CN108151869B - 一种机械振动特征指标提取方法、系统及装置 - Google Patents
一种机械振动特征指标提取方法、系统及装置 Download PDFInfo
- Publication number
- CN108151869B CN108151869B CN201711202917.XA CN201711202917A CN108151869B CN 108151869 B CN108151869 B CN 108151869B CN 201711202917 A CN201711202917 A CN 201711202917A CN 108151869 B CN108151869 B CN 108151869B
- Authority
- CN
- China
- Prior art keywords
- time domain
- signal
- domain synchronous
- frequency
- synchronous average
- 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
Images
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
Abstract
本发明公开了一种机械振动特征指标提取方法、系统及装置。所述方法包括获取机械原始振动信号并对其进行时域同步平均处理,得到时域同步平均信号,获取时域同步平均信号的频谱,并根据以上获取第一齿轮特征指标集和第二齿轮特征指标集,从而得到齿轮特征指标。所述系统包括信号获取子模块等功能模块。所述装置包括存储至少一个程序的存储器和执行至少一个程序的处理器。本发明对机械原始振动信号作相应的预处理以及提取处理,提高原始振动信号的信噪比,提取出适用于描述齿轮的振动特征指标,所提取出的振动特征指标全面、有效地反映了齿轮的健康状况,方便进行故障诊断、特别是早期故障诊断。本发明可广泛应用于机械故障诊断技术领域。
Description
技术领域
本发明属于机械振动监测技术领域,尤其是涉及直升机健康使用监控技术领域。
背景技术
术语解释:
FFT:Fast Fourier Transformation,快速傅里叶变换;
TSA:Time Synchronous Averaging,时域同步平均;
RMS:Root Mean Square,均方根值;
MA:Mean Amplitude,平均幅值;
RA:Root Amplitude,方根幅值;
Kur:Kurtosis of signal,峭度;
SF:shape Factor,波形指标;
CF:crest Factor,峰值因子;
IF:Impulse FaCtor,脉冲指标;
CLF:clearance Factor,裕度指标;
KV:Kurtosis Value,峭度指标;
XPP:peak to peak of signal,信号峰峰值;
M6A:Statistical moment(order 6),6阶矩;
M8A:Statistical moment(order 8),8阶矩;
SLF:Sideband Level Factor,边频带因子;
OM:Omiga(Ω),表示轴频、啮合频率。
机械系统故障往往会引起严重后果,因此,快速、高效地对机械系统进行故障诊断具有十分重要的意义。机械的振动反映了机械的工作情况,对机械的振动进行监测和分析,能够提取出反映机械故障特征的特征指标,从而实现故障诊断。目前对机械系统振动的监测和分析,主要通过对机上采集的振动原始数据,进行FFT频谱分析,获得传动系统的频率,如齿轮啮合频率、轴频、轴承故障特征频率等的振动幅值大小。根据振动幅值大小的变化趋势,并结合被监测部件的振动限制值,进行机械系统的健康状态监测和故障诊断。但是,原始信号直接FFT后频率成分中各种干扰成分较多,进行故障诊断效率低;当机械系统中转动部件转速波动时,直接FFT得到的频谱中,关键频率,如转频、啮合频率等附近会有较宽的频带,这对于诊断是十分不利的;原始信号直接进行FFT,与故障有个边频带成分不易识别;原始信号信噪比较低。齿轮结构复杂,在旋转时会出现轮齿的不断啮合,其振动信号频谱中除了齿轮转频成分外,还包含齿轮的啮合频率及其倍频。当齿轮出现故障时,振动信号频谱中会出现齿轮啮合频率及其倍频的边频成分,频谱结构复杂。
此外,对于轴承的振动监测,由于传感器的安装位置往往与轴承之间的距离较远,导致采集的振动信号中轴承故障特征不明显,尤其是在轴承早期故障阶段,故障特征信号更易被噪声淹没。机械系统的恶劣运行环境以及自身结构的复杂性,导致机械系统振动信号的信噪比低,因此为了进行机械系统故障诊断,需从强背景噪声下准确提取出与传动系统相关的信号特征。
发明内容
为了解决上述技术问题,本发明的第一目的在于提供一种机械振动特征指标提取方法,第二目的在于提供一种机械振动特征指标提取系统,第三目的在于提供一种机械振动特征指标提取装置。
本发明所采取的第一技术方案是:
一种机械振动特征指标提取方法,包括提取齿轮特征指标的步骤,所述提取齿轮特征指标的步骤具体包括:
获取机械原始振动信号;
对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
获取时域同步平均信号的频谱;
根据时域同步平均信号,获取第一齿轮特征指标集,所述第一齿轮特征指标集包括时域同步平均信号的时域特征参数;
根据时域同步平均信号以及时域同步平均信号的频谱,获取第二齿轮特征指标集,所述第二齿轮特征指标集包括从时域同步平均信号的频谱中获取得到的第一频谱参数和/或时域同步平均信号的进阶特征,所述时域同步平均信号的进阶特征为将第一频谱参数与时域同步平均信号的时域特征参数进行运算后得到的结果。
进一步地,所述提取齿轮特征指标的步骤具体还包括:
根据机械原始振动信号,获取第三齿轮特征指标集,所述第三齿轮特征指标集包括机械原始振动信号的时域特征参数。
进一步地,所述时域同步平均信号的时域特征参数包括以下至少一个:时域同步平均信号的均方根、时域同步平均信号的平均幅值、时域同步平均信号的方根幅值、时域同步平均信号的峭度、时域同步平均信号的波形指标、时域同步平均信号的峰值因子、时域同步平均信号的脉冲指标、时域同步平均信号的裕度指标、时域同步平均信号的峭度指标;
所述第一频谱参数包括以下至少一个:一阶旋转频率、二阶旋转频率、一阶啮合频率、二阶啮合频率;其中,所述一阶旋转频率为时域同步平均信号的频谱中的第一条谱线的幅值;所述二阶旋转频率为时域同步平均信号的频谱中的第二条谱线的幅值;所述一阶啮合频率为时域同步平均信号的频谱中的第X条谱线的幅值;所述二阶啮合频率为时域同步平均信号的频谱中的第2X条谱线的幅值;所述X为齿轮齿数;
所述时域同步平均信号的进阶特征包括以下至少一个:品质因数、边频带因子。
进一步地,所述品质因数的计算公式为:
式中,FM0为品质因数,PPx为机械原始振动信号对应的时域同步平均信号的最大峰峰值;Pn为齿轮啮合频率第n次谐波的幅值;H为频域范围内的谐波总数;
所述边频带因子的计算公式为:
进一步地,本发明一种机械振动特征指标提取方法还包括提取轴特征指标的步骤,所述提取轴特征指标的步骤具体包括:
获取机械原始振动信号;
对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
获取时域同步平均信号的频谱;
根据时域同步平均信号的频谱,获取轴特征指标集,所述轴特征指标集包括从时域同步平均信号的频谱中获取得到的第二频谱参数。
进一步地,本发明一种机械振动特征指标提取方法还包括提取轴承特征指标的步骤,所述提取轴承特征指标的步骤具体包括:
获取机械原始振动信号与轴承尺寸参数;
对机械原始振动信号依次进行希尔伯特变换和谐波小波滤波处理,从而获得消噪信号;
获取消噪信号的频谱;
根据机械原始振动信号与轴承尺寸参数,计算轴承故障特征频率;
根据消噪信号,获取第一轴承特征指标集,所述第一轴承特征指标集包括消噪信号的时域特征参数;
根据消噪信号的频谱以及轴承故障特征频率,获取第二轴承特征指标集,所述第二轴承特征指标集包括轴承故障特征频率在消噪信号的频谱中对应的幅值。
进一步地,所述提取轴承特征指标的步骤具体还包括:
根据机械原始振动信号,获取第三轴承特征指标集,所述第三轴承特征指标集包括机械原始振动信号的时域特征参数。
进一步地,所述消噪信号的时域特征参数包括以下至少一个:消噪信号的均方根、消噪信号的峰峰值、消噪信号的信号最大变化率、消噪信号的峭度指标、消噪信号的六阶矩、消噪信号的八阶矩;
所述轴承故障特征频率在消噪信号的频谱中对应的幅值包括以下至少一个:轴承外圈故障特征频率幅值、轴承内圈故障特征频率幅值、轴承滚动体故障特征频率幅值、轴承保持架故障特征频率幅值。
本发明所采取的第二技术方案是:
一种机械振动特征指标提取系统,包括用于提取齿轮特征指标的齿轮特征指标提取模块,所述齿轮特征指标提取模块包括以下子模块:
信号获取子模块,用于获取机械原始振动信号;
信号处理子模块,用于对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
信号频谱子模块,用于获取时域同步平均信号的频谱;
第一指标子模块,用于根据时域同步平均信号,获取第一齿轮特征指标集,所述第一齿轮特征指标集包括时域同步平均信号的时域特征参数;
第二指标子模块,用于根据时域同步平均信号以及时域同步平均信号的频谱,获取第二齿轮特征指标集,所述第二齿轮特征指标集包括从时域同步平均信号的频谱中获取得到的第一频谱参数和/或时域同步平均信号的进阶特征,所述时域同步平均信号的进阶特征为将第一频谱参数与时域同步平均信号的时域特征参数进行运算后得到的结果。
本发明所采取的第三技术方案是:
一种机械振动特征指标提取装置,包括:
存储器,用于存储至少一个程序;
处理器,用于加载所述至少一个程序以执行上述第一技术方案的一种机械振动特征指标提取方法。
本发明的第一有益效果是:
通过使用本发明的方法,对于齿轮故障诊断,用时域同步平均方法快速有效的提取感兴趣的齿轮转频及其倍频成分,能够有效的去除机械原始振动信号中的噪声以及与齿轮旋转频率无关的周期信号,提取出有用的周期信号,并自动实现了阶次跟踪的效果,消除了边频较宽的现象,快速提取出边频带成分,快速给出分析结果,提高原始振动信号的信噪比,所提取出的振动特征指标全面、有效地反映了齿轮的健康状况,方便进行故障诊断、特别是早期故障诊断。
进一步,本发明还针对轴和轴承的特点,分别给出了提取出适用于描述齿轮的振动特征指标的方法。谐波小波方法结合机械系统部件多、运行环境与工况复杂、传感器的安装位置与故障点之间的振动传感距离远,导致采集的振动信号中轴承故障特征不明显的特点,对振动信号进行包络解调,避免故障特征频率被淹没。
本发明的第二有益效果是:
通过本发明的系统,对于齿轮故障诊断,用时域同步平均方法快速有效的提取感兴趣的齿轮转频及其倍频成分,能够有效的去除机械原始振动信号中的噪声以及与齿轮旋转频率无关的周期信号,提取出有用的周期信号,并自动实现了阶次跟踪的效果,消除了边频较宽的现象,快速提取出边频带成分,快速给出分析结果,提高原始振动信号的信噪比,所提取出的振动特征指标全面、有效地反映了齿轮的健康状况,方便进行故障诊断、特别是早期故障诊断。
本发明的第三有益效果是:
通过本发明的装置,对于齿轮故障诊断,用时域同步平均方法快速有效的提取感兴趣的齿轮转频及其倍频成分,能够有效的去除机械原始振动信号中的噪声以及与齿轮旋转频率无关的周期信号,提取出有用的周期信号,并自动实现了阶次跟踪的效果,消除了边频较宽的现象,快速提取出边频带成分,快速给出分析结果,提高原始振动信号的信噪比,所提取出的振动特征指标全面、有效地反映了齿轮的健康状况,方便进行故障诊断、特别是早期故障诊断。
附图说明
图1为本发明提取齿轮特征指标的流程图;
图2为时域同步平均处理方法的原理图;
图3为本发明最优实施时齿轮特征指标的内容及其提取方法;
图4为本发明最优实施时轴特征指标的内容及其提取方法;
图5为本发明最优实施时轴承特征指标的内容及其提取方法;
图6为本发明机械振动特征指标提取系统的结构图;
图7为本发明机械振动特征指标提取装置的结构图。
具体实施方式
为使本发明解决的技术问题、采取的技术方案、取得的技术效果易于理解,下面对本发明的具体实施方式作进一步说明。
实施例1
本发明的一种机械振动特征指标提取方法,包括提取齿轮特征指标的步骤,如图1所示,所述提取齿轮特征指标的步骤具体包括:
获取机械原始振动信号;
对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
获取时域同步平均信号的频谱;
根据时域同步平均信号,获取第一齿轮特征指标集,所述第一齿轮特征指标集包括时域同步平均信号的时域特征参数;
根据时域同步平均信号以及时域同步平均信号的频谱,获取第二齿轮特征指标集,所述第二齿轮特征指标集包括从时域同步平均信号的频谱中获取得到的第一频谱参数和/或时域同步平均信号的进阶特征。其中,时域同步平均信号的进阶特征为第一频谱参数与时域同步平均信号的时域特征参数一起运算后的结果。
上述提取过程应用了时域同步平均方法(TSA,Time Synchronous Averaging),TSA是从复杂成分信号中提取某一特定频率成分最有效的方法之一。它不仅能有效提高信噪比,同时计算过程简单。该方法的基本思想是利用复杂信号中某一已知周期信号的特定周期性,将信号分段叠加,消除复杂信号中其他周期成分,以及没有周期性的噪声成分,从而提高已知周期信号的信噪比。其实现方法如下:
(1)同时采集时标信号和监测对象的振动信号;
(2)根据传动比计算出感兴趣的周期成分的时标信号,即目标转频时标;
(3)根据目标转频时标对振动信号进行分段;
(4)对每段信号进行重采样插值;
(5)将每段重采样插值后信号叠加平均,得到平均后的信号。
时域同步平均方法的原理如图2所示。
直观上,TSA以某个已知周期将信号分段,将得到的很多段信号叠加平均,显然该周期及其倍频成分会被较好的保留下来,而没有规律的随机噪声和周期不符的信号在叠加后彼此抵消,从而被滤除。
进一步作为优选的实施方式,所述提取齿轮特征指标的步骤具体还包括:
根据机械原始振动信号,获取第三齿轮特征指标集,所述第三齿轮特征指标集包括机械原始振动信号的时域特征参数。
由于第三齿轮特征指标集是直接对机械原始振动信号进行分析,得到其时域特征参数,从而构建所得,相比起第一齿轮特征指标集和第二齿轮特征指标集的提取更简单,因此按照第三齿轮特征指标集、第一齿轮特征指标集、第二齿轮特征指标集的顺序对其具体提取方法进行说明。
进一步作为优选的实施方式,机械原始振动信号的时域特征参数包括以下至少一个,也即第三齿轮特征指标集包括以下至少一个指标:原始振动信号的均方根RMS、原始振动信号的平均幅值MA、原始振动信号的方根幅值RA、原始振动信号的峭度Kur、原始振动信号的波形指标SF、原始振动信号的峰值因子CF、原始振动信号的脉冲指标IF、原始振动信号的裕度指标CLF、原始振动信号的峭度指标KV。上述各指标实际上是对机械原始振动信号作数理统计从而求出相应的统计特征,所涉及的数理统计方法及相应的计算公式如下:
求均方根值:
求平均幅值:
求方根幅值:
求峭度:
求波形指标:
求峰值因子:
求脉冲指标:
求裕度指标:
求峭度指标:
上述式中,x(n)是被进行数理统计的对象,例如,在求原始振动信号的均方根RMS时,被进行数理统计的对象便是原始振动信号,而在求时域同步平均信号的平均幅值TSA_MA时,被进行数理统计的对象便是原始振动信号对应的时域同步平均信号;N是统计样本总数;XMAX是被进行数理统计的对象的最大值。
具体来说,使用公式(1)计算原始振动信号的均方根RMS、使用公式(2)计算原始振动信号的平均幅值MA、使用公式(3)计算原始振动信号的方根幅值RA、使用公式(4)计算原始振动信号的峭度Kur、使用公式(5)计算原始振动信号的波形指标SF、使用公式(6)计算原始振动信号的峰值因子CF、使用公式(7)计算原始振动信号的脉冲指标IF、使用公式(8)计算原始振动信号的裕度指标CLF、使用公式(9)计算原始振动信号的峭度指标KV。
进一步作为优选的实施方式,时域同步平均信号的时域特征参数包括以下至少一个,也即第一齿轮特征指标集包括以下至少一个指标:时域同步平均信号的均方根TSA_RMS、时域同步平均信号的平均幅值TSA_MA、时域同步平均信号的方根幅值TSA_RA、时域同步平均信号的峭度TSA_Kur、时域同步平均信号的波形指标TSA_SF、时域同步平均信号的峰值因子TSA_CF、时域同步平均信号的脉冲指标TSA_IF、时域同步平均信号的裕度指标TSA_CLF、时域同步平均信号的峭度指标TSA_KV。同理,上述各指标是对原始振动信号通过TSA处理后得到的时域同步平均信号作数理统计从而求出相应的统计特征,所用的公式已在上述列明。
具体来说,使用公式(1)计算时域同步平均信号的均方根TSA_RMS、使用公式(2)计算时域同步平均信号的平均幅值TSA_MA、使用公式(3)计算时域同步平均信号的方根幅值TSA_RA、使用公式(4)计算时域同步平均信号的峭度TSA_Kur、使用公式(5)计算时域同步平均信号的波形指标TSA_SF、使用公式(6)计算时域同步平均信号的峰值因子TSA_CF、使用公式(7)计算时域同步平均信号的脉冲指标TSA_IF、使用公式(8)计算时域同步平均信号的裕度指标TSA_CLF、使用公式(9)计算时域同步平均信号的峭度指标TSA_KV。
进一步作为优选的实施方式,所述第一频谱参数,是从时域同步平均信号的频谱中获取的信息。时域同步平均信号的第一频谱参数包括以下至少一个:一阶旋转频率OM1、二阶旋转频率OM2、一阶啮合频率OMX、二阶啮合频率OM2X,时域同步平均信号的进阶特征包括以下至少一个:品质因数FM0、边频带因子SLF。
也就是说,第二齿轮特征指标集包括以下至少一个指标:品质因数FM0、边频带因子SLF、一阶旋转频率OM1、二阶旋转频率OM2、一阶啮合频率OMX、二阶啮合频率OM2X。其中,一阶旋转频率OM1为时域同步平均信号的频谱中的第一条谱线的幅值;二阶旋转频率OM2为时域同步平均信号的频谱中的第二条谱线的幅值;一阶啮合频率OMX为时域同步平均信号的频谱中的第X条谱线的幅值;二阶啮合频率OM2X为时域同步平均信号的频谱中的第2X条谱线的幅值,X为齿轮齿数。品质因数FM0和边频带因子SLF是第一频谱参数与时域同步平均信号的时域特征一起运算的结果,通过以下计算获取。
品质因数,符号为FM0,其所用的计算公式如下:
其中,PPx是待统计信号x的最大峰峰值,在本实施例中具体为原始振动信号经过时域同步平均方法处理后得到的时域同步平均信号的最大峰峰值;Pn为啮合频率第n次谐波的幅值;H为频域范围内的谐波总数。Pn与H均可从时域同步平均信号对应的频谱中获得。
边频带因子SLF所用的计算公式如下:
其中,是一阶齿轮啮合频率的左一阶边频带幅值;是一阶齿轮啮合频率的右一阶边频带幅值;TSA_RMS是时域同步平均信号均方根值,由原始振动信号对应的时域同步平均信号经过公式(1)数理统计得到。由公式可知,边频带因子SLF(SidebandLevel Factor)是一阶齿轮啮合频率的左右一阶边频带幅值之和与时域同步平均信号均方根值TSA_RMS的比值,是用于检测单齿损伤或齿轮轴损伤的无量纲指标。当齿轮轴弯曲或故障时会造成偏心啮合,直接反映在一阶边频带幅值的增加,从而使SLF值增大。
效果最优的实施方式是,第三齿轮特征指标集、第一齿轮特征指标集、第二齿轮特征指标集共同组成反映齿轮的振动特征的齿轮特征指标,而且,齿轮特征指标包括第三齿轮特征指标集、第一齿轮特征指标集、第二齿轮特征指标集的所有指标,即齿轮特征指标包括RMS、MA、RA、Kur、SF、CF、IF、CLF、KV、TSA_RMS、TSA_MA、TSA_RA、TSA_Kur、TSA_SF、TSA_CF、TSA_IF、TSA_CLF、TSA_KV、FM0、SLF、OM1、OM2、OMX和OM2X,如图3所示。
在最优的实施方式下,齿轮特征指标一部分由原始振动信号经过预处理后,即经过时域同步平均(TSA)技术处理后的平均信号得到,复杂的原始振动信号被有效地去除了噪声以及与旋转频率无关的周期信号,提取出有用的周期信号,从原始振动信号的频谱中快速提取出轴频OMn(n=1,2)和齿轮啮合频率OMx,并自动实现了阶次跟踪的效果,消除了边频较宽的现象,快速提取出边频带成分,从原始振动信号的时域同步平均信号中可以提取出更多有效的故障特征指标,从而更加有效的提取故障诊断特征参数进行故障诊断;齿轮特征指标另一部分直接对原始振动信号进行数理统计获得。
齿轮结构复杂,在旋转时会出现轮齿的不断啮合,其振动信号频谱中除了齿轮转频成分外,还包含齿轮的啮合频率及其倍频。当齿轮出现故障时,振动信号频谱中会出现齿轮啮合频率及其倍频的边频成分,频谱结构复杂。对于齿轮故障诊断,时域同步平均方法能够快速有效的提取感兴趣的齿轮转频及其倍频成分,适合快速给出分析结果,而不同的指标能够反映齿轮不同故障模式,例如SLF(边带水平因子)等指标反映齿轮轴弯曲故障,FM0等指标反映齿轮局部故障,针对同一种故障模式也会有不同的指标。本发明方法充分结合了齿轮本身的性质和工作特点,对原始振动信号做出适当有效的预处理,并分别对预处理后的信号以及原始振动信号本身作进一步处理,得到内容丰富的齿轮特征指标,全面、有效地反映齿轮的振动状况,从而进一步分析齿轮的健康状态和进行故障诊断。
实施例2
本发明还公开了提取轴特征指标的方法。进一步作为优选的实施方式,本发明机械振动特征指标提取方法还包括提取轴特征指标的步骤,其具体包括:
获取机械原始振动信号;
对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
获取时域同步平均信号的频谱;
根据时域同步平均信号的频谱,获取轴特征指标集,所述轴特征指标集包括从时域同步平均信号中获取得到的第二频谱参数。
进一步作为优选的实施方式,第二频谱参数包括一阶旋转频率OM1和二阶旋转频率OM2,也就是说,轴特征指标集包括以下至少一个指标:一阶旋转频率OM1、二阶旋转频率OM2。轴特征指标集作为反映轴的振动特征的轴特征指标,效果最优的实施方式是,轴特征指标包括OM1和OM2,如图4所示。一阶旋转频率OM1与二阶旋转频率OM2的计算方式已在齿轮特征指标的提取方法中叙述,实际上,在前面已经得到齿轮特征指标的情况下,可以直接从齿轮特征指标中得到OM1和OM2,用作轴特征指标。
轴结构简单,在旋转时其振动形式表现为沿轴径向方向的简谐振动,其频谱中只包含轴的转频成分。当轴出现故障时,其振动信号的频谱中除了轴的转频成分外,还可能出现轴转频的倍频。如轴出现不平衡故障时,振动信号频谱中的转频成分会明显增大;轴出现不对中故障时,振动信号频谱中除了转频成分外,还有明显的转频二倍频成分。只需要关注轴的转频及其二倍频的变化就可以准确判断出轴是否出现故障,因此选择反映轴不平衡的指标OM1(轴的一阶转频)和反映轴不对中的指标OM2(轴的二阶转频)两个指标来对轴进行故障诊断。本发明方法充分结合了轴本身的性质和工作特点,对原始振动信号做出适当有效的预处理,并对预处理后的信号作进一步处理,得到内容丰富的轴特征指标,全面、有效地反映轴的振动状况,从而进一步分析轴的健康状态和进行故障诊断。
实施例3
本发明还公开了提取轴承特征指标的方法。进一步作为优选的实施方式,本发明机械振动特征指标提取方法还包括提取轴承特征指标的步骤,其具体包括:
获取机械原始振动信号与轴承尺寸参数;
对机械原始振动信号依次进行希尔伯特变换和谐波小波滤波处理,从而获得消噪信号;
获取消噪信号的频谱;
根据机械原始振动信号与轴承尺寸参数,计算轴承故障特征频率;
根据消噪信号,获取第一轴承特征指标集,所述第一轴承特征指标集包括消噪信号的时域特征参数;
根据消噪信号的频谱以及轴承故障特征频率,获取第二轴承特征指标集,所述第二轴承特征指标集包括轴承故障特征频率在消噪信号的频谱中对应的幅值。
上述提取过程应用了希尔伯特变换和谐波小波滤波。原始振动信号经过希尔伯特变换和谐波小波滤波对原始振动信号进行包络解调后,能够提高信噪比,得到机械原始振动信号对应的消噪信号,使机械原始振动信号的有用信息不易被噪声淹没,更易从中提取出与轴承故障相关的信号特征。
进一步作为优选的实施方式,提取轴承特征指标的步骤具体还包括:
根据机械原始振动信号,获取第三轴承特征指标集,所述第三轴承特征指标集包括机械原始振动信号的时域特征参数。
由于第三轴承特征指标集是直接对机械原始振动信号进行分析,得到其时域特征参数,从而构建所得,相比起第一轴承特征指标集和第二轴承特征指标集的提取更简单,因此按照第三轴承特征指标集、第一轴承特征指标集、第二轴承特征指标集的顺序对其具体提取方法进行说明。
进一步作为优选的实施方式,第三轴承特征指标集包括以下至少一个指标:原始振动信号的均方根RMS、原始振动信号的峰峰值XPP、原始振动信号的信号最大变化率MRC、原始振动信号的峭度指标KV、原始振动信号的六阶矩M6A、原始振动信号的八阶矩M8A。
其中,RMS和KV分别使用公式(1)与公式(9)进行计算。
XPP、MRC、M6A和M8A分别是对原始振动信号用不同的数理统计方法得到的指标,其对应的数理统计方法所用的公式如下:
求峰峰值:
Xp-p=max[x(n)]-min[x(n)] (12)
求信号最大变化率:
mrc=max|x(n)-x(n-1)| (13)
求六阶矩:
求八阶矩:
式中各量的意义与公式(1)-(9)相同,因此不再赘述。
具体来说,使用公式(1)计算机械原始振动信号的均方根RMS、使用公式(12)计算机械原始振动信号的峰峰值XPP、使用公式(13)计算机械原始振动信号的信号最大变化率MRC、使用公式(9)计算机械原始振动信号的峭度指标KV、使用公式(14)计算机械原始振动信号的六阶矩M6A、使用公式(15)计算机械原始振动信号的八阶矩M8A。
进一步作为优选的实施方式,消噪信号的时域特征参数包括以下至少一个,也即第一轴承特征指标集包括以下至少一个指标:消噪信号的均方根H_RMS、消噪信号的峰峰值H_XPP、消噪信号的信号最大变化率H_MRC、消噪信号的峭度指标H_KV、消噪信号的六阶矩H_M6A、消噪信号的八阶矩H_M8A。
H_RMS、H_XPP、H_MRC、H_KV、H_M6A和H_M8A分别是对机械原始振动信号依次经过希尔伯特变换和谐波小波滤波后得到的消噪信号用不同的数理统计方法得到的指标。
具体来说,使用公式(1)计算消噪信号的均方根H_RMS、使用公式(12)计算消噪信号的峰峰值H_XPP、使用公式(13)计算消噪信号的信号最大变化率H_MRC、使用公式(9)计算消噪信号的峭度指标H_KV、使用公式(14)计算消噪信号的六阶矩H_M6A、使用公式(15)计算消噪信号的八阶矩H_M8A。
进一步作为优选的实施方式,轴承故障特征频率在消噪信号的频谱中对应的幅值包括以下至少一个,也即第二轴承特征指标集包括以下至少一个指标:轴承外圈故障特征频率幅值H_FOP、轴承内圈故障特征频率幅值H_FIP、轴承滚动体故障特征频率幅值H_FBC、轴承保持架故障特征频率幅值H_FOC。
第二轴承特征指标集中的指标H_FOP、H_FIP、H_FBC和H_FOC,优选地可从消噪信号的FFT频谱中获取。当轴承出现外圈、内圈、滚动体、保持架的故障时,可以从消噪信号的频谱中找到故障特征频率对应的幅值,而且故障越明显,特征频率幅值越大。因此,要先根据机械原始振动信号以及轴承尺寸参数,计算轴承外圈故障特征频率fo、轴承内圈故障特征频率fi、轴承滚动体故障特征频率fb以及轴承保持架故障特征频率fc。从机械原始振动信号中获得轴承所连接的轴的转频fr,计算用到的轴承尺寸参数包括滚动体个数Z、轴承直径D、滚动体直径d以及接触角α,可以优选地使用如下公式:
通过上式得到fo、fi、fb和fc后,再从消噪信号的FFT频谱中获取fo对应的幅值H_FOP、fi对应的幅值H_FIP、fb对应的幅值H_FBC、fc对应的幅值H_FOC,得到第二轴承特征指标集。
最优的实施方式是,第三轴承特征指标集、第一轴承特征指标集、第二轴承特征指标集共同组成反映轴承的振动特征的轴承特征指标,而且,轴承特征指标包括第三轴承特征指标集、第一轴承特征指标集、第二轴承特征指标集的所有指标,即轴承特征指标包括RMS、XPP、MRC、KV、M6A、M8A、H_RMS、H_XPP、H_MRC、H_KV、H_M6A、H_M8A、H_FOP、H_FIP、H_FBC和H_FOC,如图5所示。
在最优的实施方式下,轴承特征指标一部分从原始振动信号经过预处理后,即经过希尔伯特变换和谐波小波滤波处理后所得的消噪信号中提取,经过希尔伯特变换和谐波小波滤波,复杂的机械原始振动信号被包络解调,能够有效地提高信噪比,避免轴承的故障特征频率信号被噪声淹没,充分克服了轴承运行环境与工况复杂且与传感器安装位置距离远、采集的振动信号有效信息不明显的困难;轴承特征指标另一部分直接对原始振动信号进行数理统计获得。本发明方法充分结合了轴承本身的性质和工作特点,对原始振动信号做出适当有效的预处理,并分别对预处理后的信号以及原始振动信号本身作进一步处理,得到内容丰富的轴承特征指标,全面、有效地反映轴承的振动状况,从而进一步分析轴承的健康状态和进行故障诊断。
齿轮既本身转动、又通过轮齿啮合旋转,结构复杂;轴结构简单,对其振动的分析也较为简单;轴承的振动信号难以测量,测得的信号噪声较大。实施例1-3针对齿轮、轴和轴承本身性质和的不同,分别对原始振动信号作不同的处理,提取出分别适用于描述齿轮、轴和轴承振动特征的振动特征指标。本发明方法可以提高原始振动信号的信噪比,所提取出的振动特征指标全面、有效地反映了齿轮、轴和轴承的健康状况,方便进行故障诊断、特别是早期故障诊断,进而综合分析机械系统的健康状况和故障诊断。本发明方法可用于机械系统的振动监测和故障诊断,特别是传动系统、直升机传动系统的振动监测和故障诊断。
实施例4
本发明公开的一种机械振动特征指标提取系统,包括如图6所示,包括以下子模块:
信号获取子模块,用于获取机械原始振动信号;
信号处理子模块,用于对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
信号频谱子模块,用于获取时域同步平均信号的频谱;
第一指标子模块,用于根据时域同步平均信号,获取第一齿轮特征指标集,所述第一齿轮特征指标集包括时域同步平均信号的时域特征参数;
第二指标子模块,用于根据时域同步平均信号以及时域同步平均信号的频谱,获取第二齿轮特征指标集,所述第二齿轮特征指标集包括从时域同步平均信号的频谱中获取得到的第一频谱参数和/或时域同步平均信号的进阶特征,所述时域同步平均信号的进阶特征为将第一频谱参数与时域同步平均信号的时域特征参数进行运算后得到的结果。
这种机械振动特征指标提取系统可以用于实现本发明机械振动特征指标提取方法,包括实施例1所涉及的方法。
实施例5
本发明公开的一种机械振动特征指标提取装置,如图7所示,包括:
存储器,用于存储至少一个程序;
处理器,用于加载所述至少一个程序以执行实施例1所述的一种机械振动特征指标提取方法。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种机械振动特征指标提取方法,其特征在于,包括提取齿轮特征指标的步骤,所述提取齿轮特征指标的步骤具体包括:
获取机械原始振动信号;
对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
获取时域同步平均信号的频谱;
根据时域同步平均信号,获取第一齿轮特征指标集,所述第一齿轮特征指标集包括时域同步平均信号的时域特征参数;
根据时域同步平均信号以及时域同步平均信号的频谱,获取第二齿轮特征指标集,所述第二齿轮特征指标集包括从时域同步平均信号的频谱中获取得到的第一频谱参数和/或时域同步平均信号的进阶特征,所述时域同步平均信号的进阶特征为将第一频谱参数与时域同步平均信号的时域特征参数进行运算后得到的结果;
所述时域同步平均信号的时域特征参数包括以下至少一个:时域同步平均信号的均方根、时域同步平均信号的平均幅值、时域同步平均信号的方根幅值、时域同步平均信号的峭度、时域同步平均信号的波形指标、时域同步平均信号的峰值因子、时域同步平均信号的脉冲指标、时域同步平均信号的裕度指标、时域同步平均信号的峭度指标;
所述第一频谱参数包括以下至少一个:一阶旋转频率、二阶旋转频率、一阶啮合频率、二阶啮合频率;其中,所述一阶旋转频率为时域同步平均信号的频谱中的第一条谱线的幅值;所述二阶旋转频率为时域同步平均信号的频谱中的第二条谱线的幅值;所述一阶啮合频率为时域同步平均信号的频谱中的第X条谱线的幅值;所述二阶啮合频率为时域同步平均信号的频谱中的第2X条谱线的幅值;所述X为齿轮齿数;
所述时域同步平均信号的进阶特征包括以下至少一个:品质因数、边频带因子;
所述品质因数的计算公式为:
式中,FMO为品质因数,PPx为机械原始振动信号对应的时域同步平均信号的最大峰峰值;Pn为齿轮啮合频率第n次谐波的幅值;H为频域范围内的谐波总数;
所述边频带因子的计算公式为:
2.根据权利要求1所述的一种机械振动特征指标提取方法,其特征在于,所述提取齿轮特征指标的步骤具体还包括:
根据机械原始振动信号,获取第三齿轮特征指标集,所述第三齿轮特征指标集包括机械原始振动信号的时域特征参数。
3.根据权利要求1所述的一种机械振动特征指标提取方法,其特征在于,还包括提取轴特征指标的步骤,所述提取轴特征指标的步骤具体包括:
获取机械原始振动信号;
对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
获取时域同步平均信号的频谱;
根据时域同步平均信号的频谱,获取轴特征指标集,所述轴特征指标集包括从时域同步平均信号的频谱中获取得到的第二频谱参数。
4.根据权利要求1所述的一种机械振动特征指标提取方法,其特征在于,还包括提取轴承特征指标的步骤,所述提取轴承特征指标的步骤具体包括:
获取机械原始振动信号与轴承尺寸参数;
对机械原始振动信号依次进行希尔伯特变换和谐波小波滤波处理,从而获得消噪信号;
获取消噪信号的频谱;
根据机械原始振动信号与轴承尺寸参数,计算轴承故障特征频率;
根据消噪信号,获取第一轴承特征指标集,所述第一轴承特征指标集包括消噪信号的时域特征参数;
根据消噪信号的频谱以及轴承故障特征频率,获取第二轴承特征指标集,所述第二轴承特征指标集包括轴承故障特征频率在消噪信号的频谱中对应的幅值。
5.根据权利要求4所述的一种机械振动特征指标提取方法,其特征在于,所述提取轴承特征指标的步骤具体还包括:
根据机械原始振动信号,获取第三轴承特征指标集,所述第三轴承特征指标集包括机械原始振动信号的时域特征参数。
6.根据权利要求4或5所述的一种机械振动特征指标提取方法,其特征在于:所述消噪信号的时域特征参数包括以下至少一个:消噪信号的均方根、消噪信号的峰峰值、消噪信号的信号最大变化率、消噪信号的峭度指标、消噪信号的六阶矩、消噪信号的八阶矩;
所述轴承故障特征频率在消噪信号的频谱中对应的幅值包括以下至少一个:轴承外圈故障特征频率幅值、轴承内圈故障特征频率幅值、轴承滚动体故障特征频率幅值、轴承保持架故障特征频率幅值。
7.一种机械振动特征指标提取系统,其特征在于,包括用于提取齿轮特征指标的齿轮特征指标提取模块,所述齿轮特征指标提取模块包括以下子模块:
信号获取子模块,用于获取机械原始振动信号;
信号处理子模块,用于对机械原始振动信号进行时域同步平均处理,从而得到时域同步平均信号;
信号频谱子模块,用于获取时域同步平均信号的频谱;
第一指标子模块,用于根据时域同步平均信号,获取第一齿轮特征指标集,所述第一齿轮特征指标集包括时域同步平均信号的时域特征参数;
第二指标子模块,用于根据时域同步平均信号以及时域同步平均信号的频谱,获取第二齿轮特征指标集,所述第二齿轮特征指标集包括从时域同步平均信号的频谱中获取得到的第一频谱参数和/或时域同步平均信号的进阶特征,所述时域同步平均信号的进阶特征为将第一频谱参数与时域同步平均信号的时域特征参数进行运算后得到的结果;
所述时域同步平均信号的时域特征参数包括以下至少一个:时域同步平均信号的均方根、时域同步平均信号的平均幅值、时域同步平均信号的方根幅值、时域同步平均信号的峭度、时域同步平均信号的波形指标、时域同步平均信号的峰值因子、时域同步平均信号的脉冲指标、时域同步平均信号的裕度指标、时域同步平均信号的峭度指标;
所述第一频谱参数包括以下至少一个:一阶旋转频率、二阶旋转频率、一阶啮合频率、二阶啮合频率;其中,所述一阶旋转频率为时域同步平均信号的频谱中的第一条谱线的幅值;所述二阶旋转频率为时域同步平均信号的频谱中的第二条谱线的幅值;所述一阶啮合频率为时域同步平均信号的频谱中的第X条谱线的幅值;所述二阶啮合频率为时域同步平均信号的频谱中的第2X条谱线的幅值;所述X为齿轮齿数;
所述时域同步平均信号的进阶特征包括以下至少一个:品质因数、边频带因子;
所述品质因数的计算公式为:
式中,FMO为品质因数,PPx为机械原始振动信号对应的时域同步平均信号的最大峰峰值;Pn为齿轮啮合频率第n次谐波的幅值;H为频域范围内的谐波总数;
所述边频带因子的计算公式为:
8.一种机械振动特征指标提取装置,其特征在于,包括:
存储器,用于存储至少一个程序;
处理器,用于加载所述至少一个程序以执行权利要求1-6任一项所述一种机械振动特征指标提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202917.XA CN108151869B (zh) | 2017-11-27 | 2017-11-27 | 一种机械振动特征指标提取方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202917.XA CN108151869B (zh) | 2017-11-27 | 2017-11-27 | 一种机械振动特征指标提取方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108151869A CN108151869A (zh) | 2018-06-12 |
CN108151869B true CN108151869B (zh) | 2020-07-03 |
Family
ID=62468179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711202917.XA Active CN108151869B (zh) | 2017-11-27 | 2017-11-27 | 一种机械振动特征指标提取方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108151869B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709635B (zh) * | 2018-08-17 | 2020-07-28 | 国家电网有限公司 | 确定旋转机械振动信号主要频率成分信息的方法及装置 |
CN109488630B (zh) * | 2018-11-13 | 2023-07-14 | 上海金艺检测技术有限公司 | 基于谐波相对指标的离心风机转子不对中故障诊断方法 |
CN110440894A (zh) * | 2019-08-26 | 2019-11-12 | 佛山市墨纳森智能科技有限公司 | 一种基于多传感节点的机械振动信号采集与检测方法、系统和可读存储介质 |
CN112067297B (zh) * | 2020-09-23 | 2021-06-22 | 昆明理工大学 | 一种轴承故障特征提取方法 |
CN113189483B (zh) * | 2021-04-25 | 2022-10-28 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
CN113986711A (zh) * | 2021-12-28 | 2022-01-28 | 云智慧(北京)科技有限公司 | 一种时间序列数据的峰值检测方法、装置及设备 |
CN114659611A (zh) * | 2022-03-16 | 2022-06-24 | 武汉理工大学 | 基于光纤光栅阵列的轨道扣件状态监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8367340B2 (en) * | 2008-12-03 | 2013-02-05 | University Of Maryland, Baltimore | Prognostic tools to predict the efficacy of drug treatment targeting chromatin DNA or enzymes acting on DNA |
CN102288286B (zh) * | 2011-06-16 | 2012-10-03 | 中国科学院沈阳自动化研究所 | 一种振动加速度传感器齿轮箱测点精度分析与评价方法 |
CN102963533B (zh) * | 2012-12-14 | 2015-06-10 | 中国航空工业集团公司上海航空测控技术研究所 | 一种监测直升机完好性与使用状态的系统及其监测方法 |
CN104215323B (zh) * | 2014-08-11 | 2017-01-11 | 中国人民解放军空军工程大学 | 机械设备的振动传感器网络中各传感器敏感度确定方法 |
CN105527077A (zh) * | 2015-11-15 | 2016-04-27 | 长兴昇阳科技有限公司 | 一种基于振动信号的通用旋转机械故障诊断与检测的方法 |
CN106124193A (zh) * | 2016-05-30 | 2016-11-16 | 宁波诺丁汉大学 | 结合震动与声波监测的齿轮箱故障检测方法 |
CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
-
2017
- 2017-11-27 CN CN201711202917.XA patent/CN108151869B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108151869A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
Yan et al. | Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings | |
Li et al. | Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings | |
CN108195587B (zh) | 一种电机滚动轴承故障诊断方法及其诊断系统 | |
Lei et al. | Fault diagnosis of rotating machinery using an improved HHT based on EEMD and sensitive IMFs | |
Hu et al. | Bearing fault diagnosis based on an improved morphological filter | |
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
Wang et al. | Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis | |
CN101644623B (zh) | 基于多尺度形态学分析的齿轮故障诊断方法 | |
EP2237002A1 (en) | Timing analysis | |
CN104655380A (zh) | 一种旋转机械设备故障特征提取方法 | |
CN105092241A (zh) | 一种齿轮局部故障诊断方法及系统 | |
Fan et al. | Machine fault feature extraction based on intrinsic mode functions | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN110333071B (zh) | 一种利用窄带倒谱变换的机械振动信号处理方法 | |
JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
Li et al. | Measurement of instantaneous angular displacement fluctuation and its applications on gearbox fault detection | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
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 | |
Buzzoni et al. | Diagnosis of localized faults in multistage gearboxes: a vibrational approach by means of automatic EMD-based algorithm | |
Raj et al. | Morlet wavelet UDWT denoising and EMD based bearing fault diagnosis | |
Zhao et al. | Vold-Kalman generalized demodulation for multi-faults detection of gear and bearing under variable speeds | |
Chen et al. | A fault characteristics extraction method for rolling bearing with variable rotational speed using adaptive time-varying comb filtering and order tracking |
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 |