CN107631877B - 一种针对机匣振动信号的滚动轴承故障协同诊断方法 - Google Patents
一种针对机匣振动信号的滚动轴承故障协同诊断方法 Download PDFInfo
- Publication number
- CN107631877B CN107631877B CN201710683448.1A CN201710683448A CN107631877B CN 107631877 B CN107631877 B CN 107631877B CN 201710683448 A CN201710683448 A CN 201710683448A CN 107631877 B CN107631877 B CN 107631877B
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling bearing
- casing
- sample
- fault
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 239000004615 ingredient Substances 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims description 49
- 230000001133 acceleration Effects 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 4
- 230000011664 signaling Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 16
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000007257 malfunction Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 25
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000009661 fatigue test Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种针对机匣振动信号的滚动轴承故障协同诊断方法,包括以下步骤,S1:在机匣上布置传感器采集振动信号;S2:基于最小熵解卷积增强被测信号中的冲击性成分;S3:基于小波变换提取滚动轴承共振频带;S4:通过自相关分析抑制共振频带内的非周期性成分;S5:基于Hilbert变换包络解调实现滚动轴承故障定位。本发明能有效消除滚动轴承信号传递路径的影响和复杂背景噪声的干扰,进而突出了故障特征频率对应的谱峰,实现滚动轴承表面损伤的故障定位,解决了在机匣测点振动信号上对滚动轴承进行故障监测中存在的诊断难、精度低、鲁棒性差的问题。
Description
技术领域
本发明涉及属于滚动轴承故障诊断领域,具体涉及一种针对机匣振动信号的滚动轴承故障协同诊断方法。
背景技术
振动法对滚动轴承早期故障敏感,已广泛应用于滚动轴承的故障诊断。然而,现有研究基本上是以轴承试验器上的轴承座信号作为分析对象,该信号受传递路径和噪声影响较小。以航空发动机滚动轴承为例,在不改变发动机结构的前提下,传感器测点往往只能布置于机匣上,其振动信号的传出需要经过非常复杂的传输路径,加之复杂工况下的系统激励源众多,结构振动噪声、气动噪声源以及燃烧噪声等往往耦合在一起,使得滚动轴承的故障特征变得更加微弱。南京航空航天大学陈果教授等曾利用一个结构上与真实发动机相似的带机匣的航空发动机转子试验器在不同转速下进行了滚动轴承故障模拟试验研究,分别测试了机匣测点和轴承座测点的振动加速度信号。结果表明,由于传递路径复杂,在传递过程中经过弹性支承和薄壁机匣的减振作用的原因,滚动轴承的有效振动信号传递到机匣上后衰减了近4/5,这为基于机匣测点的滚动轴承故障诊断带来了巨大挑战。
以机匣信号为监测对象,想要正确地、鲁棒地实现滚动轴承的故障检测与诊断,提升故障特征信号的信噪比是关键所在。为此,首先要消除传递路径的影响。最小熵解卷积可消除信号传递路径的影响,并能有效增强轴承信号中的冲击成分。但是,最小熵解卷积也可能增强非轴承共振频带处的冲击和非周期性的冲击,这会对滚动轴承的故障诊断造成干扰。小波变换具有自适应带通滤波的特性,可用于共振频带的提取,但所提取的频带中噪声仍被保留;自相关分析可以有效抑制信号中的非周期性成分,进而突显出轴承故障的周期性冲击成分。若能有机结合最小熵解卷积、小波变换和自相关分析将能实现优势互补,这将有利于强噪声背景下的滚动轴承微弱故障特征的提取。基于此,本发明提出了一种滚动轴承故障的协同诊断方法。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷,提供一种针对机匣振动信号的滚动轴承故障协同诊断方法。
本发明为解决上述技术问题采用以下技术方案:
一种针对机匣振动信号的滚动轴承故障协同诊断方法,包括以下步骤:
S1:传感器布置与信号采集;
S2:针对机匣振动信号的协同式降噪;
S3:降噪信号的包络解调;
S4:滚动轴承故障识别与定位;
所述步骤S1具体包括:
S1-1:在机匣垂直方向布置1个振动加速度传感器;
S1-2:设置振动加速度传感器的采样频率为10KHz;
S1-3:实时采集振动加速度信号,每1秒采集的振动加速度信号存储为1个样本,同时记录各样本对应机匣的轴承外滚道相对内滚道的转速频率fr;
所述步骤S2具体包括:
S2-1:采用最小熵解卷积消除各个振动加速度信号样本中滚动轴承振动信号传递路径的影响,增强其中的冲击性成分;
S2-2:对步骤S2-1处理后的信号,基于离散二进小波变换提取其共振频带信号;
S2-3:通过自相关分析抑制由步骤S2-2得到的频带信号中的非周期性成分,得到降噪信号;
所述步骤S3具体包括:
S3-1:对步骤S2-3得到的降噪信号基于Hilbert变换得到降噪信号的包络;
S3-2:对S3-1得到的包络信号进行快速傅里叶变换得到包络谱;
所述步骤S4具体包括:
S4-1:每个样本均根据该样本对应的转速频率fr与滚动轴承的尺寸参数,计算该样本对应的内圈故障特征频率、外圈故障特征频率和滚珠故障特征频率;
S4-2:对于每个样本,通过辨识包络谱中相应的特征频率附近是否存在谱峰来判定该样本对应的滚动轴承状态为:正常、内圈故障、外圈故障以及滚珠故障。
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S2-1中最小熵解卷积的具体操作为:
S2-1-1:设定迭代次数上限mmax、迭代终止阈值T和阶次参数k;
S2-1-2:计算被测振动加速度信号z(i)的自相关矩阵A,其内元素alp根据以下公式计算:
其中,N是数据长度;l和p为整数,满足1≤l≤L且1≤p≤L;
S2-1-3:根据z(i)和滤波器参数c(m)=(g(1),g(2),...,g(L))(m)计算出信号y(m)=(y(1),y(2),...,y(N))(m),其中,m是当前迭代次数,L是滤波器长度,c(m)是L维列向量,y(m)是N维列向量;
S2-1-4:根据S2-1-1设置的阶次参数k,计算b(m+1)=(b(1),b(2),...,b(L))(m+1),其中,b(m+1)是L维列向量,再根据c(m+1)=A-1b(m+1)迭代得到c(m+1);
S2-1-5:根据z(i)和滤波器参数c(m+1)=(g(1),g(2),...,g(L))(m+1)计算出信号y(m +1)=(y(1),y(2),...,y(L))(m+1);
S2-1-6:将步骤S2-1-3得到的y(m)和步骤S2-1-5得到的y(m+1)代入下式计算Ok(c(m))和Ok(c(m+1));
令E=|Ok(c(m+1))-Ok(c(m))|得到迭代误差;
S2-1-7:若m<mmax且E<T,则跳转至步骤S2-1-3,否则,输出最终的滤波器参数c(final)=c(m);
S2-1-8:根据滤波器参数c(final)和z(i)计算得到y(m),并令y(final)=y(m)作为步骤S2-1最小熵解卷积的结果。
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S2-2的详细步骤为:
S2-2-1:以步骤S2-1-8得到的离散信号y(final)作为分析信号;
S2-2-2:以db8小波作为基底对分析信号进行5层小波分解,依次得到d1、d2、d3、d4、d5共5层细节信号;
S2-2-3:令得到重构信号
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S2-3的详细步骤为:
S2-3-1:对重构信号进行离散傅里叶变换得到X(f)与其共轭X*(f);
S2-3-2:按下式计算自相关函数Rx(k):
其中,IDFT(·)是离散傅里叶逆变换;
S2-3-3:以Rx(k)作为步骤S2-3自相关分析后得到的降噪信号。
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S4-2的详细步骤为:
S4-2-1:若样本内圈故障特征频率附近有明显突出的谱峰,则判定滚动轴承存在内圈故障;
S4-2-2:若样本外圈故障特征频率附近有明显突出的谱峰,则判定滚动轴承存在外圈故障;
S4-2-3:若样本滚珠故障特征频率的2倍频附近有明显突出的谱峰,则判定滚动轴承存在内圈故障;
S4-2-4:若样本各故障特征频率及其倍频附近未发现有明显突出的谱峰,则判定滚动轴承为正常状态。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1)在传感器布置方面,仅需在机匣外部布置一个加速度传感器,无需改变亦不影响系统内部构造;
2)在诊断性能方面,相比于现有技术,故障轴承在包络谱上具有明显更为清晰的故障特征谱峰,进而能更容易地实现滚动轴承的故障定位,并降低误判率;
3)在应用对象方面,能应用于机匣振动信号的滚动轴承故障监测与诊断,并能取得理想的结果,而现有技术大多只能在轴承座信号上取得较好的效果。
附图说明
图1是本发明的方法流程图;
图2是航空发动机转子试验器结构剖面图;
图3(a)是滚动轴承在人工内圈故障下采用本发明方法得到的包络谱;
图3(b)是滚动轴承在人工内圈故障下的小波包络谱;
图4(a)是滚动轴承在人工外圈故障下采用本发明方法得到的包络谱;
图4(b)是滚动轴承在人工外圈故障下的小波包络谱;
图5(a)是滚动轴承在人工滚珠故障下采用本发明方法得到的包络谱;
图5(b)是滚动轴承在人工滚珠故障下的小波包络谱;
图6(a)是滚动轴承正常状态下采用本发明方法得到的包络谱;
图6(b)是滚动轴承正常状态下的小波包络谱;
图7(a)是机匣测点上最小熵解卷积+自相关分析的包络谱(人工内圈故障);
图7(b)是机匣测点上最小熵解卷积+小波变换的包络谱(人工内圈故障);
图7(c)是机匣测点上小波变换+自相关分析的包络谱(人工内圈故障);
图7(d)是机匣测点上本发明方法得到的包络谱(人工内圈故障);
图8是轴承座测点上得到的包络谱(人工内圈故障);
图9(a)是机匣测点上最小熵解卷积+自相关分析的包络谱(自然内圈故障);
图9(b)是机匣测点上最小熵解卷积+小波变换的包络谱(自然内圈故障);
图9(c)是机匣测点上小波变换+自相关分析的包络谱(自然内圈故障);
图9(d)是机匣测点上本发明方法得到的包络谱(自然内圈故障);
图10是轴承座测点上得到的包络谱(自然内圈故障);
图11(a)是本发明在1500rpm机匣上方测点的结果;
图11(b)是本发明在1500rpm机匣水平方向测点的结果;
图11(c)是本发明在2000rpm机匣上方测点的结果;
图11(d)是本发明在2000rpm机匣水平方向测点的结果;
图11(e)是本发明在3000rpm机匣上方测点的结果;
图11(f)是本发明在3000rpm机匣水平方向测点的结果。
图中,1-碰摩环,2-球轴承,3-涡轮盘,4-碰摩环点变形顶螺栓,5-压气机轮盘,6-滚柱轴承,7-轴。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,本发明公开了一种针对机匣振动信号的滚动轴承故障协同诊断方法,包括以下步骤:
S1:传感器布置与信号采集;
S2:针对机匣振动信号的协同式降噪;
S3:降噪信号的包络解调;
S4:滚动轴承故障识别与定位;
所述步骤S1具体包括:
S1-1:在机匣垂直方向布置1个振动加速度传感器;
S1-2:设置振动加速度传感器的采样频率为10KHz;
S1-3:实时采集振动加速度信号,每1秒采集的振动加速度信号存储为1个样本,同时记录各样本对应机匣的轴承外滚道相对内滚道的转速频率fr;
所述步骤S2具体包括:
S2-1:采用最小熵解卷积消除各个振动加速度信号样本中滚动轴承振动信号传递路径的影响,增强其中的冲击性成分;
S2-2:对步骤S2-1处理后的信号,基于离散二进小波变换提取其共振频带信号;
S2-3:通过自相关分析抑制由步骤S2-2得到的频带信号中的非周期性成分,得到降噪信号;
所述步骤S3具体包括:
S3-1:对步骤S2-3得到的降噪信号基于Hilbert变换得到降噪信号的包络;
S3-2:对S3-1得到的包络信号进行快速傅里叶变换得到包络谱;
所述步骤S4具体包括:
S4-1:每个样本均根据该样本对应的转速频率fr与滚动轴承的尺寸参数,计算该样本对应的内圈故障特征频率、外圈故障特征频率和滚珠故障特征频率;
S4-2:对于每个样本,通过辨识包络谱中相应的特征频率附近是否存在谱峰来判定该样本对应的滚动轴承状态为:正常、内圈故障、外圈故障以及滚珠故障。
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S2-1中最小熵解卷积的具体操作为:
S2-1-1:设定迭代次数上限mmax、迭代终止阈值T和阶次参数k;
S2-1-2:计算被测振动加速度信号z(i)的自相关矩阵A,其内元素alp根据以下公式计算:
其中,N是数据长度;l和p为整数,满足1≤l≤L且1≤p≤L;
S2-1-3:根据z(i)和滤波器参数c(m)=(g(1),g(2),...,g(L))(m)计算出信号y(m)=(y(1),y(2),...,y(N))(m),其中,m是当前迭代次数,L是滤波器长度,c(m)是L维列向量,y(m)是N维列向量;
S2-1-4:根据S2-1-1设置的阶次参数k,计算b(m+1)=(b(1),b(2),...,b(L))(m+1),其中,b(m+1)是L维列向量,再根据c(m+1)=A-1b(m+1)迭代得到c(m+1);
S2-1-5:根据z(i)和滤波器参数c(m+1)=(g(1),g(2),...,g(L))(m+1)计算出信号y(m +1)=(y(1),y(2),...,y(L))(m+1);
S2-1-6:将步骤S2-1-3得到的y(m)和步骤S2-1-5得到的y(m+1)代入下式计算Ok(c(m))和Ok(c(m+1));
令E=|Ok(c(m+1))-Ok(c(m))|得到迭代误差;
S2-1-7:若m<mmax且E<T,则跳转至步骤S2-1-3,否则,输出最终的滤波器参数c(final)=c(m);
S2-1-8:根据滤波器参数c(final)和z(i)计算得到y(m),并令y(final)=y(m)作为步骤S2-1最小熵解卷积的结果。
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S2-2的详细步骤为:
S2-2-1:以步骤S2-1-8得到的离散信号y(final)作为分析信号;
S2-2-2:以db8小波作为基底对分析信号进行5层小波分解,依次得到d1、d2、d3、d4、d5共5层细节信号;
S2-2-3:令得到重构信号
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S2-3的详细步骤为:
S2-3-1:对重构信号进行离散傅里叶变换得到X(f)与其共轭X*(f);
S2-3-2:按下式计算自相关函数Rx(k):
其中,IDFT(·)是离散傅里叶逆变换;
S2-3-3:以Rx(k)作为步骤S2-3自相关分析后得到的降噪信号。
作为本发明一种针对机匣振动信号的滚动轴承故障协同诊断方法进一步的优化方案,所述步骤S4-2的详细步骤为:
S4-2-1:若样本内圈故障特征频率附近有明显突出的谱峰,则判定滚动轴承存在内圈故障;
S4-2-2:若样本外圈故障特征频率附近有明显突出的谱峰,则判定滚动轴承存在外圈故障;
S4-2-3:若样本滚珠故障特征频率的2倍频附近有明显突出的谱峰,则判定滚动轴承存在内圈故障;
S4-2-4:若样本各故障特征频率及其倍频附近未发现有明显突出的谱峰,则判定滚动轴承为正常状态。
采用沈阳发动机设计研究所研制的带机匣的航空发动机转子试验器进行模拟故障轴承试验。如图2所示,试验器仿造真实航空发动机制造,大小为原发动机的三分之一;其内部结构进行相应简化:第一,对核心机支承结构进行简化,简化后的结构为0-2-0形式,此外,为了调整系统的动力特性,采用了可调刚度的支承结构;第二,对多级压气机进行简化,在试验器上对应为单级的轮盘,在结构上形成了转子-支承-叶盘-机匣的布局。其中,压气机端采用滚柱轴承作为支承,涡轮机匣端采用滚珠轴承作为支承。
试验对象为6206型球轴承,安装于航空发动机转子试验器的涡轮处,具体参数如表1所示。采用线切割加工了内圈故障、外圈故障和滚珠故障轴承。
表1轴承1的几何尺寸
型号 | 节径/mm | 厚度/mm | 滚珠直径/mm | 滚珠数 |
6206 | 46 | 16 | 9.5 | 9 |
分别对正常轴承、内圈故障轴承、外圈故障轴承和滚珠故障轴承在1500rpm和2000rpm下进行了2组试验,如表2所示。试验中分别在涡轮支点轴承座、涡轮机匣上方和涡轮机匣水平方向布置了3个振动加速度传感器,振动加速度信号通过NI USB9234数据采集器采集,加速度传感器型号为B&K 4805,采样频率为10.24kHz,每组样本的信号长度为8192。
表2试验方案(试验1)
组别 | 转速/rpm | 测点 |
1 | 1500 | 轴承座、机匣上方、机匣水平 |
2 | 2000 | 轴承座、机匣上方、机匣水平 |
(1)不同轴承状态下的结果
以1500rpm机匣上方测点为例,图3(a)和图3(b)对比了滚动轴承在内圈故障下本发明方法的包络谱和小波包络谱的结果;图4(a)和图4(b)对比了滚动轴承在外圈故障下本发明方法的包络谱和小波包络谱的结果;图5(a)和图5(b)对比了滚动轴承在滚珠故障下本发明方法的包络谱和小波包络谱的结果;图6(a)和图6(b)对比了滚动轴承在正常状态下本发明方法的包络谱和小波包络谱的结果;对于滚动轴承的内圈故障和外圈故障,小波包络谱在对应的故障特征频率处能看到相应的谱峰,但由于信噪比较低,谱峰并不是很明显;相比之下,协同诊断方法能得到更晰的谱特征。对于滚珠故障,通常更关注其特征频率的2倍频,小波包络谱上与其对应的谱峰几乎被噪声淹没,但协同诊断方法中相应的谱峰仍很明显。对于健康轴承,协同诊断包络谱和小波包络谱中均无明显谱峰。综上,在滚动轴承的故障诊断上,本发明相比小波包络谱能获得更清晰的谱特征。
(2)方法对比
进一步,图7(a)-图7(d)以2000rpm机匣上方测点的样本为例,将协同诊断方法(图7(d))与下列3种方法的包络谱进行了比较:a)最小熵解卷积+自相关,b)最小熵解卷积+小波变换,c)小波变换+自相关。同时,图8还展示了对应轴承座信号的包络谱。
如图7(a)所示,直接将最小熵解卷积与自相关分析结合几乎得不到任何有用的信息,这是因为最小熵解卷积可能增强信号中非周期性的冲击成分,而在信号本身的周期性不明显时,自相关分析的结果较差;图7(b)中内圈特征频率对应的谱峰十分明显,这说明将最小熵解卷积与小波变换结合已能获得较理想的结果,但包络谱上仍存在许多噪声频率成分干扰;图7(c)将小波变换与自相关分析相结合,包络谱中非周期性成分明显被抑制,但由于未通过最小熵解卷积对冲击信号进行增强,内圈特征频率对应的谱峰相对没那么突出。相比之下,本发明(图7(d))充分结合了最小熵解卷积、小波变换和自相关分析的优点,得到了最为理想的结果。
图7(d)与图8相比,转速的高阶倍频和特征频率的调制频率未被保留,但转速的1倍频、2倍频以及最重要的内圈特征频率十分突出。从特征频率角度来看,采用协同诊断方法对机匣测点信号分析,与直接对轴承座信号进行分析,效果相当。协同诊断方法有效地消除了信号传递路径与复杂背景噪声的影响。
上述试验中的轴承故障是采用线切割人为加工的,这与真实的轴承故障仍有很大区别。为进一步测试本发明在真实故障轴承下的效果,本节通过疲劳加速试验得到一个含早期内圈剥落故障的滚动轴承,并将该轴承安装于带机匣的转子试验器中进行试验。
为得到含真实故障的滚动轴承,首先进行了滚动轴承疲劳加速试验。试验平台改装自杭州轴承试验中心研制的ABLT-1A轴承强化试验机,由电传系统、试验头与试验头座、试验机由润滑系统、液压加载系统、电气控制系统、计算机监控系统组成。试验头置于试验头座中,试验轴承安装在试验头里。试验头中同时安装4个试验轴承,径向载荷通过传力圆盘加载到试验头上,进而传递到轴承外圈。试验对象为6206型球轴承,具体参数如表3所示。疲劳加速试验启动时,首先控制滚动轴承转速为5000rpm,径向载荷4kN;平稳运行运转两小时后,将转速提升至8000rpm,径向载荷升至8kN;两小时后,再将转速升至12000rpm,径向载荷升至10kN。试验机正常运行中中,径向载荷固定为10kN(即每套轴承承受5kN径向载荷),转速固定为12000rpm。经过91小时的连续运转,监测的振动有效值超过设定阈值,设备自动停机。最终,得到了内滚道有初始剥落的故障轴承。
表3轴承2的几何尺寸
型号 | 节径/mm | 厚度/mm | 滚珠直径/mm | 滚珠数 |
6206 | 46 | 16 | 9.7 | 9 |
在得到内滚道存在初始剥落的故障轴承后,进一步将该轴承安装于带机匣的转子试验器(见图2)中。传感器布置和数据采集均与试验1中一致,在此不再赘述。试验方案如表4所示。
表4试验方案(试验2)
组别 | 转速/rpm | 测点 |
1 | 1500 | 轴承座、机匣上方、机匣水平 |
2 | 2000 | 轴承座、机匣上方、机匣水平 |
3 | 3000 | 轴承座、机匣上方、机匣水平 |
(1)方法对比
图9(a)-图9(d)以1500rpm的机匣水平测点的样本为例,将协同诊断方法(图9(d))分别与下列3种方法的包络谱进行了比较:a)最小熵解卷积+自相关,b)最小熵解卷积+小波变换,c)小波变换+自相关。同时,图9(a)-图9(d)还展示了对应轴承座信号的包络谱。
图9(a)中的内圈特征频率基本无法辨识;图9(b)中尽管通过最小熵解卷积突出了信号中的冲击成分,但由于相应频带中的噪声成分较大,内圈特征频率对应的谱峰很难辨识;图9(c)将小波变换与自相关分析相结合,包络谱中非周期性成分明显被抑制,但由于未通过最小熵解卷积对冲击信号进行增强,内圈特征频率对应的谱峰相对较小。相比之下,本发明(图9(d))充分结合了最小熵解卷积、小波变换和自相关分析的优点,得到了最为理想的结果。
此外,采用协同诊断法对机匣测点信号得到的包络谱(图9(d))与轴承座信号的包络谱(图10)十分相似,这表明采用协同诊断法能有效地消除信号传递路径与复杂背景噪声的影响。
(2)不同转速和测点下的结果
为进一步验证本发明的泛化性能,图11(a)-图11(f)还展示了不同转速不同测点下协同诊断方法的结果,其中,图11(a)为1500rpm机匣上方测点的结果,图11(b)为1500rpm机匣水平测点的结果,图11(c)为2000rpm机匣垂直测点的结果,图11(d)为2000rpm机匣水平测点的结果,图11(e)为3000rpm机匣垂直测点的结果,图11(f)为3000rpm机匣水平测点的结果。可以看出,在不同转速和测点下,本发明都能得到理想的结果。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种针对机匣振动信号的滚动轴承故障协同诊断方法,其特征在于,包括以下步骤:
S1:传感器布置与信号采集;
S2:针对机匣振动信号的协同式降噪;
S3:降噪信号的包络解调;
S4:滚动轴承故障识别与定位;
所述步骤S1具体包括:
S1-1:在机匣垂直方向布置1个振动加速度传感器;
S1-2:设置振动加速度传感器的采样频率为10KHz;
S1-3:实时采集振动加速度信号,每1秒采集的振动加速度信号存储为1个样本,同时记录各样本对应机匣的轴承外滚道相对内滚道的转速频率fr;
所述步骤S2具体包括:
S2-1:采用最小熵解卷积消除各个振动加速度信号样本中滚动轴承振动信号传递路径的影响,增强其中的冲击性成分;
S2-2:对步骤S2-1处理后的信号,基于离散二进小波变换提取其共振频带信号;
S2-3:通过自相关分析抑制由步骤S2-2得到的频带信号中的非周期性成分,得到降噪信号;
所述步骤S3具体包括:
S3-1:对步骤S2-3得到的降噪信号基于Hilbert变换得到降噪信号的包络;
S3-2:对S3-1得到的包络信号进行快速傅里叶变换得到包络谱;
所述步骤S4具体包括:
S4-1:每个样本均根据该样本对应的转速频率fr与滚动轴承的尺寸参数,计算该样本对应的内圈故障特征频率、外圈故障特征频率和滚珠故障特征频率;
S4-2:对于每个样本,通过辨识包络谱中相应的特征频率附近是否存在谱峰来判定该样本对应的滚动轴承状态为:正常、内圈故障、外圈故障以及滚珠故障。
2.根据权利要求1所述的针对机匣振动信号的滚动轴承故障协同诊断方法,其特征在于,所述步骤S2-1中最小熵解卷积的具体操作为:
S2-1-1:设定迭代次数上限mmax、迭代终止阈值T和阶次参数k;
S2-1-2:计算被测振动加速度信号z(i)的自相关矩阵A,其内元素alp根据以下公式计算:
其中,N是数据长度;l和p为整数,满足1≤l≤L且1≤p≤L;
S2-1-3:根据z(i)和滤波器参数c(m)=(g(1),g(2),...,g(L))(m)计算出信号y(m)=(y(1),y(2),...,y(N))(m),其中,m是当前迭代次数,L是滤波器长度,c(m)是L维列向量,y(m)是N维列向量;
S2-1-4:根据S2-1-1设置的阶次参数k,计算b(m+1)=(b(1),b(2),...,b(L))(m+1),其中,b(m+1)是L维列向量,再根据c(m+1)=A-1b(m+1)迭代得到c(m+1);
S2-1-5:根据z(i)和滤波器参数c(m+1)=(g(1),g(2),...,g(L))(m+1)计算出信号y(m+1)=(y(1),y(2),...,y(L))(m+1);
S2-1-6:将步骤S2-1-3得到的y(m)和步骤S2-1-5得到的y(m+1)代入下式计算Ok(c(m))和Ok(c(m+1));
令E=|Ok(c(m+1))-Ok(c(m))|得到迭代误差;
S2-1-7:若m<mmax且E<T,则跳转至步骤S2-1-3,否则,输出最终的滤波器参数c(final)=c(m);
S2-1-8:根据滤波器参数c(final)和z(i)计算得到y(m),并令y(final)=y(m)作为步骤S2-1最小熵解卷积的结果。
3.根据权利要求2所述的针对机匣振动信号的滚动轴承故障协同诊断方法,其特征在于,所述步骤S2-2的详细步骤为:
S2-2-1:以步骤S2-1-8得到的离散信号y(final)作为分析信号;
S2-2-2:以db8小波作为基底对分析信号进行5层小波分解,依次得到d1、d2、d3、d4、d5共5层细节信号;
S2-2-3:令得到重构信号
4.根据权利要求3所述的针对机匣振动信号的滚动轴承故障协同诊断方法,其特征在于,步骤S2-3的详细步骤为:
S2-3-1:对重构信号进行离散傅里叶变换得到X(f)与其共轭X*(f);
S2-3-2:按下式计算自相关函数Rx(k):
其中,IDFT(·)是离散傅里叶逆变换;
S2-3-3:以Rx(k)作为步骤S2-3自相关分析后得到的降噪信号。
5.根据权利要求1所述的针对机匣振动信号的滚动轴承故障协同诊断方法,其特征在于,所述步骤S4-2的详细步骤为:
S4-2-1:若样本内圈故障特征频率附近有明显突出的谱峰,则判定滚动轴承存在内圈故障;
S4-2-2:若样本外圈故障特征频率附近有明显突出的谱峰,则判定滚动轴承存在外圈故障;
S4-2-3:若样本滚珠故障特征频率的2倍频附近有明显突出的谱峰,则判定滚动轴承存在内圈故障;
S4-2-4:若样本各故障特征频率及其倍频附近未发现有明显突出的谱峰,则判定滚动轴承为正常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710683448.1A CN107631877B (zh) | 2017-08-11 | 2017-08-11 | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710683448.1A CN107631877B (zh) | 2017-08-11 | 2017-08-11 | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107631877A CN107631877A (zh) | 2018-01-26 |
CN107631877B true CN107631877B (zh) | 2019-08-20 |
Family
ID=61099222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710683448.1A Active CN107631877B (zh) | 2017-08-11 | 2017-08-11 | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107631877B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168891B (zh) * | 2018-02-26 | 2020-02-07 | 成都昊铭科技有限公司 | 滚动轴承微弱故障信号特征的提取方法及设备 |
CN108426713B (zh) * | 2018-02-26 | 2020-05-01 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN108804798A (zh) * | 2018-06-04 | 2018-11-13 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障检测方法、装置及设备 |
CN108694298A (zh) * | 2018-07-04 | 2018-10-23 | 温州大学 | 一种轴向柱塞泵轴承内圈与外圈故障诊断方法 |
CN109238717A (zh) * | 2018-11-09 | 2019-01-18 | 福州大学 | 一种基于vmd-omeda的齿轮箱复合故障诊断方法 |
US11506569B2 (en) * | 2019-01-15 | 2022-11-22 | Computational Systems, Inc. | Bearing and fault frequency identification from vibration spectral plots |
CN109883706B (zh) * | 2019-04-08 | 2019-12-31 | 西安交通大学 | 一种滚动轴承局部损伤微弱故障特征提取方法 |
CN110046476B (zh) * | 2019-06-05 | 2020-10-16 | 厦门大学 | 滚动轴承故障的三元二进分形小波稀疏诊断方法 |
US11300482B2 (en) | 2019-08-06 | 2022-04-12 | Computational Systems, Inc. | Graphical differentiation of spectral frequency families |
CN110470475B (zh) * | 2019-09-04 | 2021-07-23 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN111238814B (zh) * | 2019-09-30 | 2021-08-31 | 杭州安脉盛智能技术有限公司 | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 |
CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械系统故障检测方法 |
CN112525533A (zh) * | 2020-10-30 | 2021-03-19 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种航空发动机滚珠轴承接触角的在线检测方法 |
US11499889B1 (en) | 2021-09-10 | 2022-11-15 | Computational Systems, Inc. | Fault frequency matching of periodic peaks in spectral machine data |
CN115683644B (zh) * | 2022-10-13 | 2024-01-05 | 中国航发四川燃气涡轮研究院 | 航空发动机双源拍振特征识别方法 |
CN115711738B (zh) * | 2022-10-24 | 2023-10-31 | 中国人民解放军93208部队 | 一种服役环境下航空发动机主轴承故障特征频率提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359674A (zh) * | 2014-10-20 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 基于时域与频域状态监测的高速滚动轴承故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008292288A (ja) * | 2007-05-24 | 2008-12-04 | Mitsubishi Electric Engineering Co Ltd | 減速機の軸受診断装置 |
-
2017
- 2017-08-11 CN CN201710683448.1A patent/CN107631877B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359674A (zh) * | 2014-10-20 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 基于时域与频域状态监测的高速滚动轴承故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
Non-Patent Citations (2)
Title |
---|
基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取;王宏超等;《机械工程学报》;20130131;第49卷(第1期);第88-94页 |
滚动轴承复合故障特征分离的小波-频谱自相关方法;明安波等;《机械工程学报》;20130228;第49卷(第3期);第80-87页 |
Also Published As
Publication number | Publication date |
---|---|
CN107631877A (zh) | 2018-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107631877B (zh) | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 | |
Smith et al. | Optimal demodulation-band selection for envelope-based diagnostics: A comparative study of traditional and novel tools | |
Guo et al. | Envelope order tracking for fault detection in rolling element bearings | |
Chen et al. | Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals | |
Hu et al. | An adaptive and tacholess order analysis method based on enhanced empirical wavelet transform for fault detection of bearings with varying speeds | |
Ericsson et al. | Towards automatic detection of local bearing defects in rotating machines | |
Barszcz et al. | A novel method for the optimal band selection for vibration signal demodulation and comparison with the Kurtogram | |
Feng et al. | Complex signal analysis for wind turbine planetary gearbox fault diagnosis via iterative atomic decomposition thresholding | |
CN108168891A (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
CN110987438B (zh) | 水轮发电机变转速过程周期性振动冲击信号检测的方法 | |
CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
CN110274764A (zh) | 一种基于振动加速度信号的机车电机轴承自动诊断方法 | |
Xiao et al. | A fault frequency bands location method based on improved fast spectral correlation to extract fault features in axial piston pump bearings | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN109101768A (zh) | 基于压缩感知的叶端定时传感器布局优化设计方法 | |
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 | |
Wu et al. | A carrier wave extraction method for cavitation characterization based on time synchronous average and time-frequency analysis | |
CN108647667B (zh) | 一种基于信号时频分解的频域幅值谱峭度图的实现方法 | |
RU2011147173A (ru) | Способ вибрационной диагностики и прогнозирования внезапного отказа двигателя и носитель | |
CN110163190A (zh) | 一种滚动轴承故障诊断方法及装置 | |
WO2023093315A1 (zh) | 振动信号的特征提取方法、设备分析方法及装置 | |
CN110940524A (zh) | 一种基于稀疏理论的轴承故障诊断方法 | |
CN112485028B (zh) | 振动信号的特征频谱提取方法及机械故障诊断分析方法 | |
Chen et al. | Improvement on IESFOgram for demodulation band determination in the rolling element bearings diagnosis | |
He et al. | Weak fault detection method of rolling bearing based on testing signal far away from fault source |
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 |