CN106596105A - 一种轴承故障诊断方法、装置及系统 - Google Patents
一种轴承故障诊断方法、装置及系统 Download PDFInfo
- Publication number
- CN106596105A CN106596105A CN201611206576.9A CN201611206576A CN106596105A CN 106596105 A CN106596105 A CN 106596105A CN 201611206576 A CN201611206576 A CN 201611206576A CN 106596105 A CN106596105 A CN 106596105A
- Authority
- CN
- China
- Prior art keywords
- signal
- bearing
- fault
- characteristic information
- value
- 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
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种轴承故障诊断方法,通过在对轴承的振动信号利用局部均值分解方法进行分解之前预先进行处理,即采用中值滤波方法滤除振动信号中的背景噪声,然后再从预处理的信号中提取故障特征信息,根据故障特征信息对轴承进行故障诊断。本申请技术方案采用中值滤波法滤出了原始信号中的背景噪声,有效的提高了故障特征信息提取的准确度,有利于提高轴承故障检测的准确度,有利于整体的设备正常健康运行。此外,本发明实施例还针对轴承故障诊断方法提供了相应的实现装置与系统,进一步使得所述方法更具有实用性,所述装置与系统具有相应的优点。
Description
技术领域
本发明涉及机械故障诊断领域,特别是涉及一种轴承故障诊断方法、装置以及系统。
背景技术
随着机械制造业的发展,轴承作为机械设备中的关键部件,也得到了较大的发展。轴承是当代机械设备中一种举足轻重的零部件,它的主要功能是支撑机械旋转体,在机械转动过程中起固定和减小载荷摩擦系数的部件。也可以说,当其它机件在轴上彼此产生相对运动时,用来降低动力传递过程中的摩擦系数和保持轴中心位置固定的机件。
在机械产品中,轴承属于高精度产品,作为各类机械装备的重要基础零部件,它的精度、性能、寿命和可靠性对主机的精度、性能、寿命和可靠性起着决定性的作用,当轴承发生故障时可能会影响整个设备的运行,甚至导致整个设备瘫痪。因此,对轴承工作状态的监控对于设备的正常运行是至关重要的。
在轴承发生故障时会产生非平稳信号,可从这些非平稳信号中提取故障特征信号来实现对轴承工作状态的监控,通过对故障特征信号的分析与判断来检测轴承是否发生故障。
现有技术中可通过小波分析、经验模态分解、LMD(Local Mean Decomposition,局部均值分解)来分析非平稳信号进而提取故障特征信息。但是,由于小波变换存在小波基的选取复杂以及小波变换后数据冗余等问题、经验模态分解也存在端点效应以及模态混叠问题,而LMD可有效的避免上述两种处理方法的弊端且由于迭代终止条件的不同迭代次数更少,故LMD广泛用于从故障信号中提取故障的特征信息。
LMD是一种新的自适应的时频分析方法,该方法自适应的将一个复杂的多分量信号分解为多个瞬时频率具有物理意义的乘积函数,非常适合非平稳非线性信号的处理与分析。但是,该方法在提取的故障特征信息时可能会提取到不符合预设条件的故障特征信息,从而导致LMD算法不收敛,进而无法对轴承的工作状态做出正确的判断。
发明内容
本发明实施例的目的是提供一种轴承故障诊断方法、装置及系统,有效提高了故障特征信息提取的准确度,有利于提高轴承故障检测的准确度,有利于整体的设备正常健康运行。
为解决上述技术问题,本发明实施例提供了一种轴承故障诊断方法,包括:
获取采集设备采集的轴承振动信号;
采用中值滤波方法对所述轴承振动信号进行预处理,以滤除所述轴承振动信号中的背景噪声;
采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;
利用所述PF有效分量与所述残余分量进行信号重构,生成重构信号,从所述重构信号中提取故障特征信息;
根据所述故障特征信息对轴承进行故障诊断。
可选地,所述采用中值滤波方法对所述轴承振动信号进行预处理包括:
从所述轴承振动信号中连续采样N个值;
将N个值按照数值大小进行排序,丢弃最大值以及最小值,取中间的值作为中值;
用所述中值作为采样值进行采样;
其中,N不小于3。
可选地,所述采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量包括:
采用所述局部均值分解方法对所述预处理后的信号进行分解计算,得到PF分量;
根据所述PF分量与所述预处理后的信号计算得到所述残余分量;
根据相关系数法从所述PF分量中选取PF有效分量。
可选地,所述采用所述局部均值分解方法对所述预处理后的信号进行分解计算,得到PF分量包括:
计算所述预处理后的信号的局部平均值以及局部包络值;
采用滑动平均法对所述局部平均值以及所述局部包络值进行处理,以获得局部均值函数与局部包络函数;
根据所述局部均值函数以及所述局部包络函数对所述预处理后的信号进行计算,以获得调频函数以及包络信号函数;
根据所述调频函数以及所述包络信号函数得到所述PF分量。
可选地,所述从所述重构信号中提取故障特征信息为:
对所述重构信号进行频谱分析以提取所述故障特征信息。
可选地,所述根据相关系数法从所述PF分量中选取PF有效分量包括:
将每一个所述PF分量与所述预处理后的信号进行相关系数运算,得到相关系数组;
从所述相关系数组中确定不小于预设阈值的相关系数;
将所述相关系数对应的PF分量作为所述PF有效分量。
可选地,在所述根据所述故障特征信息对轴承进行故障诊断之后还包括:
发送根据诊断结果进行显示的指令;和/或发送根据所述诊断结果进行语音提示的指令;和/或
发送根据所述诊断结果对故障指示灯进行控制的指令。
可选地,在所述根据所述故障特征信息对轴承进行故障诊断之后还包括:
当所述轴承发生故障时,发送进行报警的指令。
本发明还提供了一种轴承故障诊断装置,包括:
获取信号模块,用于获取采集设备采集的轴承振动信号;
信号预处理模块,用于采用中值滤波方法对所述轴承振动信号进行预处理,以滤除所述振动信号中的背景噪声;
提取特征信息模块,用于采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;利用所述PF有效分量与所述残余分量进行信号重构,生成重构信号,从所述重构信号中提取故障特征信息;
故障诊断模块,用于根据所述故障特征信息对轴承进行故障诊断。
本发明还提供了一种轴承故障诊断系统,包括深沟球轴承、加速度传感器、数据采集卡、中值滤波器以及处理器;
其中,所述加速度传感器分别与所述数据采集卡以及所述深沟球轴承相连,用于获取所述深沟球轴承的振动信号,并由数据采集卡进行采集;
所述中值滤波器与所述加速度传感器相连,用于对所述振动信号进行预处理,以滤除所述振动信号中的背景噪声;
所述处理器与所述中值滤波器进行相连,用于接收所述中值滤波器发送的预处理后的信号;采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;利用所述PF有效分量与所述残余分量进行信号重构,生成重构信号,从所述重构信号中提取故障特征信息;根据所述故障特征信息对轴承进行故障诊断。
本发明实施例提供了一种轴承故障诊断方法,通过在对轴承的振动信号利用局部均值分解方法提取故障特征信息之前进行预处理,即采用中值滤波方法滤除振动信号中的背景噪声,然后再从预处理的信号中提取故障特征信息,根据故障特征信息对轴承进行故障诊断。
本发明的优点在于采用中值滤波法滤出了轴承振动信号中的背景噪声,用于对原始信号进行预处理,使的在利用局部均值分解方法提取故障特征信息时避免了噪声的干扰,获得准确度高的故障特征信息,有效了提高了故障特征信息提取的准确度,从而有利于提高轴承故障检测的准确度,进而有利于整体的设备正常健康运行。越早检测轴承的故障信息,就可越早的进行修复,从而避免轴承的故障影响整体设备的运行,一定程度上,可提升设备的品质质量,减少客户的使用成本。
此外,本发明实施例还针对轴承故障诊断方法提供了相应的实现装置与系统,进一步使得所述方法更具有实用性,所述装置与系统具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一个示例性应用场景的框架示意图;
图2为图1示例性例子的重构信号时域图;
图3为图2示例性例子的重构信号频谱图;
图4为本发明实施例提供的一种轴承故障诊断方法的流程示意图;
图5为本发明实施例提供的另一种轴承故障诊断方法的流程示意图;
图6为本发明实施例提供的一种轴承故障诊断装置的结构图;
图7为本发明实施例提供的一种轴承故障诊断系统的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
本申请的发明人经过研究发现,现有技术通过LMD对故障信息进行特征提取时,可能会提取到不符合预设条件的故障特征信息,从而导致LMD算法不收敛,进而无法对轴承的工作状态做出正确的判断。鉴于此,本申请通过对原始信息进行预处理,即利用中值滤波将原始信号中的背景噪声进行滤出,从而在利用局部均值分解方法提取故障特征信息时避免了噪声的干扰,获得准确度高的故障特征信息,有效了提高了故障特征信息提取的准确度,从而有利于提高轴承故障检测的准确度,进而有利于整体的设备正常健康运行。
基于上述本发明实施例的技术方案,下面首先结合图1对本发明实施例的技术方案涉及的一些可能的应用场景进行举例介绍,图1为本发明实施例提供的一个示例性的例子,该示例性例子利用转速为1797r/min、采样率为12kps、外圈故障频率为107.82Hz的滚动轴承外圈故障信号作为原始信号。
如图1所示,1为轴承、2为联轴器、3为电动机、4为基台。将加速度传感器安装在轴承1的振动测点处,经数据采集卡获取原始信号。对原始信号进行中值滤波处理,经过处理的信号的时域图如图2所示,对处理过的信号进行LMD分解,然后利用PF有效分量与残余分量对信号进行重构,对重构信号进行故障特征信息提取,根据提取的特征信息进行频谱分析,特征信息的频谱图如图3所示。
由图3可见,频谱中107.7Hz处幅值最大与轴承外圈故障理特征频率计算值107.82非常接近,说明外圈故障引起了异常振动,538.2Hz处也出现峰值,对应外圈故障5倍频。由此判断发生了外圈故障,与已知原始信号的故障特征符合。
可见,采用本申请的技术方案可以有效的提取故障特征信息,从而准确判断轴承工作状态,有利于提高检测轴承故障的准确度。
需要注意的是,上述应用场景仅是为了便于理解本申请的思想和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图4,图4为本发明实施例提供的轴承故障诊断方法的流程示意图,本发明实施例可包括以下内容:
S401:获取采集设备采集的轴承振动信号。
可采用加速度传感器作为信号采集装备,可通过将其安装在待测轴承的振动点处,对轴承振动信号进行识别,然后将识别并采集的信号转化为电信号,将该电信号发送到数据采集卡可进行采集。当然,也可采用其他传感器去识别并采集轴承产生的信号,本发明实施例对此并不做任何限定。
优选的,数据采集卡可采用A/D采集卡,当然,也可采用其他型号的采集卡。
轴承可为滑动轴承,也可为滚动轴承,例如深沟球轴承或调心球轴承,也可为关节轴承,当然也可为其他任何一种轴承,这均不影响本发明实施例的实现。
S402:采用中值滤波方法对所述振动信号进行预处理,以滤除所述振动信号中的背景噪声。
中值滤波方法是基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术,中值滤波是在“最小绝对误差”准则下的最优滤波。中值滤波的特点为首先确定一个以某个像素为中心点的邻域,一般为方形邻域,也可以为圆形、十字形等等,然后将邻域中各像素的灰度值排序,取其中间值作为中心像素灰度的新值,在这里邻域被称为窗口,当窗口移动时,利用中值滤波可以对图像进行平滑处理。中值滤波对脉冲噪声有良好的滤除作用,特别是在滤除噪声的同时,能够保护信号的边缘,使之不被模糊。这些优良特性是线性滤波方法所不具有的。此外,中值滤波的算法比较简单,也易于用硬件实现。中值滤波对孤立的噪声像素即椒盐噪声、脉冲噪声具有良好的滤波效果。由于其并不是简单的取均值,所以,它产生的模糊也就相对比较少。
采用中值滤波方法对振动信号进行预处理可包括:
从振动信号中连续采样N个值;
将所述N个值按照数值大小进行排序,丢弃最大值以及最小值,取中间的值作为中值;
用所述中值代替所述N个值作为采样值;
其中,N不小于3。
举例来说,当采样值为1,10,11时,排序为1,10,11,丢弃最大值11,最小值1,则10作为中值代替1和11。
在对信号进行中值滤波时,可把信号序列分为若干个小单元,对于每一个小单元采样N次,在不考虑处理数据的数量时,数据采集越大,结果越准确中,故N应至少取不小于3个值。
需要说明的是,当N为偶数时,N个值按照数值大小进行排序,处于中间位置的值有两个,优选的,可对中间的两个值求平均值,将平均值作为中值。但是,也可随机挑选一个值作为中值。
举例来说,对于图像信号进行中值滤波可为:
将滤波模板(含有若干个点的滑动窗口)在图像中漫游,并将模板中心与图中某个像素位置重合;读取模板中各对应像素的灰度值;将这些灰度值从小到大排列;取这一列数据的中间数据,将其赋给对应模板中心位置的像素。如果窗口中有奇数个元素,中值取元素按灰度值大小排序后的中间元素灰度值。如果窗口中有偶数个元素,中值取元素按灰度值大小排序后,中间两个元素灰度的平均值。
对一个数字信号序列xj(-∞<j<∞)进行滤波处理时,首先要定义一个长度为奇数的L长窗口,L=2N+1,N为正整数。设在某一个时刻,窗口内的信号样本为x(i-N),…,x(i),…,x(i+N),其中x(i)为位于窗口中心的信号样本值。对这L个信号样本值按从小到大的顺序排列后,其中值,在i处的样值,便定义为中值滤波的输出值。
S403:采用局部均值分解方法从预处理后的信号中提取故障特征信息。
S404:利用所述PF有效分量与所述残余分量进行重构信号,从所述重构信号中提取故障特征信息。
LMD自适应地将一个复杂的非平稳的多分量信号分解为若干个瞬时频率具有物理意义的乘积函数(Product function,简称PF)之和,其中每一个PF分量由一个包络信号和一个纯调频信号直接求出。包络信号就是该PF分量的瞬时幅值,而PF分量的瞬时频率则可以由纯调频信号直接求出,进一步将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号的完整的时频分布。
具体方法可包括:
1.采用局部均值分解方法对预处理后的信号进行分解计算,得到PF分量,具体过程可包括:
计算预处理后的信号的局部平均值以及局部包络值;
采用滑动平均法对所述局部平均值以及所述局部包络值进行处理,以获得局部均值函数与局部包络函数;
根据局部均值函数以及局部包络函数对预处理后的信号进行计算,以获得调频函数以及包络函数;
根据所述调频函数以及所述包络函数得到PF分量。
2.根据PF分量与预处理后的信号计算得到残余分量。
3.根据相关系数法从PF分量中选取PF有效分量,具体过程可包括:
将每一个PF分量与所述预处理后的信号进行相关系数运算,得到相关系数组;
从相关系数组中确定不小于预设阈值的相关系数;
将上述的相关系数对应的PF分量作为PF有效分量。
4.根据所述PF有效分量与所述残余分量对预处理后的信号进行重构,得到重构信号。
5.对重构信号进行频谱分析以提取故障特征信息。
在一种具体的实施方式中,预设阈值可为最大相关系数十分之一,当然,也可选取其他阈值。
对于经过预处理后的原始信号p(t)利用LMD进行提取故障特征信息可为:
找出原始信号中所有的局部极值点ni,求出所有相邻的局部极值点的平均值:
将所有相邻的平均值点mi用直线连接起来,然后用滑动平均法进行平滑处理,得到局部均值函数
求出局部包络值:
将所有相邻两个包络值bi用直线连接,然后采用滑动平均方法进行平滑处理,得到局部包络函数
将局部均值函数从原始信号p(t)中分离出来,得到:
利用局部包络函数对hi,k(t)进行解调,以得到调频函数si,k(t),
对si,k(t)重复上述步骤得到包络信号函数当不为1时,说明si,k(t)不是纯调频信号,需要重复上述迭代过程n次,直至si,k(t)为纯调频信号,也即si,n(t)的局部包络函数在实际应用中,可设定一个变动量△,当满足迭代终止。
把迭代过程中产生的所有局部包络函数相乘便可以得到包络信号函数(瞬时幅值函数):
将包络信号函数和调频函数相乘便可得到原始信号的第一个PF分量PF1(t):
它包含了原始信号中最高频率成分,是一个单分量的调幅-调频信号,其瞬时幅值就是包络信号函数其瞬时频率f1(t)则可由调频函数求出,即
将得到的第一个PF分量PF1(t)从原始信号中分离出来,得到一个新的信号u1(t),将u1(t)作为原始数据重复上述步骤,循环i次,直至ui(t)为一个单调函数为止:
u1(t)=p(t)-PF1(t)
u2(t)=u1(t)-PF2(t)
ui(t)=ui-1(t)-PFi(t)
式中,ui(t)为残余分量。
对每一个PF分量与原始信号p(t)按照相关系数计算公式
其中,D(X),D(Y)分别表示PF分量与原始信号p(t)。
计算出每一个PF分量对应的相关系数,确定出小于最大相关系数十分之一的相关系数,并将其丢掉,而剩余的相关系数对应的PF分量即为有效分量。
原始信号能够被所有的PF有效分量和残余分量ui重构,即
将PF有效分量的瞬时频率与瞬时幅值按照时间-频率-幅值的三维分布重新组合,便得到原始信号基于LMD分解的完整的时频分布。
然后就可从重构信号中进行提取故障特征信息。
S405:根据所述故障特征信息对所述轴承进行故障诊断。
根据提取的故障特征信息,将这些获取的故障特征信息与相应正常工作时的特征数据进行比较分析,便可对当前检测的轴承的工作状态进行判断。
举例来说,当提取的是故障频率信息时,如果频谱中出现非正常状态的峰值时,就说明当然峰值对应的位置出现的故障。
由上可知,本发明实施例了采用中值滤波法滤出了轴承振动信号中的背景噪声,用于对原始信号进行预处理,使的在利用局部均值分解方法提取故障特征信息时避免了噪声的干扰,获得准确度高的故障特征信息,有效了提高了故障特征信息提取的准确度,从而有利于提高轴承故障检测的准确度,进而有利于整体的设备正常健康运行。一定程度上,可提升设备的品质质量,减少客户的使用成本。
可选的,在一种具体的实施方式中,请参阅图5,该方法例如可包括:
S406:根据诊断结果进行提示。
根据故障特征信息对轴承进行故障诊断后,可进一步的输出诊断结果。
诊断结果可以通过以某种格式信息的形式在屏幕上显示出来(例如液晶屏)。某种格式信息可为文字信息,例如显示发生故障;也可为图片形式;也可为数字形式,具体数值表示的意义可预先进行设置;或以字母的形式,例如‘OK’表示正常,‘FAIL’发生故障,当然,也可采用其他任何格式的信息进行表示输出结果,这均不影响本实施例的实现。
诊断结果还可以通过语音的形式输出,具体的可通过发生进行提示,例如语音可输出一切正常或发生故障。
诊断结果还可以设置故障指示灯进行提示,可采用LED作为故障指示灯,当然,也可采用其他任何形式的等,如二极管,优选的,应选择亮度大、功率小的灯。举例来说,如果发生故障,则可通过点亮故障指示灯表示输出的结果为故障。
当然,输出诊断结果并不限于上述三种形式,只要达到可以将诊断结果向用户进行提示,让用户明白诊断的结果的目的即可。
当然,也可同时进行显示、语音提示与设置故障灯,这均不影响本发明的实现。
通过将诊断结果进行输出,可以使方法更具有实用性,也可提升用户使用体验。
可选的,在另一种具体的实施方式中,请参阅图5,该方法例如还可包括:
S407:当所述轴承发生故障时,发送进行报警的指令。
当判定轴承发生故障时,可进行报警。可采用蜂鸣器长鸣进行报警提示,也可采用其他响铃的形式进行报警,也可采用其他任何形式的报警,这均不影响本发明实施例的实现。
做该项设置,是为了其客户或工作人员更直观的了解当前轴承工作状态,可替换为其他提醒装置,但也可不做该项设置。
设置进行报警使得本申请的技术方案更加直观、形象化,方便工作人员使用,提升用户使用体验。
本发明实施例还针对轴承故障诊断方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的轴承故障诊断装置进行介绍,下文描述的轴承故障诊断装置与上文描述的轴承故障诊断方法可相互对应参照。
参见图6,图6为本发明实施例提供的一种轴承故障诊断装置的结构图,该装置可包括:
获取信号模块601,用于获取采集设备采集的轴承振动信号。
信号预处理模块602,用于采用中值滤波方法对所述振动信号进行预处理,以滤除所述振动信号中的背景噪声。
提取特征信息模块603,用于采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;利用所述PF有效分量与所述残余分量进行重构信号,从所述重构信号中提取故障特征信息。
故障诊断模块604,用于根据所述故障特征信息对所述轴承进行故障诊断。
可选的,在一种具体的实施方式中,该装置例如可包括:
提示结果模块605,用于对诊断结果进行提示。
可选的,在另一种具体的实施方式中,该装置例如还可包括:
报警模块606,用于当所述轴承发生故障时,发出进行报警的指令。
本发明实施例所述一种轴承故障诊断装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例了采用中值滤波法滤出了轴承振动信号中的背景噪声,用于对原始信号进行预处理,使的在利用局部均值分解方法提取故障特征信息时避免了噪声的干扰,获得准确度高的故障特征信息,有效了提高了故障特征信息提取的准确度,从而有利于提高轴承故障检测的准确度,进而有利于整体的设备正常健康运行。一定程度上,可提升设备的品质质量,减少客户的使用成本。
本发明实施例还提供了一种轴承故障诊断系统,参见图7,可包括:
加速度传感器701、数据采集卡702、中值滤波器703以及处理器704。
其中,所述加速度传感器701分别与数据采集卡702以及深沟球轴承相连,用于获取所述深沟球轴承的振动信号,并由数据采集卡702进行采集。
所述中值滤波器703与所述加速度传感器701相连,用于对所述振动信号进行预处理,以滤除所述振动信号中的背景噪声。
所述处理器704与所述中值滤波器703相连,用于接收所述中值滤波器发送的预处理后的信号;采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;利用所述PF有效分量与所述残余分量进行重构信号,从所述重构信号中提取故障特征信息;根据所述故障特征信息对所述轴承进行故障诊断。
可选的,在一种具体的实施方式中,该系统例如可包括:
显示器705,与处理器704相连,用于对输出诊断结果进行显示。
当然,也可为语言提示器或者故障指示灯。
可选的,在另一种具体的实施方式中,该系统例如还可包括:
报警器706,与处理器704相连,用于当所述轴承发生故障时,接收处理器发送的进行报警的指令,进行报警。本发明实施例所述轴承故障诊断系统的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例了采用中值滤波器滤出了轴承振动信号中的背景噪声,获得准确度高的故障特征信息,有效了提高了故障特征信息提取的准确度,从而有利于提高轴承故障检测的准确度,进而有利于整体的设备正常健康运行。一定程度上,可提升设备的品质质量,减少客户的使用成本。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的轴承故障诊断方法、装置以及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种轴承故障诊断方法,其特征在于,包括:
获取采集设备采集的轴承振动信号;
采用中值滤波方法对所述轴承振动信号进行预处理,以滤除所述轴承振动信号中的背景噪声;
采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;
利用所述PF有效分量与所述残余分量进行信号重构,生成重构信号,从所述重构信号中提取故障特征信息;
根据所述故障特征信息对轴承进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,所述采用中值滤波方法对所述轴承振动信号进行预处理包括:
从所述轴承振动信号中连续采样N个值;
将N个值按照数值大小进行排序,丢弃最大值以及最小值,取中间的值作为中值;
用所述中值作为采样值进行采样;
其中,N不小于3。
3.根据权利要求2所述的方法,其特征在于,所述采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量包括:
采用所述局部均值分解方法对所述预处理后的信号进行分解计算,得到PF分量;
根据所述PF分量与所述预处理后的信号计算得到所述残余分量;
根据相关系数法从所述PF分量中选取PF有效分量。
4.根据权利要求3所述的方法,其特征在于,所述采用所述局部均值分解方法对所述预处理后的信号进行分解计算,得到PF分量包括:
计算所述预处理后的信号的局部平均值以及局部包络值;
采用滑动平均法对所述局部平均值以及所述局部包络值进行处理,以获得局部均值函数与局部包络函数;
根据所述局部均值函数以及所述局部包络函数对所述预处理后的信号进行计算,以获得调频函数以及包络信号函数;
根据所述调频函数以及所述包络信号函数得到所述PF分量。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述从所述重构信号中提取故障特征信息为:
对所述重构信号进行频谱分析以提取所述故障特征信息。
6.根据权利要求3所述的方法,其特征在于,所述根据相关系数法从所述PF分量中选取PF有效分量包括:
将每一个所述PF分量与所述预处理后的信号进行相关系数运算,得到相关系数组;
从所述相关系数组中确定不小于预设阈值的相关系数;
将所述相关系数对应的PF分量作为所述PF有效分量。
7.根据权利要求1至4任意一项所述的方法,其特征在于,在所述根据所述故障特征信息对轴承进行故障诊断之后还包括:
发送根据诊断结果进行显示的指令;和/或发送根据所述诊断结果进行语音提示的指令;和/或
发送根据所述诊断结果对故障指示灯进行控制的指令。
8.根据权利要求7所述的方法,其特征在于,在所述根据所述故障特征信息对轴承进行故障诊断之后还包括:
当所述轴承发生故障时,发送进行报警的指令。
9.一种轴承故障诊断装置,其特征在于,包括:
获取信号模块,用于获取采集设备采集的轴承振动信号;
信号预处理模块,用于采用中值滤波方法对所述轴承振动信号进行预处理,以滤除所述振动信号中的背景噪声;
提取特征信息模块,用于采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;利用所述PF有效分量与所述残余分量进行信号重构,生成重构信号,从所述重构信号中提取故障特征信息;
故障诊断模块,用于根据所述故障特征信息对轴承进行故障诊断。
10.一种轴承故障诊断系统,包括深沟球轴承,其特征在于,还包括:
加速度传感器、数据采集卡、中值滤波器以及处理器;
其中,所述加速度传感器分别与所述数据采集卡以及所述深沟球轴承相连,用于获取所述深沟球轴承的振动信号,并由数据采集卡进行采集;
所述中值滤波器与所述加速度传感器相连,用于对所述振动信号进行预处理,以滤除所述振动信号中的背景噪声;
所述处理器与所述中值滤波器进行相连,用于接收所述中值滤波器发送的预处理后的信号;采用局部均值分解方法对预处理后的信号进行分解,以获得PF有效分量与残余分量;利用所述PF有效分量与所述残余分量进行信号重构,生成重构信号,从所述重构信号中提取故障特征信息;根据所述故障特征信息对轴承进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611206576.9A CN106596105A (zh) | 2016-12-23 | 2016-12-23 | 一种轴承故障诊断方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611206576.9A CN106596105A (zh) | 2016-12-23 | 2016-12-23 | 一种轴承故障诊断方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106596105A true CN106596105A (zh) | 2017-04-26 |
Family
ID=58601047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611206576.9A Pending CN106596105A (zh) | 2016-12-23 | 2016-12-23 | 一种轴承故障诊断方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596105A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831661A (zh) * | 2017-11-13 | 2018-03-23 | 广东石油化工学院 | 一种高精度工业机器人机械振动信号跟踪方法 |
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 |
CN110245062A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于日志文件的异常监控行为分析方法 |
CN110346144A (zh) * | 2019-08-15 | 2019-10-18 | 岭南师范学院 | 一种轴承故障检测装置及检测方法 |
CN110646202A (zh) * | 2018-06-08 | 2020-01-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN113312731A (zh) * | 2021-06-28 | 2021-08-27 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
CN114104224A (zh) * | 2021-11-15 | 2022-03-01 | 中国船舶重工集团公司第七一一研究所 | 设备管理方法、装置、电子设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674550A (zh) * | 2013-12-16 | 2014-03-26 | 南京航空航天大学 | 一种滚动轴承静电监测信号实时混合去噪方法 |
CN104215459A (zh) * | 2014-08-26 | 2014-12-17 | 中国直升机设计研究所 | 一种轴承故障的诊断方法 |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
CN104992063A (zh) * | 2015-07-06 | 2015-10-21 | 北京信息科技大学 | 一种机械设备振动信号的降噪方法 |
-
2016
- 2016-12-23 CN CN201611206576.9A patent/CN106596105A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674550A (zh) * | 2013-12-16 | 2014-03-26 | 南京航空航天大学 | 一种滚动轴承静电监测信号实时混合去噪方法 |
CN104215459A (zh) * | 2014-08-26 | 2014-12-17 | 中国直升机设计研究所 | 一种轴承故障的诊断方法 |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
CN104992063A (zh) * | 2015-07-06 | 2015-10-21 | 北京信息科技大学 | 一种机械设备振动信号的降噪方法 |
Non-Patent Citations (3)
Title |
---|
俞昆 等: "基于小波改进阈值去噪与 LMD 的滚动轴承故障诊断研究", 《组合机床与自动化加工技术》 * |
曾海平: "基于经验模态分解法的滚动轴承故障诊断系统研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》 * |
王奉伟 等: "自适应 LMD 融合新小波阈值函数的信号去噪", 《人民长江》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831661A (zh) * | 2017-11-13 | 2018-03-23 | 广东石油化工学院 | 一种高精度工业机器人机械振动信号跟踪方法 |
CN110646202A (zh) * | 2018-06-08 | 2020-01-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN110646202B (zh) * | 2018-06-08 | 2021-09-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
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 |
CN110245062A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于日志文件的异常监控行为分析方法 |
CN110245062B (zh) * | 2019-06-19 | 2021-09-10 | 山东大学 | 一种基于日志文件的异常监控行为分析方法 |
CN110346144A (zh) * | 2019-08-15 | 2019-10-18 | 岭南师范学院 | 一种轴承故障检测装置及检测方法 |
CN113312731A (zh) * | 2021-06-28 | 2021-08-27 | 北京南洋思源智能科技有限公司 | 一种变桨轴承故障检测方法及装置、存储介质 |
CN114104224A (zh) * | 2021-11-15 | 2022-03-01 | 中国船舶重工集团公司第七一一研究所 | 设备管理方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106596105A (zh) | 一种轴承故障诊断方法、装置及系统 | |
Li et al. | Extracting repetitive transients for rotating machinery diagnosis using multiscale clustered grey infogram | |
CN105115594B (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
CN111695209B (zh) | 元深度学习驱动的旋转机械小样本健康评估方法 | |
CN102269655B (zh) | 一种轴承故障的诊断方法 | |
Li et al. | Continuous-scale mathematical morphology-based optimal scale band demodulation of impulsive feature for bearing defect diagnosis | |
CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
CN108152033A (zh) | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 | |
CN102155988B (zh) | 设备监诊方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
Ma et al. | Early fault diagnosis of rotating machinery based on composite zoom permutation entropy | |
CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
Wang et al. | Sparse and low-rank decomposition of the time–frequency representation for bearing fault diagnosis under variable speed conditions | |
Xu et al. | Periodicity-based kurtogram for random impulse resistance | |
CN109520738A (zh) | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
CN109612728A (zh) | 基于振谱图和深度卷积神经网络的轴承故障诊断方法 | |
CN113486868A (zh) | 一种电机故障诊断方法及系统 | |
CN110987431B (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
CN109946076B (zh) | 一种加权多尺度字典学习框架的行星轮轴承故障辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |