CN109187024A - 一种活塞式空压机曲轴箱滚动轴承故障诊断方法 - Google Patents
一种活塞式空压机曲轴箱滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN109187024A CN109187024A CN201811026014.5A CN201811026014A CN109187024A CN 109187024 A CN109187024 A CN 109187024A CN 201811026014 A CN201811026014 A CN 201811026014A CN 109187024 A CN109187024 A CN 109187024A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- type air
- signal
- piston type
- formula
- 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)
- Rolling Contact Bearings (AREA)
Abstract
本发明公开了一种活塞式空压机曲轴箱滚动轴承故障诊断方法,该诊断方法属于活塞式空压机维修领域。具体方法为:首先采用变分模态分解技术对原始的活塞式空压机滚动轴承振动信号进行分解,获得既定数量的模态分量;接着将峭度指标应用于所有分解得到的模态分量得到各自的峭度值,选取最大峭度值对应的模态分量为最优分量,并对其应用最小熵解卷积增强故障激励的周期冲击特性;最后对增强信号使用希尔伯特包络分析解调故障频率,通过与故障理论计算频率值对比得到故障诊断结果。本发明能够快速有效地识别活塞式空压机曲轴箱滚动轴承故障类型,具有高可靠性和工程可行性好的优点。
Description
技术领域
本发明属于活塞式空压机维修领域,涉及一种活塞式空压机曲轴箱滚动轴承故障诊断方法。
背景技术
活塞式空压机因广泛应用于机械、治金、电子电力、包装、采矿等众多工业领域被称为“通用机械”,其巨大的使用量也凸显了其各类故障,其中活塞式空压机曲轴箱故障占较大比例。滚动轴承作为曲轴箱中重要组成部件之一,不仅支撑着曲轴平衡的运转,还承担着传递运动及动力的重任,一旦滚动轴承发生故障,轻则产生异响、连杆磨损,重则造成直接经济损失和重大人员伤亡。因此,为了降低活塞式空压机滚动轴承故障误诊率,减少活塞式空压机事故发生,研究有效地活塞式空压机故障诊断方法对于提高其可靠性、防止重大事故的发生有着重要的现实意义。
滚动轴承故障诊断的关键在于识别故障激励起的周期性冲击特征,然而这些周期性冲击特征容易受环境噪声及其他振动源的干扰。由于活塞式空压机结构复杂且工作环境差,其周期性冲击特征易被环境噪声及内部多种零部件的振动严重干扰,故障滚动轴承振动信号通常呈现出非线性及非平稳的特性,传统的诊断方法故障识别率低且存在严重的故障漏检,难以解决活塞式空压机故障轴承诊断问题。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足,而提供一种活塞式空压机曲轴箱滚动轴承故障诊断方法。
本发明所采取的技术方案如下:一种活塞式空压机曲轴箱滚动轴承故障诊断方法,包括以下步骤:
(1)从活塞式空压机采集得到滚动轴承振动信号,采用变分模态分解(variational mode decomposition,VMD)对原始的活塞式空压机滚动轴承振动信号进行分解,获得既定数量的模态分量;将峭度指标应用于所有分解得到的模态分量得到各自的峭度值,选取最大峭度值对应的模态分量为最优分量;
(2)并对其应用最小熵解卷积(minimum entropy deconvolution,MED) 增强故障激励的周期冲击特性,得到增强信号;
(3)对增强信号使用希尔伯特包络分析解调故障频率,通过与故障理论计算频率值对比得到故障诊断结果。
VMD技术是一种自适应的信号分解方法,对非平稳性具有良好的分解能力。该技术能够基于信号本身的信息将复杂信号分解为有限的模式分量,这些分解的模式分量代表了信号内含的真实信息。因此,本发明采用VMD技术对活塞式空压机采集得到的故障滚动轴承信号进行模式分解,消除噪声及其他振动源引起的干扰。
步骤(1)中VMD技术分解处理的步骤如下:
非平稳信号y(t)表达为下式:
y(t)=∑kuk (1);
VMD的实质是求解约束变分模型的最优解,该模型由以下公式给出:
式中:{uk}={u1,...,uk}是每个分解分量的集合,{ωk}:={ω1,...,ωk} 是每个分解分量对应的中心频率的集合;
为了将约束问题转化为无约束问题,引入了二次罚项α和拉格朗日乘子λ,无约束变分模型可表达为:
式中:其中δ是Dirac分布,*是卷积算子;
根据上式,可推导出分解分量、中心频率及拉格朗日乘子更新公式,即:
峭度作为故障检测的有效指标被广泛应用于故障诊断领域,该指标对突然变化的冲击非常敏感。当活塞式空压机曲轴箱中滚动轴承发生故障时,故障部位激励起周期性冲击特征,该冲击特征即对应于时域信号中突然变化的冲击及频域中的故障特征频率。将峭度指标运用于VMD分解得到的每个模态分量并得到相对应的峭度值,最大峭度值对应的分量即为最优分量。本发明将该技术引入到公开方法中用于挑选包含故障信息的最优模态分量,步骤(1)中峭度指标公式如下:
式中:n,μ和σ分别表示信号的长度、均值和标准差。
最小熵解卷积技术可以通过消除传输路径的影响来增强周期性冲击,该技术最初被用来识别和定位地下矿层。本发明将该技术运用于增强最优分量中的冲击特性,提高诊断准确率,避免漏诊误诊情况的发生,步骤(2)中应用最小熵解卷积增强故障激励的周期冲击特性,过程如下:
冲击信号x(t)由结构滤波器处理,下一个输入信号y(t)是由滤波信号w(t)和噪声n(t)组成的,输入信号y(t)在由反滤波器处理,得到的输出信号z(t);
逆滤波器是系数为L的有限脉冲响应滤波器,它被建模为:
其中f(L)通过以下公式反演系统的脉冲响应函数H,公式为
f(l)*h(t)=δ(t-lm) (9);
lm是一种逆滤波器,在使整个信号不发生变化的情况下保持原来的脉冲间隔不变。逆滤波器F是通过目标函数法实现的,它通过改变系数t使输出信号z(t) 的峰度值最大化,达到归一化的四阶矩。
本发明的有益效果如下:本发明公开的方法能够快速准确地识别活塞式空压机故障轴承类型,具有高可靠性和工程可行性好的优点。根据本发明所公开的方法,可以进一步开发相关的活塞式空压机轴承故障诊断系统,应用于活塞式空压机维修领域,可以快速准确地识别活塞式空压机故障轴承类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为MED基本思想描述图;
图2为本发明的故障诊断方法流程图;
图3为MED应用轴承内圈故障信号结果图;
图4为本发明应用轴承内圈故障信号结果图;
图5为MED应用轴承外圈故障信号结果图;
图6为本发明应用轴承外圈故障信号结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
一种活塞式空压机曲轴箱滚动轴承故障诊断方法的具体步骤如下:
首先将从活塞式空压机采集得到的滚动轴承振动信号作为原始信号进行 VMD处理得到一系列包含故障信息的模态分量。VMD处理的详细步骤如下:
VMD技术可以将非平稳信号y(t)分解成一组位于中心频率附近的模态分量,信号y(t)可以表达为下式:
y(t)=∑kuk (1)
VMD的实质是求解约束变分模型的最优解,该模型由以下公式给出:
式中:{uk}={u1,...,uk}是每个分解分量的集合,{ωk}:={ω1,...,ωk}是每个分解分量对应的中心频率的集合。
为了将约束问题转化为无约束问题,引入了二次罚项α和拉格朗日乘子λ。无约束变分模型可表达为:
式中:其中δ是Dirac分布,*是卷积算子。
根据上式,可推导出分解分量、中心频率及拉格朗日乘子更新公式,即:
接着对每个分解分量运用峭度指标,峭度指标公式如下:
式中:n,μ和σ分别表示信号的长度、均值和标准差。
然后对最优分量应用MED技术以增强最优分量中的周期性冲击,该技术可以通过消除传输路径的影响增强冲击。图1显示了MED的基本思想,即冲击信号x(t)由结构滤波器H处理,下一个输入信号y(t)是由滤波信号w(t)和噪声n(t) 组成的,输入信号y(t)在由反滤波器F处理,得到的输出信号z(t)。逆滤波器F 是系数为L的有限脉冲响应滤波器,它被建模为:
其中f(L)通过以下公式反演系统的脉冲响应函数H,公式为
f(l)*h(t)=δ(t-lm) (9)
lm是一种逆滤波器,可以在使整个信号不发生变化的情况下保持原来的脉冲间隔不变。逆滤波器F是通过目标函数法实现的,它通过改变系数t使输出信号 z(t)的峰度值最大化,达到归一化的四阶矩。
最后将包络分析应用于增强信号,通过解调频率并与理论故障计算值相比较,得到活塞式空压机滚动轴承故障类型。具体操作流程参考如图2所示。
通过将本发明应用于从活塞式空压机采集到的滚动轴承振动信号并同理论计算故障频率对比,从而判断设备运行状况及轴承故障类型。轴承的内圈、外圈、齿轮断齿等故障现象可以描述为设备故障。具体的计算方法可以下列公式计算:
滚动轴承内圈故障公式:
滚动轴承外圈故障故障公式:
式中:fshaft为旋转频率,Nn为轴承滚动体数,α为径向方向接触角,Bd为滚动体平均直径,Pd为轴承的平均直径。
实例案例:
本案例将发明公开方法处理实际活塞式空压机的故障轴承振动信号,通过公式(10)-(11)计算滚动轴承故障特征频率,分别包括内圈和外圈故障。根据轴承的数据可计算出其内圈、外圈故障频率分别为197.1Hz和112.5Hz。
(1)内圈故障
图3给出了应用MED技术于活塞式空压机内圈轴承故障信号的结果图,从图中可以看出内圈故障的特征频率未显示。图4给出了应用本发明于活塞式空压机内圈故障信号的结果图。通过对比图3和图4,可以看出故障频率(197.6Hz) 在后图中显示清晰且与理论计算值(197.1Hz)相近,因此判定此滚动轴承的故障类型为轴承内圈故障。
(2)外圈故障
图5所示是应用MED技术处理轴承外圈故障信号得到的结果图,从图中可以看出其故障频率(112.5Hz)出现,但隐藏于大量未知频率(71.88Hz)中,无法判断故障类型。
图6给出了本发明方法应用于活塞式空压机外圈故障信号的结果图,从图中可以看出外圈故障特征频率(112.9Hz)及其二倍频(225.8Hz)、三倍频(335.6Hz)都显示清晰且与理论计算值相近,本发明的有效性得到进一步验证。通过以上分析,可以判定此滚动轴承的故障类型为轴承外圈故障。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种活塞式空压机曲轴箱滚动轴承故障诊断方法,其特征在于包括以下步骤:
(1)从活塞式空压机采集得到滚动轴承振动信号,采用VMD对原始的活塞式空压机滚动轴承振动信号进行分解,获得既定数量的模态分量;将峭度指标应用于所有分解得到的模态分量得到各自的峭度值,选取最大峭度值对应的模态分量为最优分量;
(2)并对其应用最小熵解卷积增强故障激励的周期冲击特性,得到增强信号;
(3)对增强信号使用希尔伯特包络分析解调故障频率,通过与故障理论计算频率值对比得到故障诊断结果。
2.根据权利要求1所述的活塞式空压机曲轴箱滚动轴承故障诊断方法,其特征在于步骤(1)中VMD技术分解处理的步骤如下:
非平稳信号y(t)表达为下式:
y(t)=∑kuk (1);
VMD的实质是求解约束变分模型的最优解,该模型由以下公式给出:
式中:{uk}={u1,...,uk}是每个分解分量的集合,{ωk}:={ω1,...,ωk}是每个分解分量对应的的中心频率的集合;
为了将约束问题转化为无约束问题,引入了二次罚项α和拉格朗日乘子λ,无约束变分模型可表达为:
式中:其中δ是Dirac分布,*是卷积算子;
根据上式,可推导出分解分量、中心频率及拉格朗日乘子更新公式,即:
3.根据权利要求1所述的活塞式空压机曲轴箱滚动轴承故障诊断方法,其特征在于步骤(1)中峭度指标公式如下:
式中:n,μ和σ分别表示信号的长度、均值和标准差。
4.根据权利要求1所述的活塞式空压机曲轴箱滚动轴承故障诊断方法,其特征在于步骤(2)中应用最小熵解卷积增强故障激励的周期冲击特性,过程如下:
冲击信号x(t)由结构滤波器H处理,下一个输入信号y(t)是由滤波信号w(t)和噪声n(t)组成的,输入信号y(t)在由反滤波器F处理,得到的输出信号z(t);
逆滤波器F是系数为L的有限脉冲响应滤波器,它被建模为:
其中f(L)通过以下公式反演系统的脉冲响应函数H,公式为
f(l)*h(t)=δ(t-lm) (9);
lm是一种逆滤波器,在使整个信号不发生变化的情况下保持原来的脉冲间隔不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026014.5A CN109187024A (zh) | 2018-09-04 | 2018-09-04 | 一种活塞式空压机曲轴箱滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026014.5A CN109187024A (zh) | 2018-09-04 | 2018-09-04 | 一种活塞式空压机曲轴箱滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109187024A true CN109187024A (zh) | 2019-01-11 |
Family
ID=64912150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811026014.5A Pending CN109187024A (zh) | 2018-09-04 | 2018-09-04 | 一种活塞式空压机曲轴箱滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109187024A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514444A (zh) * | 2019-06-12 | 2019-11-29 | 东南大学 | 基于变分模态分解和相空间平行因子分析的滚动轴承微弱故障特征提取方法 |
CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN112200015A (zh) * | 2020-09-16 | 2021-01-08 | 昆明理工大学 | 一种基于改进vmd的滚动轴承故障诊断方法 |
CN113468688A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424365A (zh) * | 2015-11-23 | 2016-03-23 | 北京信息科技大学 | 一种滚动轴承故障迁移轨迹可视化的方法 |
WO2018088564A1 (ja) * | 2016-11-14 | 2018-05-17 | 日本精工株式会社 | 軸受異常診断方法および診断システム |
CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
-
2018
- 2018-09-04 CN CN201811026014.5A patent/CN109187024A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424365A (zh) * | 2015-11-23 | 2016-03-23 | 北京信息科技大学 | 一种滚动轴承故障迁移轨迹可视化的方法 |
WO2018088564A1 (ja) * | 2016-11-14 | 2018-05-17 | 日本精工株式会社 | 軸受異常診断方法および診断システム |
CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
Non-Patent Citations (2)
Title |
---|
王志阳 等: "一种基于MED和希尔伯特变换的滚动轴承早期故障诊断方法", 《河南理工大学学报(自然科学版)》 * |
郭家宇 等: "基于VMD和MED的滚动轴承故障诊断方法", 《轴承》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514444A (zh) * | 2019-06-12 | 2019-11-29 | 东南大学 | 基于变分模态分解和相空间平行因子分析的滚动轴承微弱故障特征提取方法 |
CN110514444B (zh) * | 2019-06-12 | 2021-04-06 | 东南大学 | 基于变分模态分解和相空间平行因子分析的滚动轴承微弱故障特征提取方法 |
CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
CN112200015A (zh) * | 2020-09-16 | 2021-01-08 | 昆明理工大学 | 一种基于改进vmd的滚动轴承故障诊断方法 |
CN113468688A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
CN113468688B (zh) * | 2021-07-05 | 2022-12-09 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109187024A (zh) | 一种活塞式空压机曲轴箱滚动轴承故障诊断方法 | |
Zhang et al. | Kurtosis based weighted sparse model with convex optimization technique for bearing fault diagnosis | |
El-Thalji et al. | A summary of fault modelling and predictive health monitoring of rolling element bearings | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
Mortada et al. | Diagnosis of rotor bearings using logical analysis of data | |
Wu et al. | Remaining useful life prediction of bearing with vibration signals based on a novel indicator | |
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
Klausen et al. | Multi-band identification for enhancing bearing fault detection in variable speed conditions | |
Xu et al. | Periodicity-based kurtogram for random impulse resistance | |
Elforjani | Diagnosis and prognosis of real world wind turbine gears | |
Feng et al. | A novel cyclic-correntropy based indicator for gear wear monitoring | |
Noman et al. | A scale independent flexible bearing health monitoring index based on time frequency manifold energy & entropy | |
CN115906337B (zh) | 一种工程结构分段式主余震韧性分析方法及系统 | |
CN105738136A (zh) | 一种设备异常检测方法和装置 | |
Zhang et al. | Generalized transmissibility damage indicator with application to wind turbine component condition monitoring | |
Xu et al. | Caputo-Fabrizio fractional order derivative stochastic resonance enhanced by ADOF and its application in fault diagnosis of wind turbine drivetrain | |
CN115200864A (zh) | 轨道车辆轴箱轴承的故障检测方法和装置 | |
Burda et al. | An overview of vibration analysis techniques for the fault diagnostics of rolling bearings in machinery | |
Sharp | Prognostic approaches using transient monitoring methods | |
CN115587294B (zh) | 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 | |
Srilakshmi et al. | A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements | |
CN116499742A (zh) | 一种基于集成学习的旋转机械故障监测方法 | |
CN107727392A (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
Zhong et al. | Fault feature extraction method of gear based on optimized minimum entropy deconvolution and accugram | |
Mustafa et al. | Experimental research on machinery fault simulator (MFS): A review |
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: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |