CN106777611A - 复杂周转轮系微弱故障识别与性能退化监测系统及方法 - Google Patents
复杂周转轮系微弱故障识别与性能退化监测系统及方法 Download PDFInfo
- Publication number
- CN106777611A CN106777611A CN201611099995.7A CN201611099995A CN106777611A CN 106777611 A CN106777611 A CN 106777611A CN 201611099995 A CN201611099995 A CN 201611099995A CN 106777611 A CN106777611 A CN 106777611A
- Authority
- CN
- China
- Prior art keywords
- fault
- ultiwavelet
- signal
- cyclic train
- performance degradation
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种复杂周转轮系微弱故障识别与性能退化监测方法,该方法包含:以对称正交多小波构造条件为约束,构造标准多小波基函数;根据标准多小波基函数,选择与待测故障信号相匹配的最佳多小波;根据最佳多小波,提取与识别复杂周转轮系动态信号微弱故障;以特征融合指标对复杂周转轮系进行健康状态和性能退化监测。本发明达到复杂周转轮系微弱故障识别目的,准确揭示机械故障部位、种类和损伤程度,有效揭示复杂周转轮系可靠性渐变趋势。
Description
技术领域
本发明涉及一种复杂周转轮系的监测技术,具体涉及一种复杂周转轮系微弱故障识别与性能退化监测系统及方法。
背景技术
以行星齿轮箱为代表的周转轮系,具有传动比大、传动效率高、结构紧凑、承载能力大、工作可靠等优点。复杂周转轮系是指多个单一周转轮系串联或并联,包含两对及以上轴线周转的回转副,优点更多,广泛应用于雷达稳定平台、风电装备、现代履带车辆等工程机械中。复杂周转轮系是典型复合运动,其故障诊断与状态监测相对传统定轴轮系或单一周转轮系更为复杂,难度更大,主要表现为:1)复合运动导致振动呈现多模式混淆干扰;2)多对齿轮啮合的振动相互耦合造成振动非线性明显;3)振动传输路径复杂导致故障响应微弱;4)微弱故障症状不明显难以识别;5)低频和超低频故障特征提取一直是机械故障诊断领域挑战性难题。
新兴多小波变换是小波理论新发展。多小波兼备多种优良性质与多个时频特性差异的基函数,通过矢量内积实现故障特征提取与识别。特别地,自适应多小波可实现基函数按需构造与故障特征最优匹配,为空间复杂周转轮系微弱故障识别与性能退化监测提供灵活有效解决方案。
近年来,多小波变换在信号降噪与故障诊断等领域展现出明显优势。跟本发明较为接近的专利包括:1)专利CN201210361717公开了一种采用提升多小波变换实现行星齿轮箱复合故障分离与识别方法;2)专利CN201310069498.2公开了一种多小波与云模型结合的风机在线状态监测评估技术;3)专利CN201510608424.0公开了一种多小波包与最小二乘支持向量机结合的风电场风速和功率滚动预测方法;4)专利CN201210361690公开了一种利用多小波自适应分块阈值降噪技术的齿轮箱损伤时域诊断方法;5)专利CN201510856762.6公开了一种利用标准化多小波与多小波包变换的机械故障定量提取新技术,应用于电力机车等机械设备早期损伤和复合故障精确诊断。
以上专利中,专利1)~4)虽然采用了性能优良的多小波变换用于行星齿轮箱等机械设备故障识别,但由于受到基函数构造和能量误差传播等因素影响,以上多小波变换的故障提取与诊断中存在明显的故障特征幅值失真现象,无法保证微弱故障特征的定量提取。同时,它们所采用的多小波大多为双正交基函数,难以保证故障信息独立化、无泄漏提取,难以为复杂周转轮系微弱故障的定量提取与退化监测提供实用可靠手段。专利5)对传统多小波变换结果进行类比、标定和标准化处理以实现分解误差控制与特征定量提取,但它无法确保所采用的多小波基函数具有正交性、对称性等信号处理优良性质,难以实现复杂周转轮系微弱故障识别与精密诊断。
发明内容
本发明提供一种复杂周转轮系微弱故障识别与性能退化监测系统及方法,达到复杂周转轮系微弱故障识别目的,准确揭示机械故障部位、种类和损伤程度,有效揭示复杂周转轮系可靠性渐变趋势。
为实现上述目的,本发明提供一种复杂周转轮系微弱故障识别与性能退化监测方法,其特点是,该方法包含:
以对称正交多小波构造条件为约束,构造标准多小波基函数;
根据标准多小波基函数,选择与待测故障信号相匹配的最佳多小波;
根据最佳多小波,提取与识别复杂周转轮系动态信号微弱故障;
以特征融合指标对复杂周转轮系进行健康状态和性能退化监测。
上述构造标准多小波基函数包含:
根据式(1)、(2)、(3)、(4)获取多小波低通滤波器{Hk,k=0,1,2,3}:
H2=SH1S (3)
H3=SH0S (4)
根据式(5)、(6)、(7)、(8)获取多小波高通滤波器{Gk,k=0,1,2,3}:
G0=-H3A (5)
G1=H2A (6)
G2=-H1A (7)
G3=H0A (8)
上述式中,自由参数a∈[-1,1]且b=±1,转换矩阵且
上述选择与待测故障信号相匹配的最佳多小波包含:
计算归一化能量熵最小值、归一化奇异熵最小值和全局峭度最大值;
根据归一化能量熵最小值、归一化奇异熵最小值和全局峭度最大值,选择与待测故障信号相匹配的最佳多小波。
上述计算归一化能量熵最小值包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,
计算不同分析结果的归一化能量熵f1;
采用遗传算法作为优化手段,以归一化能量熵f1的最小化原则为目标函数计算出归一化能量熵最小值
上述计算归一化奇异熵最小值包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,
计算不同分析结果的归一化奇异熵f2;
采用遗传算法作为优化手段,以归一化奇异熵f2的最小化原则为目标函数计算出归一化奇异熵最小值
上述计算全局峭度最大值包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,
计算相应结果峭度{kui,i=1,2,…2m},选择峭度结果中局部峭度最大值kumax;
采用遗传算法作为优化手段,以局部峭度最大值kumax的最大化原则为目标函数计算出全局峭度最大值
上述选择与待测故障信号相匹配的最佳多小波包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,
根据式(9)计算不同分析结果的信息熵与峭度联合指标fk;
采用遗传算法作为优化手段,以联合指标fk的最小化原则为目标函数优选出标准多小波中最优自由参数a*和b*,从而获得与待测故障信号s相匹配的最佳多小波{H*}和{G*};
式(9)中,f1为归一化能量熵,为归一化能量熵最小值,f2为归一化奇异熵,为归一化奇异熵最小值,kumax为局部峭度最大值,为全局峭度最大值。。
上述提取与识别复杂周转轮系动态信号微弱故障包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用最佳多小波{H*}和{G*}进行m层多小波包分解与逼近预滤波的后处理获得的分析结果
输出局部峭度最大值kumax所对应的自适应标准多小波分析结果,以提取与识别复杂周转轮系动态信号微弱故障。
上述性能退化监测包含:
对长周期监测的复杂周转轮系动态信号{si,i=1,2,…}分别计算每组信号的峭度因子k、脉冲因子I、裕度因子Y以及其自适应标准多小波分析结果的归一化能量熵f1和归一化奇异熵f2,并组成特征矩阵F=[k;I;Y;f1;f2];
采用马氏距离方法对F进行距离测度分析与指标降维融合,计算得到各动态信号的特征融合指标RF;
以特征融合指标RF为评价指标对复杂周转轮系进行健康状态和性能退化监测。
一种复杂周转轮系微弱故障识别与性能退化监测系统,其特点是,该系统包含:
标准多小波构造模块,其以对称正交多小波构造条件为约束,构造标准多小波基函数;
标准多小波优选模块,其输入端连接标准多小波构造模块,根据标准多小波基函数,选择与待测故障信号相匹配的最佳多小波;
故障提取识别模块,其输入端连接标准多小波优选模块,根据最佳多小波,提取与识别复杂周转轮系动态信号微弱故障;
性能退化监测模块,其输入端连接故障提取识别模块,以特征融合指标对复杂周转轮系进行健康状态和性能退化监测。
本发明复杂周转轮系微弱故障识别与性能退化监测系统及方法和现有技术相比,其优点在于,本发明涉及复杂周转轮系微弱故障识别与复杂周转轮系性能退化监测两方面,在复杂周转轮系微弱故障识别中,对待测故障信号利用自适应标准多小波进行微弱故障特征提取、损伤识别与故障定位,在复杂周转轮系性能退化监测中,对长周期监测的复杂周转轮系动态信号{si,i=1,2,…}进行无量纲统计指标与自适应标准多小波的信息熵联合指标的融合,采用融合特征指标对复杂周转轮系连续运行状态进行性能退化监测;
本发明所构造的标准多小波基函数兼备正交性、对称性、高阶消失矩与能量守恒等优良特性,其中正交性能保证故障信息独立化与无泄漏提取,对称性可避免因相位失真产生分解误差并减少边界畸变,高阶消失矩保证奇异点检测能力,能量守恒可实现故障特征定量提取,以上标准多小波的优良特性为复杂周转轮系微弱故障提取的准确性、全面性和定量性提供前提;
本发明所利用的联合指标将归一化能量熵指标、归一化奇异熵指标和峭度指标相结合,既能反映分析结果跨越特征子空间的演变规律,又能揭示分析结果在线性无关特征空间的模式分布,同时还能增强局部故障特征检测能力,更加有利于优选出具备微弱故障提取能力的自适应标准多小波;
本发明所采用的自适应标准多小波可实现与待测故障信号的最佳匹配,增强强背景噪声干扰下微弱故障特征定量提取、奇异性检测、相位锁定与时频局部化能力,从而实现复杂周转轮系微弱故障的特征定量提取与识别,准确揭示机械故障部位、种类和损伤程度;
本发明所应用的特征融合指标综合了峭度因子、脉冲因子、裕度因子三个无量纲统计特征指标以及自适应标准多小波的归一化能量熵、归一化奇异熵两个归一化信息熵特征指标。该融合指标对故障发展与性能退化敏感且稳定性好。通过对该评价指标长周期监测可以有效表征复杂周转轮系的健康状态与性能退化情况,从而有效揭示复杂周转轮系可靠性渐变。
