CN109374299B - 一种用于印刷单元的滚动轴承故障诊断方法 - Google Patents

一种用于印刷单元的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN109374299B
CN109374299B CN201811523958.3A CN201811523958A CN109374299B CN 109374299 B CN109374299 B CN 109374299B CN 201811523958 A CN201811523958 A CN 201811523958A CN 109374299 B CN109374299 B CN 109374299B
Authority
CN
China
Prior art keywords
signals
interval sequence
extreme value
printing unit
interval
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
CN201811523958.3A
Other languages
English (en)
Other versions
CN109374299A (zh
Inventor
徐卓飞
石玉霞
李恒
贾孟浩
陈伟
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201811523958.3A priority Critical patent/CN109374299B/zh
Publication of CN109374299A publication Critical patent/CN109374299A/zh
Application granted granted Critical
Publication of CN109374299B publication Critical patent/CN109374299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Rolling Contact Bearings (AREA)

Abstract

本发明公开了一种用于印刷单元的滚动轴承故障诊断方法，主要内容包含印刷单元振动信号采集、对振动信号进行经验模式分解得到归一化极值序列、本征模式分量重构、特征值计算、故障诊断；旨在实现对印刷单元的滚动轴承进行有效的特征提取和状态识别，准确诊断出故障类型，为生产的顺利进行，为设备调试、维修、安装提供有效方法。为印刷单元中振动信号的获取提供了有效方法和分析手段，可实现印刷单元中滚动轴承信号的分类、检测和识别，具有数据量小、特征单一、准确性高等特点。

Description

一种用于印刷单元的滚动轴承故障诊断方法
技术领域
本发明属于包装印刷机械技术领域，涉及一种用于印刷单元的滚动轴承故障诊断方法。
背景技术
包装印刷机械主要包括胶印机、凹印机、柔印机等，还包括相关涂布、覆膜设备等，该类设备具有精度要求高、集成复杂度高、装备结构复杂、长期不停机工作等特点，因此在实际生产中，零件的损伤和配合不当往往会导致印刷精度出现大幅度下降，给印刷生产带来极大损失，如何确保其稳定运行，降低设备因故障造成的工时损失，保证印刷精度符合要求，一直是相关企业院校研究的重要方向之一。
虽然包装印刷设备种类繁多，但是其结构多由独立的印刷单元组成，印刷单元中的基本结构极为相似，都由印版滚筒、压印滚筒、橡皮滚筒、网纹辊、导向辊、牵引辊、墨辊、水辊等多个滚动部件组成，各个部件之间相互紧密精确配合工作，实现高速高精度印刷。在各个滚动部件中，使用了多组滚动轴承，滚动轴承的健康状态直接决定了整个印刷单元的工作状态。印刷单元中的滚动轴承处于长期高速运行工况中，一方面，印刷中大量的有机溶剂和气体会对其产生腐蚀作用；另一方面，由于不同厚度的承印物在滚动部件之间长期运动，相互滚动部件之间有着较大的压力，导致轴承长期受到不均匀载荷，这些都大大降低了其寿命和精度。当前故障诊断方法多针对的单一轴承进行研究，而一般印刷生产中设备所处环境更为复杂且噪音干扰极大，直接应用单一零件诊断方法难以取得理想效果。
经验模式分解方法凭借其自适应能力，与希尔伯特变换一起在信号处理与分析领域被广泛应用，经过经验模式分解之后会得到一系列的本征模式分量(Intrinsic modefunction，简称IMF)，这些分量可直接用于信号的降噪、表征、检测等过程中，在医学、机械、生物、地学等各类信号检测领域具有重要的应用价值，近年来，诸多学者将经验模式分解引入到滚动轴承的故障诊断研究中。本征模式分量是经验模式分解的计算结果，虽然其具有良好的解析能力，但是存在数据信息量增加、端点效应干扰、模态混叠等不足。因此，近年来国内外学者陆续提出了一系列改进方法并将其应用于各类故障诊断，例如集成经验模式分解、局部均值分解算法、经验小波变换等。已有研究多针对经验模式方法本身展开，其获得的分量也不再是原始的IMF分量，IMF的一些特性无疑会丢失，当前对IMF本身的改进方法研究不足。IMF在实际印刷单元滚动轴承的故障诊断应用中主要面临着如下特殊困难：(1)由于一个原始信号变成了多组IMF信号，大幅度增加了信息存储量，不利于包装印刷单元轴承信号分析过程中的计算和存储；(2)在应用中往往需要利用IMF特征来实现信号的检测，目前的检测多采用常见数学特征、模式分类算法等方法，计算过程和参数设定具有一定经验性，专用特征研究较少，特征集和模式分类计算对于信息量和硬件计算能力的依赖较大，故难以推广应用。
发明内容
本发明的目的是提供一种用于印刷单元的滚动轴承故障诊断方法，在诊断过程提出了基于经验模式分解的符号化分析方法，高效快速实现其故障分类，解决了印刷单元滚动轴承故障诊断中频域数据计算复杂、模式分类方法繁琐的问题。
本发明所采用的技术方案为：一种用于印刷单元的滚动轴承故障诊断方法，具体操作步骤如下：
步骤1：在印刷单元滚动部件的两端选择位置分别安装加速度传感器，利用加速度传感器获取印刷单元滚动部件两侧附近的振动信号；
步骤2：对采集到的振动信号进行经验模式分解后得到IMF分量，对IMF分量进行符号化计算，将全部的极大值设为1，全部的极小值设为-1，处理完的IMF分量称为归一化极值序列(1)；
步骤3：将归一化极值序列(1)中非极值点的数值全部设置为0，即为置零极值序列(2)；将置零极值序列(2)中相邻的极小值、极大值之间置零点的数量记下来，组成的新序列称为极值间隔序列(3)，并用N(k)表示，其中，N(k)表示从第k个极值点到第k+1个极值点之间间隔点的数量，其中间隔点的数量和置0点的数量是一样的；
极值间隔序列(3)的熵值称为间隔序列熵(4)，一组IMF分量对应的一组间隔序列熵(4)称为间隔序列熵组(5)；
步骤4：训练输入印刷单元的信号使用步骤1-3的方法分别计算它们的间隔序列熵组(5)，得到比对信号的极值间隔序列熵组，比对信号包括正常信号和故障信号，故障信号类型包括内圈故障、外圈故障、滚子故障、复合故障；
步骤5：将待检测信号采用步骤1-3的方法分别计算得到相应的待检测信号极值间隔序列熵组，将待检测信号极值间隔序列熵组与步骤4获得的比对信号的极值间隔序列熵组进行比对匹配，如果待检测信号极值间隔序列熵组的数值与比对信号的极值间隔序列熵组相近，则判断待检测信号与该比对信号属于同类。
本发明的特点还在于，
步骤1中加速度传感器位置选取时应当遵循如下原则：安装在承载转动部件的墙板上，接近转动部件两端轴承位置，距离为1～5厘米范围，转动部件包括如印版滚筒、压印滚筒、橡皮滚筒、墨辊、水辊、导向辊。
步骤3极值间隔序列熵组(7)计算如式(4)所示，记为En：
Figure BDA0001903917040000041
其中，pi是间隔序列中数值为i的点出现的概率值，n为间隔序列中的最大数值；
步骤5待检测信号极值间隔序列熵组的数值检测是依靠比对参数D实现，其计算如下：
Figure BDA0001903917040000042
先对待检测信号的间隔序列熵组进行归一化计算，归一化区间为0-1范围，得到归一化后的间隔序列熵组Am，再对正常信号或者滚动轴承典型故障信号的间隔序列熵组进行归一化计算，归一化区间为0-1范围，得到归一化后的间隔序列熵组Bm，当D越小，说明A和B越接近同类信号，在应用中当计算结果D小于0.08时，判断待检测信号和正常信号或故障信号属于同类信号。
本发明的有益效果为：(1)为印刷单元滚动部件的振动信号测试提供了方法，针对滚动轴承进行了振动信号采集，对印刷单元信号通过经验模式分解之后得到一系列的IMF分量进行符号化运算，使其具备一定的噪声剔除和抑制能力，并提出了专用于符号化序列的新特征，即间隔序列熵；(2)用一组间隔序列熵特征描述全部IMF分量，大幅度的降低了存储空间和计算复杂度，避免了频域分析的大量计算；(3)针对印刷单元滚动轴承的故障诊断问题提出了整套信号采集、信号分析、特征计算和识别判断方法，具有工业应用的可行性。
附图说明
图1为本发明的使用流程图；
图2是本发明的计算示例；
图3本发明信号检测的流程图。
图中，1.归一化极值序列，2.置零极值序列，3.极值间隔序列，4.间隔序列熵，5.间隔序列熵组，6.正常信号，7.待检测信号，8.故障信号。
具体实施方式
本发明的一种用于印刷单元的滚动轴承故障诊断方法，具体流程参照参照图1和图2，对采集到的印刷单元待检测信号7进行经验模式分解，将其用x(t)表示：
(1)确定x(t)的局部极大值序列和局部极小值序列并记为xmax和xmin；
(2)依据xmax和xmin确定x(t)的上下包络及局部均值m(t)＝(xmax+xmin)/2；
(3)计算h1(t)＝x(t)-m(t)，若h1(t)符合IMF条件，则将其作为x(t)的第一个IMF分量，若不满足条件，则使x(t)＝h1(t)，重复上述步骤n次，直至得到第一个基本模式分量c1(t)；
(4)当得到第一个IMF分量后，从x(t)中减去c1(t)得到r1(t)＝x(t)-c1(t)，重复上述步骤，依次计算第二个IMF分量、第三个IMF分量等等，依次记为c2(t)、c3(t)等，将原始信号剩余的部分记为rn(t)，则有式(1)：
Figure BDA0001903917040000061
cl(t)为EMD分解得到的各个IMF；rn(t)为信号分解后的余项，l为IMF分量的阶数；对ci(t)中的每个IMF分量进行符号化计算，将全部的极大值设为1，全部的极小值设为-1，此处极大值和极小值也可以设置为一对绝对值相等的整数且二者互为相反数，处理完的IMF分量称为待检测信号的归一化极值序列1，图2是以一段信号数值为例计算的过程；
参照图1和图2，将归一化极值序列1中非极值点的数值全部设置为0，将完成处理的信号称为置零极值序列2；从第一个极值点开始截取置零极值序列2，将相邻的极小值、极大值之间置零点的数量记下来，组成的新序列称为极值间隔序列3；用N(k)表示极值间隔序列3，N(k)表示从第k个极值点到第k+1个极值点之间数值点的数量，根据IMF自身特点可知第k个极值点到第k+1个极值中一定有1个极大值和1个极小值，间隔点的数量和置零点的数量是一样的
参照图1和图2，本发明将极值间隔序列3的熵值称为间隔序列熵4，由一组IMF分量对应的一组间隔序列熵称为间隔序列熵组5；极值间隔序列3全部是由大于或等于1的整数构成，其计算不需要像计算一般熵值一样对原始信号进行区间划分，直接按照式2计算即可：
Figure BDA0001903917040000071
其中，pi是间隔序列中数值为i的点出现的概率值，，n为间隔序列中的最大数值；
参照图1、图2和图3，进一步通过实验采集印刷单元中滚动轴承典型故障信号8，其应该包含不同损伤程度的内圈故障、外圈故障、滚子故障、复合故障等多种类型，分别计算它们的间隔序列熵组，将典型故障信号8和正常信号6合成为比对信号，计算它们的间隔序列熵组。
待检测信号极值间隔序列熵组的数值检测是依靠比对参数D实现，其计算如下：
Figure BDA0001903917040000072
先对待检测信号的间隔序列熵组进行归一化计算，归一化区间为0-1范围，得到归一化后的间隔序列熵组Am，再对正常信号(或者滚动轴承典型故障信号8)的间隔序列熵组进行归一化计算，归一化区间为0-1范围，得到归一化后的间隔序列熵组Bm，D为本发明的比对标准，当D数值越小，说明A和B越接近同类信号，在应用中当计算结果D小于0.08时，判断待检测信号和比对信号(即正常信号或故障信号)属于同类信号。
本发明为了准确识别印刷单元中滚动轴承的状态，引入了经验模式分析理论，在获得本征模式分量的基础上，本发明提出了一种专用于印刷单元的滚动轴承故障诊断方法，主要内容包含印刷单元振动信号采集、经验模式分解、本征模式分量重构、特征值计算、故障诊断等；旨在实现对印刷单元的滚动轴承进行有效的特征提取和状态识别，准确诊断出故障类型，为生产的顺利进行，为设备调试、维修、安装提供有效方法。

Claims (4)

1.一种用于印刷单元的滚动轴承故障诊断方法，其特征在于：具体操作步骤如下：
步骤1：在印刷机单元滚动部件的两端选择位置分别安装加速度传感器，利用加速度传感器获取印刷单元滚动部件两侧附近的振动信号；
步骤2：对采集到的振动信号进行经验模式分解后得到IMF分量，对IMF分量进行符号化计算，将全部的极大值设为1，全部的极小值设为-1，处理完的IMF分量称为归一化极值序列(1)；
步骤3：将归一化极值序列(1)中非极值点的数值全部设置为0，即为置零极值序列(2)；将置零极值序列(2)中相邻的极小值、极大值之间置零点的数量记下来，组成的新序列称为极值间隔序列(3)，并用N(k)表示，其中，N(k)表示从第k个极值点到第k+1个极值点之间间隔点的数量，其中间隔点的数量和置零点的数量是一样的；
所述极值间隔序列(3)的熵值称为间隔序列熵(4)，一组IMF分量对应的一组间隔序列熵(4)称为间隔序列熵组(5)；
步骤4：训练输入印刷单元的信号使用步骤1-3所述的方法分别计算它们的间隔序列熵组(5)，得到比对信号的极值间隔序列熵组，所述比对信号包括正常信号和故障信号，所述故障信号类型包括内圈故障、外圈故障、滚子故障、复合故障；
步骤5：将待检测信号采用步骤1-3所述的方法分别计算得到相应的待检测信号间隔序列熵组，进而得到待检测信号极值间隔序列熵组，将待检测信号极值间隔序列熵组与步骤4获得的比对信号的极值间隔序列熵组进行比对匹配，如果待检测信号极值间隔序列熵组与比对信号的极值间隔序列熵组相近，则判断待检测信号与该比对信号属于同类。
2.根据权利要求1所述的一种用于印刷单元的滚动轴承故障诊断方法，其特征在于，步骤1中所述加速度传感器位置选取时应当遵循如下原则：安装在承载转动部件的墙板上，接近转动部件两端轴承位置，距离为1～5厘米范围，所述转动部件包括如印版滚筒、压印滚筒、橡皮滚筒、墨辊、水辊、导向辊。
3.根据权利要求1所述的一种用于印刷单元的滚动轴承故障诊断方法，其特征在于：步骤3所述间隔序列熵(4)计算如式(4)所示，记为En：
Figure FDA0002437259080000021
其中，pi是间隔序列中数值为i的点出现的概率值，n为间隔序列中的最大数值。
4.根据权利要求1所述的一种用于印刷单元的滚动轴承故障诊断方法，其特征在于：步骤5所述的比对匹配是依据比对参数D实现，其计算如下：
Figure FDA0002437259080000022
先对待检测信号的间隔序列熵组进行归一化计算，归一化区间为0-1范围，得到归一化后的极值间隔序列熵组Am；再对正常信号或者故障信号的间隔序列熵组进行归一化计算，归一化区间为0-1范围，得到归一化后的极值间隔序列熵组Bm，当D越小，说明Am和Bm越接近同类信号，在应用中当计算结果D小于0.08时，判断待检测信号和正常信号或故障信号属于同类信号。
CN201811523958.3A 2018-12-13 2018-12-13 一种用于印刷单元的滚动轴承故障诊断方法 Active CN109374299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811523958.3A CN109374299B (zh) 2018-12-13 2018-12-13 一种用于印刷单元的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811523958.3A CN109374299B (zh) 2018-12-13 2018-12-13 一种用于印刷单元的滚动轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN109374299A CN109374299A (zh) 2019-02-22
CN109374299B true CN109374299B (zh) 2020-06-26

Family

ID=65373542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811523958.3A Active CN109374299B (zh) 2018-12-13 2018-12-13 一种用于印刷单元的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN109374299B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044620A (zh) * 2019-03-15 2019-07-23 昆明理工大学 一种基于振动信号分析的滚动轴承故障诊断方法
CN116242612B (zh) * 2023-01-09 2023-11-21 广东海洋大学 一种故障诊断方法、装置、介质及设备
CN116754234B (zh) * 2023-08-17 2023-11-21 山东经典印务有限责任公司 一种自动化印刷生产设备运行状态检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19957430A1 (de) * 1999-11-30 2001-05-31 Philips Corp Intellectual Pty Verfahren zur Erzeugung eines Maximum-Entropie-Sprachmodells
CN103048137B (zh) * 2012-12-20 2015-05-06 北京航空航天大学 一种变工况下的滚动轴承故障诊断方法
CN104849050B (zh) * 2015-06-02 2017-10-27 安徽工业大学 一种基于复合多尺度排列熵的滚动轴承故障诊断方法
CN105004498A (zh) * 2015-07-09 2015-10-28 西安理工大学 一种水电机组的振动故障诊断方法
CN106441893B (zh) * 2016-09-22 2018-08-10 北京邮电大学 火车滚动轴承故障与杂质振动区分方法
CN107748891A (zh) * 2017-09-18 2018-03-02 北京印刷学院 一种基于正常域的印刷装备关键部件状态识别方法
CN108375472A (zh) * 2018-02-12 2018-08-07 武汉科技大学 基于改进经验小波变换的轴承故障诊断方法及系统装置

Also Published As

Publication number Publication date
CN109374299A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109374299B (zh) 一种用于印刷单元的滚动轴承故障诊断方法
CN111829782B (zh) 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
Li et al. A novel fault diagnosis algorithm for rotating machinery based on a sparsity and neighborhood preserving deep extreme learning machine
CN108982107B (zh) 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法
CN113780412B (zh) 故障诊断模型训练方法、系统及其诊断方法、系统
CN110487547B (zh) 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法
Lei et al. An intrinsic timescale decomposition-based kernel extreme learning machine method to detect tool wear conditions in the milling process
CN108645620A (zh) 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法
CN111397896A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN110363339B (zh) 一种基于电机参数进行预测性维护的方法与系统
CN113776835B (zh) 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
Pan et al. Boring chatter identification by multi-sensor feature fusion and manifold learning
Liu et al. Composite multi-scale basic scale Entropy based on CEEMDAN and its application in hydraulic pump fault diagnosis
CN114925728A (zh) 滚动轴承故障诊断方法、装置、电子设备以及存储介质
CN113504768A (zh) 面向装配质量预测的高精密产品数字孪生可计算性方法
Neupane et al. Deep learning-based bearing fault detection using 2-D illustration of time sequence
Li et al. Joint semi-tensor compressive sensing with multiscale pyramidal residual network for rolling bearing fault diagnosis
Pan et al. Fast fault diagnosis method of rolling bearings based on compression features in multi-sensor redundant observation environment
Liu et al. Bearing fault diagnosis based on multi-scale neural networks
CN113758708B (zh) 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法
CN116702580A (zh) 一种基于注意力卷积自编码器的发酵过程故障监测方法
CN114218980A (zh) 滚动轴承剩余寿命预测方法
CN112595515A (zh) 一种动力轴系轴承故障检测方法及系统
Tang et al. Tapered roller bearing failure diagnosis based on improved probability box model

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