基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
技术领域
本发明涉及轴承故障诊断技术领域,具体涉及一种基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法。
背景技术
随着机械装备向着高速、重载、精密方向发展,系统对机械传动设备的要求越来越高。不仅要求机械传动设备能够传递较大的功率和载荷,而且传动系统本身必须具有很好的可靠性,从而降低设备的运营成本并提高设备运营过程中的安全性。旋转机械一旦出现故障,轻则降低产品质量或者导致停产,重则会带来巨大的经济损失和人员伤亡。滚动轴承作为旋转机械的重要组成部分,其运行状态的监测和故障的诊断对工业生产的安全性和可靠性具有十分重要的意义。传统基于信号处理的轴承故障诊断大都假定轴承运行在恒定转速下,而实际机械装备在运行时,轴承都是处于变转速的工作状态。目前针对变转速轴承的诊断方法对系统硬件要求较高,诊断方法复杂,易受干扰的影响从而难以准确诊断出轴承故障,因而在实际应用中会存在局限性。
发明内容
本发明针对现有变转速轴承的诊断方法对系统硬件要求较高,诊断方法复杂,易受干扰的影响从而难以准确诊断出轴承故障,在实际应用中会存在局限性的问题,提供一种基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法。
为解决上述问题,本发明是通过以下技术方案实现的:通过传感器采集滚动轴承振动信号,传输并存储到计算机中。采用COT算法将时域非平稳信号转化为角域平稳信号;使用VMD算法对角域平稳信号进行分解;对分解后的信号求阶次谱从而得到故障信息;同时提取滚动轴承在变转速过程中出现的一段恒定转速信号;将信号输入到VMD算法中并求其包络谱以得到故障信息,最后得出综合诊断结论。
基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法,包括步骤如下:
步骤1、通过传感器采集滚动轴承在运行过程中的振动时域信号,并将该振动时域信号存储于计算机中;
步骤2、采用计算阶次跟踪算法对采集到的振动时域信号进行处理,将振动时域信号转变为振动角域信号;
步骤3、采用变分模态分解算法对振动角域信号进行分解,得到一系列带宽限制的变转速本征模态,并对这些变转速本征模态进行傅里叶变换,将角域的重采样信号转换为阶次域信号,得到阶次谱;
步骤4、通过将阶次谱中的对应阶次和旋转机械滚动轴承的固有阶次进行对比,初步确定故障的有无及可能存在的故障类型;
步骤5、通过分析存储在计算机中的振动时域信号的速度变化趋势,并截取一段出现在滚动轴承变转速运行过程中出现的恒定转速信号;
步骤6、采用变分模态分解算法对恒定转速信号进行分解,得到一系列带宽限制的恒定转速本征模态,并对每个恒定转速本征模态分别绘制包络谱;
步骤7、通过分析包络谱上是否出现了步骤4所初步确定的故障类型所对应的特征频率,来验证阶次谱诊断出的故障类型是否正确:当包络谱中存在步骤4所初步确定的故障类型所对应的特征频率时,则最终认定该故障类型存在,否则最终认定该故障类型不存在。
上述步骤1中,所述传感器为压电加速度传感器。
与现有技术相比,本发明针对实际机械装备在运行时,轴承都是处于变转速的工作状态,结合阶次谱和包络谱来实现轴承故障诊断;考虑到现有阶次谱虽然能适用于变转速的工作状态,但是无法准确诊断出轴承故障;而包络谱虽然能够准确诊断出轴承故障,但仅适用于恒定转速的工作状态;本发明从宏观上采集轴承在整个变转速运行过程中的变转速信号,并对其采用阶次谱的方法初步确定故障的有无及可能存在的故障类型;再从微观上截取采集轴承在整个变转速运行过程中的某一段恒定转速信号,并对其采用包络谱的方法验证故障的类型是否正确,作为阶次谱方法诊断结果的补充;最终结合阶次谱和包络谱的诊断结果,得到最终的诊断结论,从而避免了单一诊断结果受干扰的影响,提高了诊断的精度。本发明能够适用于变转速的工作状态轴承,具有简单和准确的特点。
附图说明
图1为基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法的流程图。
图2为外圈变转速振动信号及其频谱图;(a)外圈变转速振动信号,(b)频谱图。
图3为内圈变转速振动信号及其频谱图;(a)内圈变转速振动信号,(b)频谱图。
图4为外圈变转速振动信号角域图。
图5为内圈变转速振动信号角域图。
图6为滚动轴承外圈阶次谱。
图7为滚动轴承内圈阶次谱。
图8为外圈固定转速振动信号及其频谱图;(a)外圈固定转速振动信号,(b)频谱图。
图9为内圈固定转速振动信号及其频谱图;(a)内圈固定转速振动信号,(b)频谱图。
图10为滚动轴承外圈包络谱。
图11为滚动轴承内圈包络谱。
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明白,以下结合具体实例,并参照附图,对本发明进一步详细说明。
针对现有变转速轴承的诊断方法对系统硬件要求较高,诊断方法复杂,易受干扰的影响从而难以准确诊断出轴承故障,在实际应用中会存在局限性的问题。本发明通过分析变转速信号和一段在变转速过程中出现的短暂恒定转速信号,分别使用阶次谱和包络谱方法诊断滚动轴承故障。在变转速条件下,传统的时频分析方法会造成故障的漏诊或误判,而计算阶次分析(COT)方法可以通过角域重采样技术,将时域中的非平稳信号变化为角域中的平稳信号,从而实现信号的诊断。同时,考虑到旋转机械滚动轴承在变转速过程中会出现短暂的恒定转速信号,可以通过包络谱的方法对其诊断并将诊断结论作为变转速条件下诊断结论的验证和补充。因此,本发明提出了一种基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法,对滚动轴承变转速信号成分进行COT和变分模态分解(VMD)得到阶次谱,通过分析阶次谱初步确定故障的有无及可能存在的故障类型。对滚动轴承变转速过程中出现的短暂固定转速成分进行VMD得到包络谱,通过分析包络谱验证故障的类型是否正确并将诊断结果作为前者的验证和补充。最后,得出综合诊断结论。
参见图1,一种基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法,其具体包括步骤如下:
第一步:通过传感器采集滚动轴承的振动信号,并存储于计算机中。
针对旋转机械中的滚动轴承,采用振动传感器,如使用压电加速度传感器采集振动信号,。滚动轴承的特征频率、特征阶次公式如下:
其中,z表示滚动体个数,d表示滚动体直径,D表示节圆直径,fr表示转频,f外圈、f内圈分别为外圈特征频率和内圈特征频率,J外圈、J内圈分别为外圈特征阶次和内圈特征阶次。
在本实施例中,采用16通道便携式数据采集仪和IEPE压电式加速度传感器,分别采集轴承内、外圈振动信号,设备参数如表1所示。其中,采样频率为25.6KHz、变转速信号采样点为262144个。
表1实验设备相关参数
其中:本实例所用轴承规格参数如表2所示,使用试验台如图所示,振动信号及其频谱如图2和图3所示。
表2 ER-12K轴承的规格参数
由上述参数和公式可得到滚动轴承内圈、外圈的特征频率分别是197.2Hz、121.5Hz。特征阶次分别是4.95、3.05。
第二步:使用COT算法处理变转速轴承振动信号。
将变转速信号输入到COT算法中,时域非平稳信号将转变为角域平稳信号。COT算法具体如下:
对原始振动信号和转速计脉冲信号以等时间间隔Δt采样时,需要确定恒角度增量Δθ的发生时刻。为了确定重采样发生时刻,假定轴以恒定的角加速度进行运动,则转过的角度与时间的关系如下:
θ(t)=b0+b1t+b2t2 (5)
式中,b
0,b
1和b
2由三个连续的键相脉冲到达时间确定。假设t
1,t
2和t
3发生时刻所对应的角增量为
于是得到
将(6)式带入(5)式,则:
于是,通过(7)式,系数b0,b1,b2可以求解,
一旦系数确定,在增量
内任意角度所对应的时刻也就确定了,表示为
在每一个新的键相脉冲到达后,对数据重新采样,此时的脉冲时刻作为t3,前面的两个连续脉冲时刻作为t1和t2。为了避免采样重叠,重采样的计算时间仅间隔一半,即π≤θ≤3π。一般来说,角度重采样都是离散的,因此令
θ=kΔθ (10)
式中Δθ表示重采样时间间隔,那么,k可以表示为
将式(10),(11)带入(9)式中,等式(9)变为
在本实施例中,得到的角域信号如图4和图5所示,图中明显存在故障特征。
第三步:使用VMD算法对角域信号进行分解。
VMD算法可以自适应的将角域信号分解为一系列带宽限制的本征模态函数(BLIMFs),算法原理如下:
(1)约束变分模型的构造
假设每个模态函数都是具有不同中心频率的有限带宽的本征模态函数,变分问题被描述为寻找k个模态函数uk,并且使得各个模态的估计带宽之和最小。具体步骤如下:
(i)对每一个模态函数,利用Hilbert变换求得其解析信号已获得其单边频谱,其频谱表达式为
(ii)对各个模态解析信号混合一个预先估计的中心频率
通过频移将其变换到基频带上,记为
(iii)最后计算解调信号的时间梯度L2范数的平方值,估计出模态分量的带宽。
因此,受约束变分模型的构造为:
上式中,δ(t)为狄利克雷函数,*为卷积运算。{uk}={u1,…,uK}表示经过VMD分解后的K个BLIMFs的集合;{ωk}={ω1,…,ωK}表示K个模态分量中心频率的结合;f表示输入信号。
(2)约束变分问题的求解
通过引入二次惩罚因子τ和拉格朗日乘子λ(t),使目标函数的约束变分问题转变为了无约束的问题。并且当存在高斯噪声时,二次惩罚因子τ可以确保信号的重构精度;而拉格朗日乘子则能够保证约束条件的严格性。增广拉格朗日乘子
如下:
其中,α表示平衡系数。
利用Parseval/Plancherel傅里叶等距变换,得到第K个模态的更新表达式
根据同样的原理,将中心频率求解转化到频率,得到中心频率的更新
式(19)中,中心频率
是其对应的模态函数功率谱
的重心。时域中的模态u
k(t)是通过对
维纳滤波后的信号进行Fourier逆变换所得的实部部分。
在本实施例中,将第二步得到的角域平稳信号进行VMD分解,从而获得更精细的信号特征。
第四步:阶次谱的绘制。
对VMD算法分解所得到的信号即BLIMFs进行傅里叶变换,将角域的重采样信号转换为阶次域信号,其横坐标为阶次,纵坐标为幅值的谱图即为阶次谱。
第五步:通过阶次谱初步确定故障的有无及可能存在的故障类型。
通过阶次谱上是否出现明显的阶次判断故障的有无,通过将阶次谱中的对应阶次和旋转机械滚动轴承的固有阶次进行对比即可初步确定可能存在的故障类型。
本实施例中得到的外圈阶次谱如图6所示,在图中可以清晰的看到5.9、14.9和23.6阶次。分别近似等于2倍外圈特征阶次6.1、5倍外圈特征阶次15.25和8倍外圈特征阶次24.4。基本可以确定滚动轴承外圈出现了故障。
同样,本实施例中得到的内圈阶次谱如图7所示,在图中可以看到9.4、15.0和19.9阶次。分别近似等于2倍内圈特征阶次9.9、3倍内圈特征阶次14.85和8倍内圈特征阶次19.8。虽然能够确定滚动轴承内圈上存在故障,但由于有干扰的存在需要下面步骤的进一步验证。
第六步:恒定转速信号提取。
通过分析存储在计算机中的振动信号速度趋势,截取一段出现在滚动轴承变转速过程中的恒定转速信号用于以下的信号分析。
在本实施例中,分别截取一段出现在滚动轴承变转速过程中的恒定转速外圈信号和内圈信号,共4096个点,其振动信号及其频谱分别如图8和图9所示。
第七步:包络谱的绘制。
将恒定转速信号输入到VMD算法中,算法对信号进行分解,分解后的信号将用于绘制包络谱,通过包络谱验证阶次谱诊断出的故障类型是否正确。
包络谱算法如下:
对于每一个模态分量uk(t),其Hilbert变换可以写为:
构造模态分量的复解析信号为:
式中:a
i(t)为幅值函数,
为相位函数。对每一个模态分量作Hilbert变换并忽略分解余项,信号可以表示为:
对信号x(t)进行谱分析就可以得到包络谱。
在本实施例中,将第五步中获得的恒定转速信号输入到VMD算法中,算法将信号进行分解,分解后的信号的包络谱如图10和图11所示。
第八步:通过包络谱验证阶次谱诊断出的故障类型是否正确,得出综合诊断结果。
由于信号噪声干扰的存在阶次谱上可能存在干扰阶次,同样包络谱上也可能存在干扰频率。但可以通过求交集的方法进行诊断。虽然阶次谱上出现了轴承故障的特征阶次,但可能存在干扰,阶次并不明显,此时,不能做出准确判断。但通过分析包络谱上是否出现了对应轴承故障的特征频率能够进一步验证阶次谱上的结果,从而避免了单一诊断结果受干扰的影响,提高了诊断的精度。
在本实施例中,外圈的包络谱中出现了频率为121.9Hz及其倍频,其与外圈特征频率121.5Hz很接近,表明外圈出现了故障,由于该结果与第五步中的结论相符,因此可以断定外圈一定存在故障。同样,内圈的包络谱上也出现了频率为200Hz及其1/5倍频,与内圈特征频率197.2接近,此时结合第五步的诊断结果,可以明确内圈出现了故障。
本发明同时采用阶次谱和包络谱的方法诊断滚动轴承故障,针对变转速轴承信号,采用COT算法和VMD算法获得故障阶次,初步确定故障的有无及可能存在的故障类型;针对变转速过程中出现的短暂固定转速信号,将其输入到VMD算法中并得到故障频率,验证阶次谱诊断出的故障类型是否正确并将诊断结果作为阶次谱诊断结果的验证和补充。最后,得出综合诊断结论。以便一般的操作人员不用理解系统的机理和分析数据而能准确地做出决策。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。