附图说明
图1为本发明复杂周转轮系微弱故障识别与性能退化监测方法的流程图;
图2为本发明复杂周转轮系微弱故障识别与性能退化监测方法的具体实施步骤图;
图3为雷达稳定平台复杂周转轮系末级齿轮组运行示意图;
图4为雷达稳定平台复杂周转轮系振动信号;
图5为对图4的复杂周转轮系振动信号利用本发明的自适应标准多小波分析结果;
图6为对图4的复杂周转轮系振动信号利用Db6小波分析结果;
图7对轴承全寿命试验信号的性能退化监测结果。
具体实施方式
以下结合附图,进一步说明本发明的具体实施例。
本发明公开一种复杂周转轮系微弱故障识别与性能退化监测方法,它继承传统多小波变换优点,采用兼备正交性、对称性、高阶消失矩与能量守恒等优良特性的标准多小波基函数以及信息熵与峭度的联合指标最小化原则实现自适应标准多小波构造与优选,达到复杂周转轮系微弱故障识别目的,准确揭示机械故障部位、种类和损伤程度。
同时,本发明采用敏感性强且稳定性好的无量纲统计指标与自适应标准多小波的信息熵联合指标组成的融合特征指标对复杂周转轮系进行健康状态和性能退化监测从而有效揭示复杂周转轮系可靠性渐变趋势。
如图1并结合图2所示,为一种复杂周转轮系微弱故障识别与性能退化监测方法的实施例一。不失一般性,假设故障信号为s,该方法具体包含以下步骤:
S1、对故障信号s以对称正交多小波构造条件为约束,构造标准多小波基函数。
以对称正交多小波构造条件为约束,构造兼备正交性、对称性、高阶消失矩与能量守恒等优良特性的标准多小波基函数。具体的:
根据式(1)、(2)、(3)、(4)获取多小波低通滤波器{Hk,k=0,1,2,3}:
H2=SH1S (3)
H3=SH0S (4)
根据式(5)、(6)、(7)、(8)获取多小波高通滤波器{Gk,k=0,1,2,3}:
G0=-H3A (5)
G1=H2A (6)
G2=-H1A (7)
G3=H0A (8)
上述式中,自由参数a∈[-1,1]且b=±1,转换矩阵且
S2、根据标准多小波基函数,计算归一化能量熵最小值、归一化奇异熵最小值和局部峭度最大值;根据归一化能量熵最小值、归一化奇异熵最小值和全局峭度最大值,选择与待测故障信号相匹配的最佳多小波。
S2.1、计算归一化能量熵最小值:对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,这里逼近预滤波的后处理为逼近预滤波的前处理对应的逆变换;计算不同分析结果的归一化能量熵f1;采用遗传算法作为优化手段,以归一化能量熵f1的最小化原则为目标函数计算出归一化能量熵最小值
S2.2、计算归一化奇异熵最小值:对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,计算不同分析结果的归一化奇异熵f2;采用遗传算法作为优化手段,以归一化奇异熵f2的最小化原则为目标函数计算出归一化奇异熵最小值
S2.3、计算全局峭度最大值:对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,计算相应结果峭度{kui,i=1,2,…2m},选择峭度结果中局部峭度最大值kumax;采用遗传算法作为优化手段,以局部峭度最大值kumax的最大化原则为目标函数计算出全局峭度最大值
S2.4、选择与待测故障信号相匹配的最佳多小波:对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,根据式(9)计算不同分析结果的信息熵与峭度联合指标fk;采用遗传算法作为优化手段,以联合指标fk的最小化原则为目标函数优选出标准多小波中最优自由参数a*和b*,从而获得与待测故障信号s相匹配的最佳多小波{H*}和{G*}:
式(9)中,f1为归一化能量熵,为归一化能量熵最小值,f2为归一化奇异熵,为归一化奇异熵最小值,kumax为局部峭度最大值,为全局峭度最大值。
S3、根据最佳多小波,提取与识别复杂周转轮系动态信号微弱故障。
S3.1、对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0。
S3.2、采用最佳多小波{H*}和{G*}进行m层多小波包分解与逼近预滤波的后处理获得的分析结果
S3.3、输出局部峭度最大值kumax所对应的自适应标准多小波分析结果,以提取与识别复杂周转轮系动态信号微弱故障。
S4、以特征融合指标对复杂周转轮系进行健康状态和性能退化监测。
S4.1、对长周期监测的复杂周转轮系动态信号{si,i=1,2,…}分别计算每组信号的峭度因子k、脉冲因子I、裕度因子Y以及其自适应标准多小波分析结果的归一化能量熵f1和归一化奇异熵f2,并组成特征矩阵F=[k;I;Y;f1;f2]。
S4.2、采用马氏距离方法对F进行距离测度分析与指标降维融合,计算得到各动态信号的特征融合指标RF。
S4.3、以特征融合指标RF为评价指标对复杂周转轮系进行健康状态和性能退化监测,从而有效揭示复杂周转轮系可靠性渐变。
