CN109635334A - 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 - Google Patents
基于粒子群优化的滚动轴承故障诊断方法、系统及介质 Download PDFInfo
- Publication number
- CN109635334A CN109635334A CN201811339030.XA CN201811339030A CN109635334A CN 109635334 A CN109635334 A CN 109635334A CN 201811339030 A CN201811339030 A CN 201811339030A CN 109635334 A CN109635334 A CN 109635334A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- modal
- fault
- particle swarm
- initial vibration
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 94
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 59
- 238000005096 rolling process Methods 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 42
- 230000003595 spectral effect Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 31
- 230000001133 acceleration Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000009131 signaling function Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 230000000977 initiatory effect Effects 0.000 abstract 2
- 238000001228 spectrum Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及基于粒子群优化的滚动轴承故障诊断方法、系统及介质，方法包括获取滚动轴承在运转过程中的初始振动信号，并采用粒子群优化方法获取所述初始振动信号的初始化参数；根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；从多个所述固有模态分量挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量，并对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。本发明能有效提高滚动轴承的故障诊断的准确性和故障识别的精度，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
Description
技术领域
本发明涉及信号故障诊断技术领域，尤其涉及一种基于粒子群优化的滚动轴承故障诊断方法、系统及介质。
背景技术
滚动轴承是旋转机械中重要的组成部分，广泛的存在于各类机械设备中。因此其运行状态的好坏直接影响到整个机械设备的工作状态。为了保证机械设备的正常运行、减少因轴承故障而产生的停工和重大经济损失，因此对滚动轴承进行状态监测和故障诊断至关重要。传统的信号处理方法不适应于非平稳、非线性的振动信号，且频域的变化不能及时的随时域变化而做出相应的改变，以至于难以有效提取特征信息导致故障诊断的结果不准确。
常见的信号处理方法有短时傅里叶变换(STFT)、Wigner-Ville分布 (WVD)、小波变换(WT)、经验模式分解(EMD)等；STFT、WVD不适合对非平稳信号进行分析，WT是以傅里叶变换为理论基础，仍然存在窗函数的局限性，无法准确描述频率随时间的变换。EMD虽然对于非平稳信号的处理有着良好的自适应性，但其缺乏理论基础，且容易产生模态混叠等干扰，进而影响故障诊断的精度。针对上述非线性信号处理方法的不足，变分模态分解(VMD)可有效避免EMD等信号分解产生的模态混叠、端点效应等问题，而谱峭度在时域分析后能计算出每一条谱线上的峭度，通过峭度可明显反映出含噪信号的非平稳性，利用Matlab绘制处对应的峭度图，依据峭度最大原则选择出最佳的滤波频段进行滤波，最后对滤波后的信号进行包络分析，从而提取到信号的调制信息。
但是由于在工业现场采集到振动信号不仅成分复杂而且夹杂着大量的背景噪声，故障特征信息常常被掩盖，单一使用VMD较难得到良好的准断结果，现有技术中，对滚动轴承的故障诊断也有一些研究，例如王菲等用谱峭度与变分模态分解的方法解决了转子不对中的故障，马增强等用变分模态分解和谱峭度的方法实现了对故障轴承的特征频率提取，唐贵基用VMD和谱峭度的方法对轴承的早期故障进行检测和故障诊断，易灿灿采用了优化的VMD 方法对轴承的外圈故障进行了特征频率的提取，安学利采用VMD和渗透熵的方法对风机的轴承进故障诊断。上述方法提取的故障信息特征还不是很明显，故障诊断的结果和故障识别的精度还有待提高，且目前还没有一种能将粒子群优化、变分模态分解和谱峭度结合的故障诊断方法。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于粒子群优化的滚动轴承故障诊断方法、系统及介质。
本发明解决上述技术问题的技术方案如下：
基于粒子群优化的滚动轴承故障诊断方法，包括以下步骤：
步骤1：获取滚动轴承在运转过程中的初始振动信号，并采用粒子群优化方法获取所述初始振动信号的初始化参数；
步骤2：根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；
步骤3：从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量，并对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；
步骤4：对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。
本发明的有益效果是：由于变分模态分解方法对非平稳、非线性信号的处理有着良好的自适应性、且有着坚实的数学理论基础，可以有效避免信号分解产生的模态混叠、端点效应等问题，能较好地在不同尺度下表征初始振动信号，具有良好的噪声鲁棒性；通过粒子群优化的变分模态分解方法可以对变分模态分解方法的初始化参数进行优化，便于提取含故障特征信息最明显的固有模态分量，即最敏感模态分量，最后通过带通滤波器进行滤波处理，便于滤除初始振动信号中的噪声信号，而保留故障特征信息的故障特征振动信号，并对故障特征信号进行分析，提取故障特征信息并对故障进行识别，克服了传统方法的不足，有效提高了故障诊断结果的准确性和故障识别的精度，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：在所述步骤1中，具体采用三相加速度传感器和NI采集系统获取所述初始振动信号。
上述进一步方案的有益效果是：当轴承发生故障时，会出现冲击力，因为冲击力使轴承结构鸣响，产生与轴承共振频率有关的正弦波，因此可监测该正弦波的频率，由于加速度对高频振动更加敏感，会在加速度频谱上产生振幅峰值，因此获取加速度信号便于研究故障，可通过加速度传感器采集信号加速度；由于一般的加速度传感器只能采集滚动轴承在运转过程中的X轴和Y轴方向上的信号加速度，而三相加速度传感器还能采集滚动轴承在Y轴方向上的信号加速度，更能够全面描述滚动轴承在运转过程中的振动情况；采用NI采集系统采集初始振动信号，采集的精度较高，稳定性高。
进一步：在所述步骤1中，获取所述初始化参数的具体步骤包括：
步骤11：将粒子群的最佳位置作为粒子群搜索目标，将所述初始振动信号进行变分模态分解的自适应函数fitness作为寻优函数；
其中，所述粒子群的速度更新公式和位移更新公式分别具体为：
M为所述粒子群的粒子总数，k为当前迭代次数，为第i个粒子在N维空间第k次迭代的位置，为第i个粒子在N维空间第k次迭代的速度，为第i个粒子在N维空间第k次迭代中的个体极值点的位置，为所述粒子群在N维空间第k次迭代中全局的最优极值的位置，ω为惯性权重，c1、c2为学习因子，η为[0,1]之间的随机数；
其中，所述自适应函数fitness具体为：
C为所述固有模态分量与所述初始振动信号之间的相关系数，mean(C)为所述相关系数的均值，var(C)所述固有模态分量与所述初始振动信号之间的方差；
步骤12：对所述寻优函数进行全局搜索，寻找所述寻优函数的最大值，根据所述寻优函数的最大值、所述位置更新公式和所述速度更新公式确定所述粒子群的最佳位置；
步骤13：根据所述粒子群的最佳位置确定所述初始化参数；
其中，所述初始化参数包括所述固有模态分量的个数K和变分模态分解方法中的惩罚因子α。
上述进一步方案的有益效果是：由于变分模态分解方法需要人为设置一些参数，且参数的取值对方法的影响非常大，因此需要找到变分模态分解方法的最优的初始化参数[K,α]，便于后续挑选出故障信息最多的固有模态分量；粒子群优化方法是指粒子在不断的更新迭代中寻求总群中最优解的过程，将粒子群的最佳位置作为粒子群搜索目标，初始振动信号进行变分模态分解的自适应函数作为寻优函数，当自适应函数fitness达到最大值时，即为粒子群的最佳位置，而粒子群的最佳位置即为参数的最优解，也就是变分模态分解的初始化参数[K,α]；其中，中mean(C)为固有模态分量与初始振动信号之间的相关系数的均值，表示分解的固有模态分量与初始振动信号的重合度，当mean(C)越大，则对应的固有模态分量与初始振动信号的重合度越高，而var(C)为固有模态分量与初始振动信号之间的方差，表示相关系数C整体的波动，当波动越小，则对应的固体模态分量更具有整体代表性，因此需要寻找fitness的最大值；
通过上述粒子群优化方法便于获取变分模态分解的初始化参数，从而便于后续提取故障特征信号，提高故障诊断的准确性和故障识别的精度。
进一步：所述步骤2的具体步骤包括：
步骤21：根据所述初始化参数和所述初始振动信号构建变分约束模型，所述变分约束模型具体为：
其中，uk′为第k′个所述固有模态分量，uk′(t)为第k′个所述固有模态分量的函数，ωk′为第k′个所述固有模态分量的中心频率，δ(t)为Dirac分布，*表示卷积，f为所述初始振动信号；
步骤22：将所述变分约束模型转化为非约束模型，并采用方向交替乘子方法求解出所述非约束模型的最优解，并根据所述非约束模型的最优解得到多个所述固有模态分量；
所述非约束模型为：
其中，λ为Lagrange乘法因子，λ(t)为Lagrange乘法因子函数，f(t)为所述初始振动信号函数。
上述进一步方案的有益效果是：基于粒子群优化方法，获取到变分模态分解方法的初始化参数，根据该优化的初始化参数[K,α]进行变分模态分解，便于分解得到K个固有模态分量，便于后续挑选含故障信息最多的最敏感固有模态分量，提高故障诊断的准确性和故障识别的精度；首先需要根据固有模态分量的个数K进行构建变分约束模型，而为了求解变分约束模型的最优解，需要引入惩罚因子α和Lagrange乘法因子λ将变分约束模型转化为非约束模型，通过方向交替乘子方法进行不断地更新Lagrange乘法因子函数λ(t)、固有模态分量函数uk′(t)以及对应的中心频率ωk′，便于获取非约束模型的最优解，即为变分模态分解的结果(K个固有模态分量)；其中，方向交替乘子方法进行不断地更新Lagrange乘法因子函数λ(t)、固有模态分量函数 uk′(t)以及对应的中心频率ωk′为现有技术，具体不再赘述。
进一步：在所述步骤3中，挑选出所述最敏感模态分量的具体步骤为：
根据峭度值确定所述固有模态分量的所述故障特征信息，将峭度值最大的所述固有模态分量作为所述最敏感模态分量，所述最敏感模态分量对应的峭度值具体为：
其中，q为所述最敏感模态分量对应的峭度值，E(·)为求数学期望运算，μl为第l个所述固有模态分量的均值，σl为第l个所述固有模态分量的标准差。
上述进一步方案的有益效果是：由于峭度值与轴承转速、尺寸、载荷等无关，对冲击信号特别敏感，当轴承无故障运转时由于各种不确定因素的影响，振动信号的幅值分布接近正态分布，峭度值接近3，随着故障的出现和发展，振动信号中大幅值的概率密度增加，信号幅值的分布偏离正态分布，正态曲线出现偏斜或分散，峭度值也随之增大，因此峭度值越大，说明轴承偏离其正常状态，故障越严重；因此选取峭度值最大的固有模态分量，其必然包含故障特征信息最多，即为最敏感固有模态分量，后续对其进行分析，能明显提高故障诊断结果的准确性和故障识别的精度。
进一步：在所述步骤3中，对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号的具体步骤包括：
步骤31：根据所述初始振动信号的激励响应，获取所述最敏感模态分量的谱峭度；
其中，所述初始振动信号的激励响应公式具体为：
f为所述初始振动信号的中心频率，X(f)为所述初始振动信号，Y(t)为所述初始振动信号在频率f处的激励响应，H(t,f)为时变传递函数；
所述谱峭度的具体公式为：
其中，S2mf(f)＝E{|H(t,f)dX(f)|2m}/df(m为正整数)，其为频率f处的2m阶谱瞬时距；
步骤32：根据所述谱峭度绘制出快速谱峭度图，并根据所述快速谱峭度图获取所述最敏感模态分量中噪声的中心频率和带宽；
步骤33：根据所述中心频率和所述带宽对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号。
上述进一步方案的有益效果是：由于最敏感固有模态分量中存在一定的噪声，为避免故障特征振动信号被噪声湮没，提高故障诊断的准确性，需要对噪声进行滤波而保留故障特征振动信号，而谱峭度方法能反映瞬态冲击强弱，能计算每个谱线的峭度值，从而发现隐藏的非平稳的存在，并指出它们出现在哪些频带，因此采用谱峭度方法能计算出后续采用的带通滤波器的中心频率和带宽，便于根据该中心频率和带宽对噪声进行自适应滤波处理，获取故障特征振动信号，提高故障特征振动信号中故障特征的识别精度。
进一步：在所述步骤4中，具体采用包络谱分析方法对所述故障特征振动信号进行分析。
上述进一步方案的有益效果是：由于包络谱包含冲击信号特征，且对冲击信号更加敏感，因此采用包络谱分析方法对故障特征振动信号进行分析，能明显提高故障诊断的准确性，提高故障识别的精度。
依据本发明的另一方面，提供了一种基于粒子群优化的滚动轴承故障诊断系统，包括采集单元、运算单元、变分模态分解单元、滤波处理单元和分析识别单元；
所述采集单元，用于获取滚动轴承在运转过程中的初始振动信号；
所述运算单元，用于采用粒子群优化方法获取所述初始振动信号的初始化参数；
所述变分模态分解单元，用于根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；
所述运算单元，还用于从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量；
所述滤波处理单元，用于对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；
所述分析识别单元，用于对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。
本发明的有益效果是：通过采集单元、运算单元和变分模态分解单元，获取经过优化的变分模态分解后的K个固有模态分量，便于后续通过运算单元挑选出最敏感固有模态分量，并由滤波处理单元对最敏感固有模态分量进行带通滤波处理，获取故障特征振动信号，从而便于分析识别单元对故障特征振动信号进行分析和对故障进行识别。本发明基于粒子群优化的滚动轴承故障诊断系统，可以对滚动轴承的故障进行诊断和识别，且具有较高的准确性，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
依据本发明的另一方面，提供了另一种基于粒子群优化的滚动轴承故障诊断系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明的一种基于粒子群优化的滚动轴承故障诊断方法中的具体步骤。
本发明的有益效果是：通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的基于粒子群优化的滚动轴承故障诊断系统，可以对滚动轴承的故障进行诊断和识别，且具有较高的准确性，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
依据本发明的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本发明的一种基于粒子群优化的滚动轴承故障诊断方法中的具体步骤。
本发明的有益效果是：通过执行包含至少一个指令的存储介质，实现本发明的基于粒子群优化的滚动轴承故障诊断，可以对滚动轴承的故障进行诊断和识别，且具有较高的准确性，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
附图说明
图1为本发明基于粒子群优化的滚动轴承故障诊断方法的流程示意图；
图2-1为本发明实施例一中的初始振动信号的时域波形图；
图2-2为本发明实施例一中的初始振动信号的包络谱；
图3为本发明实施例一中粒子群优化结果的示意图；
图4为本发明实施例一中最敏感固有模态分量的包络谱；
图5为本发明实施例一中谱峭度方法中的快速谱峭度图；
图6为本发明实施例一中故障特征诊断信号的包络谱；
图7为本发明基于粒子群优化的滚动轴承故障诊断系统的结构示意图；
附图中，各标号所代表的部件列表如下：
11、采集单元，12、运算单元，13、变分模态分解单元，14、滤波处理单元，15、分析识别单元。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1-6所示，基于粒子群优化的滚动轴承故障诊断方法，包括以下步骤：
S1：获取滚动轴承在运转过程中的初始振动信号，并采用粒子群优化方法获取所述初始振动信号的初始化参数；
S2：根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；
S3：从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量，并对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；
S4：对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。
由于变分模态分解方法对非平稳、非线性信号的处理有着良好的自适应性、且有着坚实的数学理论基础，可以有效避免信号分解产生的模态混叠、端点效应等问题，能较好地在不同尺度下表征初始振动信号，具有良好的噪声鲁棒性；通过粒子群优化的变分模态分解方法可以对变分模态分解方法的初始化参数进行优化，便于提取含故障特征信息最明显的固有模态分量，即最敏感模态分量，最后通过带通滤波器进行滤波处理，便于滤除初始振动信号中的噪声信号，而保留故障特征信息的故障特征振动信号，并对故障特征信号进行分析，提取故障特征信息并对故障进行识别，克服了传统方法的不足，有效提高了故障诊断结果的准确性和故障识别的精度，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
优选地，在S1中具体采用三相加速度传感器和NI采集系统获取所述初始振动信号。
当轴承发生故障时，会出现冲击力，因为冲击力使轴承结构鸣响，产生与轴承共振频率有关的正弦波，因此可监测该正弦波的频率，由于加速度对高频振动更加敏感，会在加速度频谱上产生振幅峰值，因此获取加速度信号便于研究故障，可通过加速度传感器采集信号加速度；由于一般的加速度传感器只能采集滚动轴承在运转过程中的X轴和Y轴方向上的信号加速度，而三相加速度传感器还能采集滚动轴承在Y轴方向上的信号加速度，更能够全面描述滚动轴承在运转过程中的振动情况；采用NI采集系统采集初始振动信号，采集的精度较高，稳定性高。
本实施例采用三相加速度传感器和NI采集系统获取的初始振动信号的时域波形图和包络谱如图2-1和图2-2所示。
优选地，在S1中获取所述初始化参数的具体步骤包括：
S11：将粒子群的最佳位置作为粒子群搜索目标，将所述初始振动信号进行变分模态分解的自适应函数fitness作为寻优函数；
其中，所述粒子群的速度更新公式和位置更新公式分别具体为：
M为所述粒子群的粒子总数，k为当前迭代次数，为第i个粒子在N维空间第k次迭代的位置，为第i个粒子在N维空间第k次迭代的速度，为第i个粒子在N维空间第k次迭代中的个体极值点的位置，为所述粒子群在N维空间第k次迭代中全局的最优极值的位置，ω为惯性权重，c1、c2为学习因子，η为[0,1]之间的随机数；
其中，所述自适应函数fitness具体为：
C为所述固有模态分量与所述初始振动信号之间的相关系数，mean(C)为所述相关系数的均值，var(C)所述固有模态分量与所述初始振动信号之间的方差；
S12：对所述寻优函数进行全局搜索，寻找所述寻优函数的最大值，根据所述寻优函数的最大值、所述位置更新公式和所述速度更新公式确定所述粒子群的最佳位置；
S13：根据所述粒子群的最佳位置确定所述初始化参数；
其中，所述初始化参数包括所述固有模态分量的个数K和变分模态分解方法中的惩罚因子α。
从图2-1可以看出：冲击信号的周期性脉冲波形被强烈的背景噪声所淹盖，毫无规律可循；从图2-2的包络谱中仅能看出外圈故障的一倍频，且一倍频周围都包含着许多的噪声成分，特征频率不明显，其余的倍频成分也被噪声所掩盖，图中转频也被噪声所掩盖。因此需要对初始振动信号进行变分模态分解。
由于变分模态分解方法需要人为设置一些参数，且参数的取值对算法的影响非常大，因此需要找到变分模态分解方法的最优的初始化参数[K,α]，便于后续挑选出故障信息最多的固有模态分量；粒子群优化方法是指粒子在不断的更新迭代中寻求总群中最优解的过程，将粒子群的最佳位置作为粒子群搜索目标，初始振动信号进行变分模态分解的自适应函数作为寻优函数，当自适应函数fitness达到最大值时，即为粒子群的最佳位置，而粒子群的最佳位置即为参数的最优解，也就是变分模态分解的初始化参数[K,α]；其中，中mean(C)为固有模态分量与初始振动信号之间的相关系数的均值，表示分解的固有模态分量与初始振动信号的重合度，当mean(C)越大，则对应的固有模态分量与初始振动信号的重合度越高，而var(C)为固有模态分量与初始振动信号之间的方差，表示相关系数C整体的波动，当波动越小，则对应的固体模态分量更具有整体代表性，因此需要寻找fitness的最大值；
通过上述粒子群优化方法便于获取变分模态分解的初始化参数，从而便于后续提取故障特征信号，提高故障诊断的准确性和故障识别的精度。
本实施例经过粒子群优化的结果的示意图如图3所示，从图3可以看出，最大的fitness为76.31，从而得到相对应的最佳位置，即初始化参数[K,α]为 [15,1551.9]。
优选地，S2的具体步骤包括：
步骤21：根据所述初始化参数和所述初始振动信号构建变分约束模型，所述变分约束模型具体为：
其中，uk′为第k′个所述固有模态分量，uk′(t)为第k′个所述固有模态分量的函数，ωk′为第k′个所述固有模态分量的中心频率，δ(t)为Dirac分布，*表示卷积，f为所述初始振动信号；
步骤22：将所述变分约束模型转化为非约束模型，并采用方向交替乘子方法求解出所述非约束模型的最优解，并根据所述非约束模型的最优解得到多个所述固有模态分量；
所述非约束模型为：
其中，λ为Lagrange乘法因子，λ(t)为Lagrange乘法因子函数，f(t)为所述初始振动信号函数。
基于粒子群优化方法，获取到变分模态分解方法的初始化参数，根据该优化的初始化参数[K,α]进行变分模态分解，便于分解得到K个固有模态分量，便于后续挑选含故障信息最多的最敏感固有模态分量，提高故障诊断的准确性和故障识别的精度；首先需要根据固有模态分量的个数K进行构建变分约束模型，而为了求解变分约束模型的最优解，需要引入惩罚因子α和 Lagrange乘法因子λ将变分约束模型转化为非约束模型，通过方向交替乘子算法进行不断地更新Lagrange乘法因子函数λ(t)、固有模态分量函数uk′(t)以及对应的中心频率ωk′，便于获取非约束模型的最优解，即为变分模态分解的结果(K个固有模态分量)；其中，方向交替乘子方法进行不断地更新Lagrange乘法因子函数λ(t)、固有模态分量函数uk′(t)以及对应的中心频率ωk′为现有技术，具体不再赘述。
本实施例根据初始化参数[K,α]为[15,1551.9]，通过优化的变分模态分解方法(VMD方法)对初始振动信号进行分解得到15个固有模态分量(IMF 分量)。
优选地，在S3中，挑选出所述最敏感模态分量的具体步骤为：
根据峭度值确定所述固有模态分量的所述故障特征信息，将峭度值最大的所述固有模态分量作为所述最敏感模态分量，所述最敏感模态分量对应的峭度值具体为：
其中，q为所述最敏感模态分量对应的峭度值，E(·)为求数学期望运算，μl为第l个所述固有模态分量的均值，σl为第l个所述固有模态分量的标准差。
由于峭度值与轴承转速、尺寸、载荷等无关，对冲击信号特别敏感，当轴承无故障运转时由于各种不确定因素的影响，振动信号的幅值分布接近正态分布，峭度值接近3，随着故障的出现和发展，振动信号中大幅值的概率密度增加，信号幅值的分布偏离正态分布，正态曲线出现偏斜或分散，峭度值也随之增大，因此峭度值越大，说明轴承偏离其正常状态，故障越严重；因此选取峭度值最大的固有模态分量，其必然包含故障特征信息最多，即为最敏感固有模态分量，后续对其进行分析，能明显提高故障诊断结果的准确性和故障识别的精度。
本实施例对15个固有模态分量(IMF)的峭度值进行计算，计算结果如表1所示，表1为本实施例中初始振动信号经VMD方法的15个固有模态分量IMF的峭度值。
表1初始振动信号经VMD算法的各固有模态分量的峭度值
从表1中可以看出：第四个固有模态分量(IMF4)的峭度值最大，即为最敏感固有模态分量。
优选地，在S3中，对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号的具体步骤包括：
步骤31：根据所述初始振动信号的激励响应，获取所述最敏感模态分量的谱峭度；
其中，所述初始振动信号的激励响应公式具体为：
f为所述初始振动信号的中心频率，X(f)为所述初始振动信号，Y(t)为所述初始振动信号在频率f处的激励响应，H(t,f)为时变传递函数；
所述谱峭度的具体公式为：
其中，S2mf(f)＝E{|H(t,f)dX(f)|2m}/df(m为正整数)，其为频率f处的2m阶谱瞬时距；
步骤32：根据所述谱峭度绘制出快速谱峭度图，并根据所述快速谱峭度图获取所述最敏感模态分量中噪声的中心频率和带宽；
步骤33：根据所述中心频率和所述带宽对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号。
本实施例对最敏感固有模态分量IMF4进行包络谱分析，得到相应的包络谱如图4所示，显然，IMF4的包络谱相对于图1中初始振动信号的包络谱中的特征频率较好，但图4中的转频、五倍频成分仍然不突出，存在着一定的噪声干扰。
由于最敏感固有模态分量中存在一定的噪声，为避免故障特征振动信号被噪声湮没，提高故障诊断的准确性，需要对噪声进行滤波而保留故障特征振动信号，而谱峭度方法能反映瞬态冲击强弱，能计算每个谱线的峭度值，从而发现隐藏的非平稳的存在，并指出它们出现在哪些频带，因此采用谱峭度方法能计算出后续采用的带通滤波器的中心频率和带宽，便于根据该中心频率和带宽对噪声进行自适应滤波处理，获取故障特征振动信号，提高故障特征振动信号中故障特征的识别精度。
本实施例为了使特征频率更加明显，采用谱峭度方法确定自适应带通滤波器的中心频率和带宽，对最敏感固有模态分量进行带通滤波处理。根据S31 中的谱峭度绘制出快速谱峭度图，如图5所示。并且根据图5获取最敏感模态分量中最优的中心频率为2031Hz，带宽为650Hz，该最优的中心频率和带宽为噪声的中心频率和带宽，即为带通滤波器的中心频率和带宽。
优选地，在S4中，具体采用包络谱分析方法对所述故障特征振动信号进行分析。
由于包络谱包含冲击信号特征，且对冲击信号更加敏感，因此采用包络谱分析方法对故障特征振动信号进行分析，能明显提高故障诊断的准确性，提高故障识别的精度。
本实施例对S33中经过滤波处理后的故障特征振动信号进行包络谱分析，得到的故障特征振动信号的包络谱如图6所示，从图6中很明显的可以看出各内圈故障频率的倍频、转频fr以及故障频率被转频fr调制的频率也明显表现出来，对本实施例中轴承的内圈故障的诊断有着良好的效果，显然有效提高了故障诊断的准确性和故障识别的精度，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
实施例二、如图7所示，图7为本实施例一种基于粒子群优化的滚动轴承故障诊断系统的结构示意图。
基于粒子群优化的滚动轴承故障诊断系统，包括采集单元11、运算单元 12、变分模态分解单元13、滤波处理单元14和分析识别单元15；
所述采集单元11，用于获取滚动轴承在运转过程中的初始振动信号；
所述运算单元12，用于采用粒子群优化方法获取所述初始振动信号的初始化参数；
所述变分模态分解单元13，用于根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；
所述运算单元12，还用于从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量；
所述滤波处理单元14，用于对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；
所述分析识别单元15，用于对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。
本发明的基于粒子群优化的滚动轴承故障诊断系统，通过采集单元、运算单元和变分模态分解单元，获取经过优化的变分模态分解后的K个固有模态分量，便于后续通过运算单元挑选出最敏感固有模态分量，并由滤波处理单元对最敏感固有模态分量进行带通滤波处理，获取故障特征振动信号，从而便于分析识别单元对故障特征振动信号进行分析和对故障进行识别。本发明基于粒子群优化的滚动轴承故障诊断系统，可以对滚动轴承的故障进行诊断和识别，且具有较高的准确性，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
实施例三、基于实施例一和实施例二，本发明还公开了另一种基于粒子群优化的滚动轴承故障诊断系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现以下具体步骤：
S1：获取滚动轴承在运转过程中的初始振动信号，并采用粒子群优化方法获取所述初始振动信号的初始化参数；
S2：根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；
S3：从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量，并对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；
S4：对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。
通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的基于粒子群优化的滚动轴承故障诊断系统，可以对滚动轴承的故障进行诊断和识别，且具有较高的准确性，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有至少一个指令，所述指令被执行时实现所述S1-S4的具体步骤。
通过执行包含至少一个指令的存储介质，实现本发明的基于粒子群优化的滚动轴承故障诊断，可以对滚动轴承的故障进行诊断和识别，且具有较高的准确性，能广泛用于信号故障诊断技术领域，保证机械设备的正常运行。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于粒子群优化的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1：获取滚动轴承在运转过程中的初始振动信号，并采用粒子群优化方法获取所述初始振动信号的初始化参数；
步骤2：根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；
步骤3：从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量，并对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；
步骤4：对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。
2.根据权利要求1所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤1中，具体采用三相加速度传感器和NI采集系统获取所述初始振动信号。
3.根据权利要求2所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤1中，获取所述初始化参数的具体步骤包括：
步骤11：将粒子群的最佳位置作为粒子群搜索目标，将所述初始振动信号进行变分模态分解的自适应函数fitness作为寻优函数；
其中，所述粒子群的速度更新公式和位置更新公式分别具体为：
M为所述粒子群的粒子总数，k为当前迭代次数，为第i个粒子在N维空间第k次迭代的位置，为第i个粒子在N维空间第k次迭代的速度，为第i个粒子在N维空间第k次迭代中的个体极值点的位置，为所述粒子群在N维空间第k次迭代中全局的最优极值的位置，ω为惯性权重，c1、c2为学习因子，η为[0,1]之间的随机数；
其中，所述自适应函数fitness具体为：
C为所述固有模态分量与所述初始振动信号之间的相关系数，mean(C)为所述相关系数的均值，var(C)为所述固有模态分量与所述初始振动信号之间的方差；
步骤12：对所述寻优函数进行全局搜索，寻找所述寻优函数的最大值，根据所述寻优函数的最大值、所述位置更新公式和所述速度更新公式确定所述粒子群的最佳位置；
步骤13：根据所述粒子群的最佳位置确定所述初始化参数；
其中，所述初始化参数包括所述固有模态分量的个数K和变分模态分解方法中的惩罚因子α。
4.根据权利要求3所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，所述步骤2的具体步骤包括：
步骤21：根据所述初始化参数和所述初始振动信号构建变分约束模型，所述变分约束模型具体为：
其中，uk′为第k′个所述固有模态分量，uk′(t)为第k′个所述固有模态分量的函数，ωk′为第k′个所述固有模态分量的中心频率，δ(t)为Dirac分布，*表示卷积，f为所述初始振动信号；
步骤22：将所述变分约束模型转化为非约束模型，并采用方向交替乘子方法求解出所述非约束模型的最优解，并根据所述非约束模型的最优解得到多个所述固有模态分量；
所述非约束模型为：
其中，λ为Lagrange乘法因子，λ(t)为Lagrange乘法因子函数，f(t)为所述初始振动信号函数。
5.根据权利要求4所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤3中，挑选出所述最敏感模态分量的具体步骤为：
根据峭度值确定所述固有模态分量的所述故障特征信息，将峭度值最大的所述固有模态分量作为所述最敏感模态分量，所述最敏感模态分量对应的峭度值具体为：
其中，q为所述最敏感模态分量对应的峭度值，E(·)为求数学期望运算，μl为第l个所述固有模态分量的均值，σl为第l个所述固有模态分量的标准差。
6.根据权利要求5所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤3中，对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号的具体步骤包括：
步骤31：根据所述初始振动信号的激励响应，获取所述最敏感模态分量的谱峭度；
其中，所述初始振动信号的激励响应公式具体为：
f为所述初始振动信号的中心频率，X(f)为所述初始振动信号，Y(t)为所述初始振动信号在频率f处的激励响应，H(t,f)为时变传递函数；
所述谱峭度的具体公式为：
其中，S2mf(f)＝E{|H(t,f)dX(f)|2m}/df(m为正整数)，其为频率f处的2m阶谱瞬时距；
步骤32：根据所述谱峭度绘制出快速谱峭度图，并根据所述快速谱峭度图获取所述最敏感模态分量中噪声的中心频率和带宽；
步骤33：根据所述中心频率和所述带宽对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号。
7.根据权利要求1所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤4中，具体采用包络谱分析方法对所述故障特征振动信号进行分析。
8.基于粒子群优化的滚动轴承故障诊断系统，其特征在于，包括采集单元、运算单元、变分模态分解单元、滤波处理单元和分析识别单元；
所述采集单元，用于获取滚动轴承在运转过程中的初始振动信号；
所述运算单元，用于采用粒子群优化方法获取所述初始振动信号的初始化参数；
所述变分模态分解单元，用于根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；
所述运算单元，还用于从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量；
所述滤波处理单元，用于对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；
所述分析识别单元，用于对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。
9.基于粒子群优化的滚动轴承故障诊断系统，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1-7任一项所述的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1-7任一项所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811339030.XA CN109635334A (zh) | 2018-11-12 | 2018-11-12 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811339030.XA CN109635334A (zh) | 2018-11-12 | 2018-11-12 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109635334A true CN109635334A (zh) | 2019-04-16 |
Family
ID=66067782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811339030.XA Pending CN109635334A (zh) | 2018-11-12 | 2018-11-12 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635334A (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110161125A (zh) * | 2019-06-17 | 2019-08-23 | 哈尔滨工业大学 | 基于加速度与声发射感知技术相结合的航空发动机智能监测方法 |
| CN110849971A (zh) * | 2019-11-21 | 2020-02-28 | 西南交通大学 | 基于双指数窗函数法的结构模态参数识别方法 |
| CN110849462A (zh) * | 2019-12-05 | 2020-02-28 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
| CN111079076A (zh) * | 2019-12-24 | 2020-04-28 | 武汉工程大学 | 一种故障诊断方法、系统及电子设备 |
| CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
| CN111881848A (zh) * | 2020-07-30 | 2020-11-03 | 上海电机学院 | 基于变分模态分解与改进粒子群的电机故障信号提取方法 |
| CN111985315A (zh) * | 2020-07-10 | 2020-11-24 | 合肥工业大学 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
| CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
| CN112287752A (zh) * | 2020-09-22 | 2021-01-29 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
| CN112798280A (zh) * | 2021-02-05 | 2021-05-14 | 山东大学 | 一种滚动轴承故障诊断方法及系统 |
| CN112836583A (zh) * | 2021-01-05 | 2021-05-25 | 沈阳工业大学 | 一种风力机故障诊断方法 |
| CN113375933A (zh) * | 2021-05-31 | 2021-09-10 | 中国矿业大学 | 一种刮板输送机故障诊断系统和诊断方法 |
| CN113418705A (zh) * | 2021-07-23 | 2021-09-21 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
| CN113435304A (zh) * | 2021-06-23 | 2021-09-24 | 西安交通大学 | 提取扭振信号的扭振信息的方法、系统、设备及存储介质 |
| CN113591241A (zh) * | 2021-07-29 | 2021-11-02 | 福建省特种设备检验研究院 | 一种基于vmd与自适应momeda的回转支承故障诊断方法 |
| CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
| CN113689038A (zh) * | 2021-08-24 | 2021-11-23 | 西北工业大学 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
| CN113702038A (zh) * | 2021-08-02 | 2021-11-26 | 新黎明科技股份有限公司 | 防爆电机轴承故障诊断方法及系统 |
| CN113743225A (zh) * | 2021-08-05 | 2021-12-03 | 武汉科技大学 | 基于vt-anm-swt的旋转机械异振源识别方法 |
| CN114018571A (zh) * | 2021-10-28 | 2022-02-08 | 国能太仓发电有限公司 | 一种基于频率诱导变分模态分解的齿轮箱故障诊断方法 |
| CN114034931A (zh) * | 2021-11-02 | 2022-02-11 | 南京理工大学 | 基于变分模态分解的永磁电机绕组不对称故障诊断方法 |
| CN114061956A (zh) * | 2021-11-11 | 2022-02-18 | 太原理工大学 | 一种强噪声干扰下的滚动轴承复合故障特征分离方法 |
| CN114548151A (zh) * | 2022-01-12 | 2022-05-27 | 广东海洋大学 | 一种提升故障特征信号的方法、装置、介质及设备 |
| CN114692702A (zh) * | 2022-05-31 | 2022-07-01 | 石家庄铁道大学 | 一种自适应单模态变分模态分解的轴承故障诊断方法 |
| CN114781450A (zh) * | 2022-04-24 | 2022-07-22 | 华东交通大学 | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 |
| CN116242612A (zh) * | 2023-01-09 | 2023-06-09 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
| CN116400244A (zh) * | 2023-04-04 | 2023-07-07 | 华能澜沧江水电股份有限公司 | 储能电池的异常检测方法及装置 |
| CN118094201A (zh) * | 2024-04-29 | 2024-05-28 | 苏州大学 | 一种自适应多变量故障特征提取与增强方法 |
-
2018
- 2018-11-12 CN CN201811339030.XA patent/CN109635334A/zh active Pending
Non-Patent Citations (10)
| Title |
|---|
| SINIAN HU等: "A Novel Detrended Fluctuation Analysis Method for Gear Fault Diagnosis Based on Variational Mode Decomposition", 《SHOCK AND VIBRATION》, 1 October 2018 (2018-10-01), pages 1 - 12 * |
| 任学平等: "基于VMD和快速谱峭度的滚动轴承早期故障诊断", 《测量与仪器》 * |
| 任学平等: "基于VMD和快速谱峭度的滚动轴承早期故障诊断", 《测量与仪器》, 31 December 2017 (2017-12-31), pages 39 - 43 * |
| 张颖等: "基于改进固有时间尺度分解和谱峭度的轴承故障诊断方法", 《太阳能学报》 * |
| 张颖等: "基于改进固有时间尺度分解和谱峭度的轴承故障诊断方法", 《太阳能学报》, no. 03, 28 March 2017 (2017-03-28) * |
| 赵灿等著: "《旋转机械振动信号故障模式识别系统研究》", 电子科技大学出版社, pages: 137 - 138 * |
| 阮婉莹等: "基于变分模态分解排列熵和粒子群优化支持向量机的滚动轴承故障诊断方法", 《济南大学学报(自然科学版)》 * |
| 阮婉莹等: "基于变分模态分解排列熵和粒子群优化支持向量机的滚动轴承故障诊断方法", 《济南大学学报(自然科学版)》, no. 04, 31 July 2018 (2018-07-31), pages 291 - 296 * |
| 龚永涛等: "基于粒子群优化的共振稀疏分解在轴承故障诊断中的应用", 《机械设计与制造》 * |
| 龚永涛等: "基于粒子群优化的共振稀疏分解在轴承故障诊断中的应用", 《机械设计与制造》, no. 04, 30 April 2017 (2017-04-30), pages 21 - 25 * |
Cited By (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110161125A (zh) * | 2019-06-17 | 2019-08-23 | 哈尔滨工业大学 | 基于加速度与声发射感知技术相结合的航空发动机智能监测方法 |
| CN110849971B (zh) * | 2019-11-21 | 2021-05-18 | 西南交通大学 | 基于双指数窗函数法的结构模态参数识别方法 |
| CN110849971A (zh) * | 2019-11-21 | 2020-02-28 | 西南交通大学 | 基于双指数窗函数法的结构模态参数识别方法 |
| CN110849462A (zh) * | 2019-12-05 | 2020-02-28 | 武汉科技大学 | 一种基于稀疏特征相似性的连轧机振动信号分离方法 |
| CN111079076A (zh) * | 2019-12-24 | 2020-04-28 | 武汉工程大学 | 一种故障诊断方法、系统及电子设备 |
| CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
| CN111665050B (zh) * | 2020-06-04 | 2021-07-27 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
| CN111985315A (zh) * | 2020-07-10 | 2020-11-24 | 合肥工业大学 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
| CN111881848A (zh) * | 2020-07-30 | 2020-11-03 | 上海电机学院 | 基于变分模态分解与改进粒子群的电机故障信号提取方法 |
| CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
| CN112287752A (zh) * | 2020-09-22 | 2021-01-29 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
| CN112287752B (zh) * | 2020-09-22 | 2024-04-12 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
| CN112836583A (zh) * | 2021-01-05 | 2021-05-25 | 沈阳工业大学 | 一种风力机故障诊断方法 |
| CN112836583B (zh) * | 2021-01-05 | 2024-04-12 | 沈阳工业大学 | 一种风力机故障诊断方法 |
| CN112798280A (zh) * | 2021-02-05 | 2021-05-14 | 山东大学 | 一种滚动轴承故障诊断方法及系统 |
| CN113375933A (zh) * | 2021-05-31 | 2021-09-10 | 中国矿业大学 | 一种刮板输送机故障诊断系统和诊断方法 |
| CN113375933B (zh) * | 2021-05-31 | 2022-09-09 | 中国矿业大学 | 一种刮板输送机故障诊断系统和诊断方法 |
| CN113435304A (zh) * | 2021-06-23 | 2021-09-24 | 西安交通大学 | 提取扭振信号的扭振信息的方法、系统、设备及存储介质 |
| CN113435304B (zh) * | 2021-06-23 | 2023-09-19 | 西安交通大学 | 提取扭振信号的扭振信息的方法、系统、设备及存储介质 |
| CN113418705A (zh) * | 2021-07-23 | 2021-09-21 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
| CN113418705B (zh) * | 2021-07-23 | 2022-08-19 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
| CN113591241B (zh) * | 2021-07-29 | 2023-08-04 | 福建省特种设备检验研究院 | 一种基于vmd与自适应momeda的回转支承故障诊断方法 |
| CN113591241A (zh) * | 2021-07-29 | 2021-11-02 | 福建省特种设备检验研究院 | 一种基于vmd与自适应momeda的回转支承故障诊断方法 |
| CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
| CN113702038A (zh) * | 2021-08-02 | 2021-11-26 | 新黎明科技股份有限公司 | 防爆电机轴承故障诊断方法及系统 |
| CN113743225A (zh) * | 2021-08-05 | 2021-12-03 | 武汉科技大学 | 基于vt-anm-swt的旋转机械异振源识别方法 |
| CN113689038B (zh) * | 2021-08-24 | 2023-05-26 | 西北工业大学 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
| CN113689038A (zh) * | 2021-08-24 | 2021-11-23 | 西北工业大学 | 一种基于多传感器模糊评估的发动机气缸故障预测方法 |
| CN114018571A (zh) * | 2021-10-28 | 2022-02-08 | 国能太仓发电有限公司 | 一种基于频率诱导变分模态分解的齿轮箱故障诊断方法 |
| CN114034931A (zh) * | 2021-11-02 | 2022-02-11 | 南京理工大学 | 基于变分模态分解的永磁电机绕组不对称故障诊断方法 |
| CN114061956B (zh) * | 2021-11-11 | 2023-08-04 | 太原理工大学 | 一种强噪声干扰下的滚动轴承复合故障特征分离方法 |
| CN114061956A (zh) * | 2021-11-11 | 2022-02-18 | 太原理工大学 | 一种强噪声干扰下的滚动轴承复合故障特征分离方法 |
| CN114548151A (zh) * | 2022-01-12 | 2022-05-27 | 广东海洋大学 | 一种提升故障特征信号的方法、装置、介质及设备 |
| CN114548151B (zh) * | 2022-01-12 | 2024-04-16 | 广东海洋大学 | 一种提升故障特征信号的方法、装置、介质及设备 |
| CN114781450A (zh) * | 2022-04-24 | 2022-07-22 | 华东交通大学 | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 |
| CN114781450B (zh) * | 2022-04-24 | 2024-03-29 | 华东交通大学 | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 |
| CN114692702B (zh) * | 2022-05-31 | 2022-09-02 | 石家庄铁道大学 | 一种自适应单模态变分模态分解的轴承故障诊断方法 |
| CN114692702A (zh) * | 2022-05-31 | 2022-07-01 | 石家庄铁道大学 | 一种自适应单模态变分模态分解的轴承故障诊断方法 |
| CN116242612A (zh) * | 2023-01-09 | 2023-06-09 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
| 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 |
| CN116400244A (zh) * | 2023-04-04 | 2023-07-07 | 华能澜沧江水电股份有限公司 | 储能电池的异常检测方法及装置 |
| CN116400244B (zh) * | 2023-04-04 | 2023-11-21 | 华能澜沧江水电股份有限公司 | 储能电池的异常检测方法及装置 |
| CN118094201A (zh) * | 2024-04-29 | 2024-05-28 | 苏州大学 | 一种自适应多变量故障特征提取与增强方法 |
| CN118094201B (zh) * | 2024-04-29 | 2024-07-02 | 苏州大学 | 一种自适应多变量故障特征提取与增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635334A (zh) | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 | |
| Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
| Yan et al. | Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis | |
| Yang et al. | A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition | |
| CN109682601A (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
| CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
| CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
| CN112101245B (zh) | 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法 | |
| CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
| Cong et al. | Research of singular value decomposition based on slip matrix for rolling bearing fault diagnosis | |
| CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
| CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
| Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
| CN116067657B (zh) | 一种滚动轴承故障诊断方法及系统 | |
| CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
| Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
| CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
| CN113033304A (zh) | 一种克服频域重叠干扰的多共振频带幅值解调分析方法 | |
| Liang et al. | Toothwise health monitoring of planetary gearbox under time-varying speed condition based on rotating encoder signal | |
| CN112857804A (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
| CN111504640A (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
| CN113899548A (zh) | 一种基于谐波峭度谱的滚动轴承故障诊断方法 | |
| CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
| CN104156339B (zh) | 一种利用二次排列熵识别周期微弱脉冲信号的方法 | |
| CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |