CN107665337B - 一种轴承滚动体故障增强诊断方法 - Google Patents

一种轴承滚动体故障增强诊断方法 Download PDF

Info

Publication number
CN107665337B
CN107665337B CN201710861623.1A CN201710861623A CN107665337B CN 107665337 B CN107665337 B CN 107665337B CN 201710861623 A CN201710861623 A CN 201710861623A CN 107665337 B CN107665337 B CN 107665337B
Authority
CN
China
Prior art keywords
rolling element
fault
rolling
strongest
bearing
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.)
Expired - Fee Related
Application number
CN201710861623.1A
Other languages
English (en)
Other versions
CN107665337A (zh
Inventor
胡雷
胡茑庆
高明
陈凌
程哲
沈建
张伦
周洋
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201710861623.1A priority Critical patent/CN107665337B/zh
Publication of CN107665337A publication Critical patent/CN107665337A/zh
Application granted granted Critical
Publication of CN107665337B publication Critical patent/CN107665337B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种轴承滚动体故障增强诊断方法，包括以下步骤：步骤S100：根据轴承运动关系为轴承中每一个滚动体搜索最强故障冲击的索引序列，并利用所述索引序列提取出每一个滚动体的最强故障冲击；步骤S200：对提取的每一个滚动体的最强故障冲击进行带通滤波和解调，生成每一个滚动体的最强故障冲击包络；步骤S300：将每一个滚动体的最强故障冲击包络进行总体平均得到包络总体平均信号，并将每一个滚动体的包络总体平均信号进行归一化处理后用于诊断滚动体故障。能够提高轴承滚动体故障诊断的敏感性和有效性，同时减少轴承滚动体故障诊断的计算量。

Description

一种轴承滚动体故障增强诊断方法
技术领域
本发明涉及到健康监测与故障诊断领域，尤其涉及一种轴承滚动体故障增强诊断方法。
背景技术
滚动轴承故障若没有被及时发现并采取控制措施，将可能引起整个旋转机械失效。轴承的故障诊断可以为旋转机械的维修决策提供支持，预防失效。基于振动的轴承故障诊断方法，假设滚动体经过故障位置时，会造成冲击响应。在轴转速固定的情况下，故障引起的故障冲击是周期的。这些周期响应被称作滚动轴承的故障特征频率成分。滚动轴承的故障特征频率如下：
外环通过频率：
Figure GDA0002245353620000011
内环通过频率：
Figure GDA0002245353620000012
滚动体自转频率：
Figure GDA0002245353620000013
其中，Z是滚动体个数，d是滚动体直径，D是节经，α是接触角，fr是轴的旋转频率。对于滚动体故障而言，滚动体每自转一圈，滚动体上的局部故障就会碰外环和内环各一次，生成两个脉冲。因此2fBS通常作为用来检测滚动体故障的基础频率。
滚动体故障和内环故障通常比外环故障更难检测，特别是在故障特征频率成分被噪声淹没的情况下。参见图1和图2，图1为轴承承载区示意图，图2为不同类型轴承故障的响应特征图。这里假设载荷垂直向下。外环固定，外环故障通常发生在承载区，冲击载荷没有调制。对比之下，内环和滚动体是运动部件，它们相对于承载区的位置随着转动不断地发生变化。因此，在故障点进入承载区和离开承载区时，其造成的冲击幅值会被调制。内环随轴转动，调制频率为fr。滚动体随保持架转动，其调制频率是保持架旋转频率fc＝fBPFO/Z。在故障大小相同的情况下，传感器能够检测到的外环故障冲击的幅值会比内环和滚动体故障冲击的幅值大。
时域同步平均法是一种广为人知的用于定轴齿轮的信号预处理方法。首先，齿轮振动信号被划分为一系列的信号段，信号段的长度等于目标频率成分对应的周期。然后对这些信号段求平均，那些频率不是目标频率整数倍的频率成分，以及噪声就会降低。同步平均信号的幅频特性表现为由一系列均匀分布的带通滤波器及他们的边带组成的梳齿滤波器。这些带通滤波器的中心频率就是轴的转频及其倍频分量，因此与转频不成整数倍关系的频率成分就会被梳齿滤波器滤掉。
时域同步平均法要求分割后的信号段必须严格时域同步，哪怕很小的相位误差也会引起很大的信息损失。因此在执行时域同步平均时，通常要使用到编码器或者转速器测量鉴相信号，然后使用鉴相信号对振动信号做角域重采样。即轴每转一周，等角度地采集整数个采样点。然后以转频为触发执行同步平均，转频的谐波分量就可以通过梳齿滤波器。定轴齿轮的故障特征频率通常是轴旋转频率的齿轮齿数倍，因此时域同步平均法可以成功的用于定轴齿轮的故障诊断。
但是，轴承的故障频率并不是轴的转频的整数倍，因此转频不能作为触发信号执行时域同步平均法。而且，由于存在转速波动和滚动体滑动，无法保证轴承的分离信号严格同步。综上，时域同步平均不能直接用于轴承的故障诊断。
因此如何能够提高轴承滚动体故障诊断的敏感性和有效性，同时减少轴承滚动体故障诊断的计算量是本领域技术人员亟待解决的问题。
发明内容
基于上述技术难题，本发明提供一种轴承滚动体故障增强诊断方法，能够提高轴承滚动体故障诊断的敏感性和有效性，同时减少轴承滚动体故障诊断的计算量。
本发明提供的一种轴承滚动体故障增强诊断方法，包括以下步骤：
步骤S100：根据轴承运动关系为轴承中每一个滚动体搜索最强故障冲击的索引序列，并利用所述索引序列提取出每一个滚动体的最强故障冲击；
步骤S200：对提取的每一个滚动体的最强故障冲击进行带通滤波和解调，生成每一个滚动体的最强故障冲击包络；
步骤S300：将每一个滚动体的最强故障冲击包络进行总体平均得到包络总体平均信号，并将每一个滚动体的包络总体平均信号进行归一化处理后用于诊断滚动体故障。
优选地，所述步骤S100具体为：
步骤S101：按照滚动体通过轴承承载中心点的顺序，给依次通过承载中心点的滚动体编号为1～Z，Z为滚动体个数；
步骤S102：根据滚动体的直径d，外环滚道直径dO，两个滚动体之间的夹角δ，计算滚动体自转一周在外环滚道上走过的弧长对应的中心角为θS，第1个滚动体的第j个自转周期的相位角
Figure GDA0002245353620000031
从而得到第i个滚动体的第j个自转周期的相位角
Figure GDA0002245353620000032
步骤S103：基于长度为N的振动信号X＝[x1,x2,…xN]，针对每一个滚动体i都生成长度为J的渐进的周期相位角序列
Figure GDA0002245353620000033
将相位序列Ψi对2π取余，生成位于[0,2π]之间的相位序列，其中J是自转周期的个数，
Figure GDA0002245353620000034
表示J维实向量全集；
步骤S104：在每一个滚动体取余后的相位序列中搜索满足预设条件的自转周期索引，生成每一个滚动体i的最强故障冲击序列
Figure GDA0002245353620000035
其中K是最强故障冲击周期的个数，
Figure GDA0002245353620000036
表示K维自然数向量全集。
优选地，所述步骤S104中的预设条件具体为：
Figure GDA0002245353620000037
优选地，根据步骤S104中所述每一个滚动体的最强故障冲击序列生成每一个滚动体的最强故障冲击矩阵具体为：
Figure GDA0002245353620000038
其中，Mi是第i个滚动体的最强故障冲击矩阵，Mi,k是第i个滚动体的第k个最强故障冲击序列，di,k表示第i个滚动体第k个最强故障冲击周期的索引，x(di,k)表示振动信号序列的第di,k个采样点，L2是最强故障冲击周期的取整长度L2＝[(θs/2π)/fc×Fs]，Fs是采样频率。
优选地，所述步骤S200中每一个滚动体的最强故障冲击包络具体为：
Figure GDA0002245353620000039
其中，Hi是第i个滚动体的最强故障冲击包络矩阵，Hi,k是第i个滚动体的第k个最强故障冲击序列的包络信号，即Hi,k是Mi,k的希尔伯特变换，h(di,k)表示包络信号序列的第di,k个采样点。
优选地，所述步骤S300中所述包络总体平均信号为：
Figure GDA0002245353620000041
所述每一个滚动体的包络总体平均信号进行归一化处理具体为：
Figure GDA0002245353620000042
该方法具有如下优点：(1)由于使用了信号分离、带通滤波、包络解调、总体平均等降噪处理技术，该方法的故障敏感性高；(2)由于用于诊断的信息是最强故障冲击的包络波形，而包络波形对相位误差不敏感，因此该方法对转速波动和滚动体滑动不敏感；(3)不需要使用转速计或光学编码器；(4)由于该方法的信号处理技术都是应用于分离后的最强故障冲击短信号，因此计算量小。由于具有这些优点，该方法可以方便地在线实现，有效性高。
附图说明
图1为轴承承载区示意图；
图2为不同类型轴承故障的响应特征图；
图3为本发明提供的第一种轴承滚动体故障增强诊断方法的流程图；
图4为本发明提供的第二种轴承滚动体故障增强诊断方法的流程图；
图5为轴承运动关系示意图；
图6为一种机械故障仿真试验平台结构示意图；
图7为在图6所属仿真实验平台上进行测试得到的一次径向振动信号及其频谱和包络谱；
图8为信号通过第二种轴承滚动体故障增强诊断方法处理结果。
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的技术方案，下面结合附图对本发明作进一步的详细说明。
参见图3，图3为本发明提供的第一种轴承滚动体故障增强诊断方法的流程图。
一种轴承滚动体故障增强诊断方法，包括以下步骤：
步骤S100：根据轴承运动关系为轴承中每一个滚动体搜索最强故障冲击的索引序列，并利用所述索引序列提取出每一个滚动体的最强故障冲击，即分离出最强故障冲击短信号，作为原始最强故障冲击信号；
步骤S200：对提取的每一个滚动体的最强故障冲击进行带通滤波和解调，生成每一个滚动体的最强故障冲击包络；
步骤S300：将每一个滚动体的最强故障冲击包络进行总体平均得到包络总体平均信号，并将每一个滚动体的包络总体平均信号进行归一化处理后用于诊断滚动体故障。
故障滚动体每自转一周，将分别与外圈滚道和内圈滚道分别接触一次，引起两次故障冲击响应。当滚动体经过承载中心时，引起的故障冲击响应最强，称为最强故障冲击。基于这一特点，根据轴承运动关系，针对每一个滚动体，为轴承中每一个滚动体搜索最强故障冲击的索引序列，并利用所述索引序列提取出每一个滚动体的最强故障冲击。对提取的每一个滚动体的最强故障冲击进行带通滤波和解调，生成每一个滚动体的最强故障冲击包络，将每一个滚动体的最强故障冲击包络进行总体平均得到包络总体平均信号，并将每一个滚动体的包络总体平均信号进行归一化处理后用于诊断滚动体故障。
该方法具有如下优点：(1)由于使用了信号分离、带通滤波、包络解调、总体平均等降噪处理技术，该方法的故障敏感性高；(2)由于用于诊断的信息是最强故障冲击的包络波形，而包络波形对相位误差不敏感，因此该方法对转速波动和滚动体滑动不敏感；(3)不需要使用转速计或光学编码器；(4)由于该方法的信号处理技术都是应用于分离后的最强故障冲击短信号，因此计算量小。由于具有这些优点，该方法可以方便地在线实现，有效性高。
参见图4和图5，图4为本发明提供的第二种轴承滚动体故障增强诊断方法的流程图，图5为轴承运动关系示意图。
