CN109724802A - 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法 - Google Patents

一种基于频谱图评价与优选的电机轴承微弱故障诊断方法 Download PDF

Info

Publication number
CN109724802A
CN109724802A CN201910164326.0A CN201910164326A CN109724802A CN 109724802 A CN109724802 A CN 109724802A CN 201910164326 A CN201910164326 A CN 201910164326A CN 109724802 A CN109724802 A CN 109724802A
Authority
CN
China
Prior art keywords
frequency
index
spectrogram
failure
envelope
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
CN201910164326.0A
Other languages
English (en)
Other versions
CN109724802B (zh
Inventor
刘一龙
陈雪峰
张兴武
白晓博
张启旸
张子泷
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.)
Hubei Weite sensor IOT Research Institute Co.,Ltd.
Original Assignee
Xian Jiaotong University
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 Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910164326.0A priority Critical patent/CN109724802B/zh
Publication of CN109724802A publication Critical patent/CN109724802A/zh
Application granted granted Critical
Publication of CN109724802B publication Critical patent/CN109724802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

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

Abstract

本公开揭示了一种基于频谱图评价与优选的电机轴承微弱故障诊断方法,包括:采集电机轴承的振动信号,对所述振动信号进行频域内的频带划分;选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价,并以特征指标值最大的频带作为最优频带;对所述最优频带进行带通滤波并进行包络解调运算获得最优包络频谱图;确定电机轴承故障类型。本公开还揭示了一种基于频谱图评价与优选的电机轴承微弱故障诊断装置,包括采集单元、频谱图评价和优选单元、故障确定单元。本公开相对现有技术能够自适应选择包含故障信息最多的频带,并进而生成优选频谱图,最大程度的凸显出故障频率的1、2倍频及更高倍频等,便于有效诊断电机轴承的早期故障。

Description

一种基于频谱图评价与优选的电机轴承微弱故障诊断方法
技术领域
本公开属于信号处理分析与故障诊断领域,具体涉及一种基于频谱图评价与优选的电机轴承微弱故障诊断方法。
背景技术
轴承故障诊断是确保电机运行安全的关键,目前电机轴承故障诊断方法非常多,在工程中应用效果好的方法主要包括包络分析方法、共振解调方法、小波分解方法、稀疏时频分析方法、循环谱方法、快速谱峭度方法等。其中,包络分析方法和共振解调方法的缺点是中心频率和频带的选择显著影响诊断效果;循环谱、小波分解方法和稀疏时频分析方法需要设置的参数过多,对于轴承早期故障的诊断有很好的效果,但是其使用复杂,频谱中主要体现了电磁干扰及转频等周期性成分,轴承故障冲击成分通常由于过于微弱,无法体现,对于电机故障诊断效果较差;快速谱峭度方法通过最大谱峭度确定最优频带与中心频率,效果好,使用简单,很适用于轴承早期故障诊断,但是当振动信号中存在噪声干扰或含有多个故障等情况下,会导致峭度最大的频带并非含有轴承故障,导致诊断失败。
此外,上述方法均过多的依赖故障诊断专业技术人员,故障诊断结果不稳定,误报率高。
发明内容
针对现有技术中存在的不足,本公开的目的在于提供一种基于频谱图评价与优选的电机轴承微弱故障诊断方法,通过优选振动信号不同频带的包络频谱图,结合频谱图评价与优选算法,能够自动确定适用于提取微弱故障冲击信号的频谱图,实现微弱故障冲击的特征辨识,从而对电机轴承的微弱故障进行有效诊断。
本公开的目的是通过以下技术方案实现的:
一种基于频谱图评价与优选的电机轴承微弱故障诊断方法,包括以下步骤:
S100:采集电机轴承的振动信号,对所述振动信号划分频带后进行带通滤波,获得滤波后的包络频谱图;
S200:选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价,并以频谱图特征指标值最大的频带作为最优频带;
S300:对所述最优频带进行带通滤波并进行包络解调运算获得最优包络频谱图,若所述最优包络频谱图中存在故障频率的N倍频,则确定电机轴承存在相应类型的故障。
优选的,步骤S100中,所述振动信号通过振动传感器获取。
优选的,步骤S100包括:
S101:对所采集的振动信号进行频带划分;
S102:对划分频带后的振动信号进行带通滤波,获得滤波后的包络频谱图。
优选的,步骤S101中,对振动信号进行频带划分,第i个频带通过下式得出:
其中,FCi表示第i个频带的中心频率;Bw表示带宽;所有频带的总个数I为:
其中,floor表示向小取整运算;Fs表示采样频率;Bw表示带宽,Wf表示频带间距。
优选的,步骤S200中,所述频谱图特征指标包括:
指标1:倍频凸显度总和指标,计算公式如下:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标,计算公式如下:
其中,Max表示求最大值运算;
指标3:倍频孤峰最大指标,计算公式如下:
指标4:倍频孤峰总和指标,计算公式如下:
指标5:倍频凸显度全局总和指标,计算公式如下:
指标6:倍频总峭度指标,计算公式如下:
其中,Kurtosis表示求峭度运算。
优选的,步骤S300中,所述电机轴承的故障类型对应的故障频率为:
外圈故障频率:fo=r/60*1/2*n(1-d/D*cosα),
内圈故障频率:fi=r/60*1/2*n(1+d/D*cosα),
滚动体故障频率:fb=r/60*1/2*D/d*[1-(d/D)2*cos2α],
保持架故障频率:fc=r/60*1/2*(1-d/D*cosα),
其中,r表示轴承转速,单位为RPM;n表示滚珠个数;d表示滚动体直径;D表示轴承节径;α表示滚动体接触角,单位为弧度。
本公开还提供一种基于频谱图评价与优选的电机轴承微弱故障诊断装置,包括:
信号采集及处理单元,用于采集电机轴承的振动信号,对所述振动信号划分频带后进行带通滤波,获得滤波后的包络频谱图;
频谱图评价和优选单元,用于选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价,并以频谱图特征指标值最大的频带作为最优频带;
故障确定单元,用于对所述最优频带进行带通滤波并进行包络解调运算获得最优包络频谱图,若所述最优包络频谱图中存在故障频率的N倍频,则确定电机轴承存在相应类型的故障。
优选的,所述信号采集及处理单元对振动信号进行频带划分时,第i个频带通过下式得出:
其中,FCi表示第i个频带的中心频率;Bw表示带宽;所有频带的总个数I为:
其中,floor表示向小取整运算;Fs表示采样频率;Wf表示频带间距。
优选的,所述频谱图评价和优选单元包括:
频谱图评价子单元,通过选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价;
频谱图优选子单元,选取频谱图特征指标值最大的频带作为最优频带;
其中,所述频谱图特征指标包括:
指标1:倍频凸显度总和指标,计算公式如下:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标,计算公式如下:
其中,Max表示求最大值运算;
指标3:倍频孤峰最大指标,计算公式如下:
指标4:倍频孤峰总和指标,计算公式如下:
指标5:倍频凸显度全局总和指标,计算公式如下:
指标6:倍频总峭度指标,计算公式如下:
其中,Kurtosis表示求峭度运算。
优选的,所述故障类型包括如下任意一项:轴承外圈故障、轴承内圈故障、轴承滚动体故障和轴承保持架故障。
与现有技术相比,本公开带来的有益效果为:本公开在故障特征提取过程中采用遍历方法以及频谱图评价优选方法以确定反应故障冲击信号的最佳频带及包络频谱,相比现有技术,本公开频带宽度恒定,而且通过提出的6个指标确定所有带宽下的最优频谱图,确保提取的信号含有清晰的故障1倍频、2倍频及更多的倍频,避免防止频带过窄及无效频率的干扰导致频谱图中无法看到故障的倍频,导致故障诊断失效。此外,本公开能有效避免不同故障冲击的干扰,提取最优频带进行频谱分析,能得到反应指定故障类型的最优频谱图,可有效的应用于电机轴承早期故障的诊断。
附图说明
图1是本公开示出的一种基于频谱图评价与优选的电机轴承微弱故障诊断方法流程图;
图2是本公开示出的电机轴承振动信号频带划分示意图;
图3是本公开示出的电机轴承振动信号的典型故障频谱图;
图4是本公开示出的电机轴承外圈故障的振动加速度仿真信号示意图;
图5是本公开示出的加入噪声后的电机轴承信号示意图;
图6是本公开示出的仿真的电机轴承信号的谱峭度图;
图7是本公开示出的峭度图计算得到峭度最大频段的仿真信号的频谱图;
图8(a)至图8(b)是本公开示出的仿真的轴承信号的复合频谱图及对应的指标;
图9是本公开示出的实测轴承信号示意图;
图10是本公开示出的实测轴承信号的谱峭度图;
图11是本公开示出的根据谱峭度图计算得到峭度最大频段的实测信号的频谱图;
图12(a)至图12(b)是本公开示出的实测轴承信号的复合频谱图及对应的指标。
具体实施方式
下面结合附图1至图12(b)详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
参见图1,一种基于频谱图评价与优选的电机轴承微弱故障诊断方法,包括如下步骤:
S100:采集电机轴承的振动信号,对所述振动信号划分频带后进行带通滤波,获得滤波后的包络频谱图;
该步骤中,在电机轴承附近布置振动加速度传感器及布置霍尔传感器,分别采集电机轴承的振动信号和转速信号。设定电机轴承在额定转速下运行,采集1-5秒转速平稳工况下的振动信号。设采样频率为Fs,采集时间为T,T时间内采集的振动信号的点数记为N,则有N=T*Fs
需要说明的是,为了保证信号采集质量,采样频率Fs需大于10KHz。
进一步需要说明的是,若T时间内通过转速信号计算的最大转速与最小转速的比值小于105%,则认为转速平稳,提取T时间内的振动信号作为有效振动数据。
信号采集完毕后,需要对所采集信号做进一步处理,具体包括如下过程:
S101:对所采集的振动信号进行频带划分;
根据奈奎斯特采样定理(采样频率必须大于被测信号频率的两倍)可知,所采集的振动信号的频率FN<Fs/2,即所采集的振动信号的频率范围可表示为(0,Fs/2)。为了分析不同频率下的振动信号的信号特征,将振动信号的频率划分为I个频带,I的值可由下式计算得出:
其中,floor表示向小取整运算;Bw表示带宽;Wf表示频带间距。
如图2所示,I个频带中第i个频带的中心频率为FCi=i Wf,频率范围为
S202:对划分频带后的振动信号进行带通滤波,获得滤波后的包络频谱图。
根据第i个频带确定的频率范围对划分频带后的振动信号进行带通滤波,获得滤波后的振动信号频谱图,记为Envi。其中,Envi的横坐标表示为频率,记为(f1,f2,...,fN},频率分辨率为(Fs/2)/N,;纵坐标表示为幅值,记为{A1,A1,...,AN}。
设定待检测的故障频率为DFtarget,待检测的倍频个数为DHnum,则第j个倍频的故障频率为DFtarget,j,j的取值范围为[1,DHnum]。频谱图Envi的横坐标中与第j个倍频最接近的频率记为FNr(i,j),其中,Nr(i,j)表示Envi横坐标中与第j个倍频的故障频率DFtarget,j最近的点的序号。
进一步的,为了判断第j个倍频的故障频率DFtarget,j是否相对周围频率清晰易辨识,需要比对其与邻近频率的相对关系,设置用来比对相对幅值大小的邻近频率的带宽为DBnear,则带宽内的临近点个数可表示为将FNr(i,j)周围的临近点可表示为如下的集合:
{FNr(i,j)-k,FNr(i,j)-k+1,...FNr(i,j),...,FNr(i,j)+k-1,FNr(i,j)+k}
上述临近点集合所对应频率的幅值记录为如下的集合:
Mi,j={ANr(i,j)-k,ANr(i,j)-k+1,...ANr(i,j),...,ANr(i,j)+k-1,ANr(i,j)+k}
上述幅值集合中,将不包含第j个倍频的故障频率DFtarget,j的对应的幅值ANr(i,j)排除在外,则有:
MOi,j={ANr(i,j)-k,ANr(i,j)-k+1,...ANr(i,j)-1,ANr(i,j)+1...,ANr(i,j)+k-1,ANr(i,j)+k}
S200:选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价,并以频谱图特征指标值最大的频带作为最优频带。
该步骤中,根据以上参数以及集合计算频谱图特征指标,所述频谱图特征指标包括:
指标1:倍频凸显度总和指标,计算公式如下:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标,计算公式如下:
其中,Max表示求最大值运算;
指标3:倍频孤峰最大指标,计算公式如下:
指标4:倍频孤峰总和指标,计算公式如下:
指标5:倍频凸显度全局总和指标,计算公式如下:
指标6:倍频总峭度指标,计算公式如下:
其中,Kurtosis表示求峭度运算。
根据上述6个特征指标对振动信号I个频带中的每个频带进行计算,选取其中特征指标值最大的频带作为最佳频带。
S300:对所述最优频带进行带通滤波并进行包络解调运算获得最优包络频谱图,若所述最优包络频谱图中存在故障频率的N倍频,则确定电机轴承存在相应类型的故障。
该步骤中,对上述步骤中6个特征指标最优的频带进行带通滤波,并进行包络解调运算,得到6个包络频谱图,合称复合频谱图。如果在该复合频谱图中的至少一幅频谱图中找出故障频率DFtarget的N(1、2、3...)倍频,则说明该电机轴承存在相应类型的故障。其中,故障频率DFtarget的计算公式如下:
其中,r表示轴承转速,单位为RPM;n表示滚珠个数;d表示滚动体直径;D表示轴承节径;α表示滚动体接触角,单位为弧度。
另一个实施例中,本公开还提供一种基于频谱图评价与优选的电机轴承微弱故障诊断装置,包括:
信号采集及处理单元,用于采集电机轴承的振动信号,对所述振动信号划分频带后进行带通滤波,获得滤波后的包络频谱图;
频谱图评价和优选单元,用于选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价,并以频谱图特征指标值最大的频带作为最优频带;
故障确定单元,用于对所述最优频带进行带通滤波并进行包络解调运算获得最优包络频谱图,若所述最优包络频谱图中存在故障频率的N倍频,则确定电机轴承存在相应类型的故障。
作为一种优选的实施方式,所述信号采集及处理单元对振动信号进行频带划分时,第i个频带通过下式得出:
其中,FCi表示第i个频带的中心频率;Bw表示带宽;所有频带的总个数I为:
其中,floor表示向小取整运算;Fs表示采样频率;Wf表示频带间距。
作为一种优选的实施方式,所述频谱图评价和优选单元包括:
频谱图评价子单元,通过选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价;
频谱图优选子单元,选取频谱图特征指标值最大的频带作为最优频带;
其中,所述频谱图特征指标包括:
指标1:倍频凸显度总和指标,计算公式如下:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标,计算公式如下:
其中,Max表示求最大值运算;
指标3:倍频孤峰最大指标,计算公式如下:
指标4:倍频孤峰总和指标,计算公式如下:
指标5:倍频凸显度全局总和指标,计算公式如下:
指标6:倍频总峭度指标,计算公式如下:
其中,Kurtosis表示求峭度运算。
作为一种优选的实施方式,所述故障类型包括如下任意一项:轴承外圈故障、轴承内圈故障、轴承滚动体故障和轴承保持架故障。
为了进一步理解本发明,下面通过具体实施例对现有技术和本公开技术方案进行对比说明。
一个实施例中,电机轴承外圈故障的振动加速度仿真信号如图4所示,其中转频25Hz,轴承外圈故障冲击频率83.33Hz,采样频率Fs=10000Hz,分析频率为[0Hz,5000Hz]。
加入白噪声后,故障信号的信噪比显著降低,合成的仿真信号如图5所示,图中只能看到转频的周期性信号,轴承故障冲击信号淹没在噪声中完全不可见。
采用现有的快速谱峭度方法,计算得到的谱峭度图如图6所示,计算得到的最大峭度所在的带宽为625Hz,中心频谱为4687.5Hz。
以峭度最大的频带[4375Hz,5000Hz]对原始信号进行带通滤波,并计算包络谱,得到的频谱图如图7所示。
可以看到,故障冲击频率及其倍频不明显,诊断失败。
采用本公开的技术方案进行故障特征提取,故障频率DFtarget=83.3Hz,设定带宽Bw=10*DFtarget=833.3Hz,频带间距为Wf=10Hz,总共可将总分析频率范围划分为416个频带,划分的频带总数计算方法如下:
所有416个频带中,第i个频带的中心频率为FCi=i Wf,对应的频带范围可表示为:
按照第i个频带的范围对采集的振动信号进行带通滤波,将滤波后的信号的包络频谱图记录为Envi
指定检测的倍频个数DHnum=3,第j个倍频记为DFtarget,j,其中j的取值范围是[1,3],设置周围频率检测带宽设置为DBnear为6,临近点个数为k=floor(4NDBnear/Fs)=3,计算Fi,j周围的临近点集合:
{FNr(i,j)-3,FNr(i,j)-2,...FNr(i,j),...,FNr(i,j)+2,FNr(i,j)+3}
对应频率的幅值记录为:
Mi,j={ANr(i,j)-3,ANr(i,j)-2,ANr(i,j)-1,ANr(i,j),ANr(i,j)+1,ANr(i,j)+2,ANr(i,j)+3}
上述幅值集合中,将不包含检测频率DFtarget,j的对应的幅值ANr(p,j)排除在外,则不含检测频率及其倍频的临近点幅值集合为:
MOi,j={ANr(i,j)-3,ANr(i,j)-2,ANr(i,j)-1,ANr(i,j)+1,ANr(i,j)+2,ANr(i,j)+3}
根据如下公式计算6个指标:
指标1:倍频凸显度总和指标:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标:
其中,Max表示求最大值运算。
指标3:倍频孤峰最大指标:
指标4:倍频孤峰总和指标:
指标5:倍频凸显度全局总和指标:
指标6:倍频总峭度指标:
其中,Kurtosis表示求峭度运算。
计算所有I个频带的6个指标,并分别以6个指标最大的频带作为最佳频带,绘制频谱图,如图8(a)所示,图8(b)代表不同中心频率的6个指标。
根据图8(a)至图8(b)中的6个包络谱组成的复合频谱图可知,在第1、3、5、6个包络谱(从上至下)中,均可观察到故障冲击频率83.33Hz的1倍频、3倍频、4倍频和6倍频,在第2个包络谱中,可观察到故障冲击频率83.33Hz的1倍频、3倍频和4倍频,表明轴承外圈故障冲击频率83.33Hz明显,诊断出存在外圈故障,与实际情况一致,诊断成功。
另一个实施例中,在轴承试验机上装载外圈故障轴承,故障尺寸0.3mm*0.6mm,故障轴承的型号为NTN 6311,在6311轴承垂直方向测量振动,转速为3048RPM,对应的转频为50.8Hz,采样频率Fs=25600Hz,采集得到的振动信号如图9所示。
轴承参数如下:内圈尺寸55(-0.012~0)mm、外圈尺寸120(-0.013~0)mm、滚动体个数n=8、滚动体直径d=20.6375mm,节圆直径D=87.5mm、接触角α=0,径向游隙C4、精度等级P6。
根据如下公式计算故障频率:
计算得到的外圈轴承故障冲击频率为155.2Hz,其中,r表示轴承转速,单位为RPM;n表示滚珠个数;d表示滚动体直径;D表示轴承节径;α表示滚动体接触角,单位为弧度。
采用现有的快速谱峭度方法,计算得到的谱峭度图如图10所示,计算得到的最大峭度的带宽为800Hz,中心频谱为8400Hz,以频带[8000Hz,8800Hz]对原始信号进行带通滤波,并计算包络谱,得到的频谱图如图11所示。
可以看到,故障冲击155.2Hz的二倍频较明显,但是一倍频不明显,无法直接确定存在故障冲击,诊断失败。
采用本公开技术方案进行故障特征提取,设定DFtarget=155.2Hz,带宽Bw=10*DFtarget=1552Hz,频带间距为Wf=10Hz,总共可将总分析频率范围划分为1124个频带,划分的频带总数计算方法如下:
所有1124个频带中,第i个频带的中心频率为FCi=i Wf,频带范围可表示为:
按照第i个频带的范围对采集的振动信号进行带通滤波,将滤波后的信号的包络频谱图记录为Envi
指定检测的倍频个数DHnum=3,第j个倍频记录为DFtargrt,j,其中j的取值范围是[1,3],设置周围频率检测带宽设置为DBnear为6,则临近点个数为k=floor(4N DBnear/Fs)=3,计算Fi,j周围的临近点集合:
{FNr(i,j)-3,FNr(i,j)-2,...FNr(i,j)+2,FNr(i,j)+3}
对应频率的幅值记录为:
Mi,j={ANr(i,j)-3,ANr(i,j)-2,ANr(i,j)-1,ANr(i,j),ANr(i,j)+1,ANr(i,j)+2,ANr(i,j)+3}
上述幅值集合中,将不包含检测频率DFtarget,j的对应的幅值ANr(p,j)排除在外,则不含检测频率及其倍频的临近点幅值集合记录为:
MOi,j={ANr(i,j)-3,ANr(i,j)-2,ANr(i,j)-1,ANr(i,j)+1,ANr(i,j)+2,ANr(i,j)+3}
根据如下公式计算6个指标:
指标1:倍频凸显度总和指标:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标:
其中,Max表示求最大值运算;
指标3:倍频孤峰最大指标:
指标4:倍频孤峰总和指标:
指标5:倍频凸显度全局总和指标:
指标6:倍频总峭度指标:
其中,Kurtosis表示求峭度运算。
计算所有I个频带的6个指标,并分别以6个指标最大的频带作为最佳频带,绘制频谱图,如图12(a)所示,图12(b)代表不同中心频率的6个指标。
根据图12(a)至图12(b)中的6个包络谱组成的复合频谱图可知,在第1、2个包络谱中,可观察到故障冲击频率155.2Hz的1倍频、2倍频、3倍频、4倍频、5倍频、6倍频和7倍频,在第3、4、6个包络谱中,可观察到故障冲击频率155.2Hz的1倍频、2倍频、3倍频、5倍频和6倍频,在第5个包络谱中,可观察到故障冲击频率155.2Hz的1倍频、2倍频、3倍频、4倍频和5倍频,表明轴承外圈故障冲击频率155.2Hz明显,诊断出存在外圈故障,与实际情况一致,诊断成功。
尽管以上结合附图对本公开的实施方案进行了描述,但本公开并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本公开保护之列。

Claims (10)

1.一种基于频谱图评价与优选的电机轴承微弱故障诊断方法,包括以下步骤:
S100:采集电机轴承的振动信号,对所述振动信号划分频带后进行带通滤波,获得滤波后的包络频谱图;
S200:选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价,并以频谱图特征指标值最大的频带作为最优频带;
S300:对所述最优频带进行带通滤波并进行包络解调运算获得最优包络频谱图,若所述最优包络频谱图中存在故障频率的N倍频,则确定电机轴承存在相应类型的故障。
2.根据权利要求1所述的方法,其特征在于,优选的,步骤S100中,所述振动信号通过振动传感器获取。
3.根据权利要求1所述的方法,其特征在于,步骤S100包括:
S101:对所采集的振动信号进行频带划分;
S102:对划分频带后的振动信号进行带通滤波,获得滤波后的包络频谱图。
4.根据权利要求3所述的方法,其特征在于,步骤S101中,对振动信号进行频带划分,第i个频带通过下式得出:
其中,FCi表示第i个频带的中心频率;Bw表示带宽;所有频带的总个数I为:
其中,floor表示向小取整运算;Fs表示采样频率;Wf表示频带间距。
5.根据权利要求1所述的方法,其特征在于,步骤S200中,所述频谱图特征指标包括:
指标1:倍频凸显度总和指标,计算公式如下:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标,计算公式如下:
其中,Max表示求最大值运算;
指标3:倍频孤峰最大指标,计算公式如下:
指标4:倍频孤峰总和指标,计算公式如下:
指标5:倍频凸显度全局总和指标,计算公式如下:
指标6:倍频总峭度指标,计算公式如下:
其中,Kurtosis表示求峭度运算。
6.根据权利要求1述的方法,其特征在于,步骤S300中,所述电机轴承的故障类型对应的故障频率为:
外圈故障频率:fo=r/60*1/2*n(1-d/D*cosα),
内圈故障频率:fi=r/60*1/2*n(1+d/D*cosα),
滚动体故障频率:fb=r/60*1/2*D/d*[1-(d/D)2*cos2α],
保持架故障频率:fc=r/60*1/2*(1-d/D*cosα),
其中,r表示轴承转速,单位为RPM;n表示滚珠个数;d表示滚动体直径;D表示轴承节径;α表示滚动体接触角,单位为弧度。
7.一种基于频谱图评价与优选的电机轴承微弱故障诊断装置,包括:
信号采集及处理单元,用于采集电机轴承的振动信号,对所述振动信号划分频带后进行带通滤波,获得滤波后的包络频谱图;
频谱图评价和优选单元,用于选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价,并以频谱图特征指标值最大的频带作为最优频带;
故障确定单元,用于对所述最优频带进行带通滤波并进行包络解调运算获得最优包络频谱图,若所述最优包络频谱图中存在故障频率的N倍频,则确定电机轴承存在相应类型的故障。
8.根据权利要求7所述的装置,其特征在于,所述信号采集及处理单元对振动信号进行频带划分时,第i个频带通过下式得出:
其中,FCi表示第i个频带的中心频率;Bw表示带宽;所有频带的总个数I为:
其中,floor表示向小取整运算;Fs表示采样频率;Wf表示频带间距。
9.根据权利要求7所述的装置,其特征在于,所述频谱图评价和优选单元包括:
频谱图评价子单元,通过选取频谱图特征指标对振动信号所有频带的包络频谱图进行评价;
频谱图优选子单元,选取频谱图特征指标值最大的频带作为最优频带;
其中,所述频谱图特征指标包括:
指标1:倍频凸显度总和指标,计算公式如下:
其中,i表示频带的编号,j表示倍频的编号,DHnum表示待检测的总的倍频个数,Mean表示求平均值运算;ANr(i,j)表示在对第i个频带滤波后得到的包络频谱图横坐标中,与故障频率的第j个倍频最近的频率对应的纵坐标的幅值;指定Mi,j为第i个频带滤波后得到信号的包络频谱图中,故障频率的第j个倍频的临近频率所对应包络谱幅值的集合;MOi,j表示从Mi,j中去除与故障频率的第j个倍频最接近的频率所对应的包络谱幅值;
指标2:倍频凸显度最大指标,计算公式如下:
其中,Max表示求最大值运算;
指标3:倍频孤峰最大指标,计算公式如下:
指标4:倍频孤峰总和指标,计算公式如下:
指标5:倍频凸显度全局总和指标,计算公式如下:
指标6:倍频总峭度指标,计算公式如下:
其中,Kurtosis表示求峭度运算。
10.根据权利要求7所述的装置,其特征在于,所述故障类型包括如下任意一项:轴承外圈故障、轴承内圈故障、轴承滚动体故障和轴承保持架故障。
CN201910164326.0A 2019-03-05 2019-03-05 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法 Active CN109724802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910164326.0A CN109724802B (zh) 2019-03-05 2019-03-05 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910164326.0A CN109724802B (zh) 2019-03-05 2019-03-05 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法

Publications (2)

Publication Number Publication Date
CN109724802A true CN109724802A (zh) 2019-05-07
CN109724802B CN109724802B (zh) 2020-07-10

Family

ID=66300863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910164326.0A Active CN109724802B (zh) 2019-03-05 2019-03-05 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法

Country Status (1)

Country Link
CN (1) CN109724802B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110108490A (zh) * 2019-06-21 2019-08-09 安徽智寰科技有限公司 一种表征机器轴承健康状态特征指标的提取方法及系统
CN110411558A (zh) * 2019-07-26 2019-11-05 中国航发沈阳发动机研究所 一种航空发动机振动测试值限定方法及振动故障判断方法
CN110635865A (zh) * 2019-10-23 2019-12-31 南方科技大学 信号的调制方法、解调方法、装置、设备和系统
CN111060317A (zh) * 2020-01-03 2020-04-24 上海电器科学研究所(集团)有限公司 一种矿用扇风电动机滚动轴承故障信号的判断方法
CN113189483A (zh) * 2021-04-25 2021-07-30 西安交通大学 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法
CN113554103A (zh) * 2021-07-28 2021-10-26 大连海天兴业科技有限公司 一种列车走行部滚动轴承故障诊断算法
CN113588268A (zh) * 2021-07-28 2021-11-02 大连海天兴业科技有限公司 一种基于包络谱故障特征识别的最优滤波频带选择方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020169569A1 (en) * 2001-03-13 2002-11-14 Niel Miller System and method for analyzing vibration signals
CN104792528A (zh) * 2014-01-22 2015-07-22 中国人民解放军海军工程大学 一种自适应最优包络解调方法
CN104819766A (zh) * 2015-05-13 2015-08-05 西安交通大学 基于谐噪比的包络解调频带确定方法
CN107271181A (zh) * 2017-06-19 2017-10-20 苏州微著设备诊断技术有限公司 一种行星齿轮箱弱冲击成分提取方法
CN107389367A (zh) * 2017-07-24 2017-11-24 安徽容知日新科技股份有限公司 一种基于最优信噪比的信号自适应解包络方法及计算设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020169569A1 (en) * 2001-03-13 2002-11-14 Niel Miller System and method for analyzing vibration signals
CN104792528A (zh) * 2014-01-22 2015-07-22 中国人民解放军海军工程大学 一种自适应最优包络解调方法
CN104819766A (zh) * 2015-05-13 2015-08-05 西安交通大学 基于谐噪比的包络解调频带确定方法
CN107271181A (zh) * 2017-06-19 2017-10-20 苏州微著设备诊断技术有限公司 一种行星齿轮箱弱冲击成分提取方法
CN107389367A (zh) * 2017-07-24 2017-11-24 安徽容知日新科技股份有限公司 一种基于最优信噪比的信号自适应解包络方法及计算设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何正嘉等: "内积变换原理与机械故障诊断", 《振动工程学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110108490A (zh) * 2019-06-21 2019-08-09 安徽智寰科技有限公司 一种表征机器轴承健康状态特征指标的提取方法及系统
CN110411558A (zh) * 2019-07-26 2019-11-05 中国航发沈阳发动机研究所 一种航空发动机振动测试值限定方法及振动故障判断方法
CN110635865A (zh) * 2019-10-23 2019-12-31 南方科技大学 信号的调制方法、解调方法、装置、设备和系统
CN111060317A (zh) * 2020-01-03 2020-04-24 上海电器科学研究所(集团)有限公司 一种矿用扇风电动机滚动轴承故障信号的判断方法
CN113189483A (zh) * 2021-04-25 2021-07-30 西安交通大学 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法
CN113189483B (zh) * 2021-04-25 2022-10-28 西安交通大学 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法
CN113554103A (zh) * 2021-07-28 2021-10-26 大连海天兴业科技有限公司 一种列车走行部滚动轴承故障诊断算法
CN113588268A (zh) * 2021-07-28 2021-11-02 大连海天兴业科技有限公司 一种基于包络谱故障特征识别的最优滤波频带选择方法

Also Published As

Publication number Publication date
CN109724802B (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN109724802A (zh) 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法
CN109883702B (zh) 一种基于时频域统计特征的电机轴承故障诊断方法
US10416126B2 (en) Machine fault prediction based on analysis of periodic information in a signal
Saruhan et al. Vibration analysis of rolling element bearings defects
US5511422A (en) Method and apparatus for analyzing and detecting faults in bearings and other rotating components that slip
US8285498B2 (en) Method for detection and automatic identification of damage to rolling bearings
JP6038347B2 (ja) 異常音診断装置
US6681634B2 (en) Bearing defect detection using time synchronous averaging (TSA) of an enveloped accelerometer signal
JP6899109B2 (ja) 回転駆動装置における診断対象部の異常診断方法と、それに用いる異常診断装置
CN110987438B (zh) 水轮发电机变转速过程周期性振动冲击信号检测的方法
US20200158562A1 (en) Condition monitoring apparatus, condition monitoring system, and condition monitoring method
CN109946081B (zh) 一种用于变转速下滚动轴承打滑时的故障诊断方法
CN111397877B (zh) 一种旋转机械拍振故障检测与诊断方法
CN108195584B (zh) 一种基于准确度谱图的滚动轴承故障诊断方法
JPH09113416A (ja) ころがり軸受の損傷診断方法
CN109883705A (zh) 电机滚动轴承局部点蚀故障诊断方法及其诊断系统
CN111238812A (zh) 一种滚动轴承保持架故障的自诊断方法
CN107271184B (zh) 一种滚动轴承故障诊断的核回归分解方法及系统
Thanagasundram et al. Autoregressive based diagnostics scheme for detection of bearing faults
CN111896257B (zh) 一种滚动轴承故障诊断方法及系统
CN113049251A (zh) 一种基于噪声的轴承故障诊断方法
CN106017921A (zh) 一种基于峰值指标的旋转机械故障诊断方法
JP2019086349A (ja) 軸受の状態監視装置及び異常診断方法
CN110346143B (zh) 超高频噪声辅助经验模态分解方法
Di Pietro et al. Capacitive MEMS accelerometer for condition monitoring

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
TR01 Transfer of patent right

Effective date of registration: 20220222

Address after: 443005 No. 6 Gangcheng Road, Yichang District, Yichang Free Trade Zone, Hubei Province

Patentee after: Hubei Weite sensor IOT Research Institute Co.,Ltd.

Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an

Patentee before: XI'AN JIAOTONG University

TR01 Transfer of patent right