CN110006652A - 一种滚动轴承故障诊断方法及系统 - Google Patents
一种滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110006652A CN110006652A CN201910292988.6A CN201910292988A CN110006652A CN 110006652 A CN110006652 A CN 110006652A CN 201910292988 A CN201910292988 A CN 201910292988A CN 110006652 A CN110006652 A CN 110006652A
- Authority
- CN
- China
- Prior art keywords
- continuum
- experience
- amplitude
- coefficients
- modal components
- 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
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
本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。
Description
技术领域
本发明涉及设备维护领域，特别涉及一种滚动轴承故障诊断方法及系统。
背景技术
风电装备由于长期受风沙雨雪、极端温度、强沙尘、台风等恶劣环境的影响，且在复杂交变载荷作用下变工况全天候运行，使得风电机组的动力行为复杂，极易发生故障。据统计，风电机组的故障中约有30％的情况由滚动轴承引起，滚动轴承的好坏对机械设备工作状况有很大影响，因此，在故障发生的早期对滚动轴承进行及时、准确的故障诊断具有重要意义，已成为当前工业界和学术研究的重要课题之一。
经验小波变换(简称EWT)是Gilles等于2013年提出的全新非平稳信号处理方法。该方法继承了EMD和小波分析方法各自的优点，通过提取频域极大值点对信号的频谱进行自适应分割来分离不同的模态，然后构造恰当的正交小波滤波器组以提取具有紧支撑Fourier谱的AM-FM成分。该方法具有完备的理论基础，同时计算量小且复杂度低，因此受到广大研究者的青睐，并被应用于故障诊断中。
但经验小波变换方法在滚动轴承故障特征提取时，依然存在模态分量个数预设不当以及频域划分不理想的问题，导致不能很好地诊断滚动轴承的故障。
发明内容
本发明的目的是提供一种滚动轴承故障诊断方法及系统，以实现自适应频域划分，避免模态分量个数预设不当以及频域划分不理想的问题，提高诊断滚动轴承故障的精度。
为实现上述目的，本发明提供了如下方案：
本发明提供一种滚动轴承故障诊断方法，所述诊断方法包括如下步骤：
采集滚动轴承振动信号；
对所述滚动轴承振动信号进行离散傅里叶变换，得到滚动轴承振动信号的Fourier谱；
采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间；
获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数；
根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
计算每个所述调幅调频模态分量的包络谱显著性指数；
采用Teager能量算子解调包络谱显著性指数最大的调幅调频模态分量，获得最优解调包络谱；
利用所述最优解调包络谱进行滚动轴承的故障诊断。
可选的，所述采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间，具体包括：
将所述Fourier谱的频率范围归一化到[0,π]，得到支撑区间；
将所述支撑区间均分为预设个数的子区间；
计算每个子区间的Fourier谱的能量值，获得能量值序列；
获取所述能量值序列的所有极小值点；
将每个所述极小值点所对应的子区间的边界频率的平均值作为新的频域分割区间边界；
根据所述新的频域分割区间边界对所述支撑区间进行区间划分，得到多个连续区间。
可选的，所述获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数，具体包括：
根据Little-Paley和Meyer原理，获取每个连续区间的经验尺度函数
其中，β(x)＝x4(35-84x+70x2-20x3)，ω为所述Fourier谱的频率，τm＝γmωm(0＜γm＜1)，ωm-1和ωm分别为第m个连续区间的左边界和右边界；
根据Little-Paley和Meyer原理，获取每个连续区间的小波函数：
其中，τm+1＝γm+1ωm+1(0＜γm+1＜1)，ωm和ωm+1分别为第m+1个连续区间的左边界和右边界；
根据所述经验尺度函数和小波函数，获取经验小波变换的细节系数和逼近系数：
其中，*表示取共轭，和分别为第1个连续区间的经验小波变换的逼近系数和第m个连续区间的经验小波变换的细节系数；ψm(τm-t)和分别是ψm(ω)和的Fourier逆变换，ψm(ω)和分别表示第m个连续区间的小波函数和第1个连续区间的经验尺度函数，F-1[·]表示傅里叶逆变换，f(t)表示滚动轴承振动信号，f(ω)表示滚动轴承振动信号的Fourier谱。
可选的，所述根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量，具体包括；
根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，利用公式对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
其中，fm(t)表示第m个连续区间的调幅调频模态分量，为区间的经验尺度函数，为第1个连续区间的经验小波变换的逼近系数，为第m个连续区间的经验小波变换的细节系数，ψm(t)为第m个连续区间的小波函数，M表示调幅调频模态分量的个数。
可选的，所述计算每个所述调幅调频模态分量的显著性指数，具体包括：
获取第m个调幅调频模态分量的包络谱；m＝1,2，…，M，M表示调幅调频模态分量的个数；
获取所述包络谱的所有幅值极大值；
将所有的幅值极大值按照从高到低的顺序排序，获取前K个幅值极大值；
根据K个所述幅值极大值利用公式ESSIm＝Fm1(ω)*Fm2(ω)*…*FmK(ω)计算m个调幅调频模态分量的显著性指数ESSIm，Fm1(ω)、Fm2(ω)和FmK(ω)分别表示第m个模态分量的第1个、第2个和第K个幅值极大值。
一种滚动轴承故障诊断系统，所述诊断系统包括：
信号获取模块，用于采集滚动轴承振动信号；
傅里叶变换模块，用于对所述滚动轴承振动信号进行离散傅里叶变换，得到滚动轴承振动信号的Fourier谱；
自适应区间划分模块，用于采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间；
系数获取模块，用于获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数；
经验小波分解模块，用于根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
包络显著性指数计算模块，用于计算每个所述调幅调频模态分量的包络谱显著性指数；
解调模块，用于采用Teager能量算子解调包络谱显著性指数最大的调幅调频模态分量，获得最优解调包络谱；
故障诊断模块，用于利用所述最优解调包络谱进行滚动轴承的故障诊断。
可选的，所述自适应区间划分模块，具体包括：
归一化子模块，用于将所述Fourier谱的频率范围归一化到[0,π]，得到支撑区间；
区间预分子模块，用于将所述支撑区间均分为预设个数的子区间；
能量值计算子模块，用于计算每个子区间的Fourier谱的能量值，获得能量值序列；
极小值点获取子模块，用于获取所述能量值序列的所有极小值点；
新的频域分割区间边界值获取子模块，用于将每个所述极小值点所对应的子区间的边界频率的平均值作为新的频域分割区间边界；
区间划分子模块，用于根据所述新的频域分割区间边界对所述支撑区间进行区间划分，得到多个连续区间。
可选的，所述系数获取模块，具体包括：
经验尺度函数获取子模块，用于根据Little-Paley和Meyer原理，获取每个连续区间的经验尺度函数
其中，β(x)＝x4(35-84x+70x2-20x3)，ω为所述Fourier谱的频率，τm＝γmωm(0＜γm＜1)，ωm-1和ωm分别为第m个连续区间的左边界和右边界；
小波函数获取子模块，用于根据Little-Paley和Meyer原理，获取每个连续区间的小波函数：
其中，τm+1＝γm+1ωm+1(0＜γm+1＜1)，ωm和ωm+1分别为第m+1个连续区间的左边界和右边界；
经验小波变换的细节系数和逼近系数获取子模块，用于根据所述经验尺度函数和小波函数，获取经验小波变换的细节系数和逼近系数：
其中，*表示取共轭，和分别为第1个连续区间的经验小波变换的逼近系数和第m个连续区间的经验小波变换的细节系数；ψm(τm-t)和分别是ψm(ω)和的Fourier逆变换，ψm(ω)和分别表示第m个连续区间的小波函数和第1个连续区间的经验尺度函数，F-1[·]表示傅里叶逆变换，f(t)表示滚动轴承振动信号，f(ω)表示滚动轴承振动信号的Fourier谱。
可选的，所述经验小波分解模块，具体包括；
经验小波分解子模块，用于根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，利用公式对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
其中，fm(t)表示第m个连续区间的调幅调频模态分量，为区间的经验尺度函数，为第1个连续区间的经验小波变换的逼近系数，为第m个连续区间的经验小波变换的细节系数，ψm(t)为第m个连续区间的小波函数，M表示调幅调频模态分量的个数。
可选的，所述包络显著性指数计算模块，具体包括：
包络谱获取子模块，用于获取第m个调幅调频模态分量的包络谱；m＝1,2，…，M，M表示调幅调频模态分量的个数；
包络谱幅值极大值获取子模块，用于获取所述包络谱的所有幅值极大值；
前K个极大值获取子模块，用于将所有的幅值极大值按照从高到低的顺序排序，获取前K个幅值极大值；
显著性指数计算子模块，用于根据K个所述幅值极大值利用公式ESSIm＝Fm1(ω)*Fm2(ω)*…*FmK(ω)计算m个调幅调频模态分量的显著性指数ESSIm，Fm1(ω)、Fm2(ω)和FmK(ω)分别表示第m个模态分量的第1个、第2个和第K个幅值极大值。
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：
本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。
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为本发明提供的一种滚动轴承故障诊断方法的流程图；
图2为本发明提供的滚动轴承振动信号时域波形图；
图3为本发明提供的滚动轴承振动信号的Fourier谱；
图4为本发明提供的滚动轴承振动信号的Fourier谱能量图；
图5为本发明提供的基于短时能量边界检测方法确定的新的频域分割区间边界；
图6为本发明提供的经验小波分解得到的多个调幅调频模态分量图；
图7为本发明提供的包络谱显著性指数分布图；
图8为本发明提供的包络谱显著性指数最大的调幅调频模态分量的时域波形图；
图9为本发明提供的包络谱显著性指数最大的调幅调频模态分量的包络谱；
图10为本发明提供的滚动轴承振动信号的包络谱。
具体实施方式
本发明的目的是提供一种滚动轴承故障诊断方法及系统，以实现自适应频域划分，避免模态分量个数预设不当以及频域划分不理想的问题，提高诊断滚动轴承故障的精度。
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发明作进一步详细的说明。
如图1所示，本发明提供一种滚动轴承故障诊断方法，所述诊断方法包括如下步骤：
步骤101，采集滚动轴承振动信号；具体的，利用Spectra Quest机械故障实验台采集滚动轴承信号，转频为fr＝29Hz，采样频率为fs＝51200Hz，数据长度N＝5120。滚动轴承振动信号如图2所示。
步骤102，对所述滚动轴承振动信号进行离散傅里叶变换，得到滚动轴承振动信号的Fourier谱；对滚动轴承振动信号x(n)(n＝1,2,…,N)进行离散傅里叶变换得到滚动轴承振动信号的Fourier谱X(k)(k＝1,2,…,N/2)，如图3所示，从图3中可以看出其受噪声干扰大，难以辨别故障频率，无法判断轴承存在的故障。
步骤103，采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间；具体的，将所述Fourier谱的频率范围[0,fs/2]归一化到[0,π]，得到支撑区间，fs为采样频率；将所述支撑区间均分为预设个数的子区间，例如，将支撑区间[0,π]均分为Q个子区间Δi＝[(i-1)π/Q,iπ/Q],(i＝1,2,…,Q)，Q取值为25-40，但不限于该区间；本实例中Q取值为35，即将支撑区间[0,π]均分成35个子区间；计算每个子区间的Fourier谱的能量值获得能量值序列Ei(i＝1,2,…,Q)，本实施例中，分别计算这35个子区间的Fourier谱能量值Ei(i＝1,2,…,35)，得到图4所示的谱能量值图；获取所述能量值序列的所有极小值点；将每个所述极小值点所对应的子区间的边界频率的平均值作为新的频域分割区间边界；根据所述新的频域分割区间边界对所述支撑区间进行区间划分，得到多个连续区间m＝1，2，…,M，并满足如图5所示，图中虚线即为基于短时能量边界检测方法确定的区间边界，由图5可知，该方法得到了6个极小值，将区间[0,π]划分成了7个连续区间。
步骤104，获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数，并根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量。
具体包括：根据Little-Paley和Meyer原理，获取每个连续区间的经验尺度函数其中，β(x)＝x4(35-84x+70x2-20x3)，ω为所述Fourier谱的频率，τm＝γmωm(0＜γm＜1)，ωm-1和ωm分别为第m个连续区间的左边界和右边界。
根据Little-Paley和Meyer原理，获取每个连续区间的小波函数：
其中，τm+1＝γm+1ωm+1(0＜γm+1＜1)，ωm和ωm+1分别为第m+1个连续区间的左边界和右边界。
基于细节系数由小波函数与信号内积产生，逼近系数由尺度函数与信号内积产生，根据所述经验尺度函数和小波函数，获取经验小波变换的细节系数和逼近系数：
其中，*表示取共轭，和分别为第1个连续区间的经验小波变换的逼近系数和第m个连续区间的经验小波变换的细节系数；ψm(τm-t)和分别是ψm(ω)和的Fourier逆变换，ψm(ω)和分别表示第m个连续区间的小波函数和第1个连续区间的经验尺度函数，F-1[·]表示傅里叶逆变换，f(t)表示滚动轴承振动信号，f(ω)表示滚动轴承振动信号的Fourier谱。
根据所述尺度函数、小波函数和经验小波变换细节系数和逼近系数，利用公式对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；其中，fm(t)表示第m个连续区间的调幅调频模态分量，为区间的经验尺度函数，为第1个连续区间的经验小波变换的逼近系数，为第m个连续区间的经验小波变换的细节系数，ψm(t)为第m个连续区间的小波函数，M表示调幅调频模态分量的个数。本实施例，在上述7个区间上定义经验尺度函数、小波函数以及经验小波变换，进行经验小波分解，得到7个调幅调频模态分量，如图6所示。
步骤105，计算每个所述调幅调频模态分量的包络谱显著性指数；具体的，获取第m个调幅调频模态分量的包络谱；m＝1,2，…，M，M表示调幅调频模态分量的个数；获取所述包络谱的所有幅值极大值；将所有的幅值极大值按照从高到低的顺序排序，获取前K个幅值极大值；根据K个所述幅值极大值利用公式ESSIm＝Fm1(ω)*Fm2(ω)*…*FmK(ω)计算m个调幅调频模态分量的显著性指数ESSIm，Fm1(ω)、Fm2(ω)和FmK(ω)分别表示第m个模态分量的第1个、第2个和第K个幅值极大值。
步骤106，采用Teager能量算子解调包络谱显著性指数最大的调幅调频模态分量，获得最优解调包络谱；包络谱显著性指数(ESSI)可以衡量模态分量中的故障信息多少，ESSI值越大，故障特征越显著，因此，选取ESSI值最大的分量进行Teager能量算子解调处理，利用解调包络谱实现滚动轴承故障诊断。分别计算这7个模态分量的包络谱显著性指数(ESSI)，K取值为3，具体分布如图7所示，选取ESSI值最大的第2个模态分量作为最优模态分量，它的时域波形如图8所示，对它进行Teager能量算子解调，解调结果如图9所示。原始的滚动轴承振动信号的包络谱如图10所示，对比图9和图10，可知，本发明的最优解调包络谱的故障特征频率的精度有了较大的提高。
步骤107，利用所述最优解调包络谱进行滚动轴承的故障诊断。
本发明还提供一种滚动轴承故障诊断系统，所述诊断系统包括：
信号获取模块，用于采集滚动轴承振动信号；
傅里叶变换模块，用于对所述滚动轴承振动信号进行离散傅里叶变换，得到滚动轴承振动信号的Fourier谱；
自适应区间划分模块，用于采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间；具体包括：归一化子模块，用于将所述Fourier谱的频率范围归一化到[0,π]，得到支撑区间；区间预分子模块，用于将所述支撑区间均分为预设个数的子区间；能量值计算子模块，用于计算每个子区间的Fourier谱的能量值，获得能量值序列；极小值点获取子模块，用于获取所述能量值序列的所有极小值点；新的频域分割区间边界值获取子模块，用于将每个所述极小值点所对应的子区间的边界频率的平均值作为新的频域分割区间边界；区间划分子模块，用于根据所述新的频域分割区间边界对所述支撑区间进行区间划分，得到多个连续区间。
系数获取模块，用于获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数；具体包括：经验尺度函数获取子模块，用于根据Little-Paley和Meyer原理，获取每个连续区间的经验尺度函数
其中，β(x)＝x4(35-84x+70x2-20x3)，ω为所述Fourier谱的频率，τm＝γmωm(0＜γm＜1)，ωm-1和ωm分别为第m个连续区间的左边界和右边界。
小波函数获取子模块，用于根据Little-Paley和Meyer原理，获取每个连续区间的小波函数：
其中，τm+1＝γm+1ωm+1(0＜γm+1＜1)，ωm和ωm+1分别为第m+1个连续区间的左边界和右边界。
经验小波变换的细节系数和逼近系数获取子模块，用于根据所述经验尺度函数和小波函数，获取经验小波变换的细节系数和逼近系数：
其中，*表示取共轭，和分别为第1个连续区间的经验小波变换的逼近系数和第m个连续区间的经验小波变换的细节系数；ψm(τm-t)和分别是ψm(ω)和的Fourier逆变换，ψm(ω)和分别表示第m个连续区间的小波函数和第1个连续区间的经验尺度函数，F-1[·]表示傅里叶逆变换，f(t)表示滚动轴承振动信号，f(ω)表示滚动轴承振动信号的Fourier谱。
经验小波分解模块，用于根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；具体包括：经验小波分解子模块，用于根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，利用公式对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；其中，fm(t)表示第m个连续区间的调幅调频模态分量，为区间的经验尺度函数，为第1个连续区间的经验小波变换的逼近系数，为第m个连续区间的经验小波变换的细节系数，ψm(t)为第m个连续区间的小波函数，M表示调幅调频模态分量的个数。
包络显著性指数计算模块，用于计算每个所述调幅调频模态分量的包络谱显著性指数；具体包括：包络谱获取子模块，用于获取第m个调幅调频模态分量的包络谱；m＝1,2，…，M，M表示调幅调频模态分量的个数；包络谱幅值极大值获取子模块，用于获取所述包络谱的所有幅值极大值；前K个极大值获取子模块，用于将所有的幅值极大值按照从高到低的顺序排序，获取前K个幅值极大值；显著性指数计算子模块，用于根据K个所述幅值极大值利用公式ESSIm＝Fm1(ω)*Fm2(ω)*…*FmK(ω)计算m个调幅调频模态分量的显著性指数ESSIm，Fm1(ω)、Fm2(ω)和FmK(ω)分别表示第m个模态分量的第1个、第2个和第K个幅值极大值。
解调模块，用于采用Teager能量算子解调包络谱显著性指数最大的调幅调频模态分量，获得最优解调包络谱；
故障诊断模块，用于利用所述最优解调包络谱进行滚动轴承的故障诊断。
本发明通过采用基于短时能量边界检测经验小波变换的滚动轴承故障诊断方法成功提取了故障轴承的特征频率，与原EWT方法相比，该方法使Fourier谱的划分更为合理；同时借助包络谱显著性指数选取了故障特征信息最丰富的分量，使研究目标更有针对性，提高了故障提取的精度，对实现滚动轴承的早期微弱故障诊断具有重要意义。
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，所描述的实施例仅仅是本发明的一部分实施例，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。
Claims (10)
1.一种滚动轴承故障诊断方法，其特征在于，所述诊断方法包括如下步骤：
采集滚动轴承振动信号；
对所述滚动轴承振动信号进行离散傅里叶变换，得到滚动轴承振动信号的Fourier谱；
采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间；
获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数；
根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
计算每个所述调幅调频模态分量的包络谱显著性指数；
采用Teager能量算子解调包络谱显著性指数最大的调幅调频模态分量，获得最优解调包络谱；
利用所述最优解调包络谱进行滚动轴承的故障诊断。
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间，具体包括：
将所述Fourier谱的频率范围归一化到[0,π]，得到支撑区间；
将所述支撑区间均分为预设个数的子区间；
计算每个子区间的Fourier谱的能量值，获得能量值序列；
获取所述能量值序列的所有极小值点；
将每个所述极小值点所对应的子区间的边界频率的平均值作为新的频域分割区间边界；
根据所述新的频域分割区间边界对所述支撑区间进行区间划分，得到多个连续区间。
3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数，具体包括：
根据Little-Paley和Meyer原理，获取每个连续区间的经验尺度函数
其中，β(x)＝x4(35-84x+70x2-20x3)，ω为所述Fourier谱的频率，τm＝γmωm(0＜γm＜1)，ωm-1和ωm分别为第m个连续区间的左边界和右边界；
根据Little-Paley和Meyer原理，获取每个连续区间的小波函数：
其中，τm+1＝γm+1ωm+1(0＜γm+1＜1)，ωm和ωm+1分别为第m+1个连续区间的左边界和右边界；
根据所述经验尺度函数和小波函数，获取经验小波变换的细节系数和逼近系数：
其中，*表示取共轭，和分别为第1个连续区间的经验小波变换的逼近系数和第m个连续区间的经验小波变换的细节系数；ψm(τm-t)和分别是ψm(ω)和的Fourier逆变换，ψm(ω)和分别表示第m个连续区间的小波函数和第1个连续区间的经验尺度函数，F-1[·]表示傅里叶逆变换，f(t)表示滚动轴承振动信号，f(ω)表示滚动轴承振动信号的Fourier谱。
4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量，具体包括；
根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，利用公式对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
其中，fm(t)表示第m个连续区间的调幅调频模态分量，为区间的经验尺度函数，为第1个连续区间的经验小波变换的逼近系数，为第m个连续区间的经验小波变换的细节系数，ψm(t)为第m个连续区间的小波函数，M表示调幅调频模态分量的个数。
5.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述计算每个所述调幅调频模态分量的显著性指数，具体包括：
获取第m个调幅调频模态分量的包络谱；m＝1,2，…，M，M表示调幅调频模态分量的个数；
获取所述包络谱的所有幅值极大值；
将所有的幅值极大值按照从高到低的顺序排序，获取前K个幅值极大值；
根据K个所述幅值极大值利用公式ESSIm＝Fm1(ω)*Fm2(ω)*…*FmK(ω)计算m个调幅调频模态分量的显著性指数ESSIm，Fm1(ω)、Fm2(ω)和FmK(ω)分别表示第m个模态分量的第1个、第2个和第K个幅值极大值。
6.一种滚动轴承故障诊断系统，其特征在于，所述诊断系统包括：
信号获取模块，用于采集滚动轴承振动信号；
傅里叶变换模块，用于对所述滚动轴承振动信号进行离散傅里叶变换，得到滚动轴承振动信号的Fourier谱；
自适应区间划分模块，用于采用短时能量边界检测方法对所述Fourier谱进行自适应划分，得到多个连续区间；
系数获取模块，用于获取每个连续区间的尺度函数、小波函数和经验小波变换的细节系数和逼近系数；
经验小波分解模块，用于根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
包络显著性指数计算模块，用于计算每个所述调幅调频模态分量的包络谱显著性指数；
解调模块，用于采用Teager能量算子解调包络谱显著性指数最大的调幅调频模态分量，获得最优解调包络谱；
故障诊断模块，用于利用所述最优解调包络谱进行滚动轴承的故障诊断。
7.根据权利要求6所述的滚动轴承故障诊断系统，其特征在于，所述自适应区间划分模块，具体包括：
归一化子模块，用于将所述Fourier谱的频率范围归一化到[0,π]，得到支撑区间；
区间预分子模块，用于将所述支撑区间均分为预设个数的子区间；
能量值计算子模块，用于计算每个子区间的Fourier谱的能量值，获得能量值序列；
极小值点获取子模块，用于获取所述能量值序列的所有极小值点；
新的频域分割区间边界值获取子模块，用于将每个所述极小值点所对应的子区间的边界频率的平均值作为新的频域分割区间边界；
区间划分子模块，用于根据所述新的频域分割区间边界对所述支撑区间进行区间划分，得到多个连续区间。
8.根据权利要求6所述的滚动轴承故障诊断系统，其特征在于，所述系数获取模块，具体包括：
经验尺度函数获取子模块，用于根据Little-Paley和Meyer原理，获取每个连续区间的经验尺度函数
其中，β(x)＝x4(35-84x+70x2-20x3)，ω为所述Fourier谱的频率，τm＝γmωm(0＜γm＜1)，ωm-1和ωm分别为第m个连续区间的左边界和右边界；
小波函数获取子模块，用于根据Little-Paley和Meyer原理，获取每个连续区间的小波函数：
其中，τm+1＝γm+1ωm+1(0＜γm+1＜1)，ωm和ωm+1分别为第m+1个连续区间的左边界和右边界；
经验小波变换的细节系数和逼近系数获取子模块，用于根据所述经验尺度函数和小波函数，获取经验小波变换的细节系数和逼近系数：
其中，*表示取共轭，和分别为第1个连续区间的经验小波变换的逼近系数和第m个连续区间的经验小波变换的细节系数；ψm(τm-t)和分别是ψm(ω)和的Fourier逆变换，ψm(ω)和分别表示第m个连续区间的小波函数和第1个连续区间的经验尺度函数，F-1[·]表示傅里叶逆变换，f(t)表示滚动轴承振动信号，f(ω)表示滚动轴承振动信号的Fourier谱。
9.根据权利要求6所述的滚动轴承故障诊断系统，其特征在于，所述经验小波分解模块，具体包括；
经验小波分解子模块，用于根据所述尺度函数、小波函数和经验小波变换的细节系数和逼近系数，利用公式对每个连续区间内的滚动轴承振动信号进行经验小波分解，得到多个调幅调频模态分量；
其中，fm(t)表示第m个连续区间的调幅调频模态分量，为区间的经验尺度函数，为第1个连续区间的经验小波变换的逼近系数，为第m个连续区间的经验小波变换的细节系数，ψm(t)为第m个连续区间的小波函数，M表示调幅调频模态分量的个数。
10.根据权利要求6所述的滚动轴承故障诊断系统，其特征在于，所述包络显著性指数计算模块，具体包括：
包络谱获取子模块，用于获取第m个调幅调频模态分量的包络谱；m＝1,2，…，M，M表示调幅调频模态分量的个数；
包络谱幅值极大值获取子模块，用于获取所述包络谱的所有幅值极大值；
前K个极大值获取子模块，用于将所有的幅值极大值按照从高到低的顺序排序，获取前K个幅值极大值；
显著性指数计算子模块，用于根据K个所述幅值极大值利用公式ESSIm＝Fm1(ω)*Fm2(ω)*…*FmK(ω)计算m个调幅调频模态分量的显著性指数ESSIm，Fm1(ω)、Fm2(ω)和FmK(ω)分别表示第m个模态分量的第1个、第2个和第K个幅值极大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910292988.6A CN110006652B (zh) | 2019-04-12 | 2019-04-12 | 一种滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910292988.6A CN110006652B (zh) | 2019-04-12 | 2019-04-12 | 一种滚动轴承故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110006652A true CN110006652A (zh) | 2019-07-12 |
| CN110006652B CN110006652B (zh) | 2020-04-03 |
Family
ID=67171350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910292988.6A Active CN110006652B (zh) | 2019-04-12 | 2019-04-12 | 一种滚动轴承故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110006652B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111141520A (zh) * | 2020-02-24 | 2020-05-12 | 江南大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
| CN111582137A (zh) * | 2020-04-30 | 2020-08-25 | 燕山大学 | 一种滚动轴承信号重构方法及系统 |
| CN111896257A (zh) * | 2020-07-15 | 2020-11-06 | 江门职业技术学院 | 一种滚动轴承故障诊断方法及系统 |
| CN112446329A (zh) * | 2020-11-30 | 2021-03-05 | 广州大学 | 一种时变结构瞬时频率确定方法、系统、装置及存储介质 |
| CN112945556A (zh) * | 2021-01-26 | 2021-06-11 | 大连海事大学 | 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 |
| CN113310693A (zh) * | 2021-06-07 | 2021-08-27 | 华润电力技术研究院有限公司 | 一种机械故障检测方法、装置、设备及存储介质 |
| CN115310499A (zh) * | 2022-10-12 | 2022-11-08 | 极晨智道信息技术(北京)有限公司 | 一种基于数据融合的工业设备故障诊断系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090078075A (ko) * | 2008-01-14 | 2009-07-17 | 충북대학교 산학협력단 | Ｄｆｔ와 웨이블렛을 이용한 유도전동기 고장진단방법 |
| CN106568589A (zh) * | 2016-11-04 | 2017-04-19 | 东南大学 | 一种基于经验小波变换碰摩声发射消噪方法 |
| CN106568607A (zh) * | 2016-11-04 | 2017-04-19 | 东南大学 | 一种基于经验小波变换碰摩声发射故障诊断方法 |
-
2019
- 2019-04-12 CN CN201910292988.6A patent/CN110006652B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090078075A (ko) * | 2008-01-14 | 2009-07-17 | 충북대학교 산학협력단 | Ｄｆｔ와 웨이블렛을 이용한 유도전동기 고장진단방법 |
| CN106568589A (zh) * | 2016-11-04 | 2017-04-19 | 东南大学 | 一种基于经验小波变换碰摩声发射消噪方法 |
| CN106568607A (zh) * | 2016-11-04 | 2017-04-19 | 东南大学 | 一种基于经验小波变换碰摩声发射故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIMENG LI 等: "Rolling bearing fault diagnosis based on time-delayed feedback monostable stochastic resonance and adaptive minimum entropy deconvolution", 《JOURNAL OF SOUND AND VIBRATION》 * |
| 张瑞 等: "一种新的声发射信号消噪及故障诊断方法", 《振动与冲击》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111141520A (zh) * | 2020-02-24 | 2020-05-12 | 江南大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
| CN111582137A (zh) * | 2020-04-30 | 2020-08-25 | 燕山大学 | 一种滚动轴承信号重构方法及系统 |
| CN111896257A (zh) * | 2020-07-15 | 2020-11-06 | 江门职业技术学院 | 一种滚动轴承故障诊断方法及系统 |
| CN111896257B (zh) * | 2020-07-15 | 2022-03-18 | 江门职业技术学院 | 一种滚动轴承故障诊断方法及系统 |
| CN112446329A (zh) * | 2020-11-30 | 2021-03-05 | 广州大学 | 一种时变结构瞬时频率确定方法、系统、装置及存储介质 |
| CN112446329B (zh) * | 2020-11-30 | 2023-08-08 | 广州大学 | 一种时变结构瞬时频率确定方法、系统、装置及存储介质 |
| CN112945556A (zh) * | 2021-01-26 | 2021-06-11 | 大连海事大学 | 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 |
| CN112945556B (zh) * | 2021-01-26 | 2022-07-05 | 大连海事大学 | 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 |
| CN113310693A (zh) * | 2021-06-07 | 2021-08-27 | 华润电力技术研究院有限公司 | 一种机械故障检测方法、装置、设备及存储介质 |
| CN115310499A (zh) * | 2022-10-12 | 2022-11-08 | 极晨智道信息技术(北京)有限公司 | 一种基于数据融合的工业设备故障诊断系统及方法 |
| CN115310499B (zh) * | 2022-10-12 | 2023-03-24 | 极晨智道信息技术(北京)有限公司 | 一种基于数据融合的工业设备故障诊断系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110006652B (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110006652A (zh) | 一种滚动轴承故障诊断方法及系统 | |
| CN105547698B (zh) | 滚动轴承的故障诊断方法及装置 | |
| Cheng et al. | Adaptive multipoint optimal minimum entropy deconvolution adjusted and application to fault diagnosis of rolling element bearings | |
| Paternina et al. | Identification of electromechanical oscillatory modes based on variational mode decomposition | |
| CN102620928A (zh) | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 | |
| CN108801630B (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
| CN103439110A (zh) | 滚动轴承早期微弱故障诊断方法 | |
| Amirat et al. | Condition monitoring of wind turbines based on amplitude demodulation | |
| CN106096562A (zh) | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 | |
| Wang et al. | Bearing fault diagnosis of direct-drive wind turbines using multiscale filtering spectrum | |
| Huang et al. | An improved empirical wavelet transform method for rolling bearing fault diagnosis | |
| Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
| CN116703183A (zh) | 一种新型配电网系统用电负荷评估方法 | |
| Li et al. | Adaptive cost function ridge estimation for rolling bearing fault diagnosis under variable speed conditions | |
| CN104714075A (zh) | 一种电网电压闪变包络参数提取方法 | |
| Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
| Zheng et al. | Application of variational mode decomposition and permutation entropy for rolling bearing fault diagnosis | |
| 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 | |
| Wang et al. | Application of RSSD-OCYCBD strategy in enhanced fault detection of rolling bearing | |
| CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
| Yu et al. | Adaptive multiple second-order synchrosqueezing wavelet transform and its application in wind turbine gearbox fault diagnosis | |
| Ding et al. | Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations | |
| CN108278184A (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
| Qian et al. | A new health indicator for rolling bearings based on impulsiveness and periodicity of signals | |
| Hong et al. | Application of spectral kurtosis and Vold-Kalman filter based order tracking in wind turbine gearbox fault diagnosis |
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 |