CN106404394A - 一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法 - Google Patents

Abstract

本发明公开了一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法，Lempel‑Ziv复杂度是一种判断信号周期成分多少的指标，通过对不同程度与不同位置故障的轴承振动信号进Lempel‑Ziv复杂度指标化处理，发现故障程度与Lempel‑Ziv复杂度指标值成一定比例关系，同时滚动轴承内、外圈故障位置的不同，Lempel‑Ziv复杂度分辨呈现递增与递减的不同趋势规律，由此可以实现轴承故障的定量趋势诊断。为了提取实测振动信号故障特征，引入Protrugram算法并将其与Lempel‑Ziv复杂度指标相结合。通过实验数据处理，验证了基于Protrugram与Lempel‑Ziv的滚动轴承定量诊断方法在轴承定量趋势诊断中的有效性。

Description

一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法

技术领域

本发明属于故障诊断技术领域，涉及一种轴承内外圈故障定量趋势诊断方法，特别涉及一种基于Protrugram与Lempel-Ziv的定量趋势诊断方法。

背景技术

随着科技的进步和工业的发展，流程工业机械设备日益向大型化、高速化、系统化及自动化方向发展，这对设备运行状态的稳定性要求也越来越高。而为了满足生产要求，关键设备结构的功能越来越复杂，再加上工作环境恶劣多变，在长期运行过程中会逐渐老化，发生故障的潜在可能性也相应增加，一旦设备的关键部件发生故障，就可能破坏整台设备的稳定运行，甚至造成巨大的经济损失，导致灾难性的人员伤亡。齿轮箱作为工业传动系统的重要组成部分，其作用十分关键。滚动轴承作为齿轮箱内部最主要的零件，内部结构复杂且常在高速、重载条件下运行，故障发生率较高。因此对滚动轴承进行状态监测和故障诊断对确保生产安全，预防重大事故有着重要意义。

轴承是大型机械设备中的重要组成部分，其健康状况直接关系到整个设备的正常运转，对其运行状态进行监测与诊断具有重要意义。而传统的故障监测与诊断方法往往是针对轴承故障的有无进行定性的分析，随着设备逐渐向更加精密化复杂化的方向发展，对轴承故障进行精确的定量分析才能精确的揭示设备的运行状态并预测设备的发展规律和剩余寿命，从而知道设备的检测与维修。

发明内容

该方法首先对不同故障程度信号进行FFT变换，然后确定中心频率和带宽并选择出最佳分析频带，计算该频带的Lempel-Ziv值，最后绘制出Lempel-Ziv复杂度值与故障大小关系图。方法的流程如下：

(1)FFT变换。对同一类型不同故障大小的轴承故障原始信号进行FFT变换。

(2)初始化。确定带宽BW，确定中心频率CF的取值范围[BW/2，fs/2-BW/2])，确定步长Step。

(3)计算窄带包络谱。对频谱图的[BW-CFk，BW+CFk]段进行IFFT变换，并计算所得到信号的包络谱。

(4)计算峭度值。计算第三步中窄带包络谱的峭度值Kurtosis。

(5)绘制关系图。以CFk为横坐标、Kurtosisk为纵坐标绘制二者的关系图。

(6)选择最佳分析频带。选择峭度值最大的频带，返回对应的中心频率值CFo，得到最佳分析频带。

(7)计算Lempel-Ziv复杂度指标。

(8)绘制Lempel-Ziv复杂度值与故障大小关系图，进行故障定量趋势诊断。

本发明专利针对现场实测故障振动信号，在对故障轴承的振动序列使用复杂度算法进行分析之前，需要分解并提取被分析序列中最有效的部分使用复杂度算法进行计算，对信号的分解和信号有效部分的提取直接关系着诊断结果的好坏。采用Protrugram算法进行前期信号的分解和信号有效部分的提取。对信号使用Protrugram算法处理后，进行Lempel-Ziv复杂度指标化处理。Lempel-Ziv基本思想是：序列的复杂度越大，序列中的周期成分越少，序列越无规律，趋近于随机状态，序列包含的频率成分越丰富，说明系统的复杂性也越大；序列的复杂度越小，序列中周期成分越明显，越趋于周期状态，序列包含的频率成分较少，说明系统的复杂性越低。

附图说明

图1是基于Protrugram与Lempel-Ziv的定量趋势诊断方法图。

图2是实测轴承内圈故障实验信号。

图3是实测轴承外圈故障实验信号。

图4是轴承内圈Lempel-Ziv复杂度变化趋势。

图5是轴承外圈Lempel-Ziv复杂度变化趋势。

图6是本方法的实施流程图。

具体实施方式

以下结合说明书附图和具体实施方式对本发明作进一步说明

图1为本发明的Protrugram算法的流程图。下面结合流程图对故障定量诊断方法原理进行详细的说明。

Protrugram是一种基于调制信号包络谱幅值的峭度的最优频带选择的方法，该方法旨在选择出最优中心频率和带宽。

(1)首先对测得的时间信号进行FFT，得到其频谱；

(2)其次，选择带宽(带宽为故障特征频率的3倍)与迭代步长(一般为1Hz、100Hz或1000Hz)；

(3)随后在每次迭代过程中在频谱(实部部分)上选择区间[中心频率-带宽/2，中心频率-带宽/2]；

(4)对其进行希尔伯特包络得到其包络谱，并计算其峭度值，绘制中心频率与峭度的关系图；

(5)选择峭度最大的窄带信号进行后续分析。

图2是实测轴承内圈故障实验信号，用于验证算法的正确性；

图3是实测轴承外圈故障实验信号；

图4是轴承内圈Lempel-Ziv复杂度变化趋势，对于内圈故障随着故障尺寸的增大Lempel-Ziv复杂度指标值变小；

对于已经经过Protrugram处理的内圈故障信号进行Lempel-Ziv指标化处理。对于信号S(i)(i＝1,2,…,N)，首先将其转化为二进制序列，令a＝mean(S(i))，若S(i)≥a,则s(i)＝1，否则s(i)＝0。这样就将信号S(i)转化为了二进制序列SN＝{s1，s2，s3，…，sN}，序列SN的Lempel-Ziv复杂度值按下列CN(r)(r≤N)的N次循环计算得到：

初始化Sv,0＝{}，Q0＝{}，CN(0)＝0。r＝1，令Qr＝{Qr-1Sr}，由于Qr不属于Sv,r-1，则CN(r)＝CN(r-1)+1，Qr＝{}，r＝r+1；

令Qr＝{Qr-1Sr}，判断Qr是否属于Sv,r-1＝{Sv,r-2sr-1}，若是，则CN(r)＝CN(r-1)，r＝r+1，重复步骤(2)；

若否，则CN(r)＝CN(r-1)+1，Qr＝{}，r＝r+1，重复步骤(2)。

由此，随着SN的长度N值的增大复杂度的值会增大或者不变，这样复杂度会受到SN的长度N的影响，为了使Lempel-Ziv复杂度指标相对独立，Lempel和Ziv提出了归一化公式：

式中：k是SN中元素的个数(对于二进制序列SN，k＝2)；是Lempel-Ziv归一化指标。公式成立的条件是N足够大，N的经验取值为：N≥3600。

图5是轴承外圈Lempel-Ziv复杂度变化趋势，对于外圈故障随着故障尺寸的增大Lempel-Ziv复杂度指标值变大。

图6是本方法的实施流程图。

Claims (4)

1.一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法，包括以下步骤：

(1)FFT变换；对同一类型不同故障大小的轴承故障原始信号进行FFT变换；

(2)初始化；确定带宽BW，确定中心频率CF的取值范围[BW/2，fs/2-BW/2])，确定步长Step；

(3)计算窄带包络谱；对频谱图的[BW-CFk，BW+CFk]段进行IFFT变换，并计算所得到信号的包络谱；

(4)计算峭度值；计算第三步中窄带包络谱的峭度值Kurtosis；

(5)绘制关系图；以CFk为横坐标、Kurtosisk为纵坐标绘制二者的关系图；

(6)选择最佳分析频带；选择峭度值最大的频带，返回对应的中心频率值CFo，得到最佳分析频带；

(7)计算Lempel-Ziv复杂度指标；

(8)绘制Lempel-Ziv复杂度值与故障大小关系图，进行故障定量趋势诊断。

2.根据权利要求1所述的一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法，其特征在于：选择最佳分析频带中，选取选择峭度值最大的频带，为最佳分析频带。

3.根据权利要求1所述的一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法，其特征在于：Protrugram是一种基于调制信号包络谱幅值的峭度的最优频带选择的方法，该方法旨在选择出最优中心频率和带宽；

(1)首先对测得的时间信号进行FFT，得到其频谱；

(2)其次，选择带宽与迭代步长，带宽为故障特征频率的3倍；

(3)随后在每次迭代过程中在频谱上选择区间[中心频率-带宽/2，中心频率-带宽/2]；

(4)对其进行希尔伯特包络得到其包络谱，并计算其峭度值，绘制中心频率与峭度的关系图；

(5)选择峭度最大的窄带信号进行后续分析。

4.根据权利要求1所述的一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法，其特征在于：对于已经经过Protrugram处理的内圈故障信号进行Lempel-Ziv指标化处理；对于信号S(i)(i＝1,2,…,N)，首先将其转化为二进制序列，令a＝mean(S(i))，若S(i)≥a,则s(i)＝1，否则s(i)＝0；这样就将信号S(i)转化为了二进制序列SN＝{s1，s2，s3，…，sN}，序列SN的Lempel-Ziv复杂度值按下列CN(r)(r≤N)的N次循环计算得到：

初始化Sv,0＝{}，Q0＝{}，CN(0)＝0；r＝1，令Qr＝{Qr-1Sr}，由于Qr不属于Sv,r-1，则CN(r)＝CN(r-1)+1，Qr＝{}，r＝r+1；

令Qr＝{Qr-1Sr}，判断Qr是否属于Sv,r-1＝{Sv,r-2sr-1}，若是，则CN(r)＝CN(r-1)，r＝r+1，重复步骤(2)；

若否，则CN(r)＝CN(r-1)+1，Qr＝{}，r＝r+1，重复步骤(2)；

由此，随着SN的长度N值的增大复杂度的值会增大或者不变，这样复杂度会受到SN的长度N的影响，为了使Lempel-Ziv复杂度指标相对独立，Lempel和Ziv提出了归一化公式：

$0\≤C_{nN}=\frac{C_{N\left(N\right)}}{\underset{N\→\mathrm{\∞}}{\lim }{C}_{N\left(N\right)}}=\frac{C_{N\left(N\right)}}{\underset{N\→\mathrm{\∞}}{\lim }\frac{N}{(1-\mathrm{\β}){\log }_{k}N}}\≈\frac{C_{N\left(N\right){\log }_{k}N}}{N}$

式中：k是SN中元素的个数(对于二进制序列SN，k＝2)；C_nN是Lempel-Ziv归一化指标；N的经验取值为：N≥3600。