CN110160791A - 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 - Google Patents
基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 Download PDFInfo
- Publication number
- CN110160791A CN110160791A CN201910567030.3A CN201910567030A CN110160791A CN 110160791 A CN110160791 A CN 110160791A CN 201910567030 A CN201910567030 A CN 201910567030A CN 110160791 A CN110160791 A CN 110160791A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- signal
- kurtosis
- analysis module
- frequency
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
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
本发明公开了一种基于小波‑谱峭度的感应电机轴承故障诊断系统及诊断方法,包括小波‑谱峭度分析模块、时域参数统计分析模块、FFT分析模块、Hilbert包络解调分析模块、谱峭度分析模块等,其中小波‑谱峭度分析模块包括小波和小波包两种数据预处理方法,能够实现电机轴承耦合故障振动信号中多故障的识别与特征提取;时域参数统计分析模块通过对时域敏感参数峭度值的计算,监测电机轴承是否发生异常;频谱分析模块和Hilbert包络解调分析模块主要确定电机单一轴承故障的特征提取。本系统实现了感应电机轴承故障诊断方法的集成化设计,可以对电机轴承的单一及复合故障信号进行快速有效的处理分析,得出准确的诊断结果。
Description
技术领域
本发明涉及基于振动信号的感应电机机械故障诊断技术,特别是一种基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法。
背景技术
轴承作为感应电机的高精度、标准化的核心部件,具有减少旋转部件之间的摩擦阻力、便于安装,互换性强、润滑方便、可靠性高等优点。然而,由于轴承工作环境相对恶劣,承受多种载荷的负载作用,导致其成为电机设备发生故障的高频部件。据相关统计表明:轴承故障在所有电机故障中占比高达40%,是感应电机最常见的故障之一。如果能够及时、有效地监测和诊断出电机轴承的早期故障,并根据实际情况定期进行维修与维护,可以在很大程度上避免一些由故障引起的不必要的经济损失及安全隐患。
轴承振动信号往往比较复杂,通常呈现出电机轴承多个部位同时出现故障或者在较短时间内与其它机械故障发生相互耦合,在电机轴承的振动信号中,不同故障的振动信息相互调制,产生相互交叉、相互影响,使其频谱成分更加复杂,利用传统的故障诊断技术不能同时有效地提取出轴承振动信号中多个故障的振动特征。
发明内容
针对电机轴承耦合故障检测困难的问题,本发明提出一种基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法。
为解决上述技术问题,本发明所采用的技术方案如下:
一种基于小波-谱峭度的感应电机轴承故障诊断系统,包括小波-谱峭度分析模块,所述小波-谱峭度分析模块包括信号输入单元、参数设置单元、小波或小波包分解单元、谱峭度分析单元、滤波单元、Hilbert包络解调分析单元、显示单元;所述信号输入单元,用于采集待测电机的振动信号;所述参数设置单元,用于对小波分解单元和/或谱峭度分析单元进行参数设定;所述小波或小波包分解单元,用于对输入的信号进行分解并在显示单元上显示;所述谱峭度分析单元,用于对分解后的信号进行谱峭度分析并在显示单元上显示;所述滤波单元,用于对谱峭度分析后的信号进行滤波;所述Hilbert包络解调分析单元,用于对滤波后的信号进行包络分析得到故障类型和位置。
用户可以根据不同振动类型的数据在小波参数和谱峭度参数设置中选择不同的数据处理方法、小波基函数以及分解层数等参数。其中通道选择可以选择不同通道内的信号进行分析;分解方法主要包含小波分解和小波包分解两种,用户根据需要可自行选择分解方法,并通过阶数选择、分解层数、小波基函数选则等按钮对分解方法的参数进行设置。
而基于小波-谱峭度的感应电机轴承故障诊断系统的诊断方法,步骤如下:
S1,采集在恒定转速下的电机振动信号。
S2,对采集的电机振动信号进行小波分解或小波包分解,得到一组按照频率由高到低顺序排列的子频带。
S3,计算各个子频带的时域峭度值,并根据峭度最大原则,筛选细节分量;
具体步骤为:S3.1,计算子频带的时域峭度值,公式为:
S3.2,设定筛选阀值为3,筛选出峭度值大于筛选阈值3的细节分量;
S4,对筛选后的细节分量进行谱峭度分析,寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理。
具体步骤为:S4.1,计算每根谱线的峭度值,找到信号中的峭度值较大非平稳成分,并计算出非平稳成分所处位置的中心频率和带宽的大小;
S4.2,并根据中心频率与带宽的大小,构造带通滤波器进行信号预处理,得到滤波信号。
S5,对滤波信号进行Hilbert包络解调分析,得到滤波信号的包络解调频谱;
具体步骤为:S5.1,对滤波信号进行卷积处理得到卷积信号,卷积信号作为解析信号的虚部x(t)';
S5.2,构造解析信号,所述解析信号的实部x(t)为滤波信号,解析信号的虚部x(t)'为卷积信号;
S5.3,对解析信号提取包络信号,公式为:
式中,a(t)为解析信号;t为时间;
S5.4,将解析信号的包络信号进行快速傅里叶变换,得到滤波信号的包络解调频谱。
S6,根据步骤S5,从滤波信号的包络解调频谱中提取出电机轴承故障特征频率,再与理论计算的轴承故障特征频率进行对比分析,进而确定轴承故障的类型及其故障位置。
本发明基于小波-谱峭度的感应电机轴承故障诊断系统,还包括时域参数分析模块、频谱分析模块、Hilbert包络解调分析模块和谱峭度分析模块等;这些分析模块是根据实际需要,添加了简单故障分析,为电机轴承故障诊断分析提供了多元化的选择,可根据实际情况选择对应的分析模块进行故障分析,实现本发明的快速识别。
所述时域参数分析模块,用于获得输入的振动信号的时域参数并与设定阈值进行比对,所述时域参数包括均值、峰值、有效值、峭度指标、脉冲指标。
若时域参数值超过设定阈值,则直接给出故障结果,否则选择小波-谱峭度分析模块、频谱分析模块、Hilbert包络解调分析模块和谱峭度分析模块中任一进行故障分析。
所述小波-谱峭度分析模块,用于对耦合信号进行故障识别。
所述频谱分析模块,用于对电机正常或异常振动信号进行补充分析,包括轴承故障特征频率计算单元、FFT频谱单元以及功率谱单元;
所述故障特征频率计算单元,用于根据轴承参数计算出轴承内圈故障、外圈故障、滚动体故障以及保持架四种故障的故障特征频率。
所述FFT频谱单元,用于将感应电机轴承的时域信号转化为频域信号进行分析,实现轴承故障数据的频谱显示。
所述功率谱单元,用于计算并显示电机振动信号中能量的频率分布。
所述Hilbert包络解调分析模块,通过利用包络检波和对包络谱的分析得到振动信号的包络谱,并根据包络谱来识别故障。
所述谱峭度分析模块,通过计算信号谱线峭度值发现冲击频段,并寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理,对滤波后的信号获取包络谱,并在包络谱中提取出故障特征频率,然后与理论计算得到的故障频率进行对比,确定故障类型及故障位置。
对于具有简单故障分析功能的基于小波-谱峭度的感应电机轴承故障诊断系统的诊断方法,步骤如下:S1,获取电机的振动信号。
S2,时域参数分析模块对采集的振动信号进行处理,获得振动信号的时域参数并与设定阈值进行比对,若时域参数值超过设定阈值,则直接给出故障结果,否则选择故障分析模块,对于轴承耦合故障信号选择小波-谱峭度分析模块,则进行步骤S3,对于电机正常或异常振动信号轴承调制信号选择频谱分析模块则进行步骤S4,对于轴承调制信号选择Hilbert包络解调分析模块,则进行步骤S5,对于轴承单一振动信号选择谱峭度分析模块,则进行步骤S6。
S3,小波-谱峭度分析模块对接收到的振动信号进行故障诊断。
S3.1,通过参数设置单元设置参数。
S3.2,小波或小波包分解单元对振动信号进行小波或小波包分解,得到一组按照频率由高到低顺序排列的子频带。
S3.3,计算各个子频带的时域峭度值,并根据峭度敏感性筛选相应的细节分量。
S3.4,谱峭度分析单元对得到的细节分量进行谱峭度分析确定细节分量的中心频率及带宽,并通过滤波单元进行滤波。
S3.5,Hilbert包络解调分析单元对滤波后的信号进行包络分析确定故障类型和故障位置。
S4,频谱分析模块对接收到的振动信号进行故障诊断。
故障特征频率计算单元,对接收到的振动信号根据轴承参数计算出轴承内圈故障、外圈故障、滚动体故障以及保持架四种故障的故障特征频率;FFT频谱单元,将接收到的时域振动信号转化为频域信号进行分析,并显示轴承故障数据的频谱,并根据在频谱中提取处的故障特征频率与故障特征频率计算单元得到的不同故障的理论故障特征频率对比分析,确定故障类型和故障位置;功率谱单元,计算并显示接收到的振动信号中能量的频率分布;
