CN109632308A - 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统 - Google Patents

一种深沟球滚动轴承内圈故障劣化状态识别方法及系统 Download PDF

Info

Publication number
CN109632308A
CN109632308A CN201811602426.9A CN201811602426A CN109632308A CN 109632308 A CN109632308 A CN 109632308A CN 201811602426 A CN201811602426 A CN 201811602426A CN 109632308 A CN109632308 A CN 109632308A
Authority
CN
China
Prior art keywords
time series
nonlinear
denoising
signal
linear
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.)
Granted
Application number
CN201811602426.9A
Other languages
English (en)
Other versions
CN109632308B (zh
Inventor
蒋勉
伍济钢
宾光富
沈意平
王钢
彭延峰
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and 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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN201811602426.9A priority Critical patent/CN109632308B/zh
Publication of CN109632308A publication Critical patent/CN109632308A/zh
Application granted granted Critical
Publication of CN109632308B publication Critical patent/CN109632308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开一种深沟球滚动轴承内圈故障劣化状态识别方法及系统。本发明基于滚动轴承内圈故障劣化过程中采集的振动加速度时间序列信号，通过分别对振动响应序列信号采用非线性和线性自回归各态历经时间序列模型进行辨识，再计算两种模型之间响应的最小二乘积分误差得到非线性估计值，能够对机械系统退化状态特征进行评估，具有计算步骤简单、容易实现、结果准确等优点。

Description

一种深沟球滚动轴承内圈故障劣化状态识别方法及系统
技术领域
本发明涉及机械系统状态监测与评估技术领域，特别是涉及一种深沟球滚动轴承内圈故障劣化状态识别方法及系统。
背景技术
滚动轴承是现代机械系统中大量使用的机械零件，其运行状态是否正常往往直接影响到整台机器的性能，例如精度、可靠性及寿命等。为了实现预知维修保证滚动轴承正常运行，需要提早地发现轴承故障劣化程度，所以对滚动轴承内圈故障劣化状态识别研究具有重要的价值。据统计，滚动轴承故障在机械设备故障中占有很大的比例，而各种轴承失效中内圈或外圈裂纹占失效总数的比例很高。在正常工作条件下，由于受到载荷、安装、润滑状态或轴承工作条件恶劣等因素的影响，滚动轴承运转一段时间后将会产生故障，大部分可归结为轴承元件表面的劣化，进而使振动加剧。初始阶段故障程度较为轻微，继续运行中故障会进一步劣化，使其运转状态逐渐恶化以至完全失效。
目前滚动轴承故障劣化识别方法中，第一种是经典的参数统计估计方法，这种方法有很大的局限性。第二种方法是智能识别方法，如人工神经网络和支持向量机。该方法克服了传统参数估计方法的困难，能自适应地学习和调整网络的大小。但是它需要大量的典型故障数据样本或经验知识，而在工程实际当中，一般很难获得大量典型的故障样本。目前滚动轴承的运行状态监测与故障诊断技术在诊断信息的处理与分析、故障类型的识别等方面已经取得了很大的进步，但是对滚动轴承的故障程度估计以及劣化状态和趋势预测方面的研究所做的工作还较少。现有的振动法退化状态识别技术一般基于线性模型的假设，或者把非线性模型线性近似化，这种方法在某一些具有弱动力学行为的机械系统上应用是可行的，但对具有强非线性动力学行为的滚动轴承出现较大的误差。而随着机械系统高速化、轻量化等趋势的发展，含故障滚动轴承运行时将出现非线性动力学行为或者其动力学行为非线性程度变得更高，基于非线性理论对滚动轴承劣化状态进行识别是未来的趋势之一。
发明内容
本发明的目的是提供一种深沟球滚动轴承内圈故障劣化状态识别方法及系统，能够简便、快捷且精确的实现深沟球滚动轴承内圈故障劣化状态识别。
为实现上述目的，本发明提供了如下方案：
一种深沟球滚动轴承内圈故障劣化状态识别方法，包括：
在含有内圈故障深沟球滚动轴承稳定转速运行状态采集设定时长的振动加速度时间序列信号；
对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号；
对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，所述最优线性时间序列模型为单输入单输出；
根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值；
根据所述非线性估计值识别深沟球滚动轴承内圈故障劣化状态。
可选的，所述对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号，具体包括：
对所述振动加速度时间序列信号采用小波等滤波算法进行去噪处理，得到去噪后振动响应序列信号。
可选的，所述对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型，具体包括：
采用非线性自回归各态历经时间序列模型对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
所述非线性自回归各态历经时间序列模型公式如下：
y(t)＝f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1))
其中，f表示非线性函数，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数。
可选的，根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，具体包括：
采用线性自回归各态历经时间序列模型，建立与所述非线性时间序列模型对应结构的线性单输入单输出时间序列模型；
所述线性自回归各态历经时间序列模型公式如下：
y(t)+a1y(t-1)+a2y(t-2)+…+anay(t-na)＝b1u(t)+b2u(t-1)+…+bnbu(t-nb+1)+e(t)
其中，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数，a1,a2,…,ana,b1,b2,…,bnb表示常数系数，e(t)表示误差函数。
可选的，所述根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值，具体包括：
根据所述最优线性时间序列模型和所述非线性时间序列模型采用最小二乘法，计算所述最优线性时间序列模型和所述非线性时间序列模型的最小二乘积分误差；
根据所述最小二乘积分误差，确定非线性估计值。
一种深沟球滚动轴承内圈故障劣化状态识别系统，包括：
信号采集模块，用于在含有内圈故障深沟球滚动轴承稳定转速运行状态采集设定时长的振动加速度时间序列信号；
去噪处理模块，用于对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号；
非线性模型建立模块，用于对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
线性模型建立模块，用于根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，所述最优线性时间序列模型为单输入单输出；
估计值确定模块，用于根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值；
状态识别模块，用于根据所述非线性估计值识别深沟球滚动轴承内圈故障劣化状态。
可选的，所述去噪处理模块，具体包括：
去噪处理单元，用于对所述振动加速度时间序列信号采用小波等滤波算法进行去噪处理，得到去噪后振动响应序列信号。
可选的，所述非线性模型建立模块，具体包括：
非线性模型建立单元，用于采用非线性自回归各态历经时间序列模型对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
所述非线性自回归各态历经时间序列模型公式如下：
y(t)＝f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1))
其中，f表示非线性函数，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数。
可选的，所述线性模型建立模块，具体包括：
线性模型建立单元，用于采用线性自回归各态历经时间序列模型，根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立与所述非线性时间序列模型对应结构的线性单输入单输出时间序列模型；
所述线性自回归各态历经时间序列模型公式如下：
y(t)+a1y(t-1)+a2y(t-2)+…+anay(t-na)＝b1u(t)+b2u(t-1)+…+bnbu(t-nb+1)+e(t)
其中，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数，a1,a2,…,ana,b1,b2,…,bnb表示常数系数，e(t)表示误差函数。
可选的，所述估计值确定模块，具体包括：
估计值确定单元，用于根据所述最优线性时间序列模型和所述非线性时间序列模型采用最小二乘法，计算所述最优线性时间序列模型和所述非线性时间序列模型的最小二乘积分误差；
根据所述最小二乘积分误差，确定非线性估计值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种深沟球滚动轴承内圈故障劣化状态识别方法，基于滚动轴承内圈故障劣化过程中采集的振动加速度时间序列信号，通过分别对振动响应序列信号采用非线性和线性自回归各态历经时间序列模型进行辨识，再计算两种模型之间响应的最小二乘积分误差得到非线性估计值，能够对机械系统退化状态特征进行评估，具有计算步骤简单、容易实现、结果准确等优点。
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，还可以根据这些附图获得其他的附图。
图1为本发明实施例深沟球滚动轴承内圈故障劣化状态识别方法流程图；
图2为本发明的振动响应序列非线性估计原理图；
图3为本发明中实施例的振动响应序列排列熵计算图(信号长度10240)；
图4为本发明中实施例的振动响应序列排列熵计算图(信号长度4096)；
图5为本发明中实施例的振动响应序列非线性估计结果图(信号长度10240)；
图6为本发明中实施例的振动响应序列非线性估计结果图(信号长度4096)；
图7为本发明实施例深沟球滚动轴承内圈故障劣化状态识别系统结构图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种深沟球滚动轴承内圈故障劣化状态识别方法及系统，能够简便、快捷且精确的实现深沟球滚动轴承内圈故障劣化状态识别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例深沟球滚动轴承内圈故障劣化状态识别方法流程图。如图1所示，一种深沟球滚动轴承内圈故障劣化状态识别方法，包括：
步骤101：在含有内圈故障深沟球滚动轴承稳定转速运行状态采集设定时长的振动加速度时间序列信号；采用接触式或者非接触式测振方式得到滚动轴承外圈可测位置的振动信号；
步骤102：对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号；
步骤103：对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
步骤104：根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，所述最优线性时间序列模型为单输入单输出；
步骤105：根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值；
步骤106：根据所述非线性估计值识别深沟球滚动轴承内圈故障劣化状态。
步骤102，具体包括：
对所述振动加速度时间序列信号采用小波等滤波算法进行去噪处理，得到去噪后振动响应序列信号。
步骤103，具体包括：
采用非线性自回归各态历经时间序列模型对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
所述非线性自回归各态历经时间序列模型公式如下：
y(t)＝f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1))
其中，f表示非线性函数，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数。
步骤104，具体包括：
根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，采用线性自回归各态历经时间序列模型，建立与所述非线性时间序列模型对应结构的线性单输入单输出时间序列模型；
所述线性自回归各态历经时间序列模型公式如下：
y(t)+a1y(t-1)+a2y(t-2)+…+anay(t-na)＝b1u(t)+b2u(t-1)+…+bnbu(t-nb+1)+e(t)
其中，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数，a1,a2,…,ana,b1,b2,…,bnb表示常数系数，e(t)表示误差函数。
步骤105，具体包括：
根据所述最优线性时间序列模型和所述非线性时间序列模型采用最小二乘法，计算所述最优线性时间序列模型和所述非线性时间序列模型的最小二乘积分误差；
根据所述最小二乘积分误差，确定非线性估计值。
本发明公开的深沟球滚动轴承内圈故障劣化状态识别方法，基于滚动轴承内圈故障劣化过程中采集的振动加速度时间序列信号，通过分别对振动响应序列信号采用非线性和线性自回归各态历经时间序列模型进行辨识，再计算两种模型之间响应的最小二乘积分误差得到非线性估计值，能够对机械系统退化状态特征进行评估，具有计算步骤简单、容易实现、结果准确等优点。
时间序列非线性估计的定义：
动力学非线性程度估计是将非线性系统N(u)的动力学行为和某个作为标准的线性系统L(u)的动力学行为差别进行度量的一种评价指标(包含相对误差︱N(u)-L(u)/L(u)︱和绝对误差︱N(u)-L(u)︱)。其中N(u)，L(u)分别代表非线性系统和线性系统的动力学行为，可采用振动信号，加速度信号，速度信号等来对其动力学行为进行描述。而振动信号，加速度信号，速度信号均为时间序列信号，非线性系统的动力学行为非线性程度的变化也体现在上述时间序列信号中，因此本发明是通过估计时间序列信号中非线性程度的变化来实现对机械系统退化状态导致系统动力学行为非线性程度变化的估计。
振动加速度时间序列信号采集与处理：
为能够实现本方法对滚动轴承内圈故障劣化状态的预测及说明本方法的可行性，以滚动轴承内圈故障振动测试实验为基础，在不同的转速和内圈故障长度设置下采集振动加速度时间序列信号，每组时间序列信号的长度为10240，共采集了四种内圈故障长度下的外圈振动加速度信号，将上述信号采集以后形成mat文件，在Matlab里面采用小波方法进行去噪处理。图3为本发明中实施例的振动响应序列排列熵计算图(信号长度10240)。图4为本发明中实施例的振动响应序列排列熵计算图(信号长度4096)。图5为本发明中实施例的振动响应序列非线性估计结果图(信号长度10240)。图6为本发明中实施例的振动响应序列非线性估计结果图(信号长度4096)。
非线性自回归各态历经时间序列模型辨识：
(1)对采集的振动加速度时间序列信号v1,v2,…,vT(T为时间序列长度)采用小波方法进行去噪处理；
(2)令时间序列信号v4,v5,…,vT为输出时间序列y(t)，时间序列信号v2,v3,…,vT-2为输入时间序列u(t)；
(3)选择3个输出时间序列回归量，2个输入时间序列回归量；
(4)采用树分解算法确定非线性函数f的结构，基于输出时间序列y(t)和输入时间序列u(t)，采用Matlab自带函数isnlarx辨识获得非线性自回归各态历经时间序列模型如下：
y(t)＝f(y(t-1),y(t-2),y(t-3),u(t),u(t-1))
线性自回归各态历经时间序列模型辨识：
(1)对采集的振动加速度时间序列信号v1,v2,…,vT(T为时间序列长度)采用小波方法进行去噪处理；
(2)令时间序列信号v4,v5,…,vT为输出时间序列y(t)，时间序列信号v2,v3,…,vT-2为输入时间序列u(t)；
(3)选择3个输出时间序列回归量，2个输入时间序列回归量；
(4)建立线性自回归各态历经时间序列模型结构如下：
y(t)+a1y(t-1)+a2y(t-2)+a3y(t-3)＝b1u(t)+b2u(t-1)+e(t) (5)
其中，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，a1,a2,a3,b1,b2表示常数系数，e(t)表示误差函数。
(5)基于输出时间序列y(t)和输入时间序列u(t)采用最小二乘法辨识或者建立状态方程由矩阵分解算法获得线性自回归各态历经时间序列模型参数值。
不同内圈故障长度下非线性估计值的计算：
将不同长度内圈故障下采集到的振动加速度时间序列信号辨识得到的非线性自回归各态历经时间序列模型与线性自回归各态历经时间序列模型的响应误差进行计算，并在时间序列长度内进行积分求得不同时刻点的非线性估计值，计算示意图如图2所示。图2为本发明的振动响应序列非线性估计原理图。
图7为本发明实施例深沟球滚动轴承内圈故障劣化状态识别系统结构图。如图7所示，一种深沟球滚动轴承内圈故障劣化状态识别系统，包括：
信号采集模块201，用于在含有内圈故障深沟球滚动轴承稳定转速运行状态采集设定时长的振动加速度时间序列信号；
去噪处理模块202，用于对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号；
非线性模型建立模块203，用于对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
线性模型建立模块204，用于根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，所述最优线性时间序列模型为单输入单输出；
估计值确定模块205，用于根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值；
状态识别模块206，用于根据所述非线性估计值识别深沟球滚动轴承内圈故障劣化状态。
所述去噪处理模块202，具体包括：
去噪处理单元，用于对所述振动加速度时间序列信号采用小波等滤波算法进行去噪处理，得到去噪后振动响应序列信号。
所述非线性模型建立模块203，具体包括：
非线性模型建立单元，用于采用非线性自回归各态历经时间序列模型对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
所述非线性自回归各态历经时间序列模型公式如下：
y(t)＝f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1))
其中，f表示非线性函数，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数。
所述线性模型建立模块204，具体包括：
线性模型建立单元，用于采用线性自回归各态历经时间序列模型，根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立与所述非线性时间序列模型对应结构的线性单输入单输出时间序列模型；
所述线性自回归各态历经时间序列模型公式如下：
y(t)+a1y(t-1)+a2y(t-2)+…+anay(t-na)＝b1u(t)+b2u(t-1)+…+bnbu(t-nb+1)+e(t)
其中，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数，a1,a2,…,ana,b1,b2,…,bnb表示常数系数，e(t)表示误差函数。
所述估计值确定模块205，具体包括：
估计值确定单元，用于根据所述最优线性时间序列模型和所述非线性时间序列模型采用最小二乘法，计算所述最优线性时间序列模型和所述非线性时间序列模型的最小二乘积分误差；
根据所述最小二乘积分误差，确定非线性估计值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种深沟球滚动轴承内圈故障劣化状态识别方法，其特征在于，包括：
在含有内圈故障深沟球滚动轴承稳定转速运行状态采集设定时长的振动加速度时间序列信号；
对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号；
对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，所述最优线性时间序列模型为单输入单输出；
根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值；
根据所述非线性估计值识别深沟球滚动轴承内圈故障劣化状态。
2.根据权利要求1所述的深沟球滚动轴承内圈故障劣化状态识别方法，其特征在于，所述对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号，具体包括：
对所述振动加速度时间序列信号采用小波等滤波算法进行去噪处理，得到去噪后振动响应序列信号。
3.根据权利要求1所述的深沟球滚动轴承内圈故障劣化状态识别方法，其特征在于，所述对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型，具体包括：
采用非线性自回归各态历经时间序列模型对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
所述非线性自回归各态历经时间序列模型公式如下：
y(t)＝f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1))
其中，f表示非线性函数，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数。
4.根据权利要求1所述的深沟球滚动轴承内圈故障劣化状态识别方法，其特征在于，所述根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，具体包括：
采用线性自回归各态历经时间序列模型，建立与所述非线性时间序列模型对应结构的线性单输入单输出时间序列模型；
所述线性自回归各态历经时间序列模型公式如下：
y(t)+a1y(t-1)+a2y(t-2)+…+anay(t-na)＝b1u(t)+b2u(t-1)+…+bnbu(t-nb+1)+e(t)
其中，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数，a1,a2,…,ana,b1,b2,…,bnb表示常数系数，e(t)表示误差函数。
5.根据权利要求1所述的深沟球滚动轴承内圈故障劣化状态识别方法，其特征在于，所述根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值，具体包括：
根据所述最优线性时间序列模型和所述非线性时间序列模型采用最小二乘法，计算所述最优线性时间序列模型和所述非线性时间序列模型的最小二乘积分误差；
根据所述最小二乘积分误差，确定非线性估计值。
6.一种深沟球滚动轴承内圈故障劣化状态识别系统，其特征在于，包括：
信号采集模块，用于在含有内圈故障深沟球滚动轴承稳定转速运行状态采集设定时长的振动加速度时间序列信号；
去噪处理模块，用于对所述振动加速度时间序列信号进行去噪处理，得到去噪后振动响应序列信号；
非线性模型建立模块，用于对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
线性模型建立模块，用于根据所述辨识非线性时间序列模型所用的去噪振动响应时间序列信号，建立对应所述辨识非线性时间序列模型结构的最优线性时间序列模型，所述最优线性时间序列模型为单输入单输出；
估计值确定模块，用于根据所述最优线性时间序列模型和所述非线性时间序列模型，确定非线性估计值；
状态识别模块，用于根据所述非线性估计值识别深沟球滚动轴承内圈故障劣化状态。
7.根据权利要求6所述的深沟球滚动轴承内圈故障劣化状态识别系统，其特征在于，所述去噪处理模块，具体包括：
去噪处理单元，用于对所述振动加速度时间序列信号采用小波等滤波算法进行去噪处理，得到去噪后振动响应序列信号。
8.根据权利要求6所述的深沟球滚动轴承内圈故障劣化状态识别系统，其特征在于，所述辨识非线性模型建立模块，具体包括：
非线性模型建立单元，用于采用非线性自回归各态历经时间序列模型对所述去噪后振动响应序列信号进行辨识，得到描述所述振动信号的辨识非线性时间序列模型；
所述非线性自回归各态历经时间序列模型公式如下：
y(t)＝f(y(t-1),y(t-2),…,y(t-na),u(t),u(t-1),…,u(t-nb+1))
其中，f表示非线性函数，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数。
9.根据权利要求6所述的深沟球滚动轴承内圈故障劣化状态识别系统，其特征在于，所述线性模型建立模块，具体包括：
线性模型建立单元，用于采用线性自回归各态历经时间序列模型，建立与所述非线性时间序列模型对应结构的线性单输入单输出时间序列模型；
所述线性自回归各态历经时间序列模型公式如下：
y(t)+a1y(t-1)+a2y(t-2)+…+anay(t-na)＝b1u(t)+b2u(t-1)+…+bnbu(t-nb+1)+e(t)
其中，y(t)表示去噪后的输出振动时间序列信号，u(t)表示去噪后的输入时间序列信号，na表示输出时间序列回归量的个数，nb表示输入时间序列回归量的个数，a1,a2,…,ana,b1,b2,…,bnb表示常数系数，e(t)表示误差函数。
10.根据权利要求6所述的深沟球滚动轴承内圈故障劣化状态识别系统，其特征在于，所述估计值确定模块，具体包括：
估计值确定单元，用于根据所述最优线性时间序列模型和所述非线性时间序列模型采用最小二乘法，计算所述最优线性时间序列模型和所述非线性时间序列模型的最小二乘积分误差；
根据所述最小二乘积分误差，确定非线性估计值。
CN201811602426.9A 2018-12-26 2018-12-26 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统 Active CN109632308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811602426.9A CN109632308B (zh) 2018-12-26 2018-12-26 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811602426.9A CN109632308B (zh) 2018-12-26 2018-12-26 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统

Publications (2)

Publication Number Publication Date
CN109632308A true CN109632308A (zh) 2019-04-16
CN109632308B CN109632308B (zh) 2020-07-31

Family

ID=66077985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811602426.9A Active CN109632308B (zh) 2018-12-26 2018-12-26 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统

Country Status (1)

Country Link
CN (1) CN109632308B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106370419A (zh) * 2016-08-17 2017-02-01 湖南科技大学 基于振动响应非线性度的传动轴裂纹定位检测方法
CN106706303A (zh) * 2017-03-02 2017-05-24 湖南科技大学 一种转子‑轴承系统支承松动状态评估方法
CN107121285A (zh) * 2017-04-21 2017-09-01 南京理工大学 一种滚动轴承振动信号故障特征提取方法
CN107729706A (zh) * 2017-11-29 2018-02-23 湖南科技大学 一种非线性机械系统的动力学模型构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106370419A (zh) * 2016-08-17 2017-02-01 湖南科技大学 基于振动响应非线性度的传动轴裂纹定位检测方法
CN106706303A (zh) * 2017-03-02 2017-05-24 湖南科技大学 一种转子‑轴承系统支承松动状态评估方法
CN107121285A (zh) * 2017-04-21 2017-09-01 南京理工大学 一种滚动轴承振动信号故障特征提取方法
CN107729706A (zh) * 2017-11-29 2018-02-23 湖南科技大学 一种非线性机械系统的动力学模型构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蒋勉等: "转子-滑动轴承系统支承松动-碰摩故障动力学行为及评估方法", 《动力学与控制学报》 *
陈茹雯等: "基于非线性自回归时序模型的振动系统辨识", 《计算机应用研究》 *

Also Published As

Publication number Publication date
CN109632308B (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
Medjaher et al. Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data
CN108363952A (zh) 诊断装置
Farrar et al. A statistical pattern recognition paradigm for vibration-based structural health monitoring
WO2019049406A1 (ja) 故障確率評価システム
JP2000259223A (ja) プラント監視装置
WO2023065584A1 (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
CN109543743B (zh) 一种基于重建预测残差的制冷机组多传感器故障诊断方法
US12007745B2 (en) Apparatus for predicting equipment damage
CN110837852A (zh) 一种轧机齿轮箱的故障诊断方法、装置及终端设备
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
Chatterjee et al. Optimal tracking of parameter drift in a chaotic system: Experiment and theory
CN109894476B (zh) 一种冷轧硅钢生产线液压设备故障诊断方法和装置
CN116628564B (zh) 用于检测发电机状态的模型训练方法和系统
CN109632308A (zh) 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统
CN111950757A (zh) 旋转机械关键零部件退化状态趋势预测方法
CN110598680A (zh) 一种机械设备健康状态评估方法、系统和可读存储介质
CN114938339B (zh) 一种数据处理方法和相关装置
CN115630273A (zh) 增量式时变结构工作模态参数实时识别方法及系统
CN113168739B (zh) 用于检查至少一台车辆的方法以及电子计算装置
JP2019145079A (ja) 異常監視装置、異常監視方法および異常監視プログラム
CN111259494B (zh) 重机设备健康监测分析方法
CN108627340B (zh) 一种灌装生产线滚子轴承故障预测方法
Boukra et al. Contribution in Enhancing the Remaining Useful Life Prediction in Abrupt Failures: Bearing Case.

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