CN105973602B - 一种电机轴承外圈故障辨识方法 - Google Patents
一种电机轴承外圈故障辨识方法 Download PDFInfo
- Publication number
- CN105973602B CN105973602B CN201610438295.XA CN201610438295A CN105973602B CN 105973602 B CN105973602 B CN 105973602B CN 201610438295 A CN201610438295 A CN 201610438295A CN 105973602 B CN105973602 B CN 105973602B
- Authority
- CN
- China
- Prior art keywords
- outer ring
- frequency
- distance
- obtains
- rolling element
- 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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
本发明涉及一种电机轴承外圈故障辨识方法，其步骤如下：(一)先通过加速度传感器获取轴承各个位置的振动信号，并将振动信号通过滤波器过滤，获得一个序列；(二)对序列进行幅值操作得到Sig(k)；(三)对(二)中的得到的Sig(k)进行傅里叶变化，得到(四)获得外圈、内圈、滚动体和保持架在特征频率处的幅值，依次为Ao、Ai、Ab、Ac；(五)将获得的Ao、Ai、Ab、Ac，组成矩阵X，并从协方差矩阵S后获得均值μ，根据得到的均值μ，分别获得Ao到μ的距离、Ai到μ的距离、Ab到μ的距离、Ac到μ的距离；(六)根据获得的D(Ao)、Ｄ(Ai)、Ｄ(Ab)和Ｄ(Ac)的值，通过D(Ao)与Ｄ(Ai)、Ｄ(Ab)和Ｄ(Ac)的比值是否大于5获得外圈是否处于故障状态。本发明能够利用轴承各特征频率为特征向量，并采用马氏距离法进行辨识，将极大提高外圈运行状态的分类。
Description
技术领域
本发明属于轴承故障诊断领域，具体涉及一种电机轴承外圈故障辨识方法。
背景技术
轴承是旋转机械装备的关键部件之一，其状态直接影响设备的正常运行。通过对振动信号的处理和分析，实现对机械部件的故障诊断，是比较常见的处理方式，流程见图1所示。通过分析振动信号即可发现潜在故障(或故障源)，则基于现有振动信号预测信号未来走势，从而发现潜在故障，也是可行的。
轴承的故障诊断一般分为三个步骤：信号采集、故障提取(信号处理)和故障诊断。其中故障提取是关键步骤。如何有效的提取故障信号一直是轴承故障研究领域的热门。信号处理与频谱分析的目的是要描述信号的频谱含量在时间上变化，以便能在时间和频谱上同时表示信号的能量或者强度。传统的傅立叶变化并没有告诉我们那些频率在什么时候出现，因此该方法无法表现出信号的时变性。
发明内容
为了克服背景技术的缺点与不足之处，本发明提出一种电机轴承外圈故障辨识方法。
本发明的技术方案是：一种电机轴承外圈故障辨识方法，其步骤如下：
(一)先通过加速度传感器获取轴承各个位置的振动信号，并将振动信号通过滤波器过滤，获得一个序列；
(二)对(一)所获的序列进行求幅值操作得到Sig(k)，k＝0，1，…，N-1，N为采样点个数；
(三)对(二)中得到的Sig(k)进行傅里叶变化，得到
(四)获得外圈、内圈、滚动体和保持架在特征频率处的幅值，依次为Ao、Ai、Ab、Ac；
(五)将步骤(四)中获得的Ao、Ai、Ab、Ac，组成矩阵X，并从协方差矩阵S后获得均值μ，然后根据得到的均值μ，分别获得Ao到μ的距离、Ai到μ的距离、Ab到μ的距离、Ac到μ的距离：
(六)根据步骤(五)中获得的D(Ao)、D(Ai)、D(Ab)和D(Ac)的值，通过判断D(Ao)与D(Ai)、D(Ab)和D(Ac)的比值是否大于5获得外圈是否处于故障状态。
首先获得外圈、内圈、滚动体和保持架的特征频率公式，
其中Db为滚动体直径、DC为滚动轴承平均直径(节径)、θ为径向方向接触角、Fs为轴的转频、Fb为滚动体特征频率、Fbpi为内圈特征频率、Fbpo为外圈特征频率、Fc为保持架特征频率、Nb为滚动体个数，
其次，以分别获得轴承的外圈频域特征量Ao、内圈频域特征量Ai、滚动体频域特征量Ab、保持架频域特征量Ac。
所述外圈的频域特征量Ao由以下公式
获得。
所述内圈频域特征量Ai由以下公式
获得。
所述滚动体频域特征量Ab由以下公式
获得。
所述保持架频域特征量Ac由以下公式
获得。
所述(一)中滤波器的带宽为6～12kHz。
本发明能够利用轴承各特征频率为特征向量，并采用马氏距离法进行辨识，将极大提高外圈运行状态的分类。
附图说明
图1为轴承信号处理流程图。
图2为外圈辨识方法流程图。
具体实施方式
下面针对附图对本发明的实施例作进一步说明：
本发明提供一种电机轴承外圈故障辨识方法，其步骤如下：
(一)先通过加速度传感器获取轴承各个位置的振动信号，并将振动信号通过滤波器过滤，获得一个序列，滤波器的带宽为6～12kHz；
(二)对(一)所获的序列进行求幅值，用Sig(k)表示，k＝0，1，…，N-1，N为采样点个数；
(三)对(二)中的得到的Sig(k)进行傅里叶变化，得到
(四)通过(三)的公式获得外圈、内圈、滚动体和保持架在特征频率处的幅值，依次为Ao、Ai、Ab、Ac；
由F(r)获得轴承数据包含轴承四部分相关信息，即各部分相互影响，因此对外圈辨识造成困难，但是马氏距离其排除相互之间的干扰，可以有效进行辨识，即采用如下步骤：
(五)将步骤(四)中获得的Ao、Ai、Ab、Ac，组成矩阵X，记其协方差矩阵为S，均值为μ，分别获得Ao到μ的距离、Ai到μ的距离、Ab到μ的距离、Ac到μ的距离：
(六)根据步骤(五)中获得的D(Ao)、D(Ai)、D(Ab)和D(Ac)的值，通过D(Ao)与D(Ai)、D(Ab)和D(Ac)的比值获得外圈是否处于故障状态。
步骤(四)中，通过图1和图2的流程，首先获得外圈、内圈、滚动体和保持架的特征频率公式，
其中Db为滚动体直径；DC为滚动轴承平均直径(节径)；θ为径向方向接触角；Fs为轴的转频。Fb为滚动体特征频率；Fbpi为内圈特征频率；Fbpo为外圈特征频率；Fc为保持架特征频率；Nb为滚动体个数，
其次，以带入(三)的公式分别获得轴承的外圈频域特征量Ao、内圈频域特征量Ai、滚动体频域特征量Ab、保持架频域特征量Ac。
所述外圈的频域特征量Ao由以下公式
获得。
所述内圈频域特征量Ai由以下公式
获得。
所述滚动体频域特征量Ab由以下公式
获得。
所述保持架频域特征量Ac由以下公式
获得。
若矩阵X包含四部分信息且外圈为故障时，则D(Ao)值远大于D(Ai)、D(Ab)、D(Ac)，约5倍以上。从而实现外圈运行状态辨识。
以实验室情况下并假设外圈处于故障状态进行采集振动数据，当电机转频为10Hz，20Hz，30Hz时，其距离值为：
| 距离 | D(Ao) | D(Ai) | D(Ab) | D(Ac) |
| 17.944 | 3.588 | 2.699 | 4.322 |
表1转频为10Hz，
| 距离 | D(Ao) | D(Ai) | D(Ab) | D(Ac) |
| 40.246 | 6.421 | 6.851 | 7.111 |
表2转频为20Hz，
| 距离 | D(Ao) | D(Ai) | D(Ab) | D(Ac) |
| 79.8 | 8.663 | 7.842 | 7.641 |
表3转频为30Hz。
从表1、表2、表3显示利用轴承各特征频率为特征向量，并采用马氏距离法进行辨识，将极大提高外圈运行状态的分类。
实施例不应视为对发明的限制，但任何基于本发明的精神所作的改进，都应在本发明的保护范围之内。
Claims (7)
1.一种电机轴承外圈故障辨识方法，其特征在于：其步骤如下：
(一)先通过加速度传感器获取轴承各个位置的振动信号，并将振动信号通过滤波器过滤，获得一个序列；
(二)对(一)所获的序列进行求幅值操作得到Sig(k)，k＝0，1，…，N-1，N为采样点个数；
(三)对(二)中得到的Sig(k)进行傅里叶变化，得到
(四)获得外圈、内圈、滚动体和保持架在特征频率处的幅值，依次为Ao、Ai、Ab、Ac；
(五)将步骤(四)中获得的Ao、Ai、Ab、Ac，组成矩阵X，并从协方差矩阵S后获得均值μ，然后根据得到的均值μ，分别获得Ao到μ的距离、Ai到μ的距离、Ab到μ的距离、Ac到μ的距离：
(六)根据步骤(五)中获得的D(Ao)、D(Ai)、D(Ab)和D(Ac)的值，通过判断D(Ao)与D(Ai)、D(Ab)和D(Ac)的比值是否大于5获得外圈是否处于故障状态。
2.根据权利要求1所述的一种电机轴承外圈故障辨识方法，其特征在于：步骤(四)中，首先获得外圈、内圈、滚动体和保持架的特征频率公式，
其中Db为滚动体直径、Dc为滚动轴承平均直径(节径)、θ为径向方向接触角、Fs为轴的转频、Fb为滚动体特征频率、Fbpi为内圈特征频率、Fbpo为外圈特征频率、Fc为保持架特征频率、Nb为滚动体个数，
其次，以分别获得轴承的外圈频域特征量Ao、内圈频域特征量Ai、滚动体频域特征量Ab、保持架频域特征量Ac。
3.根据权利要求2所述的一种电机轴承外圈故障辨识方法，其特征在于：所述外圈的频域特征量Ao由以下公式
获得。
4.根据权利要求2所述的一种电机轴承外圈故障辨识方法，其特征在于：所述内圈频域特征量Ai由以下公式
获得。
5.根据权利要求2所述的一种电机轴承外圈故障辨识方法，其特征在于：所述滚动体频域特征量Ab由以下公式
获得。
6.根据权利要求2所述的一种电机轴承外圈故障辨识方法，其特征在于：所述保持架频域特征量Ac由以下公式
获得。
7.根据权利要求1所述的一种电机轴承外圈故障辨识方法，其特征在于：所述(一)中滤波器的带宽为6～12kHz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610438295.XA CN105973602B (zh) | 2016-06-16 | 2016-06-16 | 一种电机轴承外圈故障辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610438295.XA CN105973602B (zh) | 2016-06-16 | 2016-06-16 | 一种电机轴承外圈故障辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105973602A CN105973602A (zh) | 2016-09-28 |
| CN105973602B true CN105973602B (zh) | 2018-07-17 |
Family
ID=57021758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610438295.XA Active CN105973602B (zh) | 2016-06-16 | 2016-06-16 | 一种电机轴承外圈故障辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105973602B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11334414B2 (en) * | 2019-03-04 | 2022-05-17 | Mitsubishi Heavy Industries, Ltd. | Abnormality detecting apparatus, rotating machine, abnormality detection method, and non- transitory computer readable medium |
| CN110057584B (zh) * | 2019-04-01 | 2020-04-28 | 西安交通大学 | 一种机车牵引电机轴承退化监测方法 |
| CN113048220B (zh) * | 2021-03-12 | 2022-11-08 | 中煤科工集团重庆研究院有限公司 | 一种矿用提升机齿轮箱隐患识别方法及监测装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102829967A (zh) * | 2012-08-27 | 2012-12-19 | 中国舰船研究设计中心 | 一种基于回归模型系数变化的时域故障识别方法 |
| CN102944435A (zh) * | 2012-10-25 | 2013-02-27 | 北京航空航天大学 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
| CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
| CN104634570A (zh) * | 2015-01-21 | 2015-05-20 | 山西潞安环保能源开发股份有限公司 | 基于振动检测的便携式轴承故障诊断装置及诊断方法 |
| CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
-
2016
- 2016-06-16 CN CN201610438295.XA patent/CN105973602B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102829967A (zh) * | 2012-08-27 | 2012-12-19 | 中国舰船研究设计中心 | 一种基于回归模型系数变化的时域故障识别方法 |
| CN102944435A (zh) * | 2012-10-25 | 2013-02-27 | 北京航空航天大学 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
| CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
| CN104634570A (zh) * | 2015-01-21 | 2015-05-20 | 山西潞安环保能源开发股份有限公司 | 基于振动检测的便携式轴承故障诊断装置及诊断方法 |
| CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于时间序列标度分析的旋转机械故障诊断方法研究;林近山;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20141215;第92页第1段-第93页第1段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105973602A (zh) | 2016-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110160791B (zh) | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 | |
| Li et al. | Multi-dimensional variational mode decomposition for bearing-crack detection in wind turbines with large driving-speed variations | |
| CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
| Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
| CN105973602B (zh) | 一种电机轴承外圈故障辨识方法 | |
| CN106198008B (zh) | 一种电机轴承外圈故障辨识方法 | |
| CN110017991B (zh) | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 | |
| Guo et al. | Envelope extraction based dimension reduction for independent component analysis in fault diagnosis of rolling element bearing | |
| CN104634571A (zh) | 一种基于lcd-mf的滚动轴承故障诊断方法 | |
| CN108982107B (zh) | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 | |
| CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
| 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 | |
| CN108444704B (zh) | 一种滚动轴承早期故障诊断方法 | |
| CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
| CN109708907B (zh) | 一种基于包络信息的设备故障特征提取方法 | |
| Ji et al. | Parallel sparse filtering for intelligent fault diagnosis using acoustic signal processing | |
| CN102156873B (zh) | 一种基于混沌的机械零部件早期单点故障检测与分类方法 | |
| CN110243603A (zh) | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 | |
| CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
| CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
| CN108195584B (zh) | 一种基于准确度谱图的滚动轴承故障诊断方法 | |
| CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
| CN108509701A (zh) | 一种基于振动信号的旋转机械故障直接智能诊断方法 | |
| CN104102726A (zh) | 基于层次聚类的改进k均值聚类算法 | |
| Yuan et al. | Bearing fault diagnosis using a speed-adaptive network based on vibro-speed data fusion and majority voting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180608 Address after: 325000 Zhejiang Wenzhou marine science and Technology Pioneer Park C1 Applicant after: Institute of laser and opto electronics intelligent manufacturing, Wenzhou University Address before: 325000 Wenzhou City National University Science Park incubator, No. 38 Dongfang South Road, Ouhai District, Wenzhou, Zhejiang Applicant before: Wenzhou University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |