CN105760843A - 一种滚动轴承早期故障特征提取方法 - Google Patents
一种滚动轴承早期故障特征提取方法 Download PDFInfo
- Publication number
- CN105760843A CN105760843A CN201610113178.6A CN201610113178A CN105760843A CN 105760843 A CN105760843 A CN 105760843A CN 201610113178 A CN201610113178 A CN 201610113178A CN 105760843 A CN105760843 A CN 105760843A
- Authority
- CN
- China
- Prior art keywords
- signal
- analyzed
- rolling bearing
- lambda
- matrix
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种滚动轴承早期故障特征提取方法,本发明提供了一种基于稀疏优化的滚动轴承早期故障特征方法,包括如下步骤:步骤(1)采集滚动轴承加速度信号作为待分析信号;步骤(2)建立待分析信号的稀疏优化函数并求解得到待分析信号中的周期冲击成分;步骤(3)对周期冲击成分进行包络解调分析得到故障特征频率。本发明利用滚动轴承故障信号本身具有稀疏性的先验知识,而不需基于故障信号在字典变换下系数的稀疏性,避免了选择字典不合适而导致诊断失误的问题。
Description
技术领域
本发明涉及滚动轴承故障诊断方法,尤其设计一种基于l1范数最小化算法的滚动轴承早期故障特征提取方法。
背景技术
滚动轴承是机械设备中应用最广泛的零件之一,也是旋转机械易损件之一。滚动轴承在使用过程中总会经历正常、早期微弱故障、严重故障到失效的过程。严重故障阶段意味着滚动轴承的故障已经发展到中晚期,故障特征明显且容易提取;早期微弱故障阶段的特征提取相对来说比较困难,因为早期阶段故障特征微弱,且其他运动部件的信息以及环境干扰也会被引入到轴承系统形成背景噪声,从而使得轴承的早期故障难以监测和诊断。
针对滚动轴承发生故障时所具有的非平稳特征,国内外学者对滚动轴承早期故障特征提取方法进行了大量的研究。目前主要有小波变换、经验模态分解和Hilbert变换等非平稳信号分析方法在滚动轴承故障诊断中有广泛应用。
国内涉及信号稀疏表示的故障诊断的发明专利有“一种基于稀疏分解的风力发电机组故障特征提取方法”(201310471280.X),是基于形态成分分析原理用不同的稀疏表达字典将信号分解为谐波、冲击以及噪声三个成分,其中采用离散余弦变换字典提取谐波成分,采用离散小波变换字典提取冲击成分,使得原本难以发现的故障特征凸显出来。发明专利“一种基于复合Q因子基算法的轴承故障诊断方法”(201210515071.6)是利用复合Q因子的小波变换产生相应的高Q因子基及低Q因子基,将原始信号在复合Q因子基上进行分解,利用相应的Q因子基提取出故障冲击信号成分。目前已有的基于稀疏表示的故障诊断方法,都是基于故障信号在给定的字典变换下系数是稀疏的先验条件,所以诊断结果的准确性很大程度上依赖于字典选择是否合适。若字典选择不合适将直接影响稀疏表示的结果,从而导致故障诊断结果的不准确。
发明内容
本发明基于上述技术问题,提出了一种滚动轴承早期故障特征提取方法,利用滚动轴承故障信号本身具有稀疏性的先验知识,而不需基于故障信号在字典变换下系数的稀疏性,构造了l1范数最小化问题,通过求解该最小化问题获得分析信号中的周期冲击成分。
本发明的技术方案如下:
一种滚动轴承早期故障特征提取方法,包括如下步骤:
步骤(1)采集滚动轴承加速度信号作为待分析信号;
步骤(2)利用待分析信号中的周期冲击成分具有的稀疏性先验知识,建立其l1范数最小化问题并求解得到待分析信号中的周期冲击成分;
步骤(3)对周期冲击成分进行包络解调分析得到故障特征频率。
进一步地,所述步骤(2)建立待分析信号的l1范数最小化问题如下:
其中,x为待分析信号中的周期冲击成;y为待分析信号;H为高通滤波器;λ为正则化参数;W为加权系数。
所述高通滤波器H为零相位非因果二阶巴特沃兹高通滤波器;具体设计如下:
差分方程描述为:
a1y(n+1)+a0y(n)+a1y(n-1)=-x(n+1)+2x(n)-x(n-1)
高通滤波器H如下形式:
H=BA-1
式中,矩阵B为:
矩阵B的大小是(N-2)×N,N是待分析信号x的长度;矩阵A为:
矩阵A的大小为(N-2)×(N-2);差分方程中系数a0和a1需要满足a0-2a1=4;设置在截止频率ωc处滤波器的增益为0.5,由频响函数得到:
将a0和a1带入到A中,得到高通滤波器H。
进一步地,求解所述待分析信号的l1范数最小化问题采用最小化优化算法;具体如下:
步骤(21)设置迭代次数l=0,设置加权系数Wi (l)=1,i=1,...,N;
步骤(22)求解如下优化问题:
将优化问题目标函数等效成光滑凸函数形式,将优化问题转化如下形式:
矩阵Λ是对角矩阵形式:
式中,φ(x)=||x||1;
根据最小化优化更新等式为:
求导获得G(x)得极小值,即可得到:
x(l+1)=A(BTB+AT(WTΛ(l)W)A)-1BTBA-1y
步骤(23)对每个i=1,...,N更新权重系数:
步骤(24)直到收敛或迭代次数l达到最大迭代次数lmax,若不符合终止条件则跳到步骤(22)。
本发明的有益效果:
1)本发明利用滚动轴承故障信号本身具有稀疏性的先验知识,而不需基于故障信号在字典变换下系数的稀疏性,避免了选择字典不合适而导致诊断失误的问题。
2)在优化目标函数中包含了恢复冲击特征的保真项,保真项中的高通滤波器H是一个零相位非因果二阶巴特沃兹滤波器,滤波器中A和B是带状矩阵,这样做的优点在于有效地提高了算法的计算效率。
3)为了使得目标函数中正则化项l1范数项可以无限趋近于l0范数项,在l1范数项中加入加权系数W,有利于提高信号的复原特性。
4)采用最小化优化算法对优化目标函数中l1范数项进行等效转化,使得目标函数转化成光滑凸函数,则可通过直接求导的方式获得稀疏成分x。这种直接对目标函数求导获得故障信号的方式,可以有效的提高计算效率。
5)通过最小化优化方法和滤波算法,将滚动轴承中的混合成分进行分离,可以获得周期性冲击成分、谐波成分和噪声成分。l1范数最小化算法不仅可以实现混合信号的分解,同时实现了降噪过程。
附图说明
图1为本发明的滚动轴承故障微弱故障特征提取的流程图。
图2所示为采集到的滚动轴承外圈早期故障的时域波形。
图3所示式对时域波形进行傅里叶变换获得的频谱图。
图4(a)(b)(c)分别表示周期冲击成分,谐波成分和噪声成分三种信号成分示意图。
图5为对周期冲击信号进行包络解调分析获得的包络解调谱。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
图1为本发明基于l1范数最小化算法的滚动轴承故障微弱故障特征提取的流程图。下面结合流程图对l1范数最小化算法原理进行详细说明。
利用加速度传感器对滚动轴承进行采集,获得振动加速度信号作为待分析信号y,图2所示为采集到的滚动轴承外圈早期故障的时域波形,图3所示是对时域波形进行傅里叶变换获得的频谱图,从图2和图3中均不能得到故障特征。采集到故障轴承的振动信号y中包含机械转频成分f、周期冲击成分x和噪声成分w。其中周期冲击信号主要是由轴承故障产生的,谐波信号主要是机械转频信号,而噪声主要是背景噪声。故障信号表现出周期冲击特征,故其具有稀疏性。同时,假设振动信号中的噪声方差为σ2,信号长度为N,则数据保真度约束为这样就形成如下的约束优化问题:
通过推导不难得到H(y-x)≈y-x-f,其中H为高通滤波器。选择合适的λ,则可将式(1)的约束优化转化为如下形式的无约束优化问题:
式(2)的优化目标函数融合了恢复冲击特征的保真项和利用冲击特征稀疏性先验知识建立的正则化项。其中正则化项中l0范数是非凸的,而且是NP难问题,用l1范数替换式(2)中的l0范数,则可形成一个可解的凸优化问题,即:
在式(2)的惩罚项是l0范数项,其本质特征是对大的系数和小的系数的惩罚是一致的;为了解决l1范数中对系数惩罚的不一致,在l1范数项设置一个权重因子,使得对非零系数的惩罚更趋向于一致。则将式(3)转化为如下形式的优化函数:
(1)为了求解式(1)中稀疏成分必须合理构造一个高通滤波器H,为了避免滤波后信号不必要的失真,构造一个零相位非因果巴特沃兹滤波器,差分方程描述为:
a1y(n+1)+a0y(n)+a1y(n-1)=-x(n+1)+2x(n)-x(n-1)(5)
高通滤波器H可以写成如下形式:
H=BA-1(6)
式中,A和B可以写成带状矩阵形式,带状矩阵是矩阵中大部分元素为零,而非零元素都集中在以主对角线为中心的带状区域中,在计算存储时只保留非零元素,故在运算过程中可以有效地提高算法的计算效率。矩阵B为:
矩阵B的大小是(N-2)×N,N是输入信号x的长度。矩阵A为:
矩阵A的大小为(N-2)×(N-2)。式(4)中系数a0和a1需要满足a0-2a1=4。设置在截止频率ωc处滤波器的增益为0.5,可由频响函数得到:
设置高通滤波的截止频率fc=0.05Hz,则可以得到ωc=2πfc=0.1π,可以求得a0=2.050,a1=-0.975。将a0和a1代入到A中,即可通过式(6)求得高通滤波器H。
(3)由于优化目标函数中包含l1范数项,是非光滑凸函数,无法通过对目标函数求导的方式获得稀疏成分x。故采用最小化优化算法对目标函进行等效处理,算法过程如下:
a.设置迭代次数l=0,设置加权系数Wi (l)=1,i=1,...,N;
b.求解如下优化问题:
采用最小化优化算法将目标函数等效成一系列简单最小问题,简单的最小问题是光滑凸函数形式,将式(4)的优化问题转化如下形式:
矩阵Λ是对角矩阵形式:
式中,φ(x)=||x||1。根据最小化优化更新等式为:
对式(7)求导获得G(x)得极小值,即可得到:
x(l+1)=A(BTB+AT(WTΛ(l)W)A)-1BTBA-1y(10)
c.对每个i=1,...,N更新权重系数:
d.直到收敛或迭代次数l达到最大迭代次数lmax,若不符合终止条件则跳到b。
根据式(10)可以获得周期冲击特征信号则谐波成分为:
式中,LPF为低通滤波器,y为加速度传感器采集到的振动信号,低通滤波器LPF为:
LPF=I-H(12)
式中,I为单位矩阵,将式(12)带入到(11)中,即可获得谐波成分
噪声成分为:
通过求解式(10)、(11)和(13)即可获得周期冲击成分,谐波成分和噪声成分,实现滚动轴承振动信号中多成分分解。三种信号成分分别对应于图4(a)(b)(c)所示。
对周期冲击信号进行包络解调分析,获得图5所示的包络解调谱,从图中即可看到故障特征频率及其倍频。
Claims (4)
1.一种滚动轴承早期故障特征提取方法,其特征在于:包括如下步骤:
步骤(1)采集滚动轴承加速度信号作为待分析信号;
步骤(2)利用待分析信号中的周期冲击成分具有的稀疏性先验知识,建立其l1范数最小化问题并求解得到待分析信号中的周期冲击成分;
步骤(3)对周期冲击成分进行包络解调分析得到故障特征频率。
2.根据权利要求1所述的滚动轴承早期故障特征提取方法,其特征在于:所述步骤(2)建立待分析信号中的周期冲击成分的l1范数最小化问题如下:
其中,x为待分析信号中的周期冲击成;y为待分析信号;H为高通滤波器;λ为正则化参数;W为加权系数。
3.根据权利要求2所述的滚动轴承早期故障特征提取方法,其特征在于:所述高通滤波器H为零相位非因果二阶巴特沃兹高通滤波器;具体设计如下:
差分方程描述为:
a1y(n+1)+a0y(n)+a1y(n-1)=-x(n+1)+2x(n)-x(n-1)
高通滤波器H如下形式:
H=BA-1
式中,矩阵B为:
矩阵B的大小是(N-2)×N,N是待分析信号x的长度;矩阵A为:
矩阵A的大小为(N-2)×(N-2);差分方程中系数a0和a1需要满足a0-2a1=4;设置在截止频率ωc处滤波器的增益为0.5,由频响函数得到:
将a0和a1带入到A中,得到高通滤波器H。
4.根据权利要求2所述的滚动轴承早期故障特征提取方法,其特征在于:求解所述待分析信号的l1范数最小化问题采用最小化优化算法;具体如下:
步骤(21)设置迭代次数l=0,设置加权系数Wi (l)=1,i=1,...,N;
步骤(22)求解如下优化问题:
将优化问题目标函数等效成光滑凸函数形式,将优化问题转化如下形式:
矩阵Λ是对角矩阵形式:
式中,φ(x)=||x||1;
根据最小化优化更新等式为:
求导获得G(x)得极小值,即可得到:
x(l+1)=A(BTB+AT(WTΛ(l)W)A)-1BTBA-1y
步骤(23)对每个i=1,...,N更新权重系数:
步骤(24)直到收敛或迭代次数l达到最大迭代次数lmax,若不符合终止条件则跳到步骤(22)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610113178.6A CN105760843A (zh) | 2016-02-29 | 2016-02-29 | 一种滚动轴承早期故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610113178.6A CN105760843A (zh) | 2016-02-29 | 2016-02-29 | 一种滚动轴承早期故障特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105760843A true CN105760843A (zh) | 2016-07-13 |
Family
ID=56330454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610113178.6A Pending CN105760843A (zh) | 2016-02-29 | 2016-02-29 | 一种滚动轴承早期故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760843A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044619A (zh) * | 2019-01-25 | 2019-07-23 | 西安交通大学 | 一种基于稀疏多周期组套索的多故障特征辨识方法 |
CN110346591A (zh) * | 2018-04-05 | 2019-10-18 | 计算系统有限公司 | 基于振动频谱图确定机器转速 |
CN110399854A (zh) * | 2019-07-31 | 2019-11-01 | 中南大学 | 基于混合特征提取的滚动轴承故障分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182642A (zh) * | 2014-08-28 | 2014-12-03 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
US9092331B1 (en) * | 2005-08-26 | 2015-07-28 | Open Invention Network, Llc | System and method for statistical application-agnostic fault detection |
-
2016
- 2016-02-29 CN CN201610113178.6A patent/CN105760843A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9092331B1 (en) * | 2005-08-26 | 2015-07-28 | Open Invention Network, Llc | System and method for statistical application-agnostic fault detection |
CN104182642A (zh) * | 2014-08-28 | 2014-12-03 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
Non-Patent Citations (3)
Title |
---|
IVANW. SELESNICK 等: "Simultaneous Low-Pass Filtering and Total Variation Denoising", 《 IEEE TRANSACTIONS ON SIGNAL PROCESSING 》 * |
樊薇 等: "基于小波基稀疏信号特征提取的轴承故障诊断", 《振动工程学报》 * |
贺王鹏 等: "冲击特征受控极小化通用稀疏表示及其在机械故障诊断中的应用", 《西安交通大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110346591A (zh) * | 2018-04-05 | 2019-10-18 | 计算系统有限公司 | 基于振动频谱图确定机器转速 |
CN110346591B (zh) * | 2018-04-05 | 2021-10-15 | 计算系统有限公司 | 基于振动频谱图确定机器转速 |
CN110044619A (zh) * | 2019-01-25 | 2019-07-23 | 西安交通大学 | 一种基于稀疏多周期组套索的多故障特征辨识方法 |
CN110399854A (zh) * | 2019-07-31 | 2019-11-01 | 中南大学 | 基于混合特征提取的滚动轴承故障分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
Tang et al. | Sparse representation based latent components analysis for machinery weak fault detection | |
Ma et al. | Early fault diagnosis of bearing based on frequency band extraction and improved tunable Q-factor wavelet transform | |
CN108446629A (zh) | 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法 | |
CN109635334A (zh) | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 | |
CN102539150B (zh) | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 | |
CN108731945B (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 | |
He et al. | Gearbox coupling modulation separation method based on match pursuit and correlation filtering | |
CN103335841A (zh) | 一种采用脉冲小波能量谱分析的滚动轴承故障诊断方法 | |
CN102519725B (zh) | 通过非线性冗余提升小波包处理轴承设备振动信号的方法 | |
CN108776031A (zh) | 一种基于改进的同步挤压变换的旋转机械故障诊断方法 | |
CN103439110A (zh) | 滚动轴承早期微弱故障诊断方法 | |
CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
CN103018043A (zh) | 变转速轴承故障诊断方法 | |
CN109765052B (zh) | 基于goa-asr的行星齿轮箱早期故障诊断方法 | |
CN108021871A (zh) | 一种基于主成分分析的特征频率提取方法 | |
CN110398364A (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
CN104215456A (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 | |
CN105760843A (zh) | 一种滚动轴承早期故障特征提取方法 | |
CN102721537B (zh) | 基于可变空间-尺度框架的机械冲击型故障诊断方法 | |
CN107808114B (zh) | 一种基于信号时频分解的幅值谱峭度图的实现方法 | |
CN106053080A (zh) | 基于能量切片小波变换的滚动轴承故障特征提取方法 | |
CN108647667A (zh) | 一种基于信号时频分解的频域幅值谱峭度图的实现方法 | |
Wang et al. | Sparsity-based fractional spline wavelet denoising via overlapping group shrinkage with non-convex regularization and convex optimization for bearing fault diagnosis | |
CN102663261B (zh) | 一种采用时频切片技术提取旋转机械转子轴心轨迹的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160713 |
|
RJ01 | Rejection of invention patent application after publication |