本发明还公开了一种复杂周转轮系微弱故障识别与性能退化监测系统,该系统包含:标准多小波构造模块、标准多小波优选模块、故障提取识别模块和性能退化监测模块。
标准多小波构造模块用于以对称正交多小波构造条件为约束,构造标准多小波基函数;
标准多小波优选模块输入端连接标准多小波构造模块,用于根据标准多小波基函数,选择与待测故障信号相匹配的最佳多小波;
故障提取识别模块输入端连接标准多小波优选模块,用于根据最佳多小波,提取与识别复杂周转轮系动态信号微弱故障;
性能退化监测模块输入端连接故障提取识别模块,用于以特征融合指标对复杂周转轮系进行健康状态和性能退化监测。
如图3所示,为本发明一种复杂周转轮系微弱故障识别与性能退化监测方法的实施例二。
以下以雷达稳定平台复杂周转轮系实施案例来详细描述本发明在复杂周转轮系微弱故障识别效果。某雷达稳定平台俯仰传动通道是典型复杂周转轮系,包含三级小模数圆柱齿轮组减速,其末级扇齿是轮系中的太阳轮且连接在稳定平台上带动平台相对转动,其它齿轮在旋转啮合同时也围绕扇齿公转。为监测该复杂周转轮系健康状态,在轮系轴承座上加装微型加速度传感器采集轮系运行信号。试验中,采样频率设置为2000Hz,稳定平台以24r/min转速近似均匀往复运行(即末级扇齿转频为0.4Hz),相对转角范围为-30°~+30°。扇齿与末级小齿轮啮合示意图如图3所示。在该运行工况下,计算可知扇齿和末级小齿轮中各有16个轮齿参与啮合,即图3中扇齿A至B以及小齿轮C至D。如图4所示,为本实施例中的复杂周转轮系第三级振动信号。以下按照图2所示的流程对振动信号进行分析。
首先,以对称正交多小波构造条件为约束,构造兼备正交性、对称性、高阶消失矩与能量守恒等优良特性的标准多小波基函数,其相应多小波低通滤波器{Hk,k=0,1,2,3}和多小波高通滤波器{Gk,k=0,1,2,3}如步骤S1所述。
其次,对振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行7层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms128,计算不同分析结果的归一化能量熵f1。采用遗传算法,以归一化能量熵f1的最小化原则为目标函数计算出归一化能量熵最小值
然后,对振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行7层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms128,计算不同分析结果的归一化奇异熵f2。采用遗传算法,以归一化奇异熵f2的最小化原则为目标函数计算出归一化奇异熵最小值
接着,对振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行7层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms128,并计算相应结果峭度{kui,i=1,2,…128},选择峭度结果中局部峭度最大值kumax。采用遗传算法,以局部峭度最大值kumax的最大化原则为目标函数计算出全局峭度最大值
然后,对振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行7层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms128,计算不同分析结果的信息熵与峭度联合指标fk。采用遗传算法,以联合指标fk的最小化原则为目标函数优选出标准多小波中最优自由参数a*=0.7887和b*=1,从而获得与振动信号相匹配的最佳多小波{H*}和{G*}。
最后,对振动信号实施逼近预滤波的前处理获得矢量输入信号,采用最佳多小波{H*}和{G*}进行7层多小波包分解与逼近预滤波的后处理获得的分析结果输出局部峭度最大值kumax所对应的第3频带分析结果作为自适应标准多小波分析结果,获得如图5所示的本发明复杂周转轮系微弱故障识别的最终分析结果。从图5中可以看到呈现出强弱不等的周期性冲击序列x、y和z。其中,周期性特征序列x和y对应于雷达稳定平台运行瞬时换向时所产生的冲击,结合齿轮故障机理可知周期性特征序列z为小齿轮轻微磨损故障所引发。若将特征x对应于图3中小齿轮极限位置C处冲击,特征y对应于极限位置D处冲击,根据特征z间隔周期及其与特征x、y的间隔距离计算可知该故障位置为小齿轮零位O处右侧1个轮齿左侧面,与实际故障部位、种类和损伤程度相吻合,验证了本发明在复杂周转轮系微弱故障识别方面的有效性与实用性。
将图4的振动信号采用Db6传统单小波变换进行对比分析,同样进行7层小波包分解,获得如图6所示的第3频带分析结果作为对比分析结果。对比图6和图5,难以从图6中有效提取和识别出呈现周期性间隔和规律性幅值强弱变化的雷达稳定平台瞬时换向冲击特征x、y,以及小齿轮磨损故障所引发的微弱故障特征z,无法为雷达稳定平台复杂周转轮系的合理确诊提供有力依据。
如图7所示,为本发明一种复杂周转轮系微弱故障识别与性能退化监测方法的实施例三。
下面以轴承全寿命试验实施案例来详细描述本发明在复杂周转轮系性能退化监测效果。模拟复杂周转轮系运行工况,搭建并开展轴承全寿命试验。试验中,采样频率为25.6kHz,每10s存储一组数据,每组数据2560个点,至轴承失效共采集2803组。以下按照图2所示的流程对每组轴承振动信号进行分析。
首先,以对称正交多小波构造条件为约束,构造兼备正交性、对称性、高阶消失矩与能量守恒等优良特性的标准多小波基函数,其相应多小波低通滤波器{Hk,k=0,1,2,3}和多小波高通滤波器{Gk,k=0,1,2,3}如步骤S1所述。
其次,对每组轴承振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行3层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms8,计算不同分析结果的归一化能量熵f1。采用遗传算法,以归一化能量熵f1的最小化原则为目标函数计算出归一化能量熵最小值
然后,对每组轴承振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行3层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms8,计算不同分析结果的归一化奇异熵f2。采用遗传算法,以归一化奇异熵f2的最小化原则为目标函数计算出归一化奇异熵最小值
接着,对每组轴承振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行3层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms8,并计算相应结果峭度{kui,i=1,2,…8},选择峭度结果中局部峭度最大值kumax。采用遗传算法,以局部峭度最大值kumax的最大化原则为目标函数计算出全局峭度最大值
然后,对每组轴承振动信号实施逼近预滤波的前处理获得矢量输入信号,采用不同标准多小波基函数进行3层多小波包分解与逼近预滤波的后处理获得的分析结果ms1,ms2,…,ms8,计算不同分析结果的信息熵与峭度联合指标fk。采用遗传算法,以联合指标fk的最小化原则为目标函数优选出标准多小波中最优自由参数a*和b*,从而获得与每组轴承振动信号相匹配的最佳多小波{H*}和{G*}。
接着,对每组轴承振动信号实施逼近预滤波的前处理获得矢量输入信号,采用最佳多小波{H*}和{G*}进行3层多小波包分解与逼近预滤波的后处理获得的分析结果
最后,对2803组轴承测试数据{si,i=1,2,…2803}分别计算峭度因子{ki,i=1,2,…2803}、脉冲因子{Ii,i=1,2,…2803}、裕度因子{Yi,i=1,2,…2803}以及每组自适应标准多小波分析结果的归一化能量熵{f1,i,i=1,2,…2803}和归一化奇异熵{f2,i,i=1,2,…2803},并组成2803×5的特征矩阵F=[k;I;Y;f1;f2]。采用马氏距离对F进行距离测度分析与指标降维融合,计算得到各动态信号的特征融合指标RF,绘制如图7所示。从图7可以看到,轴承全寿命周期运行状态分为4个阶段:1)P1阶段轴承正常运行,指标RF趋于恒定值;2)P2阶段轴承出现微弱故障并随着轴承运行缓慢扩展,指标RF较慢增长;3)P3阶段轴承故障发展到中期并呈现“自平衡”和“自愈合”趋势,指标RF出现轻微下降;4)P4阶段轴承故障开展迅速扩展并至最终失效,指标RF急剧增长。可见,特征融合指标RF很好地表征了轴承全寿命周期的健康状态演变过程与性能退化趋势,真实反映出轴承可靠性渐变过程。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,该方法包含:
以对称正交多小波构造条件为约束,构造标准多小波基函数;
根据标准多小波基函数,选择与待测故障信号相匹配的最佳多小波;
根据最佳多小波,提取与识别复杂周转轮系动态信号微弱故障;
以特征融合指标对复杂周转轮系进行健康状态和性能退化监测。
2.如权利要求1所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述构造标准多小波基函数包含:
根据式(1)、(2)、(3)、(4)获取多小波低通滤波器{Hk,k=0,1,2,3}:
H2=SH1S (3)
H3=SH0S (4)
根据式(5)、(6)、(7)、(8)获取多小波高通滤波器{Gk,k=0,1,2,3}:
G0=-H3A (5)
G1=H2A (6)
G2=-H1A (7)
G3=H0A (8)
上述式中,自由参数a∈[-1,1]且b=±1,转换矩阵且
3.如权利要求1所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述选择与待测故障信号相匹配的最佳多小波包含:
计算归一化能量熵最小值、归一化奇异熵最小值和全局峭度最大值;
根据归一化能量熵最小值、归一化奇异熵最小值和全局峭度最大值,选择与待测故障信号相匹配的最佳多小波。
4.如权利要求3所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述计算归一化能量熵最小值包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果
计算不同分析结果的归一化能量熵f1;
采用遗传算法作为优化手段,以归一化能量熵f1的最小化原则为目标函数计算出归一化能量熵最小值f1*。
5.如权利要求3所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述计算归一化奇异熵最小值包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果
计算不同分析结果的归一化奇异熵f2;
采用遗传算法作为优化手段,以归一化奇异熵f2的最小化原则为目标函数计算出归一化奇异熵最小值
6.如权利要求3所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述计算全局峭度最大值包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果
计算相应结果峭度{kui,i=1,2,…2m},选择峭度结果中局部峭度最大值kumax;
采用遗传算法作为优化手段,以局部峭度最大值kumax的最大化原则为目标函数计算出全局峭度最大值
7.如权利要求3所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述选择与待测故障信号相匹配的最佳多小波包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用构造的不同自由参数的标准多小波基函数进行m层多小波包分解与逼近预滤波的后处理获得的分析结果
根据式(9)计算不同分析结果的信息熵与峭度联合指标fk;
采用遗传算法作为优化手段,以联合指标fk的最小化原则为目标函数优选出标准多小波中最优自由参数a*和b*,从而获得与待测故障信号s相匹配的最佳多小波{H*}和{G*};
式(9)中,f1为归一化能量熵,f1 *为归一化能量熵最小值,f2为归一化奇异熵,为归一化奇异熵最小值,kumax为局部峭度最大值,为全局峭度最大值。
8.如权利要求1所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述提取与识别复杂周转轮系动态信号微弱故障包含:
对待测故障信号s实施逼近预滤波的前处理获得矢量输入信号sc0;
采用最佳多小波{H*}和{G*}进行m层多小波包分解与逼近预滤波的后处理获得的分析结果
输出局部峭度最大值kumax所对应的自适应标准多小波分析结果,以提取与识别复杂周转轮系动态信号微弱故障。
9.如权利要求1所述的复杂周转轮系微弱故障识别与性能退化监测方法,其特征在于,所述性能退化监测包含:
对长周期监测的复杂周转轮系动态信号{si,i=1,2,…}分别计算每组信号的峭度因子k、脉冲因子I、裕度因子Y以及其自适应标准多小波分析结果的归一化能量熵f1和归一化奇异熵f2,并组成特征矩阵F=[k;I;Y;f1;f2];
采用马氏距离方法对F进行距离测度分析与指标降维融合,计算得到各动态信号的特征融合指标RF;
以特征融合指标RF为评价指标对复杂周转轮系进行健康状态和性能退化监测。
10.一种复杂周转轮系微弱故障识别与性能退化监测系统,其特征在于,该系统包含:
标准多小波构造模块,其以对称正交多小波构造条件为约束,构造标准多小波基函数;
标准多小波优选模块,其输入端连接标准多小波构造模块,根据标准多小波基函数,选择与待测故障信号相匹配的最佳多小波;
故障提取识别模块,其输入端连接标准多小波优选模块,根据最佳多小波,提取与识别复杂周转轮系动态信号微弱故障;
性能退化监测模块,其输入端连接标准多小波优选模块,以特征融合指标对复杂周转轮系进行健康状态和性能退化监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611099995.7A CN106777611B (zh) | 2016-12-02 | 2016-12-02 | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611099995.7A CN106777611B (zh) | 2016-12-02 | 2016-12-02 | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106777611A true CN106777611A (zh) | 2017-05-31 |
CN106777611B CN106777611B (zh) | 2020-04-17 |
Family
ID=58884031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611099995.7A Active CN106777611B (zh) | 2016-12-02 | 2016-12-02 | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106777611B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635407A (zh) * | 2018-12-05 | 2019-04-16 | 上海无线电设备研究所 | 一种雷达精密稳定平台运行可靠性评估方法 |
