CN109214097B - 一种无量纲参数滚动轴承长相关故障趋势预测方法 - Google Patents

一种无量纲参数滚动轴承长相关故障趋势预测方法 Download PDF

Info

Publication number
CN109214097B
CN109214097B CN201811074454.8A CN201811074454A CN109214097B CN 109214097 B CN109214097 B CN 109214097B CN 201811074454 A CN201811074454 A CN 201811074454A CN 109214097 B CN109214097 B CN 109214097B
Authority
CN
China
Prior art keywords
rolling bearing
vibration signal
model
order
mix
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.)
Active
Application number
CN201811074454.8A
Other languages
English (en)
Other versions
CN109214097A (zh
Inventor
李宇飞
宋万清
金暠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201811074454.8A priority Critical patent/CN109214097B/zh
Publication of CN109214097A publication Critical patent/CN109214097A/zh
Application granted granted Critical
Publication of CN109214097B publication Critical patent/CN109214097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种无量纲参数滚动轴承长相关故障趋势预测方法，该方法包括如下步骤：(1)采集滚动轴承原始振动信号；(2)建立MIX‑ARMA模型；(3)采用MIX‑ARMA模型对原始振动信号进行平滑处理得到平滑振动信号；(4)获取平滑振动信号的Hurst参数；(5)根据Hurst参数确定滚动轴承是否发生故障。与现有技术相比，本发明方法简便，预测结果准确可靠。

Description

一种无量纲参数滚动轴承长相关故障趋势预测方法
技术领域
本发明涉及一种滚动轴承故障预测方法，尤其是涉及一种无量纲参数滚动轴承长相关故障趋势预测方法。
背景技术
故障趋势预测对于实现机械设备的故障预警和预报、保障长期安全运行、减低维修费用和提高使用率具有重大的意义。故障预测的2个基本问题是：机械运行状态和故障趋势特征量的提取方法；根据故障特征序列特性进行的趋势预测方法。
近年来越来越多的关注无量纲幅域参数，如波形指标、峰值指标、裕度指标、峭度指标。它们对幅值能力变化不是很敏感，与机器工作条件关系不大，但是对设备故障有足够的敏感度，并且计算简单，便于在线应用。由于轴承的故障类型和程度的不同，这些无量纲参数对故障的敏感程度各不相同，一般都会将多种无量纲参数及有量纲参数相结合使用，才能更准确地判断故障的有无及故障的发展趋势。为了克服传统的信号波形无量纲参数仍与能量有关，或者与能量无关但只是定性分析的缺点，基于时域波形统计分析，构建了几个新的对能量不敏感的无量纲幅域参数：重复性描述因子、相似性描述因子和跳跃性描述因子。它们能定量分析与故障有关的波形形状信息，能更好地反映变负荷下的轴承故障发展趋势。
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缺陷而提供一种无量纲参数滚动轴承长相关故障趋势预测方法。
本发明的目的可以通过以下技术方案来实现：
一种无量纲参数滚动轴承长相关故障趋势预测方法，该方法包括如下步骤：
(1)采集滚动轴承原始振动信号；
(2)建立MIX-ARMA模型；
(3)采用MIX-ARMA模型对原始振动信号进行平滑处理得到平滑振动信号；
(4)获取平滑振动信号的Hurst参数；
(5)根据Hurst参数确定滚动轴承是否发生故障。
所述的MIX-ARMA模型为：
Φ(z-1)(1-z-1)dxt＝Θ(z-1)εt，
Figure GDA0003048061930000021
其中，εt为原始振动信号，xt为平滑振动信号，d为差分阶数，p为自回归阶数，q为移动平均阶数，Φ(z-1)为p阶AR多项式，Θ(z-1)为q阶AR多项式，φ、θ为多项式系数，z为常数，0＜|z|＜1。
所述的差分阶数d取值为：d∈(-0.5,0.5)∪{0,1,2,...,n}，n为整数。
步骤(4)中Hurst参数通过如下方式获得：H＝d+0.5，其中，H为Hurst参数，d为差分阶数。
步骤(5)具体为：若Hurst参数H＞0.5，则此时滚动轴承发生故障，否则滚动轴承无故障。
该方法还包括对步骤(5)采用Hurst参数确定滚动轴承是否发生故障的验证，具体为：求取平滑振动信号的跳跃性因子，若跳跃性因子大于设定值则滚动轴承发生故障；
对于平滑振动信号：{x11,x12,…,x1m；…；xn1,xn2,…,xnm}，分别取n段数据中的极小值x1p、x2p、……xnp，1＜p＜m，求取：
Figure GDA0003048061930000022
Figure GDA0003048061930000023
则，跳跃性因子Jf＝Dx。
与现有技术相比，本发明具有如下优点：
(1)本发明故障趋势预测方法简单，易于实现；
(2)本发明将短相关时间序列模型ARIMA和长相关时间序列模型FARIMA相结合构成MIX-ARMA模型，对原始振动信号进行平滑处理，从而使得预测结果更加准确；
(3)本发明通过跳跃性因子进行故障验证，进一步保证了预测结果的准确可靠性。
附图说明
图1为本发明无量纲参数滚动轴承长相关故障趋势预测方法的流程框图；
图2为本发明MIX-ARMA模型参数确定的具体流程框图。
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。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
如图1所示，一种无量纲参数滚动轴承长相关故障趋势预测方法，该方法包括如下步骤：
(1)采集滚动轴承原始振动信号；
(2)建立MIX-ARMA模型；
(3)采用MIX-ARMA模型对原始振动信号进行平滑处理得到平滑振动信号；
(4)获取平滑振动信号的Hurst参数；
(5)根据Hurst参数确定滚动轴承是否发生故障。
MIX-ARMA模型将短相关时间序列模型ARIMA和长相关时间序列模型FARIMA相结合，MIX-ARMA模型具体为：
Φ(z-1)(1-z-1)dxt＝Θ(z-1)εt，
Figure GDA0003048061930000031
其中，εt为原始振动信号，xt为平滑振动信号，d为差分阶数，p为自回归阶数，q为移动平均阶数，Φ(z-1)为p阶AR多项式，Θ(z-1)为q阶AR多项式，φ、θ为多项式系数，z为常数，0＜|z|＜1。
所述的差分阶数d取值为：d∈(-0.5,0.5)∪{0,1,2,…,n}，n为整数。
MIX-ARMA模型建立的具体方式为：将时间序列的历史数据根据预测需求分成两部分，用前一部分用于建立模型，后一部分用于检测模型的预测误差。其中后一部分数据又被分为段，每段长。用每一段数据检测模型的预测误差，并且在一段数据被检测完之后，该段数据被加入前一段部分数据中，作为建立模型的新数据。最终取每一段预测误差的平均值APEZ作为模型的预测误差。使得预测误差APEZ最小的参数即为最优模型参数。总平均预测误差APEZ则是使用的改进交叉核实准则：
Figure GDA0003048061930000041
其中，Q＝5,m＝0.1N。
其中，MIX-ARMA模型中各参数的建立方法如图2所示，图2(a)中①和②即为图2(b)中的①和②。
步骤(4)中Hurst参数通过如下方式获得：H＝d+0.5，其中，H为Hurst参数，d为差分阶数。
步骤(5)具体为：若Hurst参数H＞0.5，则此时滚动轴承发生故障，否则滚动轴承无故障。
该方法还包括对步骤(5)采用Hurst参数确定滚动轴承是否发生故障的验证，具体为：求取平滑振动信号的跳跃性因子，若跳跃性因子大于设定值则滚动轴承发生故障；
对于平滑振动信号：{x11,x12,…,x1m；…；xn1,xn2,…,xnm}，分别取n段数据中的极小值x1p、x2p、……xnp，1＜p＜m，求取：
Figure GDA0003048061930000042
Figure GDA0003048061930000043
则，跳跃性因子Jf＝Dx。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (1)

1.一种无量纲参数滚动轴承长相关故障趋势预测方法，其特征在于，该方法包括如下步骤：
(1)采集滚动轴承原始振动信号；
(2)将短相关时间序列模型ARIMA和长相关时间序列模型FARIMA相结合构成MIX-ARMA模型；
(3)采用MIX-ARMA模型对原始振动信号进行平滑处理得到平滑振动信号；
(4)获取平滑振动信号的Hurst参数；
(5)根据Hurst参数确定滚动轴承是否发生故障；
所述的MIX-ARMA模型为：
Φ(z-1)(1-z-1)dxt＝Θ(z-1)εt，
Figure FDA0003102859030000011
其中，εt为原始振动信号，xt为平滑振动信号，d为差分阶数，p为自回归阶数，q为移动平均阶数，Φ(z-1)为p阶AR多项式，Θ(z-1)为q阶AR多项式，φ、θ为多项式系数，z为常数，0＜|z|＜1；
所述的差分阶数d取值为：d∈(-0.5,0.5)∪{0,1,2,...,n}，n为整数；
MIX-ARMA模型建立的方式为：将时间序列的历史数据根据预测需求分成两部分，前一部分用于建立模型，后一部分用于检测模型的预测误差，后一部分数据被分为多段，用每一段数据检测模型的预测误差，最终取每一段预测误差的平均值APEZ作为模型的预测误差，取使得总平均预测误差APEZ最小时参数p、q、d对应的取值为最优模型参数，总平均预测误差APEZ则是使用的改进交叉核实准则：
Figure FDA0003102859030000012
其中，Q＝5,m＝0.1N；
步骤(4)中Hurst参数通过如下方式获得：H＝d+0.5，其中，H为Hurst参数，d为差分阶数；
步骤(5)具体为：若Hurst参数H＞0.5，则此时滚动轴承发生故障，否则滚动轴承无故障；
该方法还包括对步骤(5)采用Hurst参数确定滚动轴承是否发生故障的验证，具体为：求取平滑振动信号的跳跃性因子，若跳跃性因子大于设定值则滚动轴承发生故障；
对于平滑振动信号：{x11,x12,…,x1m；…；xn1,xn2,…,xnm}，分别取n段数据中的极小值x1p、x2p、……xnp，1＜p＜m，求取：
Figure FDA0003102859030000021
Figure FDA0003102859030000022
则，跳跃性因子Jf＝Dx。
CN201811074454.8A 2018-09-14 2018-09-14 一种无量纲参数滚动轴承长相关故障趋势预测方法 Active CN109214097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811074454.8A CN109214097B (zh) 2018-09-14 2018-09-14 一种无量纲参数滚动轴承长相关故障趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811074454.8A CN109214097B (zh) 2018-09-14 2018-09-14 一种无量纲参数滚动轴承长相关故障趋势预测方法

Publications (2)

Publication Number Publication Date
CN109214097A CN109214097A (zh) 2019-01-15
CN109214097B true CN109214097B (zh) 2021-09-10

Family

ID=64984490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811074454.8A Active CN109214097B (zh) 2018-09-14 2018-09-14 一种无量纲参数滚动轴承长相关故障趋势预测方法

Country Status (1)

Country Link
CN (1) CN109214097B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7383367B1 (ja) * 2023-03-07 2023-11-20 新川センサテクノロジ株式会社 回転機器の振動データ分析方法及び分析システム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103176128A (zh) * 2013-03-28 2013-06-26 华南理工大学 一种风力发电机组状态预报及智能故障诊断方法及系统
CN103903452A (zh) * 2014-03-11 2014-07-02 东南大学 交通流短时预测方法
CA2869487A1 (en) * 2013-10-30 2015-04-30 Syncrude Canada Ltd. In Trust For The Owners Of The Syncrude Project, As Such Owners Exist Now And In The Future Method for diagnosing faults in slurry pump impellers
CN104634571A (zh) * 2015-02-06 2015-05-20 北京航空航天大学 一种基于lcd-mf的滚动轴承故障诊断方法
CN106980761A (zh) * 2017-03-29 2017-07-25 电子科技大学 一种滚动轴承运行状态退化趋势预测方法
CN107102969A (zh) * 2017-04-28 2017-08-29 湘潭大学 一种时间序列数据的预测方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103176128A (zh) * 2013-03-28 2013-06-26 华南理工大学 一种风力发电机组状态预报及智能故障诊断方法及系统
CA2869487A1 (en) * 2013-10-30 2015-04-30 Syncrude Canada Ltd. In Trust For The Owners Of The Syncrude Project, As Such Owners Exist Now And In The Future Method for diagnosing faults in slurry pump impellers
CN103903452A (zh) * 2014-03-11 2014-07-02 东南大学 交通流短时预测方法
CN104634571A (zh) * 2015-02-06 2015-05-20 北京航空航天大学 一种基于lcd-mf的滚动轴承故障诊断方法
CN106980761A (zh) * 2017-03-29 2017-07-25 电子科技大学 一种滚动轴承运行状态退化趋势预测方法
CN107102969A (zh) * 2017-04-28 2017-08-29 湘潭大学 一种时间序列数据的预测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于声发射技术的滚动轴承故障诊断方法研究;吴德华等;《山东交通学院学报》;20120630;第20卷(第2期);全文 *
基于改进数学形态谱的齿轮箱轴承故障特征提取;高洪波等;《振动工程学报》;20151031;第28卷(第5期);全文 *

Also Published As

Publication number Publication date
CN109214097A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
Cai et al. Artificial intelligence enhanced two-stage hybrid fault prognosis methodology of PMSM
Yang et al. Bearing fault automatic classification based on deep learning
CN109102032A (zh) 一种基于深度森林和自编码的泵站机组诊断方法
Islam et al. Discriminant Feature Distribution Analysis‐Based Hybrid Feature Selection for Online Bearing Fault Diagnosis in Induction Motors
CN102262215B (zh) 一种大型发电机定转子气隙偏心故障检测方法
CN105866250B (zh) 基于振动的通风机叶片裂纹识别方法
CN105244038A (zh) 一种基于hmm的选矿设备故障异常音频分析与识别方法
JP2015011027A (ja) 時系列データにおける異常を検出する方法
Shen et al. Recognition of rolling bearing fault patterns and sizes based on two-layer support vector regression machines
JP2014105075A (ja) 故障個所推定装置
CN109635864A (zh) 一种基于数据的容错控制方法及装置
Liu et al. A review of modeling and diagnostic techniques for eccentricity fault in electric machines
CN109214097B (zh) 一种无量纲参数滚动轴承长相关故障趋势预测方法
Wen et al. A new method for identifying the ball screw degradation level based on the multiple classifier system
Yang et al. A novel data augmentation method based on denoising diffusion probabilistic model for fault diagnosis under imbalanced data
Zhang et al. Real-time burst detection based on multiple features of pressure data
Yang et al. Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals
Magadán et al. Robust prediction of remaining useful lifetime of bearings using deep learning
Wang et al. A cross-domain intelligent fault diagnosis method based on deep subdomain adaptation for few-shot fault diagnosis
Shuai et al. Adaptive morphological feature extraction and support vector regressive classification for bearing fault diagnosis
JP2013182468A (ja) パラメータ値設定誤り検出システム、パラメータ値設定誤り検出方法およびパラメータ値設定誤り検出プログラム
Li et al. Rotating machinery anomaly detection using data reconstruction generative adversarial networks with vibration energy analysis
Bradley et al. A general approach for current-based condition monitoring of induction motors
CN110780198A (zh) 一种伺服焊接系统运动的波形识别方法及设备
CN112945535B (zh) 一种基于数值模拟的旋转机械故障检测方法及装置

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
GR01 Patent grant
GR01 Patent grant