CN108398265A - 一种滚动轴承在线故障检测方法 - Google Patents

Abstract

本发明涉及一种滚动轴承在线故障检测方法，包括以下步骤：1)建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系；2)在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量；3)利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式。与现有技术相比，本发明能够解决采用传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题，在确保检测实时性的同时准确有效的识别不同的滚动轴承故障类型及故障严重程度。

Description

一种滚动轴承在线故障检测方法

技术领域

本发明涉及机械故障监测技术领域，尤其是涉及一种滚动轴承在线故障检测方法。

背景技术

滚动轴承作为重要部件，被广泛应用于几乎所有类型的旋转机械中。滚动轴承故障是旋转机械失效和损坏的最主要原因之一，并带来巨大的经济损失。为确保机组运行可靠并减少经济损失，研发一种可靠有效的滚动轴承故障诊断方法是极为必要的。在众多轴承故障诊断方法中，基于振动信号的诊断方法已经在过去几十年间受到了广泛关注。

轴承的振动信号蕴含着丰富地机械健康状况信息，这也为通过信号处理技术从振动信号中提取表征机械健康状况的主导特征成为可能。当前，许多信号处理技术已经应用于轴承故障监测和诊断。然而，由于存在许多非线性因素(如，刚度、摩擦、间隙等)，轴承诊断信号(特别是故障状态时)将表现为非线性和非稳态的特征。另外，实测的振动信号不仅包含与轴承本身相关的运行状况信息，还包含大量的机组设备中其他旋转部件和结构的信息(这些相较于前者属于背景噪声)。由于背景噪声通常较大，轻微的轴承故障信息容易淹没于背景噪声中，并很难被提取。因此，常规的时域和频域方法(主要针对线性振动信号)，甚至更为先进的信号处理技术(如，小波变换(WT)等)，不容易对轴承工作健康状况做出准确的评估。

随着非线性动力学的发展，许多非线性分析技术已经被应用于识别和预测轴承复杂的非线性动态特性。其中，较为典型的一种方法是通过一些先进的信号处理技术(如，小波包分解(WPT)、希尔伯特变换(HT)、经验模态分解(EMD)、高阶谱(HOS)等)的结合运用来从振动信号中提取故障特征频率，并进一步与理论特征频率值比较来评估轴承健康状况(需要结合专家的经验判断)。随着人工智能的发展，轴承故障诊断过程越来越多地被引入模式识别的范畴，并且其诊断的有效性和可靠性主要取决于表征故障特征的主导特征向量的选取。近来，一些基于熵的方法(如，近似熵(ApEn)、样本熵(SampEn)，模糊熵(FuzzyEn)、分级熵(HE)、分级模糊熵等)，已经被提出用于从轴承振动信号中提取表征故障特征的主导特征向量，并获得了一定效果。

通常，故障特征提取之后，需要一种模式识别技术来实现轴承故障的自动化诊断。现今，各种模式识别方法已经应用于机械故障诊断中，其中，应用最为广泛的当属人工神经网络(ANNs)和支持向量机(SVMs)。其中，人工神经网络(ANNs)的训练需要大量的样本，这是实际应用中很难甚至是不可能办到的，尤其是包含故障特征的样本。支持向量机(SVMs)基于统计学习理论(特别适合于小样本训练的情况)，比人工神经网络(ANNs)具有更优的泛化能力，并能确保局部的最优解与全局的最优解一致。然而，支持向量机(SVMs)分类器的准确性取决于其最优参数的选择。为确保诊断准确性，往往需要融入一些优化算法和/或设计成复杂的多类结构来弥补改善支持向量机(SVMs)的有效性。

发明内容

本发明的目的就是为了克服上述现有技术存在的采用传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题，而提供一种滚动轴承在线故障检测方法。

本发明的目的可以通过以下技术方案来实现：

一种滚动轴承在线故障检测方法，包括以下步骤：

1)建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系；

2)在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量；

3)利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式。

进一步地，所述主导特征向量为熵特征与Holder系数特征联合的特征向量。

进一步地，所述样品知识库的建立过程为：

101)获得滚动轴承在多种已知故障模式下的振动信号，不同振动信号与不同故障模式一一对应；

102)提取每个振动信号的主导特征向量；

103)根据主导特征向量与故障模式间的对应关系建立样本知识库。

进一步地，所述主导特征向量为四维熵特征与Holder系数特征联合特征向量。

进一步地，所述主导特征向量的提取过程为：

201)将当前振动信号离散化为离散信号序列，并对所述离散信号序列进行FFT变换；

202)计算当前振动信号的香农熵E₁和指数熵E₂：

其中，p_i为步骤201)获得信号中第i个离散信号的能量在总能量中所占的概率比例，i＝1,2,...,N，N表示离散信号的总点数；

203)以矩形信号序列s₁(i)和三角信号序列s₂(i)作为参考序列，计算当前振动信号的Holder系数H₁和H₂：

其中，p,q为Holder不等式参数，

204)以[E₁,E₂,H₁,H₂]作为主导特征向量。

进一步地，所述灰色关联算法中，定义实时振动信号的主导特征向量为B，样本知识库中第j个故障模式对应的主导特征向量为C_j，B和C_j的关联度计算公式为：

式中，ξ(B,C_j)为关联度，ξ(b(k),c_j(k))为向量B中第k个特征参数与向量C_j中第k个特征参数的关联系数，L为特征参数总数。

进一步地，所述关联系数ξ(b(k),c_j(k))的计算公式为：

其中，ρ为分辨系数。

与现有技术相比，本发明具有以下有益效果：

(1)本发明建立有样本知识库，将实时在线获得的振动信号经特征提取获得的主导特征向量与样本知识库进行比对，实现待诊断滚动轴承的故障诊断，能实现故障在线诊断，解决传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题。

(2)本发明通过灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，关联度计算结果可靠，有效提高诊断精度。

(3)本发明的主导特征向量为熵特征与Holder系数特征联合的特征向量，能够提取出更具区分度的表征故障特征的特征向量，有效提高诊断精度。

(4)本发明基于熵特征、Holder系数特征与灰色关联理论的结合实现滚动轴承的在线故障诊断，能够在确保检测实时性的同时准确有效的识别不同的滚动轴承故障类型及故障严重程度。

附图说明

图1为本发明方法的流程示意图；

图2为当故障直径为7mils时通过从轴承正常状态和不同故障状态的振动信号中提取的熵特征；

图3为当故障直径为7mils时通过从轴承正常状态和不同故障状态的振动信号中提取的Holder系数特征；

图4为当故障类型为内圈故障时从轴承不同故障严重程度的振动信号中提取的熵特征；

图5为当故障类型为内圈故障时从轴承不同故障严重程度的振动信号中提取的Holder系数特征。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明提供一种滚动轴承在线故障检测方法，包括以下步骤：

步骤S1，建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系。故障模式包括正常状态和多种故障状态，不同故障状态对应不同的故障类型及其严重程度。

在某些实施例中，样品知识库的建立过程为：101)获得滚动轴承在多种已知故障模式下的振动信号，不同振动信号与不同故障模式一一对应；102)提取每个振动信号的主导特征向量；103)根据主导特征向量与故障模式间的对应关系建立样本知识库。

步骤S2，在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量。

在某些实施例中，主导特征向量为四维熵特征与Holder系数特征联合特征向量。

步骤S3，利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式，可以获得待诊断滚动轴承的故障类型及严重程度。

实施例1

本实施例以美国西储大学轴承数据中心的滚动轴承故障诊断为例，具体过程如下：

该滚动轴承故障诊断实验装置由一个扭矩仪、一个功率计、一个三相感应电动机等组成，载荷功率和转速通过传感器测得，如图1所示。通过控制功率计可以得到期望的扭矩载荷。电动机驱动端的转子由测试轴承(即诊断对象)支撑，并在测试轴承中通过放电加工设置了单点故障，故障直径包括7mils、14mils、21mils和28mils(即故障严重程度)，故障类型包括内圈故障、滚动体故障、外圈故障。电动机驱动端罩壳上安装有一个带宽高达5000Hz的加速计，并通过一个记录仪采集测试轴承在不同工作状态下的振动数据，其中采样频率为12kHz。试验中所用的深沟滚动轴承型号为6205-2RS JEM SKF。

当控制扭矩载荷调整为0马力且电动机转速为1797r/min时，开始采集测试轴承的振动数据。采集轴承正常状态和不同故障类型及故障严重程度下的振动数据用于诊断分析，如表1所示，根据不同的故障类型及故障严重程度将故障模式细分为11类。采集的测试轴承的振动数据共分为550个数据样本，每个数据样本包含2048个样本数据点，且每两个数据样本之间不重叠。在这550个数据样本中，随机选取110个数据样本用于建立样本知识库，剩余的440个数据样本作为测试样本，用于校验本发明的有效性。

表1用于诊断分析的测试轴承的振动数据

1)首先对轴承振动信号进行预处理

设轴承的当前振动信号为f，首先对信号进行采样，将信号离散化为离散信号序列f(i)，i＝1,2,...,N，N表示离散信号的总点数，进行FFT变换，获得当前离散信号F(k)：k＝1,2,...,N；

2)进行香农熵E₁和指数熵E₂计算

求得信号频谱后，计算各个点的能量：E_k＝|F(k)|²；

计算所有点的总能量值：

计算各个点的能量在总能量中所占的概率比例：

对当前离散信号进行香农熵E₁和指数熵E₂计算：

3)进行Holder系数计算

对信号F(k)，k＝1,2,...,N，进行归一化处理；

以矩形信号序列s₁(i)和三角信号序列s₂(i)作为参考序列，计算当前离散信号F(k)与两个参考信号序列的Holder系数值。计算之前，首先估计当前离散信号F(k)的频率范围，再设置矩形信号和三角信号的频率范围与之相匹配，其后具体计算过程如下：

首先计算当前离散信号F(k)与矩形信号序列s₁(i)的Holder系数值H₁，即：

Holder系数算法是由Holder不等式演化而来的，其中，p,q为Holder不等式参数，且p,q＞1；

其中，矩形信号序列s₁(i)表示为

同理求得当前离散信号F(k)与三角信号序列s₂(i)的Holder系数值H₂，即：

其中，三角信号序列s₂(i)表示为

4)将求得的熵特征值E₁和E₂与Holder系数特征值H₁和H₂组成四维联合特征向量，即[E₁,E₂,H₁,H₂]，作为当前振动信号的主导特征向量，为后续的分类器识别做准备。

5)对提取的轴承振动信号特征向量利用灰色关联理论与数据库中的已知故障类型信号的特征向量进行关联计算，判断未知轴承振动信号的故障类型为关联度最大的信号的故障类型，即实现了对轴承振动信号的分类识别。

本实施例中，利用灰色关联算法计算实时主导特征向量与样本知识库中各故障模式的关联度，包括以下步骤：

501)将步骤4)获得的四维联合特征向量定义为实时主导特征向量B：

在样本知识库中存储有如下数据：

其中，C_j为第j个故障模式，j＝1,2,…,M，M为故障模式的总数目，为与C_j对应的特征向量。

502)计算得到实时主导特征向量B与样本知识库中各故障模式的关联度，将实时主导特征向量B对应的待诊断滚动轴承的实时振动信号分类至最大关联度所属的故障模式，其中，实时主导特征向量B与样本知识库中第j个故障模式C_j的关联度为ξ(B,C_j)：

式中，ξ(b(k),c_j(k))为是实时主导特征向量B中第k个特征参数与第j个故障模式C_j对应的特征向量中第k个特征参数的关联系数。

关联系数ξ(b(k),c_j(k))的计算公式为：

式中，ρ为分辨系数。

当故障直径为7mils时通过熵特征、Holder系数特征提取算法从轴承正常状态和不同故障状态的振动信号中提取的特征向量如图2和图3所示；当故障类型为内圈故障时通过熵特征、Holder系数特征提取算法从轴承不同故障严重程度的振动信号中提取的特征向量如图4和图5所示。

根据故障征兆(即已提取的主导特征向量)与故障模式(即已知的滚动轴承的故障类型及严重程度)关系建立样本知识库，作为灰色关联算法模型的基准知识库。将待识别的从测试样本提取的表征故障特征的主导特征向量(四维联合熵特征与Holder系数特征)输入灰色关联算法模型中，输出诊断结果(即故障类型及严重程度)，如表2所示。

表2诊断结果

由图2至图5及表2可知，本发明具有如下优点：本发明能够准确有效的识别不同的滚动轴承故障类型及故障严重程度；本发明中四维联合熵特征与Holder系数特征提取算法，能够从滚动轴承的振动信号中提取出更具区分度的表征故障特征的特征向量；本发明中灰色关联算法对滚动轴承的故障识别成功率能够达到100％，而对不同故障类型及故障严重程度的总体识别成功率也能达到约97％；本发明中特征提取算法与模式识别算法简单易编程，能够用于在线实时故障检测(使用2.0GHz的双核笔记本电脑计算一个诊断算列只需不到0.0021秒)。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种滚动轴承在线故障检测方法，其特征在于，包括以下步骤：

1)建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系；

2)在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量；

3)利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式。

2.根据权利要求1所述的滚动轴承在线故障检测方法，其特征在于，所述主导特征向量为熵特征与Holder系数特征联合的特征向量。

3.根据权利要求1所述的滚动轴承在线故障检测方法，其特征在于，所述样品知识库的建立过程为：

101)获得滚动轴承在多种已知故障模式下的振动信号，不同振动信号与不同故障模式一一对应；

102)提取每个振动信号的主导特征向量；

103)根据主导特征向量与故障模式间的对应关系建立样本知识库。

4.根据权利要求1-3中任一所述的滚动轴承在线故障检测方法，其特征在于，所述主导特征向量为四维熵特征与Holder系数特征联合特征向量。

5.根据权利要求4所述的滚动轴承在线故障检测方法，其特征在于，所述主导特征向量的提取过程为：

201)将当前振动信号离散化为离散信号序列，并对所述离散信号序列进行FFT变换；

202)计算当前振动信号的香农熵E₁和指数熵E₂：

其中，p_i为步骤201)获得信号中第i个离散信号的能量在总能量中所占的概率比例，i＝1,2,...,N，N表示离散信号的总点数；

203)以矩形信号序列s₁(i)和三角信号序列s₂(i)作为参考序列，计算当前振动信号的Holder系数H₁和H₂：

其中，p,q为Holder不等式参数，且p,q＞1；

204)以[E₁,E₂,H₁,H₂]作为主导特征向量。

6.根据权利要求1所述的滚动轴承在线故障检测方法，其特征在于，所述灰色关联算法中，定义实时振动信号的主导特征向量为B，样本知识库中第j个故障模式对应的主导特征向量为C_j，B和C_j的关联度计算公式为：

式中，ξ(B,C_j)为关联度，ξ(b(k),c_j(k))为向量B中第k个特征参数与向量C_j中第k个特征参数的关联系数，L为特征参数总数。

7.根据权利要求6所述的滚动轴承在线故障检测方法，其特征在于，所述关联系数ξ(b(k),c_j(k))的计算公式为：

其中，ρ为分辨系数。