本发明还提供一种轴承滚动体故障增强诊断方法，所述方法包括以下步骤：
步骤S101：按照滚动体通过轴承承载中心点的顺序，给依次通过承载中心点的滚动体编号为1～Z，Z为滚动体个数。
步骤S102：根据滚动体的直径d，外环滚道直径dO，两个滚动体之间的夹角δ，计算滚动体自转一周在外环滚道上走过的弧长对应的中心角为θS，第1个滚动体的第j个自转周期的相位角
Figure GDA0002245353620000061
从而得到第i个滚动体的第j个自转周期的相位角
Figure GDA0002245353620000062
根据图5所示轴承运动关系，滚动体以保持架旋转频率fc为速度绕轴公转，以频率fBS为转速绕自身的中心自转。承载区中心点为P。根据轴承运动几何关系，相邻两个滚动体之间的夹角为δ＝2π/Z，定义该夹角为滚动体分离中心角。定义第一个通过中心点的滚动体为第1个滚动体，将后续依次通过中心点P的滚动体分别定义为第2个,第3个,…,和第Z个滚动体。滚动体自转一周在外环滚道上走过的弧长为πd，其中d为滚动体直径。
该段弧对应的中心角为：
Figure GDA0002245353620000063
其中do为外环滚道直径，如图5所示，定义第1个滚动体的第1个自转周期的初始相位角为
Figure GDA0002245353620000064
则第1个滚动体的第j个自转周期的相位角可以表示为
Figure GDA0002245353620000065
Figure GDA0002245353620000066
这样，第1个滚动体的前8个自转周期如图5所示。类似的，可以计算第i个滚动体的第j个自转周期的相位角为
Figure GDA0002245353620000067
Figure GDA0002245353620000068
对于任意第i个滚动体，保持架每公转一周，滚动体都有一个自转周期穿过承载中心P。显然，在穿过承载中心P的自转周期里，滚动体承载最大，故障引起的冲击最强。因而，将这样的周期称作最强故障冲击周期。以第1个滚动体为例，如图5所示，第1个自转周期即是在第1个公转周期里的最强故障冲击周期，第7个自转周期即是在第2个公转周期里的最强故障冲击周期，以此类推。
步骤S103：基于长度为N的振动信号X＝[x1,x2,…xN]，针对每一个滚动体i都生成长度为J的渐进的周期相位角序列
Figure GDA0002245353620000069
将相位序列Ψi对2π取余，生成位于[0,2π]之间的相位序列，其中J是自转周期的个数，
Figure GDA00022453536200000610
表示J维实向量全集；
步骤S104：在每一个滚动体取余后的相位序列中搜索满足预设条件的自转周期索引，生成每一个滚动体i的最强故障冲击索引序列
Figure GDA00022453536200000611
其中K是最强故障冲击周期的个数，
Figure GDA0002245353620000071
表示K维自然数向量全集。
所述步骤S104中的预设条件具体为：
Figure GDA0002245353620000072
根据步骤S104中所述每一个滚动体的最强故障冲击序列生成每一个滚动体的最强故障冲击矩阵具体为：
Figure GDA0002245353620000073
其中，Mi是第i个滚动体的最强故障冲击矩阵，Mi,k是第i个滚动体的第k个最强故障冲击序列，di,k表示第i个滚动体的第k个最强故障冲击周期的索引，x(di,k)表示振动信号序列的第di,k个采样点，L2是最强故障冲击周期的取整长度L2＝[(θs/2π)/fc×Fs]，Fs是采样频率。
如果忽略轴心与滚动体中心连线和故障点之间的夹角γ，如图5所示。第1个滚动体的初始相位
Figure GDA0002245353620000074
是最强故障冲击提取方法中使用到的唯一一个未知变量。一旦
Figure GDA0002245353620000075
确定，第i个滚动体的第j个自转周期的相位
Figure GDA0002245353620000076
就可以根据式(6)～(7)确定。第1个滚动体的初始相位
Figure GDA0002245353620000077
可以通过使用光学传感器测量保持架转速信号来确定，但是在轴承内部安装嵌入式的光学传感器在绝大多数情况下都是不可行的。但是轴承故障诊断的首要任务是确定滚动体有没有故障，而不是确定哪一个滚动体发生了故障，因此，第1个滚动体的初始相位
Figure GDA0002245353620000078
可以设置成任意值。
步骤S200：对提取的每一个滚动体的最强故障冲击进行带通滤波和解调，生成每一个滚动体的最强故障冲击包络，所述每一个滚动体的最强故障冲击包络具体为：
Figure GDA0002245353620000079
其中，Hi是第i个滚动体的最强故障冲击包络矩阵，Hi,k是第i个滚动体的第k个最强故障冲击包络，Hi,k是最强故障冲击Mi,k的希尔伯特变换，h(di,k)表示包络信号序列的第di,k个采样点。
设计以固有频率为中心，频带内包含若干故障频率边带的带通滤波器，对最强故障冲击滤波，以增强故障信息特征。然后对滤波后的最强故障冲击解调，生成一个最强故障冲击包络矩阵。由于存在转速随机波动和滚动体滑动引起的相位误差，最强故障冲击并不是严格同步的，如果直接对最强故障冲击进行平均，故障冲击响应的波形会出现非常大的信息损失。因此，根据轴承运动关系为轴承中每一个滚动体搜索最强故障冲击的索引序列，并利用所述索引序列提取出的最强故障冲击。针对提取的最强故障冲击的包络执行总体平均，相比于原始最强故障冲击，最强故障冲击的包络对相位误差不敏感。
步骤S300：将每一个滚动体的最强故障冲击包络进行总体平均得到包络总体平均信号，并将每一个滚动体的包络总体平均信号进行归一化处理后用于诊断滚动体故障。
所述包络总体平均信号为：
Figure GDA0002245353620000081
所述每一个滚动体的包络总体平均信号进行归一化处理具体为：
Figure GDA0002245353620000082
最强故障冲击总体平均与归一化是本方法的最后一步，实现的是时域同步平均法的传统降噪思想。简单起见，将总体平均结果Ei(t)称作包络总体平均特征信号。为了便于比较，对包络总体平均特征信号特征做归一化处理。这样，归一化之后的Ei'(t)有局部最小值0和全局最大值1。由于在最强故障冲击周期内，故障冲击的强度更大，故障滚动体的冲击峰值接近1，该峰值从故障滚动体到距离故障滚动体越来越远的滚动体逐渐减小。
参见图6至图8，图6为所示为一种机械故障仿真试验平台的结构示意图，图7为在图6所属仿真实验平台上进行测试得到的一次径向振动信号及其频谱和包络谱，图8为信号通过第二种轴承滚动体故障增强诊断方法处理结果。以下将进一步举例说明轴承滚动体故障增强诊断方法。
参见图6，使用从机械故障仿真测试平台上采集的实际振动信号对第二种轴承滚动体故障增强诊断方法进行验证。被测轴承(MB ER-10K)有8个滚动体。用于计算故障特征频率的几何参数包括滚动体直径d＝0.3125inch，节经D＝1.319inch，接触角α＝0。滚动体自转频率fBSF＝1.992fr，公转频率为fC＝fBPFO/Z＝10.3815fr。
图6为机械故障仿真试验平台结构示意图，带有局部滚动体故障的轴承安装在左侧轴承座上。轴上安装一个重量为5kg的惯性轮，借助惯性轮的重力(5kg×9.8m·s)提供竖直向下的径向载荷，以激发轴承故障响应。加速度传感器安装在轴承座上，用于测试径向的振动加速度信号。
图7所示为一次测试得到的径向振动信号，测试持续14秒。图7(a)为在图6所属仿真实验平台上进行测试得到的一次径向振动时域信号，图7(b)为图7(a)所述径向振动信号的频谱，图7(c)为图7(a)所述径向振动信号的包络谱。信号采样频率为25.6kHz。由于滚动体是球形滚珠，滚动体上的故障点可能位于轴向，因此故障可能在有些自转周期内并不会接触滚道，信号中只有在部分时段才会产生故障冲击。从图7(a)所示的时域信号中可以看出，在0.7～3.8s和9.9～13.4s时段内，出现的故障冲击较大。使用信号中转频的高阶谐波分量估计得到轴的旋转频率是30.12Hz，对应的故障频率是2·fBS＝119.99Hz，故障周期是0.0083s。保持架调制频率为fC＝11.49Hz。
从图7(b)所示的信号频谱中可以看出，有几个幅值较大的共振频带。带通滤波器的截止频率选定图中用红线标注的4797Hz和5648Hz。从图7(c)中信号的包络谱中可以看出，在故障频率2fBS及其2倍、4倍谐波分量处有峰值出现。但是由于在包络谱中有其它明显的频率分量和背景信号，可能会造成故障检测结果的不确定性。
图8所示为振动信号通过第二种轴承滚动体故障增强诊断方法的处理结果，从图中可以看出，在第1个至第8个滚动体的包络总体平均特征信号中，都有两个明显的间隔约为一个故障周期的脉冲。脉冲在第3个和第4个滚动体的包络总体平均特征信号中幅值最大，在第6个滚动体的包络总体平均特征信号中幅值最小。可以根据所有滚动体的包络总体平均特征信号中都有明显的两个冲击，明确地判断出有滚动体发生了故障。特别的，第3个和第4个号滚动体的包络总体平均特征信号中，脉冲最突出，可以确认这两个滚动体中的一个或两个发生了故障。
以上对本发明所提供的一种轴承滚动体故障增强诊断方法进行了详细介绍。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 (5)

1.一种轴承滚动体故障增强诊断方法，其特征在于，包括以下步骤：
步骤S100：根据轴承运动关系为轴承中每一个滚动体搜索最强故障冲击的索引序列，并利用所述索引序列提取出每一个滚动体的最强故障冲击；
步骤S200：对提取的每一个滚动体的最强故障冲击进行带通滤波和解调，生成每一个滚动体的最强故障冲击包络；
步骤S300：将每一个滚动体的最强故障冲击包络进行总体平均得到包络总体平均信号，并将每一个滚动体的包络总体平均信号进行归一化处理后用于诊断滚动体故障；
其中，所述步骤S100具体为：
步骤S101：按照滚动体通过轴承承载中心点的顺序，给依次通过承载中心点的滚动体编号为1～Z，Z为滚动体个数；
步骤S102：根据滚动体的直径d，外环滚道直径dO，两个滚动体之间的夹角δ，计算滚动体自转一周在外环滚道上走过的弧长对应的中心角为θS，第1个滚动体的第j个自转周期的相位角
Figure FDA0002245353610000011
从而得到第i个滚动体的第j个自转周期的相位角
Figure FDA0002245353610000012
步骤S103：基于长度为N的振动信号X＝[x1,x2,…xN]，针对每一个滚动体i都生成长度为J的渐进的周期相位角序列
Figure FDA0002245353610000013
将相位序列Ψi对2π取余，生成位于[0,2π]之间的相位序列，其中J是自转周期的个数，
Figure FDA0002245353610000014
表示J维实向量全集；
步骤S104：在每一个滚动体取余后的相位序列中搜索满足预设条件的自转周期索引，生成每一个滚动体i的最强故障冲击索引序列
Figure FDA0002245353610000015
其中K是最强故障冲击周期的个数，
Figure FDA0002245353610000016
表示K维自然数向量全集。
2.根据权利要求1所述的轴承滚动体故障增强诊断方法，其特征在于，所述步骤S104中的预设条件具体为：
Figure FDA0002245353610000017
3.根据权利要求2所述的轴承滚动体故障增强诊断方法，其特征在于，根据步骤S104中每一个滚动体的最强故障冲击序列生成每一个滚动体的最强故障冲击矩阵具体为：
Figure FDA0002245353610000021
其中，Mi是第i个滚动体的最强故障冲击矩阵，Mi,k是第i个滚动体的第k个最强故障冲击序列，di,k表示第i个滚动体第k个最强故障冲击周期的索引，x(di,k)表示振动信号序列的第di,k个采样点，L2是最强故障冲击周期的取整长度L2＝[(θs/2π)/fc×Fs]，Fs是采样频率，fc是保持架旋转频率。
4.根据权利要求3所述的轴承滚动体故障增强诊断方法，其特征在于，所述步骤S200中每一个滚动体的最强故障冲击包络具体为：
Figure FDA0002245353610000022
其中，Hi是第i个滚动体的最强故障冲击包络矩阵，Hi,k是第i个滚动体的第k个最强故障冲击序列的包络信号，即Hi,k是Mi,k的希尔伯特变换，h(di,k)表示包络信号序列的第di,k个采样点。
5.根据权利要求4所述的轴承滚动体故障增强诊断方法，其特征在于，所述步骤S300中所述包络总体平均信号为：
Figure FDA0002245353610000023
所述每一个滚动体的包络总体平均信号进行归一化处理具体为：
Figure FDA0002245353610000024
CN201710861623.1A 2017-09-21 2017-09-21 一种轴承滚动体故障增强诊断方法 Expired - Fee Related CN107665337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710861623.1A CN107665337B (zh) 2017-09-21 2017-09-21 一种轴承滚动体故障增强诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710861623.1A CN107665337B (zh) 2017-09-21 2017-09-21 一种轴承滚动体故障增强诊断方法

Publications (2)

Publication Number Publication Date
CN107665337A CN107665337A (zh) 2018-02-06
CN107665337B true CN107665337B (zh) 2020-04-14

Family

ID=61097103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710861623.1A Expired - Fee Related CN107665337B (zh) 2017-09-21 2017-09-21 一种轴承滚动体故障增强诊断方法

Country Status (1)

Country Link
CN (1) CN107665337B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109839272B (zh) * 2019-03-25 2021-01-08 湖南工业大学 基于故障冲击提取与自相关总体平均的轴承故障诊断方法
CN110836770A (zh) * 2019-11-21 2020-02-25 荆州市巨鲸传动机械有限公司 基于神经网络与特征频段的齿轮箱自动化故障诊断方法
CN112330615B (zh) * 2020-10-27 2022-11-29 华能新能源股份有限公司河北分公司 一种转动部件高强度螺栓状态监测方法及系统
CN113295416B (zh) * 2021-05-21 2022-04-15 中国人民解放军国防科技大学 一种基于频谱的轴承故障分类方法及系统
CN113804388B (zh) * 2021-09-15 2024-04-02 西安因联信息科技有限公司 基于时域分析的机械设备旋转冲击故障检测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620024B (zh) * 2009-03-04 2011-09-07 唐德尧 一种机械故障冲击的共振解调检测方法
CN102269655B (zh) * 2010-06-04 2014-12-17 北京化工大学 一种轴承故障的诊断方法
CN102269644B (zh) * 2010-06-07 2014-06-04 北京化工大学 基于最优自适应小波滤波器的滚动轴承与齿轮冲击性故障诊断方法
US20150204757A1 (en) * 2014-01-17 2015-07-23 United States Of America As Represented By The Secretary Of The Navy Method for Implementing Rolling Element Bearing Damage Diagnosis
CN104792528A (zh) * 2014-01-22 2015-07-22 中国人民解放军海军工程大学 一种自适应最优包络解调方法
CN106053871A (zh) * 2016-07-25 2016-10-26 昆明理工大学 一种通过滚动轴承滚道剥落故障对应冲击特征提取转速的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
变工况下轴承健康监测的相关向量机与自适应阈值模型方法;胡雷 等;《国防科技大学学报》;20160229;第38卷(第1期);第168-174页 *

Also Published As

Publication number Publication date
CN107665337A (zh) 2018-02-06

Similar Documents

Publication Publication Date Title
CN107665337B (zh) 一种轴承滚动体故障增强诊断方法
CN110470475B (zh) 一种航空发动机中介轴承早期微弱故障诊断方法
Wang et al. An online tacholess order tracking technique based on generalized demodulation for rolling bearing fault detection
Sheng Wind turbine gearbox condition monitoring round robin study-vibration analysis
McCormick et al. Cyclostationarity in rotating machine vibrations
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
CN108151869B (zh) 一种机械振动特征指标提取方法、系统及装置
CN109946081B (zh) 一种用于变转速下滚动轴承打滑时的故障诊断方法
CN110163190B (zh) 一种滚动轴承故障诊断方法及装置
CN105865794B (zh) 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法
JPH09113416A (ja) ころがり軸受の損傷診断方法
CN102483368A (zh) 探测包括转动机件的机械组件的结构性缺陷的方法
CN111238812B (zh) 一种滚动轴承保持架故障的自诊断方法
CN109839272B (zh) 基于故障冲击提取与自相关总体平均的轴承故障诊断方法
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN116659860B (zh) 一种服役环境下航空发动机主轴承故障演化监测新方法
Hu et al. Extraction of the largest amplitude impact transients for diagnosing rolling element defects in bearings
Wang et al. Bearing fault diagnosis method based on hilbert envelope demodulation analysis
CN113239613A (zh) 一种水轮机组摆度报警判断方法
Wu et al. Defect diagnostics of roller bearing using instantaneous frequency normalization under fluctuant rotating speed
CN109556895A (zh) 旋转机械的故障分析方法及装置
Wang et al. Tacholess order-tracking approach for wind turbine gearbox fault detection
CN111521399A (zh) 一种基于峭度指标与包络谱的空间轴承早期故障诊断方法
CN105987809A (zh) 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法
CN114739671A (zh) 一种基于改进广义s变换的轴承故障诊断方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200414

Termination date: 20200921