心 | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN111458016A (zh) * | 2019-11-29 | 2020-07-28 | 一汽解放汽车有限公司 | 驱动桥总成振动快速检测方法 |
CN110907162A (zh) * | 2019-12-13 | 2020-03-24 | 北京天泽智云科技有限公司 | 一种变转速下无转速计的旋转机械故障特征提取方法 |
CN110987427A (zh) * | 2019-12-31 | 2020-04-10 | 安徽容知日新科技股份有限公司 | 一种用于机械设备的数据处理方法、装置及系统 |
CN110987427B (zh) * | 2019-12-31 | 2021-11-09 | 安徽容知日新科技股份有限公司 | 一种用于机械设备的数据处理方法、装置及系统 |
CN111307452B (zh) * | 2020-03-05 | 2022-01-28 | 江苏天沃重工科技有限公司 | 一种时变转速下旋转机械智能故障诊断方法 |
CN111307452A (zh) * | 2020-03-05 | 2020-06-19 | 江苏天沃重工科技有限公司 | 一种时变转速下旋转机械智能故障诊断方法 |
CN111059004A (zh) * | 2020-03-18 | 2020-04-24 | 浙江上风高科专风实业有限公司 | 一种适应于风机系列的状态自动监测方法及系统 |
CN111738068A (zh) * | 2020-05-13 | 2020-10-02 | 南京航空航天大学 | 一种转速波动工况下的传动轴故障诊断方法和系统 |
CN111738068B (zh) * | 2020-05-13 | 2024-04-02 | 南京航空航天大学 | 一种转速波动工况下的传动轴故障诊断方法和系统 |
CN114509268A (zh) * | 2022-02-16 | 2022-05-17 | 河南中烟工业有限责任公司 | 电机滚动轴承故障诊断方法 |
CN116257739A (zh) * | 2023-05-16 | 2023-06-13 | 成都飞机工业(集团)有限责任公司 | 一种高速电主轴快速可视化诊断方法 |
CN116257739B (zh) * | 2023-05-16 | 2023-08-04 | 成都飞机工业(集团)有限责任公司 | 一种高速电主轴快速可视化诊断方法 |
CN116358873B (zh) * | 2023-05-31 | 2023-09-15 | 厚普清洁能源(集团)股份有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN116358873A (zh) * | 2023-05-31 | 2023-06-30 | 厚普智慧物联科技有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN116861219A (zh) * | 2023-09-01 | 2023-10-10 | 华能新能源股份有限公司山西分公司 | 一种风电机组变桨故障诊断方法 |
CN116861219B (zh) * | 2023-09-01 | 2023-12-15 | 华能新能源股份有限公司山西分公司 | 一种风电机组变桨故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105547698B (zh) | 2017-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105547698A (zh) | 滚动轴承的故障诊断方法及装置 | |
CN109682561B (zh) | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 | |
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 | |
CN101782475B (zh) | 基于风力发电机组振动的叶片故障诊断方法 | |
CN106769033A (zh) | 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 | |
CN103471848A (zh) | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 | |
CN104077474A (zh) | 基于啮合频率和频谱校正技术的风电齿轮箱阶次跟踪方法 | |
CN101718582B (zh) | 风力发电机组音调测试方法 | |
CN103149029B (zh) | 利用倒频谱识别航空发动机转静碰摩部位的方法 | |
CN103575523A (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN110987167A (zh) | 旋转机械设备的故障检测方法、装置、设备及存储介质 | |
CN105388012A (zh) | 基于非线性调频小波变换的阶次跟踪方法 | |
CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
CN101603854A (zh) | 旋转机械启停阶段非平稳振动信号瞬时频率估计算法 | |
CN104502099A (zh) | 齿轮箱瞬变工况特征分量循频提取方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN104200118A (zh) | 自动平衡机振动信号处理方法 | |
CN104713712A (zh) | 一种基于匹配解调变换的转子碰摩故障检测方法及系统 | |
CN105352726B (zh) | 一种齿轮的故障诊断方法 | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 | |
CN112782421B (zh) | 一种基于音频的转速识别方法 | |
CN107679013A (zh) | 基于eemd‑hht与时频重排结合的转速曲线估计方法 | |
Wang et al. | Tacholess order-tracking approach for wind turbine gearbox fault detection | |
Hong et al. | Application of spectral kurtosis and Vold-Kalman filter based order tracking in wind turbine gearbox fault diagnosis | |
Lv et al. | Generalized synchroextracting-based stepwise demodulation transform and its application to fault diagnosis of rotating machinery |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee after: Jinfeng Technology Co.,Ltd. Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |