CN108106830A - 一种基于时频谱分割的变速旋转机械故障诊断方法 - Google Patents
一种基于时频谱分割的变速旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN108106830A CN108106830A CN201711346416.9A CN201711346416A CN108106830A CN 108106830 A CN108106830 A CN 108106830A CN 201711346416 A CN201711346416 A CN 201711346416A CN 108106830 A CN108106830 A CN 108106830A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency spectrum
- fault
- optimal
- variable speed
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 title claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 30
- 230000007797 corrosion Effects 0.000 claims abstract description 10
- 238000005260 corrosion Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 5
- 208000037656 Respiratory Sounds Diseases 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于时频谱分割的变速旋转机械故障诊断方法,包括如下步骤:步骤一,通过多分辨率广义S变换获取信号的归一化时频谱,生成多分辨率二值化时频谱,步骤二,将所有分辨率下的二值化时频谱进行融合,获得一个最优的二值化时频谱,步骤三,将最优的二值化时频谱分割成若干个连通域,并对每个连通域进行信息标注,步骤四,提取各连通域的最佳表示原子,构成最佳原子集合,计算故障信号在最佳原子集合下的表示,步骤五、计算冲击理论出现时间和幅值,通过信息比对实现变速机械设备的故障诊断。本发明滤除绝大部分的强背景噪声并且可以对变速旋转机械的裂纹、点蚀或剥落等冲击类故障进行快速、有效的故障诊断。
Description
技术领域
本发明涉及旋转机械故障诊断领域,尤其涉及一种基于时频谱分割的变速旋转机械故障诊断方法。
背景技术
旋转机械设备的关键旋转部件的故障诊断在保障设备安全稳定运行和剩余寿命预测中起着至关重要的作用。在旋转部件出现冲击类故障,如点蚀、裂纹、剥落等,会产生阻尼振动,通过加速度传感器采集的振动信号表现为脉冲衰减信号,对这类脉冲衰减信号的识别和提取是实现故障诊断的前提。对于稳定转速的机械设备,其脉冲衰减信号的特征是周期性、稀疏性和微弱性,最终可通过故障特征频率确定故障类型;而对于变速的机械设备,其脉冲衰减信号的特征是非周期性的、稀疏性和微弱性,即使故障特征信号被准确提取出来,依然无法直接通过故障特征频率确定旋转部件的故障类型。
传统的针对变速旋转机械的故障诊断方法,大多是通过广义解调方法,将信号的时频信息通过时频谱进行处理,通过抵消转频随时间的变化趋势,计算瞬时故障特征频率。这类方法在处理变速电机电流故障信号和变速旋转机械的磨损类故障中具有良好的效果。但是,由于冲击类故障的冲击成分基本与转频无严格的关联,无法通过时频谱获取转频随时间变化的趋势信息,更无法计算瞬时故障特征频率,因此,难以解决变速旋转机械的裂纹、点蚀或剥落等故障诊断问题。
文献检索查到相关专利:2007年08月01日公开的申请号为CN201610841544.X的发明专利《基于卷积神经网络和小波灰度图的旋转机械故障诊断方法》,提供基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,包括小波分解方法和卷积神经网络方法,将振动信号进行多尺度小波分解以得到小波灰度图;再将小波灰度图输入到卷积神经网络进行分析诊断以得到旋转机械的故障诊断结果。
但是,上述专利存在两大缺陷:①对于低信噪比的冲击类故障信号,小波分解的效果与所选小波基、分解层数等直接相关,很难将微弱的高频振荡的冲击信号从强噪声中提取出来;②针对变速旋转机械,由于信号的不确定性,难以通过有限的样本训练出有效的神经网络模型,因此,无法对变速旋转机械进行故障诊断。
发明内容
本发明的目的在于提供一种基于时频谱分割的变速旋转机械故障诊断方法,以解决上述问题。
本发明采用了如下技术方案:
一种基于时频谱分割的变速旋转机械故障诊断方法,其特征在于,包括如下步骤:
步骤一,通过多分辨率广义S变换获取信号的归一化时频谱,经过二值化处理,生成多分辨率二值化时频谱,
步骤二,根据图像融合规则,将所有分辨率下的二值化时频谱进行融合,获得一个最优的二值化时频谱,
步骤三,采用图像分割方法,将最优的二值化时频谱分割成若干个连通域,并对每个连通域进行信息标注,
步骤四,提取各连通域的最佳表示原子,构成最佳原子集合,计算故障信号在最佳原子集合下的表示,
步骤五、根据转速信息、故障冲击信息和故障产生机理,计算冲击理论出现时间和幅值,通过信息比对实现变速机械设备的故障诊断。
进一步,本发明的基于时频谱分割的变速旋转机械故障诊断方法,还可以具有这样的特征:
步骤一中包括如下步骤:
在采集故障振动信号后,根据下面表达式,计算出不同尺度下的广义S变换结果:
再通过归一化处理,计算出归一化时频结果:
其中,
GST——广义S变换;
MGST——多分辨率广义S变换
x(t)——故障振动信号;
u——位移因子;
f——频率因子;
λ——尺度因子;
——归一化参数。
通过图像的二值化处理,将所有的时频谱转换成二值时频谱:
二值化处理的阈值选择规则如式(3)所示:
二值化的具体操作如式(4)所示:
其中,
t——二值化阈值
aλ——尺度因子为λ的时频谱对应的数据矩阵;
N——矩阵a的数据总个数;
i——矩阵a的行索引值;
j——矩阵a的列索引值。
进一步,本发明的基于时频谱分割的变速旋转机械故障诊断方法,还可以具有这样的特征:
步骤二中,根据图像融合规则,将所有分辨率下的二值化时频谱进行融合,获得一个最优的二值化时频谱,
其中,
a——最优二值化时频谱对应的数据矩阵;
Π——所有元素的并运算;
λ0——第1个尺度因子;
λm——第m-1个尺度因子。
进一步,本发明的基于时频谱分割的变速旋转机械故障诊断方法,还可以具有这样的特征:
步骤三中,采用像素点8连通的原则,将最优二值化时频谱分割成若干个独立的连通域,并对每个连通域进行编号标准。
进一步,本发明的基于时频谱分割的变速旋转机械故障诊断方法,还可以具有这样的特征:
计算步骤一的多分辨率归一化时频谱在每个标注后的连通域范围内的能量最大值,并根据最大值对应的时频信息提取各连通域的最佳表示原子,构成最佳原子集合,然后,计算出故障信号在最佳原子集合下的稀疏表示,从而提取故障特征信号和滤除噪声。
进一步,本发明的基于时频谱分割的变速旋转机械故障诊断方法,还可以具有这样的特征:
根据步骤四提取的故障特征信号的任意一个冲击信息,结合采集的瞬时转频信息和冲击类故障产生的机理,分别计算出旋转部件轴承外圈、内圈、滚动体在出现裂纹、点蚀或剥落时的理想信号,最后,通过信号的信息比对,及与不同故障位置的理想信号的相关性比较,对故障位置进行判断,实现变速旋转机械裂纹、点蚀和剥落冲击类故障的诊断。
进一步,本发明的基于时频谱分割的变速旋转机械故障诊断方法,还可以具有这样的特征:
其中,多分辨率广义S变换中尺度因子的取值范围,设置为[0.1,2.0],以间隔0.1的步长进行采样。
发明的有益效果
本发明的基于时频谱分割的变速旋转机械故障诊断方法的有益效果是:①通过时频谱分割可以快速提取出故障的冲击信号特征,将信号进行稀疏表示,滤除绝大部分的强背景噪声;②根据信号稀疏分解的原子时频信息,和设备的运行参数及机械参数,采用信息比对,可对变速旋转机械的裂纹、点蚀或剥落等冲击类故障进行快速、有效的故障诊断。
附图说明
图1是本发明的流程图;
图2是案例1中的原始信号;
图3是对原始信号进行经典的Hilbert包络谱分析得到的曲线;
图4是λ=0.6时的归一化时频谱;
图5是λ=0.8时的归一化时频谱;
图6是λ=1.5时的归一化时频谱;
图7是λ=0.6时的二值化时频谱;
图8是λ=0.8时的二值化时频谱;
图9是λ=1.5时的二值化时频谱;
图10是最优化的二值化时频谱;
图11是独立标注后的连通域;
图12是故障信号的稀疏表示结果;
图13是故障信号的残差信号结果;
图14采集到的振动信号图;
图15是振动信号的Hilbert包络谱;
图16是本发明的方法稀疏表示的信号。
具体实施方式
以下结合附图来说明本发明的具体实施方式。
如图1所示,基于时频谱分割的变速旋转机械故障诊断方法,包括以下步骤:
步骤一、通过多分辨率广义S变换获取信号的归一化时频谱,经过二值化处理,生成多分辨率二值化时频谱。
在采集故障振动信号后,根据下面表达式,计算出不同尺度下的广义S变换结果:
再通过归一化处理,计算出归一化时频结果:
其中,
GST——广义S变换;
MGST——多分辨率广义S变换
x(t)——故障振动信号;
u——位移因子;
f——频率因子;
λ——尺度因子;
——归一化参数。
通过图像的二值化处理,将所有的时频谱转换成二值时频谱:
二值化处理的阈值选择规则如式(3)所示:
二值化的具体操作如式(4)所示:
其中,
t——二值化阈值
aλ——尺度因子为λ的时频谱对应的数据矩阵;
N——矩阵a的数据总个数;
i——矩阵a的行索引值;
j——矩阵a的列索引值。
步骤二、根据图像融合规则,将所有分辨率下的二值化时频谱进行融合,获得一个最优的二值化时频谱。
将所有分辨率下的二值化时频谱通过并集融合规则进行融合,计算出一个最优的二值化时频谱。
其中,
a——最优二值化时频谱对应的数据矩阵;
Π——所有元素的并运算;
λ0——第1个尺度因子;
λm——第m-1个尺度因子。
步骤三、采用图像分割方法,将最优的二值化时频谱分割成若干个连通域,并对每个连通域进行信息标注。
采用像素点8连通的原则,将最优二值化时频谱分割成若干个独立的连通域,并对每个连通域进行编号标准。
步骤四、提取各连通域的最佳表示原子,构成最佳原子集合,计算故障信号在最佳原子集合下的表示。
计算步骤一的多分辨率归一化时频谱在每个标注后的连通域范围内的能量最大值,并根据最大值对应的时频信息提取各连通域的最佳表示原子,构成最佳原子集合。最后,计算出故障信号在最佳原子集合下的稀疏表示。达到提取故障特征信号和滤除噪声的目的。
步骤五、根据转速信息、故障冲击信息和故障产生机理,计算冲击理论出现时间和幅值,通过信息比对实现变速机械设备的故障诊断。
根据步骤四提取的故障特征信号的任意一个冲击信息,结合采集的瞬时转频信息和冲击类故障产生的机理,分别计算出旋转部件轴承外圈、内圈、滚动体在出现裂纹、点蚀或剥落时的理想信号。最后,通过信号的信息比对,及与不同故障位置的理想信号的相关性比较,对故障位置进行判断,实现变速旋转机械裂纹、点蚀或剥落等冲击类故障的诊断。
<实施例一>
采集的故障信号冲击成分具有非周期性、稀疏性和异样性,受到噪声的影响,冲击成分被淹没在噪声中,难以直接识别出来,采用经典的Hilbert包络谱分析,如图2和图3所示,依然难以找到倍频信息,难以提取出非周期性冲击类故障的特征频率信息,无法进行故障诊断。图2和图3显示了仿真信号及其Hilbert包络谱。
如图1所示,应用本专利技术进行稀疏特征提取,步骤如下:
(1)通过多分辨率广义S变换获取信号的归一化时频谱,经过二值化处理,生成多分辨率二值化时频谱。
首先,确定多分辨率广义S变换中尺度因子的取值范围,设置为[0.1,2.0],且间隔0.1的步长进行采样;其次,计算出故障信号在这些尺度因子下的多分辨率广义S变换结果,并进行归一化,得到多分辨率归一化时频谱;最后,根据公式(3)计算每个时频谱的阈值,进行二值化处理,生成多分辨率二值化时频谱。图4、图5和图6分别显示了不同尺度因子λ取值下的归一化时频谱,具体的是λ=0.6,λ=0.8,λ=1.5时的归一化时频谱。图7、图8和图9分别为λ=0.6,λ=0.8,λ=1.5时对应的二值化时频谱。
(2)根据图像融合规则,将所有分辨率下的二值化时频谱进行融合,获得一个最优的二值化时频谱。
将所有分辨率下的二值化时频谱通过并集融合规则进行融合,计算出一个最优的二值化时频谱。如图10所示,为最优的二值化时频谱。
图7、图8和图9三个图和图10比较后可知,最优的二值化时频谱,各个能量集中区域分布更加集中,且进一步过滤掉了一部分强噪声引起的图像毛刺。
(3)采用图像分割方法,将最优的二值化时频谱分割成若干个连通域,并对每个连通域进行信息标注。
采用像素点8连通的原则,将最优二值化时频谱分割成若干个独立的连通域,并对每个连通域进行编号标准。图11所示为独立标注后的连通域。
(4)构成最佳原子集合,计算故障信号在最佳原子集合下的表示。
计算多分辨率归一化时频谱在每个标注后的连通域范围内的能量最大值,并根据最大值对应的时频信息提取各连通域的最佳表示原子,构成最佳原子集合。最后,计算出故障信号在最佳原子集合下的稀疏表示。达到提取故障特征信号和滤除噪声的目的。如图12所示为故障信号的稀疏表示,图13是故障信号的残差信号结果;表1为原始信号冲击成分和稀疏表示原子的时频信息。
表1原始信号冲击成分和稀疏表示原子的时频信息
从图12、图13和表1可知,信号的冲击成分已被准确提取出来,且提取的原子时频信息与冲击成分基本吻合,由于强噪声的影响,参数在容错范围内有微小的差距。
案例1中的信号冲击成分具有多样性,非周期性。因此,本专利方法同样适用于不同设备、不同位置的冲击类故障的特征信息提取。
(5)根据转速信息、故障冲击信息和故障产生机理,计算冲击理论出现时间和幅值,通过信息比对实现变速机械设备的故障诊断。
根据提取的故障特征信号的任意一个冲击信息,结合采集的瞬时转频信息和冲击类故障产生的机理,分别计算出旋转部件轴承外圈、内圈、滚动体在出现裂纹、点蚀或剥落时的理想信号。最后,通过信号的信息比对,及与不同故障位置的理想信号的相关性比较,对故障位置进行判断,实现变速旋转机械裂纹、点蚀或剥落等冲击类故障的诊断。
<实施例二>
从旋转机械故障模拟平台采集3秒内从150rpm到600rpm直线加速的外圈裂纹故障振动信号。基本信息如下:轴承的外圈固定,轴承的接触角a=0,节径D=39.5mm,滚动体直径d=7.5mm,滚动体个数Z=12,采样频率为10kHz,采样点数为4096个点。图14所示为采集振动信号,图15是其Hilbert包络谱。
图14可知,在加速旋转过程中,信号的整体幅值随之增大,冲击信号的强度也逐渐增强,同时伴随着一些幅值较大的噪声成分,同时,由于转速是非恒定的,冲击信号以非周期性出现,且间隔时间越来越短。而图15的Hilbert包络谱中难以提取出明显的周期成分,无法进行故障诊断。
通过本专利的方法,所得到的稀疏表示信号如图16所示。表2为提取原子的时频信息。
表2提取原子的时频信息
根据冲击信号第一次出现的时间可得到外圈裂纹故障冲击信号出现的理论时刻分别为0.0597,0.1297,0.1927,0.2507,0.3047,0.3547。实际值0.0597,0.1304,0.1900,0.2501,0.3058,0.3521与之相吻合,可判断该故障为外圈裂纹故障。最终实现了对实际故障的快速、准确诊断。
由此可知,本专利技术方法继承了稀疏分解方法对稀疏性、非周期性信号特征提取的优势,同时,采用时频谱分割的原则,可一次将各能量集中区域的最大值提取出来,构成最佳原子库,缩短了算法的迭代搜索过程,提高了故障信号特征提取。最后,根据信息比对,实现对变速旋转机械裂纹、点蚀或剥落等冲击类故障的快速、准确故障诊断。
Claims (7)
1.一种基于时频谱分割的变速旋转机械故障诊断方法,其特征在于,包括如下步骤:
步骤一,通过多分辨率广义S变换获取信号的归一化时频谱,经过二值化处理,生成多分辨率二值化时频谱,
步骤二,根据图像融合规则,将所有分辨率下的二值化时频谱进行融合,获得一个最优的二值化时频谱,
步骤三,采用图像分割方法,将最优的二值化时频谱分割成若干个连通域,并对每个连通域进行信息标注,
步骤四,提取各连通域的最佳表示原子,构成最佳原子集合,计算故障信号在最佳原子集合下的表示,
步骤五、根据转速信息、故障冲击信息和故障产生机理,计算冲击理论出现时间和幅值,通过信息比对实现变速机械设备的故障诊断。
2.如权利要求1所述的基于时频谱分割的变速旋转机械故障诊断方法,其特征在于:
步骤一中包括如下步骤:
在采集故障振动信号后,根据下面表达式,计算出不同尺度下的广义S变换结果:
<mrow>
<mi>G</mi>
<mi>S</mi>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mi>&lambda;</mi>
<mrow>
<mo>|</mo>
<mi>f</mi>
<mo>|</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>&lambda;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>f</mi>
<mn>2</mn>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>-</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>i</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mi>f</mi>
<mi>t</mi>
</mrow>
</msup>
<mi>d</mi>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
再通过归一化处理,计算出归一化时频结果:
<mrow>
<mi>M</mi>
<mi>G</mi>
<mi>S</mi>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mn>2</mn>
</msqrt>
<msup>
<mi>&pi;</mi>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
</msup>
<msup>
<mi>&lambda;</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<msup>
<mi>f</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mi>S</mi>
<mi>T</mi>
<mo>(</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>f</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
GST——广义S变换;
MGST——多分辨率广义S变换
x(t)——故障振动信号;
u——位移因子;
f——频率因子;
λ——尺度因子;
——归一化参数。
通过图像的二值化处理,将所有的时频谱转换成二值时频谱:
二值化处理的阈值选择规则如式(3)所示:
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>2</mn>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>a</mi>
<mi>&lambda;</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>/</mo>
<msqrt>
<mi>N</mi>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
二值化的具体操作如式(4)所示:
<mrow>
<msub>
<mi>a</mi>
<mi>&lambda;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mi>&lambda;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mi>&lambda;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
t——二值化阈值
aλ——尺度因子为λ的时频谱对应的数据矩阵;
N——矩阵a的数据总个数;
i——矩阵a的行索引值;
j——矩阵a的列索引值。
3.如权利要求1所述的基于时频谱分割的变速旋转机械故障诊断方法,其特征在于:
步骤二中,根据图像融合规则,将所有分辨率下的二值化时频谱进行融合,获得一个最优的二值化时频谱,
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>0</mn>
</msub>
</mrow>
<msub>
<mi>&lambda;</mi>
<mi>m</mi>
</msub>
</munderover>
<msub>
<mi>a</mi>
<mi>&lambda;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
a——最优二值化时频谱对应的数据矩阵;
Π——所有元素的并运算;
λ0——第1个尺度因子;
λm——第m-1个尺度因子。
4.如权利要求1所述的基于时频谱分割的变速旋转机械故障诊断方法,其特征在于:
步骤三中,采用像素点8连通的原则,将最优二值化时频谱分割成若干个独立的连通域,并对每个连通域进行编号标准。
5.如权利要求1所述的基于时频谱分割的变速旋转机械故障诊断方法,其特征在于:
计算步骤一的多分辨率归一化时频谱在每个标注后的连通域范围内的能量最大值,并根据最大值对应的时频信息提取各连通域的最佳表示原子,构成最佳原子集合,然后,计算出故障信号在最佳原子集合下的稀疏表示,从而提取故障特征信号和滤除噪声。
6.如权利要求1所述的基于时频谱分割的变速旋转机械故障诊断方法,其特征在于:
根据步骤四提取的故障特征信号的任意一个冲击信息,结合采集的瞬时转频信息和冲击类故障产生的机理,分别计算出旋转部件轴承外圈、内圈、滚动体在出现裂纹、点蚀或剥落时的理想信号,最后,通过信号的信息比对,及与不同故障位置的理想信号的相关性比较,对故障位置进行判断,实现变速旋转机械裂纹、点蚀和剥落冲击类故障的诊断。
7.如权利要求2所述的基于时频谱分割的变速旋转机械故障诊断方法,其特征在于:
其中,多分辨率广义S变换中尺度因子的取值范围,设置为[0.1,2.0],以间隔0.1的步长进行采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711346416.9A CN108106830B (zh) | 2017-12-13 | 2017-12-13 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711346416.9A CN108106830B (zh) | 2017-12-13 | 2017-12-13 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108106830A true CN108106830A (zh) | 2018-06-01 |
CN108106830B CN108106830B (zh) | 2019-10-29 |
Family
ID=62217039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711346416.9A Active CN108106830B (zh) | 2017-12-13 | 2017-12-13 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108106830B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
CN109932179A (zh) * | 2019-04-09 | 2019-06-25 | 东南大学 | 一种基于ds自适应谱重构的滚动轴承故障检测方法 |
CN109948487A (zh) * | 2019-03-08 | 2019-06-28 | 浙江工业大学之江学院 | 基于时频谱相关性分析的旋转机械故障特征提取方法 |
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN109992872A (zh) * | 2019-03-27 | 2019-07-09 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN110146308A (zh) * | 2019-06-21 | 2019-08-20 | 中国神华能源股份有限公司 | 用于诊断转向架故障的方法、服务器及故障诊断系统 |
CN110542557A (zh) * | 2019-08-21 | 2019-12-06 | 中国一拖集团有限公司 | 图像积分驱动的机床大数据周期性故障特征快速分析方法 |
CN110763462A (zh) * | 2019-04-26 | 2020-02-07 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
CN110849462A (zh) * | 2019-12-05 | 2020-02-28 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
CN111238815A (zh) * | 2020-02-26 | 2020-06-05 | 中国民航大学 | 一种样本不平衡下基于数据增强的轴承故障识别方法 |
CN112401924A (zh) * | 2020-11-19 | 2021-02-26 | 循音智能科技(上海)有限公司 | 一种心音分割方法及装置 |
CN112710969A (zh) * | 2020-12-18 | 2021-04-27 | 武汉大学 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
CN113109050A (zh) * | 2021-03-18 | 2021-07-13 | 重庆大学 | 一种基于循环脉冲的滚动轴承微弱故障诊断方法 |
CN113219333A (zh) * | 2021-04-27 | 2021-08-06 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
WO2021217364A1 (zh) * | 2020-04-27 | 2021-11-04 | 西门子股份公司 | 一种故障诊断方法及其装置 |
CN113670605A (zh) * | 2021-07-02 | 2021-11-19 | 中国地质大学(武汉) | 轴承故障信号的vgset时频分析方法、装置、设备及存储介质 |
CN115146688A (zh) * | 2022-09-06 | 2022-10-04 | 武昌理工学院 | 基于时频谱寻优的变速旋转机械故障稀疏特征提取方法 |
CN116296377A (zh) * | 2023-05-10 | 2023-06-23 | 北京奔驰汽车有限公司 | 工业机器人的rv减速器故障预测方法及装置 |
CN117079660A (zh) * | 2023-10-18 | 2023-11-17 | 广东图盛超高清创新中心有限公司 | 用于转播车的全景声实时数据降噪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458170A (zh) * | 2014-11-07 | 2015-03-25 | 桂林电子科技大学 | 机械装备监测振动信号的时频图处理方法及系统 |
CN105865776A (zh) * | 2016-03-23 | 2016-08-17 | 浙江理工大学 | 一种基于eemd和广义s变换的风电齿轮箱故障诊断方法 |
KR20170039906A (ko) * | 2015-10-02 | 2017-04-12 | 부경대학교 산학협력단 | 다양한 진동 스펙트럼 패턴에 대응 가능한 주파수 영역의 피로 손상도 계산방법 |
CN107271170A (zh) * | 2017-07-12 | 2017-10-20 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
CN107389342A (zh) * | 2017-07-24 | 2017-11-24 | 潍坊学院 | 基于Roberts算子和Grubbs检验的瞬时频率估计方法 |
-
2017
- 2017-12-13 CN CN201711346416.9A patent/CN108106830B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458170A (zh) * | 2014-11-07 | 2015-03-25 | 桂林电子科技大学 | 机械装备监测振动信号的时频图处理方法及系统 |
KR20170039906A (ko) * | 2015-10-02 | 2017-04-12 | 부경대학교 산학협력단 | 다양한 진동 스펙트럼 패턴에 대응 가능한 주파수 영역의 피로 손상도 계산방법 |
CN105865776A (zh) * | 2016-03-23 | 2016-08-17 | 浙江理工大学 | 一种基于eemd和广义s变换的风电齿轮箱故障诊断方法 |
CN107271170A (zh) * | 2017-07-12 | 2017-10-20 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
CN107389342A (zh) * | 2017-07-24 | 2017-11-24 | 潍坊学院 | 基于Roberts算子和Grubbs检验的瞬时频率估计方法 |
Non-Patent Citations (2)
Title |
---|
朱怡等: "广义S变换时频谱SVD降噪的滚动轴承故障冲击特征提取方法", 《轴承》 * |
王鹏等: "基于EEMD时频谱二值化的振动信号微弱特征提取方法", 《天津大学学报(自然科学与工程技术版)》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
CN109948487A (zh) * | 2019-03-08 | 2019-06-28 | 浙江工业大学之江学院 | 基于时频谱相关性分析的旋转机械故障特征提取方法 |
CN109948487B (zh) * | 2019-03-08 | 2022-12-06 | 浙江工业大学之江学院 | 基于时频谱相关性分析的旋转机械故障特征提取方法 |
CN109992872A (zh) * | 2019-03-27 | 2019-07-09 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN109932179A (zh) * | 2019-04-09 | 2019-06-25 | 东南大学 | 一种基于ds自适应谱重构的滚动轴承故障检测方法 |
CN110763462B (zh) * | 2019-04-26 | 2023-09-26 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
CN110763462A (zh) * | 2019-04-26 | 2020-02-07 | 武汉科技大学 | 一种基于同步压缩算子的时变振动信号故障诊断方法 |
CN110146308A (zh) * | 2019-06-21 | 2019-08-20 | 中国神华能源股份有限公司 | 用于诊断转向架故障的方法、服务器及故障诊断系统 |
CN110542557A (zh) * | 2019-08-21 | 2019-12-06 | 中国一拖集团有限公司 | 图像积分驱动的机床大数据周期性故障特征快速分析方法 |
CN110542557B (zh) * | 2019-08-21 | 2021-02-09 | 中国一拖集团有限公司 | 图像积分驱动的机床大数据周期性故障特征分析方法 |
CN110849462A (zh) * | 2019-12-05 | 2020-02-28 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
CN110849462B (zh) * | 2019-12-05 | 2021-07-27 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
CN111238815A (zh) * | 2020-02-26 | 2020-06-05 | 中国民航大学 | 一种样本不平衡下基于数据增强的轴承故障识别方法 |
WO2021217364A1 (zh) * | 2020-04-27 | 2021-11-04 | 西门子股份公司 | 一种故障诊断方法及其装置 |
CN112401924B (zh) * | 2020-11-19 | 2022-02-11 | 循音智能科技(上海)有限公司 | 一种心音分割方法及装置 |
CN112401924A (zh) * | 2020-11-19 | 2021-02-26 | 循音智能科技(上海)有限公司 | 一种心音分割方法及装置 |
CN112710969A (zh) * | 2020-12-18 | 2021-04-27 | 武汉大学 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
CN113109050A (zh) * | 2021-03-18 | 2021-07-13 | 重庆大学 | 一种基于循环脉冲的滚动轴承微弱故障诊断方法 |
CN113219333A (zh) * | 2021-04-27 | 2021-08-06 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
CN113219333B (zh) * | 2021-04-27 | 2024-03-19 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
CN113670605A (zh) * | 2021-07-02 | 2021-11-19 | 中国地质大学(武汉) | 轴承故障信号的vgset时频分析方法、装置、设备及存储介质 |
CN115146688A (zh) * | 2022-09-06 | 2022-10-04 | 武昌理工学院 | 基于时频谱寻优的变速旋转机械故障稀疏特征提取方法 |
CN116296377A (zh) * | 2023-05-10 | 2023-06-23 | 北京奔驰汽车有限公司 | 工业机器人的rv减速器故障预测方法及装置 |
CN117079660A (zh) * | 2023-10-18 | 2023-11-17 | 广东图盛超高清创新中心有限公司 | 用于转播车的全景声实时数据降噪方法 |
CN117079660B (zh) * | 2023-10-18 | 2023-12-19 | 广东图盛超高清创新中心有限公司 | 用于转播车的全景声实时数据降噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108106830B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108106830B (zh) | 一种基于时频谱分割的变速旋转机械故障诊断方法 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
Wang et al. | Intelligent rolling bearing fault diagnosis via vision ConvNet | |
Isham et al. | Variational mode decomposition: mode determination method for rotating machinery diagnosis | |
Hao et al. | Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings | |
CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
CN107992843B (zh) | 一种旋转机械故障信号的稀疏特征提取方法 | |
CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
Liu et al. | Rotating machinery fault diagnosis under time-varying speeds: A review | |
CN111665050B (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
Gao et al. | Fault diagnosis method of rolling bearings based on adaptive modified CEEMD and 1DCNN model | |
Wen et al. | Feature extraction of bearing vibration signals using second generation wavelet and spline-based local mean decomposition | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN117970105B (zh) | 基于信号融合的电机轴承早期故障诊断方法及系统 | |
CN111855208A (zh) | 一种基于阶次分析和稀疏编码的旋转机械微弱故障信号提取方法 | |
CN115374811A (zh) | 一种滚动轴承故障状态诊断新方法 | |
CN113865872A (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 | |
CN112800041A (zh) | 一种基于邻域查询的机械监测标签数据质量保障方法 | |
CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 |
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 |