CN108593296B - 一种基于倒谱伪边距的轴承单点故障诊断方法 - Google Patents
一种基于倒谱伪边距的轴承单点故障诊断方法 Download PDFInfo
- Publication number
- CN108593296B CN108593296B CN201810382450.XA CN201810382450A CN108593296B CN 108593296 B CN108593296 B CN 108593296B CN 201810382450 A CN201810382450 A CN 201810382450A CN 108593296 B CN108593296 B CN 108593296B
- Authority
- CN
- China
- Prior art keywords
- cepstrum
- pseudo
- distinguishing
- calculating
- signal
- 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
Links
Images
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种新的基于倒谱边伪距的滚动轴承故障特征提取方法,包括:根据滚动轴承振动信号计算其倒谱;根据原始监测信号计算时域内方差;根据倒谱信号计算相应伪边距;根据倒谱伪边距指标分布情况计算并确定区分标准和区分空间维度n;顺次提取第i维区分空间中的伪边距绝对值;计算并确定故障特征提取与诊断伪边距标定值,用以区分故障特征信号。本发明可以对滚动轴承单点故障特征信号进行有效提取,并且诊断结果具有较高的精确度。
Description
技术领域
本发明涉及滚动轴承故障诊断领域,特别是涉及滚动轴承单点故障特征信号提取与诊断方法。
背景技术
轴承是很多大型现代设备中用来承受各种负载与压力常用的部件。长时间的持续工作会在轴承的某些部位引起一些故障,而且这种状态会影响设备甚至整个工作过程的安全性。常用滚动轴承由内圈,外圈和滚珠组成,这些部位都有可能会出现单一故障或者复杂故障。
滚动轴承在正常工况或者某种故障情况下,振动信号表现出的频率特征并不一致。根据频率特性的不同,目前可以实施基于数据驱动的故障诊断方法,其实施方法主要是把轴承运行时域信号转换为频域信号,再根据频域中信号特征的不同,采用多种模式分类方法,例如支持向量机,Fisher判别分析等,有效的区分正常工况和故障工况。但是由于滚动轴承在运行时会产生海量振动信号,基于数据驱动的方法耗时较长,时域和频域计算容易陷入维数灾难。
发明内容
鉴于以上所述现有技术的缺点,本发明的而目的在于提供一种滚动轴承单点故障诊断方法,用于解决现有技术中对滚动轴承单点故障诊断过于复杂的问题。
为实现上述目的及其他相关目的,本发明提供一种滚动轴承单点故障诊断方法,其特征在于,所述方法包括:采集滚动轴承运行时的时域振动信号,并根据振动信号计算其倒谱;根据采集到的时域振动信号,计算其时域内方差数值;根据倒谱信号计算相应伪边距;根据倒谱伪边距指标分布情况计算并确定区分标准和区分空间维度n;顺次提取第i维度区分空间中伪边距绝对值;计算并确定故障特征信号提取与诊断伪边距标定值,用以区分故障信号。
优选地,计算第i维区分空间中倒谱正、负伪边距,具体为
优选地,顺次提取第i维区分空间中的倒谱正负边沿伪距最大值的绝对值具体为:
其中,信号f x (t)即为采集到的轴承振动时域信号。
优选地,计算并确定故障特征提取与诊断伪边距标定值,用以区分故障特征信号,需要同时满足(1)区分点或区分线可以区分距离轴承不同工况的倒谱边伪距的最近点;(2)区分点或区分线可以区分轴承不同工况的状态倒谱边伪距的平均值。
如上所述,本发明的一种滚动轴承单点故障诊断方法,具有以下有益效果:本发明解决了滚动轴承单点故障诊断问题,本发明通过采集滚动轴承时域振动信号,计算时域信号方差和倒谱;针对轴承故障诊断问题中,由于时域样本数量巨大容易引起“维数灾难”的问题,本发明通过定义一个新的评估指标倒谱伪边距,去提取、区分轴承运行状况,以实现故障诊断的目的。倒谱伪边距的计算是用时域信号倒谱按照绝对值大小排列获取的前n个正边沿和负边沿的绝对值,除以时域信号方差实现。其中n可以视为故障分布特征空间的维数,其具体数值的选取将直接影响故障特征区分标准的表现形式,即是区分点、区分线、还是区分面,或者是更高维空间中的区分函数。如果当面临复杂的故障情况时,一般应确定更高维的区分标准或者区分函数。相应的,在高维空间中,应该划分出更多的倒谱边伪距等级。顺次提取第i维区分空间中的倒谱正负边沿伪距最大值,同时计算并确定故障特征提取与诊断伪边距标定值,用以区分故障特征信号,区分函数必须可以区分距离轴承不同工况的倒谱边伪距的最近点;并且可以区分轴承不同工况的状态倒谱边伪距的平均值。
附图说明
图1显示为本发明的一种基于倒谱边伪距的轴承单点故障诊断方法流程示意图。
图2 显示为本发明的一种基于倒谱边伪距的轴承单点故障诊断方法获取不同工况时域信号图。
图3 显示为本发明的一种基于倒谱边伪距的轴承单点故障诊断方法计算的不同工况倒谱图。
图4 显示为本发明的一种基于倒谱边伪距的轴承单点故障诊断方法对不同工况倒谱特征提取图。
图5显示为本发明的本发明的一种基于倒谱边伪距的轴承单点故障诊断方法区分函数确定示意图。
图6显示为本发明的本发明的一种基于倒谱边伪距的轴承单点故障诊断方法测试数据故障特征提取与诊断结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易的了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图6。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的形态、数量及比例可为一种随意的改变,且其组件布局形态也可能更为复杂。
滚动轴承振动时域数据数据量非常大,而且故障特征并不明显,很难直接提取。通常是将时域信号变换到频域中,然后通过特定的距离公式将频域信号投影成广义距离量,再通过分类识别的方法对广义距离量进行区分,从而达到故障诊断的目的。传统算法中,广义距离量和分类识别一般都需要在高维空间中进行,从而极易出现“维数灾难”,导致诊断时间变长、诊断效果变差。在这种情况下,如何利用好时域信号或者频域信号本身的特征,减少中间广义距离量的计算环节,达到简化故障诊断算法,提高故障诊断效率的目的。目前需要寻求一种可以较快并有效提取滚动轴承故障特征并进行诊断的方法,本发明就是基于这些理念而形成的。
本发明的目的在于提供一种滚动轴承单点故障诊断方法,用于解决现有技术中对滚动轴承故障诊断效率较低的问题。以下将详细描述本发明的一种基于倒谱边伪距的滚动轴承单点故障诊断方法的原理和实施方式,使本领域技术人员不需要创造性劳动即可理解本发明的一种基于倒谱边伪距的滚动轴承单点故障诊断方法。
如图1所示,本发明提供一种基于倒谱边伪距的滚动轴承单点故障诊断方法,如图1所示,所述方法步骤包括:
S1,采集滚动轴承运行时的时域振动信号,并根据振动信号计算其倒谱;
S2,根据采集到的时域振动信号,计算其时域内方差数值;
S3,根据倒谱信号计算相应伪边距;
S4,根据倒谱伪边距指标分布情况计算并确定区分标准和区分空间维度n;
S5,顺次提取第i维度区分空间中伪边距绝对值;
S6,计算并确定故障特征信号提取与诊断伪边距标定值,用以区分故障信号。
下面结合具体实施例方式对本发明进行详细说明。本实施例在Matlab 7.1 软件环境下完成。具体方法如下:使用被测试轴承支承电机轴,使用电火花加工技术在轴承上布置了单点故障,故障直径分别为0.018厘米。实验中使用加速度采集振动信号,通过使用磁性底座将传感器安放在电机壳体上。加速度传感器分别安装在电机壳体的驱动端。轴承转速为1797r/min,振动信号是通过16通道的DAT记录器采集的,数字信号的采样频率为12000Hz。原始振动信号时域波形如图2所示。
首先执行步骤S1,采集滚动轴承运行时的时域振动信号,并根据振动信号计算其倒谱:
在步骤S2中,根据采集到的时域振动信号,计算其时域内方差数值:
其中N采样点数,x i 是i时刻滚动轴承振动信号幅值,是长度为N的滚动轴承振动信号样本值的均值。
在步骤S3中,根据倒谱信号计算相应伪边距,即计算第i维区分空间中倒谱正、负伪边距,具体为
在步骤S4中,根据倒谱伪边距指标分布情况计算并确定区分标准和区分空间维度n。当面临复杂的故障情况时,应确定更高维的区分标准,而在高维空间中(),应该划分出更多的倒谱边伪距等级。本实施例中区分标准及区分空间维度n确定过程如图4所示。
在步骤S5中,顺次提取第i维区分空间中的倒谱正负边沿伪距最大值的绝对值具体为:
其中,信号f x (t)即为采集到的轴承振动时域信号。本实施例中以倒谱伪距为标志的故障特征提取结果如图5所示。
在步骤S6中,计算并确定故障特征提取与诊断伪边距标定值,用以区分故障特征信号,需要同时满足(1)区分点或区分线可以区分距离轴承不同工况的倒谱边伪距的最近点;(2)区分点或区分线可以区分轴承不同工况的状态倒谱边伪距的平均值。对新获取的滚动轴承测试数据进行故障诊断效果验证,结果如图6所示。
综上所述,针对滚动轴承单点故障诊断中存在的算法复杂、计算量大、容易陷入“维数灾难”等问题,本发明提供的一种基于倒谱边伪距的滚动轴承单点故障诊断方法可以高效的针对不同工况振动数据本身进行特征提取和特征区分,通过这种方式可以精确地识别轴承不同工况倒谱边伪距的最近点及其平均值,从而达到故障诊断的目的。
上述实施例仅例示性说明本发明的原理及功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神几番抽下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应有本发明的权利要求所覆盖。
Claims (4)
2.根据权利要求1所述的基于倒谱边伪距的轴承单点故障诊断方法,其特征在于,计算轴承运行振动
信号倒谱具体为:
C(τ)=F-1{log{Fxx(f)}}
其中Fxx(f)是原始时间信号fx(t)的功率谱,F-1是逆傅里叶变换。
4.根据权利要求1所述的基于倒谱边伪距的轴承单点故障诊断方法,其特征在于,计算并确定对故障特征信号提取与诊断的伪边距标定值,用以区分故障特征信号,具体标准为:
(1)区分点或区分线可以区分距离轴承不同工况的倒谱伪边距的最近点;
(2)区分点或区分线可以区分轴承不同工况的状态倒谱伪边距的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382450.XA CN108593296B (zh) | 2018-04-26 | 2018-04-26 | 一种基于倒谱伪边距的轴承单点故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382450.XA CN108593296B (zh) | 2018-04-26 | 2018-04-26 | 一种基于倒谱伪边距的轴承单点故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108593296A CN108593296A (zh) | 2018-09-28 |
CN108593296B true CN108593296B (zh) | 2020-01-31 |
Family
ID=63609970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810382450.XA Expired - Fee Related CN108593296B (zh) | 2018-04-26 | 2018-04-26 | 一种基于倒谱伪边距的轴承单点故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108593296B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN102834701A (zh) * | 2010-03-03 | 2012-12-19 | 旭化成工程株式会社 | 滑动轴承的诊断方法和诊断装置 |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
CN103149029A (zh) * | 2013-01-16 | 2013-06-12 | 南京航空航天大学 | 利用倒频谱识别航空发动机转静碰摩部位的方法 |
CN103234750A (zh) * | 2013-04-16 | 2013-08-07 | 北京工业大学 | 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法 |
US8880207B2 (en) * | 2008-12-10 | 2014-11-04 | The University Of Queensland | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index |
US9009001B2 (en) * | 2011-05-26 | 2015-04-14 | Honeywell International Inc. | Monitoring for invalid data from field instruments |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN107677362A (zh) * | 2017-09-06 | 2018-02-09 | 浙江大学 | 一种改进的基于实倒频谱分析的旋转机械调制频率提取方法 |
US10168248B1 (en) * | 2015-03-27 | 2019-01-01 | Tensor Systems Pty Ltd | Vibration measurement and analysis |
-
2018
- 2018-04-26 CN CN201810382450.XA patent/CN108593296B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8880207B2 (en) * | 2008-12-10 | 2014-11-04 | The University Of Queensland | Multi-parametric analysis of snore sounds for the community screening of sleep apnea with non-gaussianity index |
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN102834701A (zh) * | 2010-03-03 | 2012-12-19 | 旭化成工程株式会社 | 滑动轴承的诊断方法和诊断装置 |
US9009001B2 (en) * | 2011-05-26 | 2015-04-14 | Honeywell International Inc. | Monitoring for invalid data from field instruments |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
CN103149029A (zh) * | 2013-01-16 | 2013-06-12 | 南京航空航天大学 | 利用倒频谱识别航空发动机转静碰摩部位的方法 |
CN103234750A (zh) * | 2013-04-16 | 2013-08-07 | 北京工业大学 | 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法 |
US10168248B1 (en) * | 2015-03-27 | 2019-01-01 | Tensor Systems Pty Ltd | Vibration measurement and analysis |
CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
CN107677362A (zh) * | 2017-09-06 | 2018-02-09 | 浙江大学 | 一种改进的基于实倒频谱分析的旋转机械调制频率提取方法 |
Non-Patent Citations (3)
Title |
---|
"he complex cepstrum and bicepstrum:";petropulu A.P.;《IEEE》;19900707;全文 * |
"基于倒频谱分析法的滚动轴承故障诊断研究";王旭峰;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20120229;全文 * |
"面向风力发电机组齿轮箱滚动轴承故障诊断的理论与方法研究";郭艳平;《中国博士学位论文全文数据库 工程科技II辑》;20130731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108593296A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101178962B1 (ko) | 극저속 회전 기계의 이상 진단 방법 및 장치 | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
Saidi et al. | The use of SESK as a trend parameter for localized bearing fault diagnosis in induction machines | |
CN110118657B (zh) | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 | |
CN108106846B (zh) | 一种滚动轴承故障损伤程度识别方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN108195584B (zh) | 一种基于准确度谱图的滚动轴承故障诊断方法 | |
CN108956142A (zh) | 一种轴承故障识别方法 | |
Li et al. | A new statistical model for rolling element bearing fault signals based on alpha-stable distribution | |
De Almeida et al. | New technique for evaluation of global vibration levels in rolling bearings | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN113804388B (zh) | 基于时域分析的机械设备旋转冲击故障检测方法及系统 | |
CN113314142B (zh) | 发动机故障检测方法、系统、存储介质及设备 | |
CN108593296B (zh) | 一种基于倒谱伪边距的轴承单点故障诊断方法 | |
Pradhan et al. | Fault detection using vibration signal analysis of rolling element bearing in time domain using an innovative time scalar indicator | |
CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
CN115656700B (zh) | 检测方法、训练方法、电器、监控系统和存储介质 | |
Mohamad et al. | Gear fault diagnostics using extended phase space topology | |
Jiang et al. | Rolling bearing quality evaluation based on a morphological filter and a Kolmogorov complexity measure | |
CN116644304A (zh) | 基于相似性的货车轴承异常特征提取与分类方法 | |
CN107271184B (zh) | 一种滚动轴承故障诊断的核回归分解方法及系统 | |
CN111319787B (zh) | 一种直升机动部件振动监测数据有效性评估方法 | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
CN114528868A (zh) | 一种压缩机叶片裂纹故障检测方法 |
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 |
Granted publication date: 20200131 |
|
CF01 | Termination of patent right due to non-payment of annual fee |