CN109708891A - 一种柔性椭圆轴承滚道故障诊断方法 - Google Patents
一种柔性椭圆轴承滚道故障诊断方法 Download PDFInfo
- Publication number
- CN109708891A CN109708891A CN201910093876.8A CN201910093876A CN109708891A CN 109708891 A CN109708891 A CN 109708891A CN 201910093876 A CN201910093876 A CN 201910093876A CN 109708891 A CN109708891 A CN 109708891A
- Authority
- CN
- China
- Prior art keywords
- signal
- flexible
- bearing
- elliptic
- elliptic bearing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000013459 approach Methods 0.000 claims abstract description 6
- 238000009877 rendering Methods 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000011068 loading method Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004080 punching Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000003672 processing method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 15
- 238000010183 spectrum analysis Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000003638 chemical reducing agent Substances 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013456 study Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000222712 Kinetoplastida Species 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种柔性椭圆轴承滚道故障诊断方法。包括步骤：1、将轴承与传感器安装在柔性轴承故障测试台上，并与信号采集器、工作站进行通讯；2、设定测试参数，采集柔性椭圆轴承振动信号，并通过稀疏分解方法分离提取出冲击信号分量；3、对冲击信号分量进行连续Morlet小波变换，并计算前四层分解信号的峭度值，利用希尔伯特分析法获取峭度值最大的信号频谱图，根据建立的故障特征频率模型绘制故障特征频率理论曲线，进而判断柔性椭圆轴承的故障类型。本发明结合信号处理方法及故障特征频率理论分析，可准确提取与识别柔性椭圆轴承滚道故障特征，为柔性椭圆轴承的故障诊断提供理论支撑。
Description
技术领域
本发明涉及谐波减速器用精密柔性椭圆轴承的局部缺陷故障诊断领域，具体涉及一种柔性椭圆轴承滚道故障诊断方法。
背景技术
柔性圆轴承内、外圈的壁厚甚薄，套装在凸轮上以后，可随凸轮的廓线形状强制变形成椭圆形，即柔性椭圆轴承。柔性椭圆轴承在工作中承受循环交变应力载荷，是谐波减速器中最易损坏的核心零件。
谐波减速器的结构复杂，柔性椭圆轴承的振动信号不易获取。为解决该问题，“一种柔性精密薄壁轴承故障诊断寿命试验机”，【专利号：CN206420654U，授权日期：2017.08.18】专利中公开了一种柔性椭圆轴承故障测试台，其可针对柔性椭圆轴承施加动静载荷，并实现对轴承振动、温度、转速信号的测量。目前已有稀疏分解结合包络解调分析方法用于故障特征提取中，例如公开号为CN103728130A和CN108152033A，但并未研究对谐波减速器用柔性椭圆轴承的故障特征提取。
Ostapski W对柔性椭圆轴承进行静态有限元仿真分析发现，在考虑轴承装配预应力的情况下，外圈长轴处球与外圈接触点区域更容易损坏。谐波减速器正常运行的实验信号分析中，有相似于普通滚动轴承发生故障时的周期性冲击信号的特征，并且小波包比傅里叶变换有更好的降噪及信号特征提取效果。但上述研究并未涉及轴承存在表面缺陷故障时的信号特征。Skowronek A和Adams C等人仿真分析了轴承元件有局部缺陷故障时的振动信号，并对故障轴承进行了实验分析：椭圆的旋转是周期性振动冲击的主要来源；快速傅里叶变换和希尔伯特包络频谱分析表明了可以用柔性圆轴承的故障特征频率来解释柔性椭圆轴承的故障特征。但目前尚未有关于柔性椭圆轴承故障特征频率研究的报道。
普通轴承故障特征提取方法已经较为成熟，主要有小波分析、经验模式分解、稀疏分解等。但由于柔性椭圆轴承结构及工作承载的特殊性，其长短轴交替会产生冲击噪声，信噪比差，疲劳剥落、点蚀等表面缺陷故障特征不易被识别，因此针对柔性椭圆轴承的故障特征提取方法仍需更多探索性研究。
发明内容
本发明的目的在于克服现有技术的不足，提供一种柔性椭圆轴承滚道故障诊断方法。该方法使用稀疏分解法对采集的柔性椭圆轴承振动信号进行去噪预处理，并提取出冲击信号分量；对冲击信号分量进行连续小波变换，并对前4层分解信号中峭度值最大的分解信号进行基于傅里叶变换的希尔伯特包络频谱分析；根据柔性椭圆轴承的结构参数及运动学特性，建立其滚道故障特征频率模型，并根据绘制的故障特征频率理论曲线进一步判断柔性椭圆轴承的故障类型。
本发明解决上述技术问题的技术方案是：
一种柔性椭圆轴承滚道故障诊断方法，包括以下步骤：
步骤1、在轴承故障测试台的加载块上固定好待诊断的柔性椭圆轴承、振动加速度传感器和压力传感器后，与信号采集器、工作站进行通讯；
步骤2、设定测试参数，采集柔性椭圆轴承旋转时的振动加速度信号，并通过稀疏分解方法分离提取出冲击信号分量；
步骤3、对冲击信号分量进行连续Morlet小波变换，并计算前四层分解信号的峭度值，利用希尔伯特分析法获取峭度值最大的信号频谱图；
步骤4、根据建立的故障特征频率模型绘制故障特征频率理论曲线，进而判断柔性椭圆轴承的故障类型。
本方案在采集柔性椭圆轴承的振动加速度信号前，需设定好加载块的加载压力来固定轴承；在获取频谱图前，使用稀疏分解方法是为了去除信号中的噪声及谐振分量干扰，分离提取出含故障特征信息的冲击信号分量；对冲击信号分量进行连续Morlet小波变换是为了滤除高频成分的干扰，留下反映轴承故障频率特征信息的低频成分；利用希尔伯特分析法获取峭度值最大的信号频谱图，旨在频谱图中观察冲击信号的特征频率及其边频带，并根据建立的故障特征频率模型绘制故障特征频率理论曲线，进而判断柔性椭圆轴承滚道故障类型。
进一步的，在步骤2中，所述测试参数的设定范围包括：径向加载块加载压力为100～300N，柔性椭圆轴承转速为300～2000r/min，所述信号采集器的采样频率为5120～25600Hz，信号采集时间为5～15s。
进一步的，所述稀疏分解去噪预处理方法中使用的算法为拉格朗日基追踪算法。由于柔性椭圆轴承故障信号是冲击信号、谐振信号及噪声信号分量的复杂综合体，通过稀疏分解方法可分离提取出冲击信号分量。
进一步的，在步骤2中，所述通过稀疏分解方法分离提取出冲击信号分量具体包括步骤：
(1)由coif4小波字典和局部余弦字典构造冗余字典D；
(2)设定阈值T，初始化迭代次数n；
(3)初始化各信号xk＝0；
(4)求解残余信号
(5)利用信号rk+xk计算各稀疏分解系数
(6)采用广义软取阈值对各αk进行去噪得到各新的稀疏分解系数α'k；
(7)利用新的稀疏分解系数α'k对此信号进行重构xk＝Dkα'k，即当柔性椭圆轴承振动信号x数据文件处理完后便可获得各重构信号xk，其中，所述的各重构信号xk中包括有所述冲击信号分量。
进一步的，在步骤3中，连续Morlet小波变换分解信号的参数包括：尺度范围为1～6400，步长为1，中心频率为0.8125。
进一步的，所述希尔伯特分析法是基于傅里叶变换的希尔伯特包络解调方法。
进一步的，所述故障特征频率模型具体为：
外圈故障特征频率feo：
式中，t为采样时间，rb为柔性椭圆轴承变形前柔性圆轴承的内圈滚道半径，rg为滚动体半径，W为柔性椭圆轴承座圈变形后任一点的径向位移，fes为内圈的转频，ze为滚动体个数。
内圈故障特征频率fei：
本发明与现有技术相比具有以下的有益效果：
1.稀疏分解去噪预处理可有效去除原始信号中噪声和谐振分量的干扰，获取反映故障特征的冲击信号分量。
2.连续Morlet小波变换处理冲击信号分量的方法，无需设计指定的滤波通带，更易分离出包含故障特征信息较多的前几层分解信号，再结合基于傅里叶变换的希尔伯特频谱分析方法，可准确地提取故障冲击信号特征。
3.通过建立的故障特征频率模型，绘制出故障特征频率理论曲线，为判断柔性椭圆轴承故障类型提供理论依据。
附图说明
图1为柔性椭圆轴承滚道故障诊断系统示意图。
图2为柔性椭圆轴承滚道故障诊断流程图。
图3为柔性椭圆轴承的运动学关系示意图。
图4为柔性椭圆轴承座圈变形后的径向位移W示意图。
图5为正常柔性椭圆轴承信号的连续Morlet小波变换时域图。
图6为正常柔性椭圆轴承信号的希尔伯特频谱图。
图7为外圈故障柔性椭圆轴承信号的连续Morlet小波变换时域图。
图8为外圈故障柔性椭圆轴承信号的希尔伯特频谱图。
图9为内圈故障柔性椭圆轴承信号的连续Morlet小波变换时域图。
图10为内圈故障柔性椭圆轴承信号的希尔伯特频谱图。
图11为稀疏分解提取到的正常冲击信号分量的时域图。
图12为稀疏分解提取到的正常冲击信号分量的希尔伯特频谱图。
图13为稀疏分解提取到的外圈故障冲击信号分量的时域图。
图14为稀疏分解提取到的外圈故障冲击信号分量的希尔伯特频谱图。
图15为稀疏分解提取到的内圈故障冲击信号分量的时域图。
图16为稀疏分解提取到的内圈故障冲击信号分量的希尔伯特频谱图。
图17为正常冲击信号分量的连续Morlet小波变换时域图。
图18为正常冲击信号分量的希尔伯特频谱图。
图19为外圈故障冲击信号分量的连续Morlet小波变换时域图。
图20为外圈故障冲击信号分量的希尔伯特频谱图。
图21为内圈故障冲击信号分量的连续Morlet小波变换时域图。
图22为内圈故障冲击信号分量的希尔伯特频谱图。
图23为柔性椭圆轴承的外圈故障特征频率理论曲线。
图24为柔性椭圆轴承的内圈故障特征频率理论曲线。
图中所示：1-工作站；2-信号采集器；3-轴承故障测试台；4-柔性椭圆轴承；5-振动加速度传感器；6-压力传感器；7-加载块；8-峭度值最大的信号频谱图；9-故障特征频率理论曲线。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
参见图1～7，以型号为SHF-32-120的柔性椭圆轴承滚道故障诊断为例，详细说明本发明的柔性椭圆轴承滚道故障诊断方法的原理，进而验证本发明的技术效果。
柔性椭圆轴承滚道故障诊断系统如图1所示，在轴承故障测试台3的加载块7上固定好待诊断的柔性椭圆轴承4、振动加速度传感器5和压力传感器6后，与信号采集器2、工作站1进行通讯。其中，调节加载块7的加载压力可以固定轴承4的外圈；在工作站1的LMS信号采集软件中可以设置信号采集器2的信号采样频率及时间，Matlab信号处理软件可以读取信号采集器2采集到的振动信号，并对信号进行处理。
图2为柔性椭圆轴承滚道故障诊断流程，具体步骤说明如下：
步骤1、柔性椭圆轴承振动信号测试前，先调节加载块7的加载压力、柔性椭圆轴承4的转速、信号采集器2的采样频率及时间等测试参数；
步骤2、采集柔性椭圆轴承旋转时的振动加速度信号，柔性椭圆轴承故障信号是冲击信号、谐振信号及噪声信号分量的复杂综合体，故障特征容易被长短轴交替产生的冲击噪声所掩盖，根据此时频特性，通过对比各小波函数的特征，构建由coif4小波字典和局部余弦字典组成的冗余字典，使用拉格朗日基追踪算法对信号进行稀疏分解去噪预处理，分离提取出冲击信号分量；
步骤3、使用与轴承故障冲击信号非常相似的Morlet小波对冲击信号分量进行连续Morlet小波变换，并计算表征故障信号本身特征效果较好的前四层分解信号的峭度值，利用基于傅里叶变换的希尔伯特频谱分析方法获取峭度值最大的信号频谱图8；
步骤4、根据柔性椭圆轴承的结构参数、各元件之间的运动学关系及损伤点撞击各元件的特性，建立故障特征频率模型，并绘制故障特征频率理论曲线9，在实际的频谱分析结果中，只能反映出特征频率的均值，最终判断柔性椭圆轴承滚道故障类型。
在步骤2中，稀疏分解过程具体如下：
设柔性椭圆轴承振动信号x∈RN为由K个不同信号xk集合而成，其稀疏表示的数学描述为：
式中，D为过完备冗余字典，D＝{D1,D2…Dk}；αk为每个字典的相应分解系数。
为了逼近信号x，将关于分解系数αk的求解问题归结为拉格朗日极小化问题来求解：
式中，T为拉格朗日乘子，即阈值。式(2)又被称为拉格朗日基追踪或l1追踪。拉格朗日基追踪算法采用广义软取阈值的方法来减小||ak||1，对高斯白噪声σ，一般T＝λσ，其中P为字典大小。
对于信号xk，可得：
式中，Dk *＝Dk T(DkDk T)-1，Dk *为Dk的伪逆矩阵；rk为残余信号，即噪声。由式(2)和(3)可知，系数{a1,...,ak}的计算问题可转换为计算{x1,...,xk}的问题：
小波字典由一个积分为零的母小波Ψ构造，通过伸缩函数的尺度参数s和时移参数u后可得：
小波字典与信号的相似性越高，字典的稀疏性越好，因冲击信号具有快速衰减的特点，所以选择具有指数性和正交性，且存在紧支集，便于重构，运算量较小的coif4小波基函数来匹配冲击信号分量。
局部余弦字典是局部余弦族生成的空间中所有局部余弦基的集合。空间Wj p由深度为j，位置为p的树节点构成，其函数表达式为：
式(6)的时频分辨率与谐波结构相似，适合逼近复合信号中的谐振信号分量。
通过分析柔性椭圆轴承振动信号的时频特征和冗余字典的稀疏特性，选用coif4小波字典和局部余弦字典构建冗余字典。稀疏分解过程具体步骤如下：
(1)由coif4小波字典和局部余弦字典构造冗余字典D；
(2)设定阈值T，初始化迭代次数n；
(3)初始化各信号xk＝0；
(4)求解残余信号
(5)利用信号rk+xk计算各稀疏分解系数
(6)采用广义软取阈值对各αk进行去噪得到各新的稀疏分解系数α'k；
(7)利用新的稀疏分解系数α'k对此信号进行重构xk＝Dkα'k，即当柔性椭圆轴承振动信号x数据文件处理完后便可获得各重构信号xk，其中，所述的各重构信号xk中包括有所述冲击信号分量。
在步骤3中，基于连续Morlet小波变换的希尔伯特频谱分析过程具体如下：
Morlet小波的波形与轴承发生故障时产生的冲击信号非常相似，其表达式如式(7)，而信号y(t)的连续Morlet小波变换是y(t)与Morlet小波的伸缩平移函数的内积，如式(8)所示：
式中，a、b分别为尺度参数、位移参数；ω0为小波滤波中心频率；参数β为小波窗宽系数，与ψ互为共轭复数；当尺度a变化时，可获得不同的时频分辨率。
峭度指标K是信号的四阶矩，它是无量纲参数，其计算公式如式(9)：
式中，xi为信号值，x为信号均值，σ为信号的标准差，N为采样点数。
希尔伯特(Hilbert)包络解调方法能够滤除故障信号中高频共振成分的影响，得出便于识别轴承故障特征频率的低频波形。一个实信号z(t)的Hilbert变换定义为式(10)：
式(10)的傅里叶变换如式(11)所示：
式(11)中，信号z(t)的频谱Z(f)可以通过傅里叶变换计算。因此，通过式(11)可以方便地实现Hilbert变换的计算。将连续Morlet小波变换、峭度分析和基于傅里叶变换的希尔伯特频谱分析方法相结合，可以对柔性椭圆轴承的故障信号特征进行频谱分析。
根据图3的柔性椭圆轴承运动学关系，建立其故障特征频率模型，具体步骤说明如下：
为方便分析，假定不考虑柔性椭圆轴承的制造误差，凸轮中心、滚动体中心、滚动体与内圈的接触点均位于一条直线上，接触角为0°，并假定传动工作时柔轮固定，即外圈是静止的。由于滚动体的公转，一些滚动体将主动带动保持架一起转动，滚动体上的速度分布，即滚动体中心、滚动体与内外圈接触点之间的速度关系分析为：首先，假定B、F或者D、H处的滚动体为主动时，保持架的角速度ωc1如式(12)；其次，假定A、E处的滚动体为主动时，保持架的角速度ωc2如式(13)；再次，假定C、G处的滚动体为主动时，保持架的角速度ωc3如式(14)；最后，综合上述分析，可得到保持架的角速度ωc的表达通式为式(15)。
式中，ω为凸轮(内圈)的角速度，rb为柔性椭圆轴承变形前柔性圆轴承的内圈滚道半径，rg为滚动体半径，W为柔性椭圆轴承座圈变形后任一点的径向位移，W0为径向位移量。
随着凸轮的旋转，柔性椭圆轴承在经历循环椭圆变形的过程中，径向位移W的值是随着时间循环变化的，根据椭圆凸轮廓线的极坐标关系，可推导出W随时间变化的表达式：
式中，t为采样时间。W的理论曲线如图4所示。
根据转动角速度和转动频率之间的关系，可由式(15)推导得到柔性椭圆轴承中保持架发生表面缺陷故障时的特征频率fec：
式中，fes为内圈的转频。
根据柔性椭圆轴承各元件的相对运动关系，可得出外圈故障特征频率feo，内圈故障特征频率fei：
式中，ze为滚动体个数。柔性椭圆轴承的故障特征频率在一个范围内有规律的变化，在实际的频谱分析中，只能反映出故障特征频率的均值。
综上所述，在柔性椭圆轴承故障特征识别过程中，首先对采集的振动加速度信号进行稀疏分解去噪预处理，再对冲击分量信号进行基于连续Morlet小波变换的希尔伯特包络频谱分析，最后根据轴承的结构及运动参数，利用上述的故障特征频率模型绘制出理论曲线来识别频谱图中的故障特征。
下面通过实施例说明本发明中对柔性椭圆轴承的信号处理及故障类型判别。
在柔性椭圆轴承故障测试台的加载块上固定好待诊断的SHF-32-120型号柔性椭圆轴承(长轴半径31.653mm，短轴半径30.603mm，径向位移量0.525mm，故障在滚道宽度方向并且尺寸为：宽为1mm，深为1mm)、PCB振动加速度传感器及压力传感器后，与LMS信号采集器、工作站进行通讯。调节加载块的加载压力为200N，轴承转速为600r/min，转频为10Hz，信号采样频率为25600Hz，采集时间为14s。连续Morlet小波变换分解信号的尺度范围为1～6400，步长为1，中心频率为0.8125。
图5至图10分别为正常、外圈故障、内圈故障柔性椭圆轴承信号的连续Morlet小波变换时域图及希尔伯特频谱图。与正常轴承的时、频域幅值相比，故障轴承的幅值明显增加，但受噪声的干扰，难以识别其故障特征频率，不能判断轴承是否发生故障。
图11至图16分别为正常、外圈故障、内圈故障柔性椭圆轴承信号通过稀疏分解提取到的冲击信号分量的时域图及希尔伯特频谱图。相比图5至图10，图11至图16中的噪声基本被去除，正常柔性椭圆轴承的冲击信号分量中二倍转频2fes2及其倍频处幅值很大，这种周期性冲击是由于柔性椭圆轴承运行时长短轴交替所导致，受此影响，外圈故障频率并未凸显。但图15和图16的内圈故障冲击信号分量中，虽转频fes2及其倍频处幅值干扰较多，仍可从中识别出凸显的内圈故障频率f'ei2及其倍频2f'ei2。因此，对稀疏分解去噪后的冲击信号分量进行基于傅里叶变换的希尔伯特包络频谱分析，可识别出内圈故障特征，不能识别外圈故障特征。
图17至图22分别为正常、外圈故障、内圈故障柔性椭圆轴承冲击信号分量的连续Morlet小波变换时域图及希尔伯特频谱图。与图11至图16的特征提取效果相比，图17至图22中周期性的冲击特征更加清晰。图17和图18中只有长短轴交替产生的冲击，没有故障冲击特征。图19至图22中轴承的转频及其倍频干扰明显降低，不仅有清晰的故障特征频率及其倍频，并且可以看到明显的边频带：图19和图20中，以外圈故障特征频率f'eo2＝102.6Hz及其倍频2f'eo2＝205.2Hz为中心，两侧存在均匀的调制边频带，调制频率是二倍转频2fes2及其高次倍频；图21和图22中，以内圈故障特征频率f'ei2＝125.3Hz及其倍频2f'ei2＝250.4Hz为中心，两侧也存在均匀的调制边频带，调制频率是转频fes2及其高次倍频。
图23和图24分别为通过式(18)和式(19)绘制的柔性椭圆轴承的外圈和内圈的故障特征频率理论曲线9。对比实际频谱分析得到的外圈故障频率102.6Hz和内圈故障频率125.3Hz可知，该频率均在相应的理论曲线范围内且平均误差小于1％，进而验证了本发明提出的新方法可应用于柔性椭圆轴承滚道的故障诊断。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种柔性椭圆轴承滚道故障诊断方法，其特征在于，包括以下步骤：
步骤1、在轴承故障测试台(3)的加载块(7)上固定好待诊断的柔性椭圆轴承(4)、振动加速度传感器(5)和压力传感器(6)后，与信号采集器(2)、工作站(1)进行通讯；
步骤2、设定测试参数，采集柔性椭圆轴承(4)旋转时的振动加速度信号，并通过稀疏分解方法分离提取出冲击信号分量；
步骤3、对冲击信号分量进行连续Morlet小波变换，并计算前四层分解信号的峭度值，利用希尔伯特分析法获取峭度值最大的信号频谱图(8)；
步骤4、根据建立的故障特征频率模型绘制故障特征频率理论曲线(9)，进而判断柔性椭圆轴承(4)的故障类型。
2.根据权利要求1所述的柔性椭圆轴承滚道故障诊断方法，其特征在于，在步骤2中，所述测试参数的设定范围包括：径向加载块加载压力为100～300N，柔性椭圆轴承转速为300～2000r/min，所述信号采集器(2)采样频率为5120～25600Hz，信号采集时间为5～15s。
3.根据权利要求1所述的柔性椭圆轴承滚道故障诊断方法，其特征在于，在步骤2中，所述稀疏分解方法为拉格朗日基追踪算法。
4.根据权利要求3所述的柔性椭圆轴承滚道故障诊断方法，其特征在于，在步骤2中，所述通过稀疏分解方法分离提取出冲击信号分量具体包括步骤：
(1)由coif4小波字典和局部余弦字典构造冗余字典D；
(2)设定阈值T，初始化迭代次数n；
(3)初始化各信号xk＝0；
(4)求解残余信号
(5)利用信号rk+xk计算各稀疏分解系数
(6)采用广义软取阈值对各αk进行去噪得到各新的稀疏分解系数α'k；
(7)利用新的稀疏分解系数α'k对此信号进行重构xk＝Dkα'k，即当柔性椭圆轴承振动信号x数据文件处理完后便可获得各重构信号xk，其中，所述的各重构信号xk中包括有所述冲击信号分量。
5.根据权利要求1所述的柔性椭圆轴承滚道故障诊断方法，其特征在于，在步骤3中，所述连续Morlet小波变换的参数包括：尺度范围为1～6400，步长为1，中心频率为0.8125。
6.根据权利要求1所述的柔性椭圆轴承滚道故障诊断方法，其特征在于，所在步骤3中，所述希尔伯特分析法是基于傅里叶变换的希尔伯特包络解调方法。
7.根据权利要求1所述的柔性椭圆轴承滚道故障诊断方法，其特征在于，在步骤4中，所述故障特征频率模型具体为：
外圈故障特征频率feo：
式中，t为采样时间，rb为柔性椭圆轴承变形前柔性圆轴承的内圈滚道半径，rg为滚动体半径，W为柔性椭圆轴承座圈变形后任一点的径向位移，fes为内圈的转频，ze为滚动体个数；
内圈故障特征频率fei：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910093876.8A CN109708891B (zh) | 2019-01-30 | 2019-01-30 | 一种柔性椭圆轴承滚道故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910093876.8A CN109708891B (zh) | 2019-01-30 | 2019-01-30 | 一种柔性椭圆轴承滚道故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109708891A true CN109708891A (zh) | 2019-05-03 |
| CN109708891B CN109708891B (zh) | 2021-07-20 |
Family
ID=66263353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910093876.8A Expired - Fee Related CN109708891B (zh) | 2019-01-30 | 2019-01-30 | 一种柔性椭圆轴承滚道故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109708891B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110426191A (zh) * | 2019-08-14 | 2019-11-08 | 四川大学 | 一种抗干扰旋转机械的故障诊断方法 |
| CN110631832A (zh) * | 2019-10-22 | 2019-12-31 | 北京市地铁运营有限公司地铁运营技术研发中心 | 地铁车辆轴承故障在线检测方法 |
| CN110749443A (zh) * | 2019-11-27 | 2020-02-04 | 济南大学 | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 |
| CN112284584A (zh) * | 2019-07-12 | 2021-01-29 | 斯凯孚公司 | 用于使用考虑接触角变化的应变参数估算轴承载荷的方法 |
| CN113138081A (zh) * | 2021-04-28 | 2021-07-20 | 北京化工大学 | 一种基于接触角变化量的滚动轴承故障安全识别方法 |
| CN113465923A (zh) * | 2021-06-08 | 2021-10-01 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种磨煤机磨辊轴承的剩余寿命预测方法 |
| CN113702041A (zh) * | 2021-09-18 | 2021-11-26 | 华能威宁风力发电有限公司 | 一种轴承故障诊断方法 |
| CN114954587A (zh) * | 2022-06-28 | 2022-08-30 | 西安英特迈思信息科技有限公司 | 轨道工程车辆走行部故障分析系统 |
| CN115795292A (zh) * | 2022-10-20 | 2023-03-14 | 南京工大数控科技有限公司 | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011123014A1 (en) * | 2010-03-30 | 2011-10-06 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
| CN102998119A (zh) * | 2012-12-04 | 2013-03-27 | 北京工业大学 | 一种基于复合q因子基算法的轴承故障诊断方法 |
| CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
| CN105424359A (zh) * | 2015-11-25 | 2016-03-23 | 华南理工大学 | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 |
| CN105928702A (zh) * | 2016-04-29 | 2016-09-07 | 石家庄铁道大学 | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 |
| CN106596107A (zh) * | 2016-12-27 | 2017-04-26 | 华南理工大学 | 一种柔性精密薄壁轴承故障诊断寿命试验机 |
| CN107966287A (zh) * | 2017-11-22 | 2018-04-27 | 桂林电子科技大学 | 一种自适应机电装备微弱故障特征提取方法 |
| CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
| CN108805059A (zh) * | 2018-05-29 | 2018-11-13 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
-
2019
- 2019-01-30 CN CN201910093876.8A patent/CN109708891B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011123014A1 (en) * | 2010-03-30 | 2011-10-06 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
| CN102998119A (zh) * | 2012-12-04 | 2013-03-27 | 北京工业大学 | 一种基于复合q因子基算法的轴承故障诊断方法 |
| CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
| CN105424359A (zh) * | 2015-11-25 | 2016-03-23 | 华南理工大学 | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 |
| CN105928702A (zh) * | 2016-04-29 | 2016-09-07 | 石家庄铁道大学 | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 |
| CN106596107A (zh) * | 2016-12-27 | 2017-04-26 | 华南理工大学 | 一种柔性精密薄壁轴承故障诊断寿命试验机 |
| CN107966287A (zh) * | 2017-11-22 | 2018-04-27 | 桂林电子科技大学 | 一种自适应机电装备微弱故障特征提取方法 |
| CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
| CN108805059A (zh) * | 2018-05-29 | 2018-11-13 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张顶成 等: "滚动轴承故障诊断的品质因子可调", 《航空动力学报》 * |
| 杨晨 等: "基于峭度与小波包络分析的滚动轴承故障诊断", 《机械制造》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112284584A (zh) * | 2019-07-12 | 2021-01-29 | 斯凯孚公司 | 用于使用考虑接触角变化的应变参数估算轴承载荷的方法 |
| CN110426191A (zh) * | 2019-08-14 | 2019-11-08 | 四川大学 | 一种抗干扰旋转机械的故障诊断方法 |
| CN110426191B (zh) * | 2019-08-14 | 2020-06-30 | 四川大学 | 一种抗干扰旋转机械的故障诊断方法 |
| CN110631832A (zh) * | 2019-10-22 | 2019-12-31 | 北京市地铁运营有限公司地铁运营技术研发中心 | 地铁车辆轴承故障在线检测方法 |
| CN110749443A (zh) * | 2019-11-27 | 2020-02-04 | 济南大学 | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 |
| CN110749443B (zh) * | 2019-11-27 | 2021-05-18 | 济南大学 | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 |
| CN113138081A (zh) * | 2021-04-28 | 2021-07-20 | 北京化工大学 | 一种基于接触角变化量的滚动轴承故障安全识别方法 |
| CN113465923A (zh) * | 2021-06-08 | 2021-10-01 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种磨煤机磨辊轴承的剩余寿命预测方法 |
| CN113702041A (zh) * | 2021-09-18 | 2021-11-26 | 华能威宁风力发电有限公司 | 一种轴承故障诊断方法 |
| CN113702041B (zh) * | 2021-09-18 | 2024-04-23 | 华能威宁风力发电有限公司 | 一种轴承故障诊断方法 |
| CN114954587A (zh) * | 2022-06-28 | 2022-08-30 | 西安英特迈思信息科技有限公司 | 轨道工程车辆走行部故障分析系统 |
| CN115795292A (zh) * | 2022-10-20 | 2023-03-14 | 南京工大数控科技有限公司 | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 |
| CN115795292B (zh) * | 2022-10-20 | 2023-10-17 | 南京工大数控科技有限公司 | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109708891B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109708891A (zh) | 一种柔性椭圆轴承滚道故障诊断方法 | |
| Lu et al. | Sequential multiscale noise tuning stochastic resonance for train bearing fault diagnosis in an embedded system | |
| Ding et al. | Fast time-frequency manifold learning and its reconstruction for transient feature extraction in rotating machinery fault diagnosis | |
| CN105241666B (zh) | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 | |
| Ericsson et al. | Towards automatic detection of local bearing defects in rotating machines | |
| CN104198187B (zh) | 一种机械振动故障特征时域盲提取方法 | |
| Ding et al. | Time–frequency manifold sparse reconstruction: A novel method for bearing fault feature extraction | |
| He et al. | Sparse representation based on local time–frequency template matching for bearing transient fault feature extraction | |
| Sung et al. | Locating defects of a gear system by the technique of wavelet transform | |
| Lei et al. | EEMD method and WNN for fault diagnosis of locomotive roller bearings | |
| Guo et al. | Envelope order tracking for fault detection in rolling element bearings | |
| He et al. | Time-frequency manifold as a signature for machine health diagnosis | |
| Yan et al. | Harmonic wavelet-based data filtering for enhanced machine defect identification | |
| CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| Yang et al. | Empirical mode decomposition, an adaptive approach for interpreting shaft vibratory signals of large rotating machinery | |
| Hao et al. | Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings | |
| CN105938468A (zh) | 一种滚动轴承的故障诊断方法 | |
| CN103335841A (zh) | 一种采用脉冲小波能量谱分析的滚动轴承故障诊断方法 | |
| CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
| Wang et al. | Automatic fault diagnosis of rotating machines by time-scale manifold ridge analysis | |
| Zhang et al. | Feature enhancement based on regular sparse model for planetary gearbox fault diagnosis | |
| CN109029999A (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| Shi et al. | Instantaneous frequency synchronized generalized stepwise demodulation transform for bearing fault diagnosis | |
| CN117836599A (zh) | 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 | |
| Xin et al. | A new fault feature extraction method for non-stationary signal based on advanced synchrosqueezing transform |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210720 |