CN108303255A - 低速重载设备滚动轴承故障诊断方法、设备及介质 - Google Patents
低速重载设备滚动轴承故障诊断方法、设备及介质 Download PDFInfo
- Publication number
- CN108303255A CN108303255A CN201810019698.XA CN201810019698A CN108303255A CN 108303255 A CN108303255 A CN 108303255A CN 201810019698 A CN201810019698 A CN 201810019698A CN 108303255 A CN108303255 A CN 108303255A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise reduction
- rolling bearing
- fault diagnosis
- morphology
- 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
Links
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供的低速重载设备滚动轴承故障诊断方法、设备及介质,方法为:获取低速重载设备滚动轴承的振动信号,并对所述振动信号进行分析得到多种状态信号;对所述多种状态信号进行滤波降噪处理,得到降噪后信号;对所述降噪后信号构建三维特征,并求得三维特征的特征向量,将三维特征的特征向量中的部分特征向量作为输入,基于核极化核极限学习机算法建立滚动轴承故障诊断模型,其余部分特征向量输入到滚动轴承故障诊断模型,得到低速重载设备滚动轴承的故障诊断结果。本发明基于“EEMD能量熵‑形态学分形维数‑形态谱熵”的三维特征向量作为分类模型的输入,能准确的表征和识别轴承的工作状态,可以取得很好的故障状态辨识效果。
Description
技术领域
本发明涉及机械故障诊断领域,尤其涉及低速重载设备滚动轴承故障诊断方法、设备及介质领域。
背景技术
冶金工业中很多低速重载的设备,如转炉倾动机构、钢包回转台、斗轮式堆取料机和无料钟炉顶布料器等,都是生产过程中的关重设备。这些设备属于大型化的重型机械,造价昂贵、备件周期长、零部件维修与更换的难度大。由于其长期在高温、高湿、多粉尘的恶劣环境下工作,并且常常需要承受成百上千吨的工作负载,因此设备的健康状态对保障生产的稳定运行具有重要影响。虽然基于振动分析的设备状态监测与故障诊断技术在国内外工业应用中逐渐得到了普及与推广,但是,对于低速重载设备仍然缺乏有效的故障分析方法,传统时频分析方法对解决低速重载设备的故障诊断存在难以有效提取多种故障并存情况下的故障特征、难以有效刻画设备故障特征的非平稳变化过程、对故障特征缺乏多尺度的分析手段等局限性。数学形态学最早在图像处理领域的应用非常广泛,近年来,利用数学形态学进行一维信号处理开始得到关注。数学形态学对信号完全基于时域进行分析处理,处理后波形不存在相移和幅值衰减等问题,且计算简单快速。
发明内容
针对上述技术问题,本发明提供一种低速重载设备滚动轴承故障诊断方法、设备及介质,基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入,能准确的表征和识别轴承的工作状态,可以取得很好的故障状态辨识效果。
为解决上述技术问题,本发明提供的技术方案是:
第一方面,本发明提供一种低速重载设备滚动轴承故障诊断方法,包括:
步骤S1,获取低速重载设备滚动轴承的振动信号,并对所述振动信号进行分析得到多种状态信号;
步骤S2,对所述多种状态信号进行滤波降噪处理,得到降噪后信号;
步骤S3,对所述降噪后信号构建三维特征,并求得所述三维特征的特征向量,其中所述三维特征包括EEMD能量熵,形态学分形维数和形态谱熵;
步骤S4,选取所述三维特征的特征向量中的部分特征向量作为输入,建立基于核极化核极限学习机的滚动轴承故障诊断模型,将其余部分特征向量输入到所述滚动轴承故障诊断模型中,得到所述低速重载设备滚动轴承的故障诊断结果。
本发明提供一种低速重载设备滚动轴承故障诊断方法,基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入,能准确的表征和识别滚动轴承的工作状态,可以取得很好的故障状态辨识效果。
进一步地,所述步骤S3,具体包括:
对所述降噪后信号进行EEMD分解,求得所述降噪后信号的EEMD能量熵;
以及基于数学形态学提取所述降噪后信号的形态学分形维数和形态谱熵;
根据所述降噪后信号的EEMD能量熵,所述降噪后信号的形态学分形维数和形态谱熵,构建三维特征,并求得所述三维特征的特征向量。
进一步地,所述对所述降噪后信号进行EEMD分解,求得所述降噪后信号的EEMD能量熵,具体包括:
通过EEMD对所述降噪后信号进行多次EMD分解,集总平均后计算得到多个IMF分量及每个所述IMF分量的能量,其中,每个IMF分量包含所述降噪后信号的不同时间尺度的局部特征信号;
根据分解的正交性,剔除所述多个IMF分量的残余分量;
根据剔除残余分量的所述多个IMF分量,计算得到EEMD能量熵。
进一步地,通过EEMD对所述降噪后信号进行多次EMD分解时,加入白噪声。
进一步地,所述基于数学形态学提取所述降噪后信号的形态学分形维数,具体包括:
对所述降噪后信号进行膨胀和腐蚀运算,求得在某一尺度下所述降噪后信号关于结构元素的膨胀和腐蚀运算的覆盖面积,其中,结构元素为一维离散函数;
根据所述覆盖面积,计算得到所述降噪后信号的形态学分形维数。
进一步地,所述基于数学形态学提取所述降噪后信号的形态谱熵,具体包括:
选取所述降噪后信号的非负一维离散信号,并计算所述非负一维离散信号的开运算形态谱和闭运算形态谱;
根据所述开运算形态谱和闭运算形态谱,计算得到所述降噪后信号的形态谱熵。
进一步地,所述基于核极化核极限学习机的滚动轴承故障诊断模型的建立,具体包括:
选取轴承正常、滚动体故障、内圈故障和外圈故障4种状态下的20组特征向量;
选取所述20组特征向量中的10组特征向量,输入到由四个采用一对多法分类的核极化核极限学习机分类模型中进行训练,建立状态辨识模型,作为轴承故障诊断模型。
进一步地,所述步骤S4中,所述将其余部分特征向量输入到所述滚动轴承故障诊断模型中,得到所述低速重载设备滚动轴承的故障诊断结果,具体包括:
将其余部分特征向量作为输入,输入到所述滚动轴承故障诊断模型中,得到所述三维特征的特征向量在三维空间中的分布情况;
根据所述分布情况,识别所述低速重载设备滚动轴承的状态;
根据所述低速重载设备滚动轴承的状态,得到所述低速重载设备滚动轴承的故障诊断结果。
第二方面,本发明提供一种低速重载设备滚动轴承故障诊断设备,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如第一方面中所述的方法。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序指令,当所述计算机程序指令被处理器执行时实现如第一方面所述的方法。
与现有技术相比,本发明的优点:
本发明提供的一种低速重载设备滚动轴承故障诊断方法、设备及介质,基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入,能准确的表征和识别轴承的工作状态,可以取得很好的故障状态辨识效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法的流程图;
图2示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承正常状态信号的时域波形示意图;
图3示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承滚动体故障信号的时域波形示意图;
图4示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承内圈故障信号的时域波形示意图;
图5示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承外圈故障信号的时域波形示意图;
图6示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承正常状态信号降噪后的波形示意图;
图7示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承滚动体故障信号降噪后的波形示意图;
图8示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承内圈故障信号降噪后的波形示意图;
图9示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承外圈故障信号降噪后的波形示意图;
图10示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中测试样本的状态辨识结果示意图;
图11示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承正常状态信号EEMD分解结果示意图;
图12示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承正常状态信号对数图;
图13示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中轴承正常状态信号形态谱曲线示意图;
图14示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法中三维特征向量空间分布图;
图15示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
实施例
图1示出了本发明实施例所提供的一种低速重载设备滚动轴承故障诊断方法的流程图;如图1所示,本实施例提供的一种低速重载设备滚动轴承故障诊断方法,包括:
步骤S1,获取低速重载设备滚动轴承的振动信号,并对所述振动信号进行分析得到多种状态信号;
步骤S2,对所述多种状态信号进行滤波降噪处理,得到降噪后信号;
步骤S3,对所述降噪后信号构建三维特征,并求得所述三维特征的特征向量,其中所述三维特征包括EEMD能量熵,形态学分形维数和形态谱熵;
步骤S4,选取所述三维特征的特征向量中的部分特征向量作为输入,建立基于核极化核极限学习机的滚动轴承故障诊断模型,将其余部分特征向量输入到所述滚动轴承故障诊断模型中,得到所述低速重载设备滚动轴承的故障诊断结果。
本发明提供的一种低速重载设备滚动轴承故障诊断方法,基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入,能准确的表征和识别轴承的工作状态,可以取得很好的故障状态辨识效果。
本实施例中选用美国凯斯西储大学标准滚动轴承信号,轴承型号为SKF6205,电机转速为1730r/min,采样频率为12KHz。
所述步骤S2中,选用形态平均滤波器对获得轴承的多种状态信号进行滤波降噪。其中,本实施例中多种状态信号包括滚动轴承正常、滚动体故障、内圈故障和外圈故障四种状态信号,这四种状态下的信号时域波形如图2至图5所示。
优选地,结构元素选取直线型结构元素,结构元素中的每个数值都为0。本实施例中选择的结构元素的长度为3的直线型结构元素,即g={0,0,0}。根据上述确定的结构元素,利用形态平均滤波器对多种状态信号进行滤波降噪处理,处理后的波形如图6至图9所示。
具体地,所述步骤S3,具体包括:
对所述降噪后信号进行EEMD分解,求得所述降噪后信号的EEMD能量熵;
以及基于数学形态学提取所述降噪后信号的形态学分形维数和形态谱熵;
根据所述降噪后信号的EEMD能量熵,所述降噪后信号的形态学分形维数和形态谱熵,构建三维特征,并求得所述三维特征的特征向量。
其中,所述对所述降噪后信号进行EEMD分解,求得所述降噪后信号的EEMD能量熵,具体包括:
通过EEMD对所述降噪后信号x(t)进行多次EMD分解,集总平均后计算得到多个IMF分量及每个所述IMF分量的能量,其中,每个IMF分量包含所述降噪后信号的不同时间尺度的局部特征信号,即表示每个IMF分量包含不同的频率成分,且具有不同的能量。
根据分解的正交性,剔除所述多个IMF分量的残余分量;其中,所述降噪后信号x(t)的总能量等于计算的n个IMF分量的能量之和。
由于每个IMF分量包含不同的频率成分,且具有不同的能量,因此构成了信号的能量特征向量。由此根据剔除残余分量的所述多个IMF分量,计算得到EEMD能量熵。
计算公式如下:
其中,pi表示第i个IMF分量的能量在总能量中的比重,n为IMF分量的个数,HEN为EEMD能量熵。
优选地,通过EEMD对所述降噪后信号进行多次EMD分解时,加入白噪声。EEMD通过在对信号进行EMD分解时加入白噪声,可有效的降低模态混叠的程度。
优选地,所述基于数学形态学提取所述降噪后信号的形态学分形维数,具体包括:
对所述降噪后信号f(n)进行膨胀和腐蚀运算,求得在某一尺度ε下所述降噪后信号f(n)关于结构元素g(n)的膨胀和腐蚀运算的覆盖面积,其中,结构元素为一维离散函数;
其中,对降噪后信号f(n)进行一次膨胀运算,具体为:
(fΘg)Θε(n)=((fΘg)Θg…Θg) (2)
对降噪后信号f(n)进行一次腐蚀运算,具体为:
共进行λ次膨胀和腐蚀运算,然后根据所述覆盖面积,计算得到所述降噪后信号的形态学分形维数,具体为:
在形态学中,对信号进行膨胀和腐蚀运算,即是对信号求上包络和下包络。由此可以定义,在尺度ε下信号f(n)关于结构元素g(n)的膨胀和腐蚀运算的覆盖面积Ag(ε)为:
当ε→0时,对于Ag(ε)有以下等式成立:
其中,需要对log(Ag(ε)/ε2)和log(1/ε)进行最小二乘线性拟合得到一条直线,该直线的斜率DM即为所述降噪后信号的形态学分形维数。
优选地,所述基于数学形态学提取所述降噪后信号的形态谱熵,具体包括:
选取所述降噪后信号的非负一维离散信号,并计算所述非负一维离散信号的开运算形态谱和闭运算形态谱;
其中,令h(n)为一非负的一维离散信号,g(n)为一维离散结构元素,则h(n)关于g(n)的开运算形态谱PSh(+λ,g)和闭运算形态谱PSh(-λ,g)分别定义为:
PSh(+λ,g)=A[hΟλg-hΟ(λ+1)g]0≤λ≤N (6)
PSh(-λ,g)=A[h·λg-h·(λ-1)g]0≤λ≤K (7)
式中,A(h)=Σh(n),N和K分别为开、闭运算的最大尺度值。
根据所述开运算形态谱和闭运算形态谱,计算得到所述降噪后信号的形态谱熵,具体为:
用形态谱熵来描述形态谱曲线的复杂程度,形态谱熵的定义为:
其中,q(λ)=PSh(λ,g)/A(h·Kg),它为形态谱中在尺度λ处的谱线值与整个形态谱谱线值和的比,即反映了信号中尺度为λ的形态特征成分出现的概率。
其中,所述基于核极化核极限学习机的滚动轴承故障诊断模型的建立,具体包括:
选取轴承正常、滚动体故障、内圈故障和外圈故障4种状态下的20组特征向量;
选取所述20组特征向量中的10组特征向量,输入到由四个采用一对多法分类的核极化核极限学习机分类模型中进行训练,建立状态辨识模型,作为滚动轴承故障诊断模型。
优选地,还包括:选取轴承正常、滚动体故障、内圈故障和外圈故障4种状态下的20组特征向量;
在所述20组特征向量中选取任意10组数据作为训练样本,其他10组数据作为测试样本;
将所述训练样本中的特征向量输入到由四个采用一对多法分类的核极化核极限学习机分类模型中进行训练,建立状态辨识模型;
将所述测试样本输入到所述状态辨识模型中进行状态识别,得到测试样本的辨识结果
根据所述测试样本的辨识结果对所述状态辨识模型进行优化。
通过对状态辨识模型进行优化,可提高模型对滚动轴承状态识别结果的准确性。将10组测试样本输入到状态辨识模型中进行状态识别,测试样本的状态辨识结果如图10所示。从图中可以看出,每种状态下的10组测试样本全部被识别了出来,因而基于核极化核极限学习机的滚动轴承状态辨识模型能够对测试样本进行正确率很高(40/40)的故障诊断。这说明本发明提出的滚动轴承故障诊断方法是有效的,基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入,可以取得很好的故障状态辨识效果。
优选地,所述步骤S4中,所述将其余部分特征向量输入到所述滚动轴承故障诊断模型中,得到所述低速重载设备滚动轴承的故障诊断结果,具体包括:
将其余部分特征向量作为输入,输入到所述滚动轴承故障诊断模型中,得到所述三维特征的特征向量在三维空间中的分布情况;
根据所述分布情况,识别所述低速重载设备滚动轴承的状态;
根据所述低速重载设备滚动轴承的状态,得到所述低速重载设备滚动轴承的故障诊断结果。
其中,所述三维特征的特征向量在三维空间中的不同区域,表示所述低速重载设备滚动轴承处于不同的状态。
采取上述方法,对多种状态下的信号进行低速重载设备滚动轴承状态的识别,其中,轴承正常信号的“三维”特征求取过程如下所示。图11为滚动轴承正常状态信号EEMD分解结果,求得的EEMD能量熵值为1.4125。图12为求取分形维数过程中滚动轴承正常状态信号对数图,对曲线进行拟合得到的分形维数值为0.8943。图13为滚动轴承正常状态信号形态谱曲线,通过其求得的形态谱熵值为0.3061。通过此方法求得的滚动轴承四种不同状态下的三维特征向量空间分布如图14所示。从图中可以看出,滚动轴承不同状态的三维特征向量分布在三维空间中的不同区域,能够表征信号的不同状态,因此可以作为智能模式识别算法的输入,进行滚动轴承状态的识别。
第二方面,一种低速重载设备滚动轴承故障诊断设备,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如第一方面所述的方法。
结合图15描述的本发明实施例的低速重载设备滚动轴承故障诊断方法可以由低速重载设备滚动轴承故障诊断设备来实现。图15示出了本发明实施例提供的低速重载设备滚动轴承故障诊断设备的硬件结构示意图。
低速重载设备滚动轴承故障诊断设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在数据处理装置的内部或外部。在特定实施例中,存储器402是非易失性固态存储器。在特定实施例中,存储器402包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现上述实施例中的任意一种低速重载设备滚动轴承故障诊断方法。
在一个示例中,低速重载设备滚动轴承故障诊断设备还可包括通信接口403和总线410。其中,如图15所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者,将低速重载设备滚动轴承故障诊断设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
第三方面,结合上述实施例中的低速重载设备滚动轴承故障诊断方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种低速重载设备滚动轴承故障诊断方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
与现有技术相比,本发明的优点:
本发明提供的一种低速重载设备滚动轴承故障诊断方法、设备及介质,对轴承振动信号首先进行形态滤波降噪,再对降噪后信号进行EEMD分解求得其能量熵,并提取降噪后信号基于数学形态学的分形维数和反映信号形态变化特征的形态谱熵,构建“能量熵-形态学分形维数-形态谱熵”三维特征向量,以用来表征低速重载设备滚动轴承的故障特征。然后将滚动轴承不同状态下的特征向量输入核极化核极限学习机,进行故障状态的分类。
通过基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入,能准确的表征和识别轴承的工作状态,可以取得很好的故障状态辨识效果。与BP神经网络相比,有着更高的故障识别效率,能更加准确有效的进行低速重载设备滚动轴承的故障诊断。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种低速重载设备滚动轴承故障诊断方法,其特征在于,包括:
步骤S1,获取低速重载设备滚动轴承的振动信号,并对所述振动信号进行分析得到多种状态信号;
步骤S2,对所述多种状态信号进行滤波降噪处理,得到降噪后信号;
步骤S3,对所述降噪后信号构建三维特征,并求得所述三维特征的特征向量,其中所述三维特征包括EEMD能量熵,形态学分形维数和形态谱熵;
步骤S4,选取所述三维特征的特征向量中的部分特征向量作为输入,建立基于核极化核极限学习机的滚动轴承故障诊断模型,将其余部分特征向量输入到所述滚动轴承故障诊断模型中,得到所述低速重载设备滚动轴承的故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,
所述步骤S3,具体包括:
对所述降噪后信号进行EEMD分解,求得所述降噪后信号的EEMD能量熵;
以及基于数学形态学提取所述降噪后信号的形态学分形维数和形态谱熵;
根据所述降噪后信号的EEMD能量熵,所述降噪后信号的形态学分形维数和形态谱熵,构建三维特征,并求得所述三维特征的特征向量。
3.根据权利要求2所述的方法,其特征在于,
对所述降噪后信号进行EEMD分解,求得所述降噪后信号的EEMD能量熵,具体包括:
通过EEMD对所述降噪后信号进行多次EMD分解,集总平均后计算得到多个IMF分量及每个所述IMF分量的能量,其中,每个IMF分量包含所述降噪后信号的不同时间尺度的局部特征信号;
根据分解的正交性,剔除所述多个IMF分量的残余分量;
根据剔除残余分量的所述多个IMF分量,计算得到EEMD能量熵。
4.根据权利要求3所述的方法,其特征在于,
通过EEMD对所述降噪后信号进行多次EMD分解时,加入白噪声。
5.根据权利要求2所述的方法,其特征在于,
所述基于数学形态学提取所述降噪后信号的形态学分形维数,具体包括:
对所述降噪后信号进行膨胀和腐蚀运算,求得在某一尺度下所述降噪后信号关于结构元素的膨胀和腐蚀运算的覆盖面积,其中,结构元素为一维离散函数;
根据所述覆盖面积,计算得到所述降噪后信号的形态学分形维数。
6.根据权利要求2所述的方法,其特征在于,
所述基于数学形态学提取所述降噪后信号的形态谱熵,具体包括:
选取所述降噪后信号的非负一维离散信号,并计算所述非负一维离散信号的开运算形态谱和闭运算形态谱;
根据所述开运算形态谱和闭运算形态谱,计算得到所述降噪后信号的形态谱熵。
7.根据权利要求2所述的方法,其特征在于,
所述基于核极化核极限学习机的滚动轴承故障诊断模型的建立,具体包括:
选取轴承正常、滚动体故障、内圈故障和外圈故障4种状态下的20组特征向量;
选取所述20组特征向量中的10组特征向量,输入到由四个采用一对多法分类的核极化核极限学习机分类模型中进行训练,建立状态辨识模型,作为滚动轴承故障诊断模型。
8.根据权利要求2所述的方法,其特征在于,
所述步骤S4中,所述将其余部分特征向量输入到所述滚动轴承故障诊断模型中,得到所述低速重载设备滚动轴承的故障诊断结果,具体包括:
将其余部分特征向量作为输入,输入到所述滚动轴承故障诊断模型中,得到所述三维特征的特征向量在三维空间中的分布情况;
根据所述分布情况,识别所述低速重载设备滚动轴承的状态;
根据所述低速重载设备滚动轴承的状态,得到所述低速重载设备滚动轴承的故障诊断结果。
9.一种低速重载设备滚动轴承故障诊断设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019698.XA CN108303255A (zh) | 2018-01-09 | 2018-01-09 | 低速重载设备滚动轴承故障诊断方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019698.XA CN108303255A (zh) | 2018-01-09 | 2018-01-09 | 低速重载设备滚动轴承故障诊断方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108303255A true CN108303255A (zh) | 2018-07-20 |
Family
ID=62868372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810019698.XA Pending CN108303255A (zh) | 2018-01-09 | 2018-01-09 | 低速重载设备滚动轴承故障诊断方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108303255A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645620A (zh) * | 2018-07-26 | 2018-10-12 | 北京工业大学 | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 |
CN109441822A (zh) * | 2018-09-14 | 2019-03-08 | 温州大学 | 一种螺杆式压缩机故障诊断的多尺度自适应加权广义形态滤波方法 |
CN109540522A (zh) * | 2018-11-16 | 2019-03-29 | 北京航空航天大学 | 轴承健康量化建模方法、装置和服务器 |
CN109635468A (zh) * | 2018-12-18 | 2019-04-16 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
CN112147465A (zh) * | 2020-08-13 | 2020-12-29 | 国网浙江省电力有限公司电力科学研究院 | 基于多重分形与极限学习机的gis局部放电光学诊断方法 |
CN112183439A (zh) * | 2020-10-13 | 2021-01-05 | 上海明略人工智能(集团)有限公司 | 信号特征提取方法、系统、计算机可读存储介质及电子设备 |
CN112985809A (zh) * | 2021-02-09 | 2021-06-18 | 上海电机学院 | 基于信号多维度精细画像的滚动轴承故障诊断方法 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN115452379A (zh) * | 2022-08-22 | 2022-12-09 | 中国第一汽车股份有限公司 | 基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法、系统、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269655A (zh) * | 2010-06-04 | 2011-12-07 | 北京化工大学 | 一种轴承故障的诊断方法 |
CN106487359A (zh) * | 2016-10-14 | 2017-03-08 | 石家庄铁道大学 | 基于自适应多尺度AVG‑Hat变换的形态学滤波器的构造方法 |
CN106644481A (zh) * | 2016-12-27 | 2017-05-10 | 哈尔滨理工大学 | 基于数学形态学和ifoa‑svr的滚动轴承可靠度预测方法 |
-
2018
- 2018-01-09 CN CN201810019698.XA patent/CN108303255A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269655A (zh) * | 2010-06-04 | 2011-12-07 | 北京化工大学 | 一种轴承故障的诊断方法 |
CN106487359A (zh) * | 2016-10-14 | 2017-03-08 | 石家庄铁道大学 | 基于自适应多尺度AVG‑Hat变换的形态学滤波器的构造方法 |
CN106644481A (zh) * | 2016-12-27 | 2017-05-10 | 哈尔滨理工大学 | 基于数学形态学和ifoa‑svr的滚动轴承可靠度预测方法 |
Non-Patent Citations (4)
Title |
---|
周军: ""基于数学形态学的牵引电机滚动轴承故障诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
李翠省 等: ""基于相关峭度准则的EEMD及改进形态滤波的轴承故障诊断方法"", 《轴承》 * |
秦波 等: ""VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用"", 《中国测试》 * |
黄浩 等: ""基于EEMD与形态滤波的滚动轴承故障诊断方法研究"", 《武汉科技大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645620A (zh) * | 2018-07-26 | 2018-10-12 | 北京工业大学 | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 |
CN109441822A (zh) * | 2018-09-14 | 2019-03-08 | 温州大学 | 一种螺杆式压缩机故障诊断的多尺度自适应加权广义形态滤波方法 |
CN109441822B (zh) * | 2018-09-14 | 2020-07-28 | 温州大学 | 一种螺杆式压缩机故障诊断的多尺度自适应加权广义形态滤波方法 |
CN109540522A (zh) * | 2018-11-16 | 2019-03-29 | 北京航空航天大学 | 轴承健康量化建模方法、装置和服务器 |
CN109635468A (zh) * | 2018-12-18 | 2019-04-16 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
CN109635468B (zh) * | 2018-12-18 | 2023-02-03 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
CN112147465A (zh) * | 2020-08-13 | 2020-12-29 | 国网浙江省电力有限公司电力科学研究院 | 基于多重分形与极限学习机的gis局部放电光学诊断方法 |
CN112147465B (zh) * | 2020-08-13 | 2022-06-03 | 国网浙江省电力有限公司电力科学研究院 | 基于多重分形与极限学习机的gis局部放电光学诊断方法 |
CN112183439A (zh) * | 2020-10-13 | 2021-01-05 | 上海明略人工智能(集团)有限公司 | 信号特征提取方法、系统、计算机可读存储介质及电子设备 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN112985809A (zh) * | 2021-02-09 | 2021-06-18 | 上海电机学院 | 基于信号多维度精细画像的滚动轴承故障诊断方法 |
CN115452379A (zh) * | 2022-08-22 | 2022-12-09 | 中国第一汽车股份有限公司 | 基于增强顶帽变换算子与集合经验模态分解的主轴轴承诊断方法、系统、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108303255A (zh) | 低速重载设备滚动轴承故障诊断方法、设备及介质 | |
Bessous et al. | Diagnosis of bearing defects in induction motors using discrete wavelet transform | |
Yan et al. | Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings | |
Yongbo et al. | Review of local mean decomposition and its application in fault diagnosis of rotating machinery | |
Wu et al. | Characterization of gear faults in variable rotating speed using Hilbert-Huang Transform and instantaneous dimensionless frequency normalization | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN106446809B (zh) | 基于雨流计数法的航空发动机载荷谱的滤波方法 | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
CN110243603B (zh) | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 | |
Yan et al. | A feature selection framework-based multiscale morphological analysis algorithm for fault diagnosis of rolling element bearing | |
Barbini et al. | Phase editing as a signal pre-processing step for automated bearing fault detection | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN108982107A (zh) | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 | |
JP2018205292A (ja) | 時間領域・周波数領域のヒストグラムの特徴解析による状態識別法 | |
Wang et al. | Rotating machinery fault diagnosis based on EEMD time-frequency energy and SOM neural network | |
Karnavas et al. | Fault diagnosis of squirrel-cage induction motor broken bars based on a model identification method with subtractive clustering | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
CN109612726A (zh) | 一种用于振动信号特征提取的多重超阶分析方法 | |
CN112132069A (zh) | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 | |
CN113392874A (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
Ahsan et al. | Early-stage faults detection using harmony search algorithm and stft-based spectral kurtosis | |
CN115931318A (zh) | 故障智能诊断方法、装置、设备及存储介质 | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 | |
CN114543983A (zh) | 振动信号的识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |
|
RJ01 | Rejection of invention patent application after publication |