CN110188485A (zh) * | 2019-06-03 | 2019-08-30 | 安徽理工大学 | 一种滚动轴承动态性能劣化趋势自适应获取方法 |
CN110222904A (zh) * | 2019-06-14 | 2019-09-10 | 谭晓栋 | 一种故障量化传播分析的监测点优选方法 |
CN111458122A (zh) * | 2020-04-08 | 2020-07-28 | 苏州大学 | 匹配增强时频表示的旋转机械故障诊断方法 |
CN112016800A (zh) * | 2020-07-17 | 2020-12-01 | 北京天泽智云科技有限公司 | 一种基于有效性指标的特征选择方法与系统 |
CN114663682A (zh) * | 2022-03-18 | 2022-06-24 | 北京理工大学 | 一种提高抗干扰性能的目标显著性检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001242009A (ja) * | 2000-02-29 | 2001-09-07 | Japan Science & Technology Corp | 歯車動的性能の評価システム及び評価方法 |
CN103499437A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 可调品质因子双树复小波变换的旋转机械故障检测方法 |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
-
2016
- 2016-12-02 CN CN201611099995.7A patent/CN106777611B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001242009A (ja) * | 2000-02-29 | 2001-09-07 | Japan Science & Technology Corp | 歯車動的性能の評価システム及び評価方法 |
CN103499437A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 可调品质因子双树复小波变换的旋转机械故障检测方法 |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
JING YUAN 等: "Weak fault detection and health degradation monitoring using customized standard multiwavelets", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
L.SHEN 等: "Symmetric–Antisymmetric Orthonormal Multiwavelets and Related Scalar Wavelets", 《APPLIED AND COMPUTATIONAL HARMONIC ANALYSIS》 * |
李文斌: "基于多小波分析的滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635407A (zh) * | 2018-12-05 | 2019-04-16 | 上海无线电设备研究所 | 一种雷达精密稳定平台运行可靠性评估方法 |
CN110188485A (zh) * | 2019-06-03 | 2019-08-30 | 安徽理工大学 | 一种滚动轴承动态性能劣化趋势自适应获取方法 |
CN110188485B (zh) * | 2019-06-03 | 2020-08-25 | 安徽理工大学 | 一种滚动轴承动态性能劣化趋势自适应获取方法 |
CN110222904A (zh) * | 2019-06-14 | 2019-09-10 | 谭晓栋 | 一种故障量化传播分析的监测点优选方法 |
CN110222904B (zh) * | 2019-06-14 | 2023-01-31 | 谭晓栋 | 一种故障量化传播分析的监测点优选方法 |
CN111458122A (zh) * | 2020-04-08 | 2020-07-28 | 苏州大学 | 匹配增强时频表示的旋转机械故障诊断方法 |
CN112016800A (zh) * | 2020-07-17 | 2020-12-01 | 北京天泽智云科技有限公司 | 一种基于有效性指标的特征选择方法与系统 |
CN112016800B (zh) * | 2020-07-17 | 2024-03-08 | 北京天泽智云科技有限公司 | 一种基于有效性指标的特征选择方法与系统 |
CN114663682A (zh) * | 2022-03-18 | 2022-06-24 | 北京理工大学 | 一种提高抗干扰性能的目标显著性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106777611B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777611A (zh) | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 | |
Li et al. | An optimized VMD method and its applications in bearing fault diagnosis | |
Zhao et al. | Deep convolutional neural network based planet bearing fault classification | |
Li et al. | A fault diagnosis scheme for planetary gearboxes using adaptive multi-scale morphology filter and modified hierarchical permutation entropy | |
Yang et al. | Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
Cheng et al. | Gear fault identification based on Hilbert–Huang transform and SOM neural network | |
CN105510023B (zh) | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 | |
Yan et al. | Harmonic wavelet-based data filtering for enhanced machine defect identification | |
CN105806613A (zh) | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
CN103091096A (zh) | 基于eemd和小波包变换的早期故障敏感特征提取方法 | |
Zhang et al. | A GOA-MSVM based strategy to achieve high fault identification accuracy for rotating machinery under different load conditions | |
CN106338385A (zh) | 一种基于奇异谱分解的旋转机械故障诊断方法 | |
CN103048137A (zh) | 一种变工况下的滚动轴承故障诊断方法 | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
Yoon et al. | Planetary gearbox fault diagnostic method using acoustic emission sensors | |
Zhao et al. | An integrated framework of drivetrain degradation assessment and fault localization for offshore wind turbines | |
Guo et al. | Multi-frequency weak signal detection based on multi-segment cascaded stochastic resonance for rolling bearings | |
CN107229269A (zh) | 一种深度信念网络的风力发电机齿轮箱故障诊断方法 | |
Long et al. | A CBA-KELM-based recognition method for fault diagnosis of wind turbines with time-domain analysis and multisensor data fusion | |
Liu et al. | Fault diagnosis of wind turbines under nonstationary conditions based on a novel tacho-less generalized demodulation | |
CN108036940A (zh) | 一种轴承故障诊断方法 | |
CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
Liu et al. | Two-step adaptive chirp mode decomposition for time-varying bearing fault diagnosis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |