CN106840379A - 一种机械振动信号的故障分析方法 - Google Patents

一种机械振动信号的故障分析方法 Download PDF

Info

Publication number
CN106840379A
CN106840379A CN201710134870.1A CN201710134870A CN106840379A CN 106840379 A CN106840379 A CN 106840379A CN 201710134870 A CN201710134870 A CN 201710134870A CN 106840379 A CN106840379 A CN 106840379A
Authority
CN
China
Prior art keywords
signal
fault
mechanical
vibration
oscillation signal
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
Application number
CN201710134870.1A
Other languages
English (en)
Inventor
潘小胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710134870.1A priority Critical patent/CN106840379A/zh
Publication of CN106840379A publication Critical patent/CN106840379A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种机械振动信号的故障类型分析方法，包括信号预处理、信号的正式处理、信号的特征参数提取、信号的故障识别,本发明通过振动信号的样本熵值的变化，样本熵能够做为机械故障的特征参数。对故障振动信号分类的过程进一步细化，明确了机械故障信号中各个阶段的功能，确保信号分析的效率以及处理率。

Description

一种机械振动信号的故障分析方法
技术领域
本发明涉及一种机械振动信号的故障诊断领域，涉及一种机械振动信号的故障分析方法。
背景技术
机械设备在运动过程中产生的振动及其特征信息是反映机械设备及其运行状态变化的主要信号，通过各种动态测试仪器获取、记录和分析这些动态信号，是进行机械设备状态监测和故障诊断的主要途径。其中的关键技术是通过对振动信号的分析处理提取机械故障特征信息。因此，通过对机械振动信号进行分析，能得到机械设备的故障状态，并识别其中的故障。
发明内容
有鉴于此，本发明要解决的技术问题是提供一种机械振动信号的故障分析方法，用于解决上述提出的无法解决的问题。
为达到上述技术方案的效果，本发明的技术方案为：一种机械振动信号的故障分析方法，包括信号预处理、信号的正式处理、信号的特征参数提取、信号的故障识别；
信号预处理通过仿真对机械振动信号对比实验，采用经验模态分解的降噪方法，说明了经验模态分解的降噪方法的降噪性能的改进，最后将其用于实测机械振动信号的降噪；
信号的正式处理在经过信号预处理之后，得到了机械振动信号的降噪形式，在过程中采用了机械振动信号故障特征提取方法，并将机械振动信号的相对小波能量融合在内，针对诊断中故障样本数目少的问题，使用支持向量机作为故障识别分类器，并通过故障诊断实验，验证了机械振动信号故障特征提取方法的有效性，得到所述机械振动信号的故障特征；
信号的特征参数提取，首先从机械振动信号的故障特征中进一步提取样本熵，同时利用样本熵对不同故障类型、不同损伤程度的机械振动信号进行分析，结果表明样本熵可以作为故障特征参数，建立故障特征参数的矩阵，并进行故障特征参数的矩阵的奇异值分解，同时利用故障识别分类器进行机械故障特征参数提取，并进行了故障诊断实验；
信号的故障识别，对按振动频率的大小对机械故障振动信号进行分类，分为频率高的机械故障振动信号以及频率低的所述机械故障振动信号，对频率高的机械故障振动信号利用独立分量分析对机械故障振动信号进行分析，得到统计上相互独立的分量，将机械振动信号表示为相互独立的分量的线性组合，其中相互独立的分量的线性组合的系数作为特征向量，并结合最近邻算法进行机械故障识别，得到频率高的机械故障振动信号的故障类型；对频率低的所述机械故障振动信号进行独立分量分析，获得不同工况信号的独立分量，然后将不同工况信号的独立分量的绝对值作为特征，使用支持向量机进行机械故障识别得到频率低的所述机械故障振动信号的故障。
本发明的有益成果为：本发明通过振动信号的样本熵值的变化，样本熵能够做为机械故障的特征参数。对故障振动信号分类的过程进一步细化，明确了机械故障信号中各个阶段的功能，确保信号分析的效率以及处理率。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：
实施例一：
机械设备由于受到转速、载荷和故障产生的冲击等因素的影响，其振动信号往往表现出强烈的非平稳性。对于振动信号的非平稳信号只了解信号在时域或频域的全局特性是不够的，还希望得到振动信号的信号频谱随时间变化的情况。时频分析技术是将信号变换到二维时频域内进行分析，是分析非平稳信号的有效手段。基于振动信号经过分解后在不同频带时域特征的故障诊断方法，没有考虑振动信号的频域特征。基于时频域特征的机械振动信号故障诊断方法可以将奇异值分解方法用于时频矩阵的特征提取中。目前，时频分析技术已经广泛应用于机械故障诊断领域，包含短时傅里叶变换、小波变换。短时傅里叶变换存在窗函数固定的问题，分布存在交叉项干扰的问题，小波变换则存在能量泄漏和小波基函数选择的问题。它提出的变换是一种新的具有自适应的时频分析方法，
可根据信号的局部时变特征进行自适应的时频分解，非常适合对非平稳信号进行分析。变换由两部分组成：任何复杂的信号都可以通过经验模态分解方法分解为若千个内蕴模态函数的相加，并且在每个上瞬时频率都有定义。变换已经成为机械故障诊断领域研究的热点。目前，基于变换的故障诊断大部分是利用分解得到的内蕴模态函数，对内蕴模态函数进行分析提取机械故障特征，利用对轴承振动信号分解，将局部损伤轴承产生的高频调幅信号成分作为内蕴模态函数分离出来，然后用变换得到其包络信号，通过包络谱提取轴承故障特征频率。利用齿轮振动信号分解后得到的内蕴模态函数的能量熵作为特征，对齿轮进行裂纹和断齿故障诊断。基于内蕴模态函数奇异值分解和支持向量机的故障诊断方法，利用内蕴模态函数形成向量矩阵，然后对该矩阵进行奇异值分解，提取其奇异值作为故障特征向量，然后用支持向量机进行故障诊断。
将谱的时一频平面等分为个面积相等的时频块，对每块进行能量归一化，然后仿照信息熵的方式定义时频熵。对于任一个行或列线性相关的矩阵，通过对其左、右分别相乘一个正交矩阵进行变换，可以将原矩阵转化为一个对角阵，而得到的奇异值个数又反映了原矩阵中独立行(列)矢量的个数。奇异值分解具有稳定性好，可以较好地刻画矩阵特征的优点，已经成为信号处理与统计数据分析的重要工具。目前，奇异值分解技术获得了广泛的应用，例如数据压缩，信号降噪，机器状态监测等。基于奇异值分解的谱时频特征提取方法，首先利用方法将机械振动信号分解为若干个分量之和，然后对每个分量进行变换得到瞬时频率和瞬时幅值，从而得到轴承振动信号的谱，谱表示了信号完整的时间一频率分布。对谱进行奇异值分解，得到的奇异值作为轴承故障诊断的特征向量，然后利用支持向量机进行故障分类。
上述实施例对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。
本发明的有益成果为：本发明通过振动信号的样本熵值的变化，样本熵能够做为机械故障的特征参数。对故障振动信号分类的过程进一步细化，明确了机械故障信号中各个阶段的功能，确保信号分析的效率以及处理率。

Claims (1)

1.一种机械振动信号的故障分析方法，其特征在于，包括信号预处理、信号的正式处理、信号的特征参数提取、信号的故障识别；
所述信号预处理通过仿真对所述机械振动信号对比实验，采用经验模态分解的降噪方法，说明了所述经验模态分解的降噪方法的降噪性能的改进，最后将其用于实测所述机械振动信号的降噪；
所述信号的正式处理在经过所述信号预处理之后，得到了所述机械振动信号的降噪形式，在过程中采用了机械振动信号故障特征提取方法，并将所述机械振动信号的相对小波能量融合在内，针对诊断中故障样本数目少的问题，使用支持向量机作为故障识别分类器，并通过故障诊断实验，验证了所述机械振动信号故障特征提取方法的有效性，得到所述机械振动信号的故障特征；
所述信号的特征参数提取，首先从所述机械振动信号的故障特征中进一步提取样本熵，同时利用所述样本熵对不同故障类型、不同损伤程度的所述机械振动信号进行分析，结果表明所述样本熵可以作为故障特征参数，建立所述故障特征参数的矩阵，并进行所述故障特征参数的矩阵的奇异值分解，同时利用所述故障识别分类器进行机械故障特征参数提取，并进行了故障诊断实验；
所述信号的故障识别，对按振动频率的大小对所述机械故障振动信号进行分类，分为频率高的所述机械故障振动信号以及频率低的所述机械故障振动信号，对所述频率高的所述机械故障振动信号利用独立分量分析对所述机械故障振动信号进行分析，得到统计上相互独立的分量，将所述机械振动信号表示为所述相互独立的分量的线性组合，其中所述相互独立的分量的线性组合的系数作为特征向量，并结合最近邻算法进行机械故障识别，得到所述频率高的所述机械故障振动信号的故障类型；对所述频率低的所述机械故障振动信号进行独立分量分析，获得不同工况信号的独立分量，然后将所述不同工况信号的独立分量的绝对值作为特征，使用支持向量机进行机械故障识别得到所述频率低的所述机械故障振动信号的故障。
CN201710134870.1A 2017-03-08 2017-03-08 一种机械振动信号的故障分析方法 Pending CN106840379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710134870.1A CN106840379A (zh) 2017-03-08 2017-03-08 一种机械振动信号的故障分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710134870.1A CN106840379A (zh) 2017-03-08 2017-03-08 一种机械振动信号的故障分析方法

Publications (1)

Publication Number Publication Date
CN106840379A true CN106840379A (zh) 2017-06-13

Family

ID=59143291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710134870.1A Pending CN106840379A (zh) 2017-03-08 2017-03-08 一种机械振动信号的故障分析方法

Country Status (1)

Country Link
CN (1) CN106840379A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016352A (zh) * 2017-03-13 2017-08-04 南京航空航天大学 电力变压器有载分接开关振动脉冲数自动识别方法
CN111307438A (zh) * 2020-03-11 2020-06-19 上海纵行实业有限公司 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN113383215A (zh) * 2018-04-30 2021-09-10 通用电气公司 用于模式匹配轴承振动诊断的系统和过程

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866027A (zh) * 2012-08-13 2013-01-09 燕山大学 基于lmd和局域时频熵的旋转机械故障特征提取方法
CN103308292A (zh) * 2013-05-16 2013-09-18 国家电网公司 基于振动信号分析的真空断路器机械状态检测方法
CN103743585A (zh) * 2013-12-27 2014-04-23 柳州职业技术学院 一种机械故障诊断方法
CN105157821A (zh) * 2015-08-30 2015-12-16 华电电力科学研究院 一种旋转机械振动故障诊断及定量分析方法
CN106595850A (zh) * 2016-12-21 2017-04-26 潘小胜 一种机械振动信号的故障分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866027A (zh) * 2012-08-13 2013-01-09 燕山大学 基于lmd和局域时频熵的旋转机械故障特征提取方法
CN103308292A (zh) * 2013-05-16 2013-09-18 国家电网公司 基于振动信号分析的真空断路器机械状态检测方法
CN103743585A (zh) * 2013-12-27 2014-04-23 柳州职业技术学院 一种机械故障诊断方法
CN105157821A (zh) * 2015-08-30 2015-12-16 华电电力科学研究院 一种旋转机械振动故障诊断及定量分析方法
CN106595850A (zh) * 2016-12-21 2017-04-26 潘小胜 一种机械振动信号的故障分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016352A (zh) * 2017-03-13 2017-08-04 南京航空航天大学 电力变压器有载分接开关振动脉冲数自动识别方法
CN107016352B (zh) * 2017-03-13 2019-06-18 南京航空航天大学 电力变压器有载分接开关振动脉冲数自动识别方法
CN113383215A (zh) * 2018-04-30 2021-09-10 通用电气公司 用于模式匹配轴承振动诊断的系统和过程
CN111307438A (zh) * 2020-03-11 2020-06-19 上海纵行实业有限公司 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN111307438B (zh) * 2020-03-11 2021-09-14 上海纵行实业有限公司 一种基于信息熵的旋转机械振动故障诊断方法及其系统

Similar Documents

Publication Publication Date Title
He et al. Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis
Hemmati et al. Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation
Yu et al. Weak fault feature extraction of rolling bearings using local mean decomposition-based multilayer hybrid denoising
Hu et al. A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension
CN103499445B (zh) 一种基于时频切片分析的滚动轴承故障诊断方法
Zhang et al. Weighted envelope spectrum based on the spectral coherence for bearing diagnosis
CN108458871B (zh) 一种基于改进经验小波变换的齿轮箱故障识别方法
Li et al. Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology
CN103076177A (zh) 一种基于振动检测的滚动轴承故障检测方法
CN106908232A (zh) 一种旋转机械的振动信号故障识别方法
CN105258789B (zh) 一种振动信号特征频率带的提取方法及装置
Xue et al. Automatic diagnosis method for structural fault of rotating machinery based on distinctive frequency components and support vector machines under varied operating conditions
CN106840379A (zh) 一种机械振动信号的故障分析方法
CN106595850A (zh) 一种机械振动信号的故障分析方法
CN105628381A (zh) 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法
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
CN102721537B (zh) 基于可变空间-尺度框架的机械冲击型故障诊断方法
Żak et al. Application of ARMA modelling and alpha-stable distribution for local damage detection in bearings
CN110333071B (zh) 一种利用窄带倒谱变换的机械振动信号处理方法
Chen et al. Enhanced bearing fault diagnosis using integral envelope spectrum from spectral coherence normalized with feature energy
CN104677580A (zh) 基于解析模态分解的旋转机械故障诊断方法
Bastami et al. Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform
Antoni et al. Cyclostationarity in condition monitoring: 10 years after
Huang et al. Feature extraction for rolling element bearing faults using resonance sparse signal decomposition
Wang et al. Fault feature extraction of hydraulic pump based on CNC de-noising and HHT

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170613