CN108844740A - 一种基于med和倒频谱的滚动轴承早期故障诊断方法 - Google Patents
一种基于med和倒频谱的滚动轴承早期故障诊断方法 Download PDFInfo
- Publication number
- CN108844740A CN108844740A CN201810677922.4A CN201810677922A CN108844740A CN 108844740 A CN108844740 A CN 108844740A CN 201810677922 A CN201810677922 A CN 201810677922A CN 108844740 A CN108844740 A CN 108844740A
- Authority
- CN
- China
- Prior art keywords
- med
- cepstrum
- signal
- noise reduction
- inverse filter
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于MED和倒频谱的滚动轴承早期故障诊断方法,属于机械故障诊断技术领域,其包括:步骤一:利用加速度传感器对滚动轴承设备进行测量,获得振动加速度信号;步骤二:对振动加速度信号进行MED降噪,得到降噪后的信号;步骤三:对MED降噪后的信号进行倒频谱分析,结合实验来提取故障特征。本发明通过采用MED方法对滚动轴承加速度信号进行预处理,在降噪的同时,增强信号的冲击成分,可以使得倒频谱上的故障频率点幅值增大,故障更易识别。
Description
技术领域
本发明属于机械故障诊断技术领域,尤其涉及一种基于MED和倒频谱的滚动轴承早期故障诊断方法。
背景技术
滚动轴承被广泛应用于各种旋转机械中,其缺陷和损伤将直接影响设备稳定运行。滚动轴承常见的故障有内圈故障、外圈故障和滚珠故障等,这些故障会形成周期性冲击成分。转速信号、随机信号和故障信号叠加在一起会形成调制信号的周期成分。倒频谱方法可以分离和提取难以识别的密集调制信号的周期成分,使原来谱图上成簇的边频谱线简化为倒频谱上的单根谱线,从而使频谱中的复杂周期成分变得更清晰易辨,以利于故障诊断。
故障若出现早期局部故障时,冲击成分不明显,且受到随机噪声的干扰,容易被掩盖,导致故障不易识别。单一使用倒频谱方法很难提取故障特征。Wiggins提出了最小熵解卷积方(minimum entropy deconvolution,简称MED)应用于盲解卷积问题处理中,MED最早被应用于地震信号处理,并迅速拓展到其他领域,该方法能够在降噪的同时可将周期冲击信号进行增强。
发明内容
本发明的目的是提供一种基于MED和倒频谱的滚动轴承早期故障诊断方法,用于解决上述问题。
为达到上述目的,本发明采用的技术方案是:一种基于MED和倒频谱的滚动轴承早期故障诊断方法,其包括
步骤一:利用加速度传感器对滚动轴承设备进行测量,获得振动加速度信号;
步骤二:对振动加速度信号进行MED降噪,得到降噪后的信号;
步骤三:对MED降噪后的信号进行倒频谱分析,结合实验来提取故障特征。
进一步的,在所述步骤二中,对加速度信号进行MED降噪的过程步骤如下:
2.1)y(i)表示轴承振动信号,MED的目的是得到一个逆滤波器f(i),使得经过逆滤波器滤波后的y(i)能够恢复x(i)的各项特征及相关信息,即使熵值最小;
式中,L为逆滤波器f(i)的长度;
2.2)解反褶积:利用逆滤波器f(i)使y(i)恢复原有信号含有的简单特征和相关信息,使熵值最小,即:
2.3)最小熵反褶积的实质是求取逆滤波器f(i)的最优值,使最大,因此,使其一阶导数为零:
联合式(1)可得
式(4)也可表示为:b=Af (5)
其中,A为振动信号y(i)的L×L自相关矩阵,b表示为:
其中:
2.4)式(5)经迭代可以得到逆滤波器矩阵为:f=A-1b。
进一步的,在所述步骤三中,对MED降噪后的信号进行倒频谱分析,倒频谱分析步骤如下:
3.1)假设MED降噪后的信号为x(i),其功率谱函数为Sx(f),用Cp(τ)来表示功率谱Sx(f)的倒频谱,有Cp(τ)=F-1{lg[sy(f)]};
3.2)其幅值倒频谱Cx(τ):Ca(τ)=|F-1{lg[sy(f)]}|;
3.3)其复倒频谱Cx(τ):Cc(τ)=F-1{lg[Y(f)]}|;
式中:
本发明通过采用MED方法对滚动轴承加速度信号进行预处理,在降噪的同时,增强信号的冲击成分,可以使得倒频谱上的故障频率点幅值增大,故障更易识别。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明的诊断方法流程图。
图2为原始轴承加速度信号的倒谱。
图3为MED方法降噪后的倒频谱。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。
本发明利用MED方法对振动加速度信号进行降噪,滚动轴承早期故障诊断过程中首先需要利用加速度传感器对滚动轴承进行测量,获得振动加速度信号yn,再对振动加速度信号进行MED降噪,消除噪声的干扰。
本发明的基于MED和倒频谱的滚动轴承早期故障诊断方法具体步骤如下,如图1所示:
步骤一:利用加速度传感器对滚动轴承设备进行测量,获得振动加速度信号;
步骤二:对振动加速度信号进行MED降噪,包括的步骤如下:
2.1)y(i)表示轴承振动信号,MED的目的是得到一个逆滤波器f(i),使得经过逆滤波器滤波后的y(i)能够恢复x(i)的各项特征及相关信息,即使熵值最小:
式中,L为逆滤波器f(i)的长度。
2.2)解反褶积重点是利用逆滤波器f(i)使y(i)恢复原有信号含有的简单特征和相关信息,使熵值最小,即:
2.3)最小熵反褶积的实质是求取逆滤波器f(i)的最优值,使最大,因此,使其一阶导数为零:
联合式(1)可得
式(4)也可表示为:b=Af (5)
其中,A为振动信号y(i)的L×L自相关矩阵,b表示为:
其中
2.4)式(5)经迭代可以得到逆滤波器矩阵为:f=A-1b; (8)
步骤三:对MED降噪后的信号进行倒频谱分析,倒频谱分析步骤如下:
3.1)假设MED降噪后的信号为x(i),其功率谱函数为Sx(f),用Cp(τ)来表示功率谱Sx(f)的倒频谱,有Cp(τ)=F-1{lg[sy(f)]},
3.2)其幅值倒频谱Cx(τ):Ca(τ)=|F-1{lg[sy(f)]}|
3.3)其复倒频谱Cx(τ):Cc(τ)=|F-1{lg[Y(f)]}|,
式中:
以下实施例通过结合实验来说明故障特征的提取:
设定轴承故障模拟试验台转子转速为219rpm/min采样频率为5KHz,内圈故障频率fo≈178.57Hz,转轴基频为fr=3.65Hz。采集一组轴承滚珠故障振动加速度信号见图2,从图中有0.0056s处(对应故障频率178.57Hz)有幅值,但是幅值较小,不易识别故障频率,诊断效果不理想。图3是进行MED降噪后的倒频谱分析的结果,从图上可以看出在0.0056s处(对应故障频率178.57Hz)有明显的幅值,诊断效果非常好。
本发明通过采用MED方法对滚动轴承加速度信号进行预处理,在降噪的同时,增强信号的冲击成分,可以使得倒频谱上的故障频率点幅值增大,故障更易识别。
以上所述,仅为本发明的最优具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种基于MED和倒频谱的滚动轴承早期故障诊断方法,其特征在于,包括
步骤一:利用加速度传感器对滚动轴承设备进行测量,获得振动加速度信号;
步骤二:对振动加速度信号进行MED降噪,得到降噪后的信号;
步骤三:对MED降噪后的信号进行倒频谱分析,结合实验来提取故障特征。
2.根据权利要求1所述的基于MED和倒频谱的滚动轴承早期故障诊断方法,其特征在于,在所述步骤二中,对加速度信号进行MED降噪的过程步骤如下:
2.1)y(i)表示轴承振动信号,MED的目的是得到一个逆滤波器f(i),使得经过逆滤波器滤波后的y(i)能够恢复x(i)的各项特征及相关信息,即使熵值最小;
式中,L为逆滤波器f(i)的长度;
2.2)解反褶积:利用逆滤波器f(i)使y(i)恢复原有信号含有的简单特征和相关信息,使熵值最小,即:
2.3)最小熵反褶积的实质是求取逆滤波器f(i)的最优值,使最大,因此,使其一阶导数为零:
联合式(1)可得
式(4)也可表示为:b=Af (5)
其中,A为振动信号y(i)的L×L自相关矩阵,b表示为:
其中:
2.4)式(5)经迭代可以得到逆滤波器矩阵为:f=A-1b。
3.根据权利要求2所述的基于MED和倒频谱的滚动轴承早期故障诊断方法,其特征在于,在所述步骤三中,对MED降噪后的信号进行倒频谱分析,倒频谱分析步骤如下:
3.1)假设MED降噪后的信号为x(i),其功率谱函数为Sx(f),用Cp(τ)来表示功率谱Sx(f)的倒频谱,有Cp(τ)=F-1{lg[sy(f)]};
3.2)其幅值倒频谱Cx(τ):Ca(τ)=|F-1{lg[sy(f)]}|;
3.3)其复倒频谱Cx(τ):Cc(τ)=|F-1{lg[Y(f)]}|;
式中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677922.4A CN108844740A (zh) | 2018-06-27 | 2018-06-27 | 一种基于med和倒频谱的滚动轴承早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677922.4A CN108844740A (zh) | 2018-06-27 | 2018-06-27 | 一种基于med和倒频谱的滚动轴承早期故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108844740A true CN108844740A (zh) | 2018-11-20 |
Family
ID=64203579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810677922.4A Pending CN108844740A (zh) | 2018-06-27 | 2018-06-27 | 一种基于med和倒频谱的滚动轴承早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108844740A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110285970A (zh) * | 2019-07-18 | 2019-09-27 | 东北大学 | 基于矩阵恢复的滚动轴承微弱故障增强方法 |
CN115184787A (zh) * | 2022-06-29 | 2022-10-14 | 云南电网有限责任公司电力科学研究院 | 一种断路器烧蚀程度在线测量方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 |
CN107917806A (zh) * | 2017-12-03 | 2018-04-17 | 中国直升机设计研究所 | 一种基于mckd和lmd的滚动轴承早期故障诊断方法 |
-
2018
- 2018-06-27 CN CN201810677922.4A patent/CN108844740A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 |
CN107917806A (zh) * | 2017-12-03 | 2018-04-17 | 中国直升机设计研究所 | 一种基于mckd和lmd的滚动轴承早期故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
王宏超 等: "基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取", 《机械工程学报》 * |
陈侃 等: "倒频谱分析在滚动轴承故障监测中的运用", 《四川兵工学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110285970A (zh) * | 2019-07-18 | 2019-09-27 | 东北大学 | 基于矩阵恢复的滚动轴承微弱故障增强方法 |
CN110285970B (zh) * | 2019-07-18 | 2020-05-12 | 东北大学 | 基于矩阵恢复的滚动轴承微弱故障增强方法 |
CN115184787A (zh) * | 2022-06-29 | 2022-10-14 | 云南电网有限责任公司电力科学研究院 | 一种断路器烧蚀程度在线测量方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Identification of multiple faults in rotating machinery based on minimum entropy deconvolution combined with spectral kurtosis | |
Guo et al. | Envelope extraction based dimension reduction for independent component analysis in fault diagnosis of rolling element bearing | |
Wang et al. | Identification of multiple transient faults based on the adaptive spectral kurtosis method | |
CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
Miao et al. | Sparse maximum harmonics-to-noise-ratio deconvolution for weak fault signature detection in bearings | |
AU2017269731B2 (en) | Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system | |
Borghesani et al. | The relationship between kurtosis-and envelope-based indexes for the diagnostic of rolling element bearings | |
Guo et al. | Envelope order tracking for fault detection in rolling element bearings | |
Wang et al. | An adaptive SK technique and its application for fault detection of rolling element bearings | |
Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
Osman et al. | An enhanced Hilbert–Huang transform technique for bearing condition monitoring | |
CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
Cong et al. | Research of singular value decomposition based on slip matrix for rolling bearing fault diagnosis | |
Klausen et al. | Cross-correlation of whitened vibration signals for low-speed bearing diagnostics | |
Klein et al. | Bearing diagnostics using image processing methods | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
Elasha et al. | A comparative study of adaptive filters in detecting a naturally degraded bearing within a gearbox | |
Elasha et al. | A comparative study of the effectiveness of adaptive filter algorithms, spectral kurtosis and linear prediction in detection of a naturally degraded bearing in a gearbox | |
CN108844740A (zh) | 一种基于med和倒频谱的滚动轴承早期故障诊断方法 | |
Bonnardot et al. | Enhanced unsupervised noise cancellation using angular resampling for planetary bearing fault diagnosis | |
CN111024398B (zh) | 一种无需周期的最大相关峭度解卷积方法 | |
CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
Klein et al. | Methods for diagnostics of bearings in non-stationary environments | |
CN109948487A (zh) | 基于时频谱相关性分析的旋转机械故障特征提取方法 | |
Zhang et al. | Fault diagnosis of rolling element bearing using ACYCBD based cross correlation spectrum |
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: 20181120 |
|
RJ01 | Rejection of invention patent application after publication |