S5,Hilbert包络解调分析模块对接收到的振动信号进行故障诊断。
利用包络检波和对包络谱的分析得到接收到的振动信号的包络谱,并根据包络谱来识别故障。
S6,谱峭度分析模块对接收到的振动信号进行故障诊断。
通过计算接收到的振动信号的谱线峭度值发现冲击频段,并寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理,对滤波后的信号获取包络谱,并在包络谱中提取出故障特征频率,然后与理论计算得到的故障频率进行对比,确定故障类型及故障位置。
本发明采用小波分解与谱峭度相结合的检测方法,从电机轴承耦合故障的振动信号中提取出故障特征。对电机轴承的振动信号,首先采用具有多分辨率特点的小波变换对其进行分解,对整个频段进行精细划分;然后根据峭度敏感性选取出相应的细节分量计算谱峭度并选择滤波;最后对滤波后的信号分别实现Hilbert包络解调分析,从包络谱中提取出电机多故障特征,快速准确识别故障发生的部位和故障类型等信息,对提高电机轴承状态检测的自动化程度具有十分重要的意义。
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,下面将对实施例或现有技术描述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1的系统流程图。
图2为本发明实施例2的系统流程图。
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付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。
实施例1:一种基于小波-谱峭度的感应电机轴承故障诊断系统,包括小波-谱峭度分析模块,所述小波-谱峭度分析模块包括信号输入单元、参数设置单元、小波或小波包分解单元、谱峭度分析单元、滤波单元、Hilbert包络解调分析单元、显示单元;所述信号输入单元,用于采集待测电机的振动信号;所述参数设置单元,用于对小波分解单元和/或谱峭度分析单元进行参数设定;所述小波或小波包分解单元,用于对输入的信号进行分解并在显示单元上显示;所述谱峭度分析单元,用于对分解后的信号进行谱峭度分析并在显示单元上显示;所述滤波单元,用于对谱峭度分析后的信号进行滤波;所述Hilbert包络解调分析单元,用于对滤波后的信号进行包络分析得到故障类型和位置。
用户可以根据不同振动类型的数据在小波参数和谱峭度参数设置中选择不同的数据处理方法、小波基函数以及分解层数等参数。其中通道选择可以选择不同通道内的信号进行分析;分解方法主要包含小波分解和小波包分解两种,用户根据需要可自行选择分解方法,并通过阶数选择、分解层数、小波基函数选则等按钮对分解方法的参数进行设置。
而基于小波-谱峭度的感应电机轴承故障诊断系统的诊断方法,如图1所示,步骤如下:
S1,采集在恒定转速下的电机振动信号。
S2,对采集的电机振动信号进行小波分解或小波包分解,得到一组按照频率由高到低顺序排列的子频带。
S3,计算各个子频带的时域峭度值,并根据峭度最大原则,筛选细节分量;
具体步骤为:S3.1,计算子频带的时域峭度值,公式为:
式中,N为采样点数;x(n)为采样数据;
S3.2,设定筛选阀值为3,筛选出峭度值大于筛选阀值3的细节分量;
S4,对筛选后的细节分量进行谱峭度分析,寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理,得到滤波信号。
具体步骤为:S4.1,计算每根谱线的峭度值,找到信号中的峭度值较大非平稳成分,并计算出非平稳成分所处位置的中心频率和带宽的大小;
S4.2,并根据中心频率与带宽的大小,构造带通滤波器进行信号预处理,得到滤波信号。
S5,对滤波信号进行Hilbert包络解调分析,得到滤波信号的包络解调频谱。
具体步骤为::S5.1,对滤波信号进行卷积处理得到卷积信号,卷积信号作为解析信号的虚部x(t)';
S5.2,构造解析信号,所述解析信号的实部x(t)为滤波信号,解析信号的虚部x(t)'为卷积信号;
S5.3,对解析信号提取包络信号,公式为:
式中,a(t)为解析信号;t为时间;
S5.4,将解析信号的包络信号进行快速傅里叶变换,得到滤波信号的包络解调频谱。
S6,根据步骤S5,从滤波信号的包络解调频谱中提取出电机轴承故障特征频率,再与理论计算的轴承故障特征频率进行对比分析,进而确定轴承故障的类型及其故障位置;
实施例2:一种基于小波-谱峭度的感应电机轴承故障诊断系统,包括小波-谱峭度分析模块,还包括时域参数分析模块、频谱分析模块、Hilbert包络解调分析模块和谱峭度分析模块等;这些分析模块是根据实际需要,添加了简单故障分析,为电机轴承故障诊断分析提供了多元化的选择,可根据实际情况选择对应的分析模块进行故障分析,实现本发明的快速识别。
所述时域参数分析模块,用于获得输入的振动信号的时域参数并与设定阈值进行比对,所述时域参数包括均值、峰值、有效值、峭度指标、脉冲指标。
若时域参数值超过设定阈值,则直接给出故障结果,否则选择小波-谱峭度分析模块、频谱分析模块、Hilbert包络解调分析模块和谱峭度分析模块中任一进行故障分析。
所述小波-谱峭度分析模块,用于对耦合信号进行故障识别。
所述频谱分析模块,用于对电机正常或异常振动信号进行补充分析,包括轴承故障特征频率计算单元、FFT频谱单元以及功率谱单元;
所述故障特征频率计算单元,用于根据轴承参数计算出轴承内圈故障、外圈故障、滚动体故障以及保持架四种故障的故障特征频率。
所述FFT频谱单元,用于将感应电机轴承的时域信号转化为频域信号进行分析,实现轴承故障数据的频谱显示。
所述功率谱单元,用于计算并显示电机振动信号中能量的频率分布。
所述Hilbert包络解调分析模块,通过利用包络检波和对包络谱的分析得到振动信号的包络谱,并根据包络谱来识别故障。
所述谱峭度分析模块,用于对单一轴承故障进行诊断,通过计算信号谱线峭度值发现冲击频段,并寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理,对滤波后的信号获取包络谱,并在包络谱中提取出故障特征频率,然后与理论计算得到的故障频率进行对比,确定故障类型及故障位置。
对于具有简单故障分析功能的基于小波-谱峭度的感应电机轴承故障诊断系统的诊断方法,如图2所示,步骤如下:S1,获取电机的振动信号。
S2,时域参数分析模块对采集的振动信号进行处理,获得振动信号的时域参数并与设定阈值进行比对,若时域参数值超过设定阈值,则直接给出故障结果,否则选择故障分析模块,对于轴承耦合故障信号选择小波-谱峭度分析模块,则进行步骤S3,对于电机正常或异常振动信号轴承调制信号选择频谱分析模块则进行步骤S4,对于轴承调制信号选择Hilbert包络解调分析模块,则进行步骤S5,对于轴承单一振动信号选择谱峭度分析模块,则进行步骤S6。
S3,小波-谱峭度分析模块对接收到的振动信号进行故障诊断。
S3.1,通过参数设置单元设置参数。
S3.2,小波或小波包分解单元对振动信号进行小波或小波包分解,得到一组按照频率由高到低顺序排列的子频带。
S3.3,计算各个子频带的时域峭度值,并根据峭度敏感性筛选相应的细节分量。
S3.4,谱峭度分析单元对得到的细节分量进行谱峭度分析确定细节分量的中心频率及带宽,并通过滤波单元进行滤波。
S3.5,Hilbert包络解调分析单元对滤波后的信号进行包络分析确定故障类型和故障位置。
S4,频谱分析模块对接收到的振动信号进行故障诊断。
故障特征频率计算单元,对接收到的振动信号根据轴承参数计算出轴承内圈故障、外圈故障、滚动体故障以及保持架四种故障的故障特征频率;FFT频谱单元,将接收到的时域振动信号转化为频域信号进行分析,并显示轴承故障数据的频谱,并根据在频谱中提取处的故障特征频率与故障特征频率计算单元得到的不同故障的理论故障特征频率对比分析,确定故障类型和故障位置;功率谱单元,计算并显示接收到的振动信号中能量的频率分布。
S5,Hilbert包络解调分析模块对接收到的振动信号进行故障诊断。
利用包络检波和对包络谱的分析得到接收到的振动信号的包络谱,并根据包络谱来识别故障。
S6,谱峭度分析模块对接收到的振动信号进行故障诊断。
通过计算接收到的振动信号的谱线峭度值发现冲击频段,并寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理,对滤波后的信号获取包络谱,并在包络谱中提取出故障特征频率,然后与理论计算得到的故障频率进行对比,确定故障类型及故障位置。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于小波-谱峭度的感应电机轴承故障诊断系统,其特征在于:包括小波-谱峭度分析模块,所述小波-谱峭度分析模块包括信号输入单元、参数设置单元、小波或小波包分解单元、谱峭度分析单元、滤波单元、Hilbert包络解调分析单元、显示单元;所述信号输入单元,用于采集待测电机的振动信号;所述参数设置单元,用于对小波分解单元和/或谱峭度分析单元进行参数设定;所述小波或小波包分解单元,用于对输入的信号进行分解并在显示单元上显示;所述谱峭度分析单元,用于对分解后的信号进行谱峭度分析并在显示单元上显示;所述滤波单元,用于对谱峭度分析后的信号进行滤波;所述Hilbert包络解调分析单元,用于对滤波后的信号进行包络分析得到故障类型和位置。
2.根据权利要求1所述的基于小波-谱峭度的感应电机轴承故障诊断系统的诊断方法,其特征在于:
S1,采集在恒定转速下的电机振动信号;
S2,对采集的电机振动信号进行小波分解或小波包分解,得到一组按照频率由高到低顺序排列的子频带;
S3,计算各个子频带的时域峭度值,并根据峭度最大原则,筛选细节分量;
具体步骤为:S3.1,计算子频带的时域峭度值公式为:
式中,N为采样点数;n为1、2、3.......;x(n)为采样数据;
S3.2,设定筛选阀值,筛选出峭度值大于筛选阈值的细节分量;
S4,对筛选后的细节分量进行谱峭度分析,并构造带通滤波器进行信号预处理得到滤波信号;
具体步骤为:S4.1,计算每根谱线的峭度值,找到信号中的峭度值较大非平稳成分,并计算出非平稳成分所处位置的中心频率和带宽的大小;
S4.2,根据中心频率与带宽的大小,构造带通滤波器进行信号预处理;
S5,对滤波信号进行Hilbert包络解调分析,得到滤波信号的包络解调频谱;
具体步骤为:S5.1,对滤波信号进行卷积处理得到卷积信号,卷积信号作为解析信号的虚部x(t)';
S5.2,构造解析信号,所述解析信号的实部x(t)为滤波信号,解析信号的虚部x(t)'为卷积信号;
S5.3,对解析信号提取包络信号,公式为:
式中,a(t)为解析信号;t为时间;
S5.4,将解析信号的包络信号进行快速傅里叶变换,得到滤波信号的包络解调频谱;
S6,根据步骤S5,从滤波信号的包络解调频谱中提取出电机轴承故障特征频率,再与理论计算的轴承故障特征频率进行对比分析,确定轴承故障的类型及其故障位置。
3.根据权利要求1所述的基于小波-谱峭度的感应电机轴承故障诊断系统,其特征在于:还包括时域参数分析模块、频谱分析模块、Hilbert包络解调分析模块和谱峭度分析模块;
所述时域参数分析模块,用于获得输入的振动信号的时域参数并与设定阈值进行比对,若时域参数值超过设定阈值,则直接给出故障结果,否则选择小波-谱峭度分析模块、频谱分析模块、Hilbert包络解调分析模块和谱峭度分析模块中任一进行故障分析;
所述小波-谱峭度分析模块,用于对耦合信号进行故障识别;
所述频谱分析模块,用于对电机正常或异常振动信号进行补充分析,包括轴承故障特征频率计算单元、FFT频谱单元以及功率谱单元;
所述故障特征频率计算单元,用于根据轴承参数计算出轴承内圈故障、外圈故障、滚动体故障以及保持架四种故障的故障特征频率;
所述FFT频谱单元,用于将感应电机轴承的时域信号转化为频域信号进行分析,实现轴承故障数据的频谱显示;
所述功率谱单元,用于计算并显示电机振动信号中能量的频率分布;
所述Hilbert包络解调分析模块,用于对电机轴承调制信号进行解调分析,通过利用包络检波和对包络谱的分析得到振动信号的包络谱,并根据包络谱来识别故障;
所述谱峭度分析模块,用于对强噪声背景下的轴承故障振动信号进行诊断,通过计算信号谱线峭度值发现冲击频段,并寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理,对滤波后的信号获取包络谱,并在包络谱中提取出故障特征频率,然后与理论计算得到的故障频率进行对比,确定故障类型及故障位置。
4.根据权利要求3所述的基于小波-谱峭度的感应电机轴承故障诊断系统,其特征在于:所述时域参数包括均值、峰值、有效值、峭度指标、脉冲指标。
5.根据权利要求3或4所述的基于小波-谱峭度的感应电机轴承故障诊断系统的诊断方法,其特征在于,步骤如下:S1,获取电机的振动信号;
S2,时域参数分析模块对采集的振动信号进行处理,获得振动信号的时域参数并与设定阈值进行比对,若时域参数值超过设定阈值,则直接给出故障结果,否则选择故障分析模块,对于轴承耦合故障信号选择小波-谱峭度分析模块,则进行步骤S3,对于电机正常或异常振动信号轴承调制信号选择频谱分析模块则进行步骤S4,对于轴承调制信号选择Hilbert包络解调分析模块,则进行步骤S5,对于轴承单一振动信号选择谱峭度分析模块,则进行步骤S6;
S3,小波-谱峭度分析模块对接收到的振动信号进行故障诊断;
S4,频谱分析模块对接收到的振动信号进行故障诊断;
故障特征频率计算单元,对接收到的振动信号根据轴承参数计算出轴承内圈故障、外圈故障、滚动体故障以及保持架四种故障的故障特征频率;FFT频谱单元,将接收到的时域振动信号转化为频域信号进行分析,并显示轴承故障数据的频谱,并根据在频谱中提取处的故障特征频率与故障特征频率计算单元得到的不同故障的理论故障特征频率对比分析,确定故障类型和故障位置;功率谱单元,计算并显示接收到的振动信号中能量的频率分布;
S5,Hilbert包络解调分析模块对接收到的振动信号进行故障诊断;
利用包络检波和对包络谱的分析得到接收到的振动信号的包络谱,并根据包络谱来识别故障;
S6,谱峭度分析模块对接收到的振动信号进行故障诊断;
通过计算接收到的振动信号的谱线峭度值发现冲击频段,并寻找最佳窄带中心频率与带宽,构造带通滤波器进行信号预处理,对滤波后的信号获取包络谱,并在包络谱中提取出故障特征频率,然后与理论计算得到的故障频率进行对比,确定故障类型及故障位置。
6.根据权利要求5所述的基于小波-谱峭度的感应电机轴承故障诊断系统的诊断方法,其特征在于,在步骤S3中,具体步骤为:
S3.1,通过参数设置单元设置参数;
S3.2,小波或小波包分解单元对振动信号进行小波或小波包分解,得到一组按照频率由高到低顺序排列的子频带;
S3.3,计算各个子频带的时域峭度值,并根据峭度最大原则,筛选细节分量;;
S3.4,谱峭度分析单元对得到的细节分量进行谱峭度分析确定细节分量的中心频率及带宽,并通过滤波单元进行滤波;
S3.5,Hilbert包络解调分析单元对滤波后的信号进行包络分析确定故障类型和故障位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567030.3A CN110160791B (zh) | 2019-06-27 | 2019-06-27 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567030.3A CN110160791B (zh) | 2019-06-27 | 2019-06-27 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110160791A true CN110160791A (zh) | 2019-08-23 |
CN110160791B CN110160791B (zh) | 2021-03-23 |
Family
ID=67637091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910567030.3A Active CN110160791B (zh) | 2019-06-27 | 2019-06-27 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110160791B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736926A (zh) * | 2019-10-14 | 2020-01-31 | 湖南银河电气有限公司 | 电机运行状态的特征参数提取方法和装置 |
CN110895687A (zh) * | 2019-12-24 | 2020-03-20 | 安徽工业大学 | 一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法 |
CN110987431A (zh) * | 2019-11-08 | 2020-04-10 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
CN110987438A (zh) * | 2019-12-04 | 2020-04-10 | 国网福建省电力有限公司 | 水轮发电机变转速过程周期性振动冲击信号检测的方法 |
CN111444893A (zh) * | 2020-05-06 | 2020-07-24 | 南昌航空大学 | 一种矿井提升机主轴装置的故障诊断方法 |
CN111521399A (zh) * | 2020-03-23 | 2020-08-11 | 北京控制工程研究所 | 一种基于峭度指标与包络谱的空间轴承早期故障诊断方法 |
CN111769810A (zh) * | 2020-06-29 | 2020-10-13 | 浙江大学 | 一种基于能量峭度谱的流体机械调制频率提取方法 |
CN111855211A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于故障特征增强的最优解调频带确定方法 |
CN112183290A (zh) * | 2020-09-22 | 2021-01-05 | 北京邮电大学 | 一种基于SAsFFT算法的机械故障诊断系统 |
CN112307990A (zh) * | 2020-11-03 | 2021-02-02 | 中国兵器装备集团自动化研究所 | 基于ai技术分析振动信号监控机床加工中心健康状态方法 |
CN112362348A (zh) * | 2020-10-27 | 2021-02-12 | 华北电力大学(保定) | 一种带式输送机托辊轴承故障声学监测方法 |
CN112945546A (zh) * | 2021-01-20 | 2021-06-11 | 南京航空航天大学 | 一种齿轮箱复杂故障精确诊断方法 |
CN113092114A (zh) * | 2021-04-08 | 2021-07-09 | 陕西科技大学 | 一种轴承故障诊断方法、装置及存储介质 |
CN113092113A (zh) * | 2021-04-08 | 2021-07-09 | 昆明理工大学 | 一种基于谱值比的滚动轴承故障诊断方法 |
CN113358356A (zh) * | 2021-06-07 | 2021-09-07 | 苏州大学 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
CN113465913A (zh) * | 2021-06-11 | 2021-10-01 | 电子科技大学 | 一种核电阀门的故障特征提取及优选方法 |
CN113654798A (zh) * | 2021-08-18 | 2021-11-16 | 西人马(深圳)科技有限责任公司 | 故障诊断方法、装置及电子设备 |
CN113702500A (zh) * | 2021-09-03 | 2021-11-26 | 郑州轻工业大学 | 基于二维连续小波变换的夹芯复合材料无损检测方法 |
CN113834658A (zh) * | 2021-10-27 | 2021-12-24 | 沈阳航空航天大学 | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 |
CN113899548A (zh) * | 2021-08-27 | 2022-01-07 | 北京工业大学 | 一种基于谐波峭度谱的滚动轴承故障诊断方法 |
CN114166507A (zh) * | 2021-11-19 | 2022-03-11 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
CN114510964A (zh) * | 2022-01-11 | 2022-05-17 | 广东德尔智慧工厂科技有限公司 | 一种轴承振动信号故障特征提取方法及系统 |
CN114556070A (zh) * | 2019-10-16 | 2022-05-27 | 西门子股份公司 | 具有实时算法的智能马达数据分析 |
CN115077902A (zh) * | 2022-05-02 | 2022-09-20 | 西北工业大学 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN116358873A (zh) * | 2023-05-31 | 2023-06-30 | 厚普智慧物联科技有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN117723303A (zh) * | 2024-02-01 | 2024-03-19 | 湘潭大学 | 一种风力发电机组轴承声学监测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
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 |
CN105426822A (zh) * | 2015-11-05 | 2016-03-23 | 郑州轻工业学院 | 基于双树复小波变换的非平稳信号多重分形特征提取方法 |
CN103940612B (zh) * | 2014-04-10 | 2016-05-25 | 昆明理工大学 | 一种滚动轴承故障特征提取方法及系统 |
US20170356936A1 (en) * | 2016-05-11 | 2017-12-14 | Mcmaster University | Enhanced system and method for conducting pca analysis on data signals |
CN107505135A (zh) * | 2017-08-15 | 2017-12-22 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
CN106203362B (zh) * | 2016-07-13 | 2019-02-12 | 广东工业大学 | 一种基于脉冲指标的旋转机械故障诊断方法 |
US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
-
2019
- 2019-06-27 CN CN201910567030.3A patent/CN110160791B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
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 |
CN103940612B (zh) * | 2014-04-10 | 2016-05-25 | 昆明理工大学 | 一种滚动轴承故障特征提取方法及系统 |
CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
CN105426822A (zh) * | 2015-11-05 | 2016-03-23 | 郑州轻工业学院 | 基于双树复小波变换的非平稳信号多重分形特征提取方法 |
US20170356936A1 (en) * | 2016-05-11 | 2017-12-14 | Mcmaster University | Enhanced system and method for conducting pca analysis on data signals |
CN106203362B (zh) * | 2016-07-13 | 2019-02-12 | 广东工业大学 | 一种基于脉冲指标的旋转机械故障诊断方法 |
CN107505135A (zh) * | 2017-08-15 | 2017-12-22 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
Non-Patent Citations (3)
Title |
---|
井云飞等: "基于振动与电流的感应电机轴承故障诊断系统", 《设备管理与维修》 * |
任学平等: "基于复合信号处理的滚动轴承早期微故障诊断研究", 《机械设计与制造》 * |
田福庆等: "《机械故障非平稳特征提取方法及其应用》", 30 June 2014 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736926A (zh) * | 2019-10-14 | 2020-01-31 | 湖南银河电气有限公司 | 电机运行状态的特征参数提取方法和装置 |
CN114556070A (zh) * | 2019-10-16 | 2022-05-27 | 西门子股份公司 | 具有实时算法的智能马达数据分析 |
CN110987431A (zh) * | 2019-11-08 | 2020-04-10 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
CN110987431B (zh) * | 2019-11-08 | 2021-11-23 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
CN110987438A (zh) * | 2019-12-04 | 2020-04-10 | 国网福建省电力有限公司 | 水轮发电机变转速过程周期性振动冲击信号检测的方法 |
CN110987438B (zh) * | 2019-12-04 | 2021-12-28 | 国网福建省电力有限公司 | 水轮发电机变转速过程周期性振动冲击信号检测的方法 |
CN110895687B (zh) * | 2019-12-24 | 2023-04-07 | 安徽工业大学 | 一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法 |
CN110895687A (zh) * | 2019-12-24 | 2020-03-20 | 安徽工业大学 | 一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法 |
CN111521399A (zh) * | 2020-03-23 | 2020-08-11 | 北京控制工程研究所 | 一种基于峭度指标与包络谱的空间轴承早期故障诊断方法 |
CN111444893A (zh) * | 2020-05-06 | 2020-07-24 | 南昌航空大学 | 一种矿井提升机主轴装置的故障诊断方法 |
CN111769810A (zh) * | 2020-06-29 | 2020-10-13 | 浙江大学 | 一种基于能量峭度谱的流体机械调制频率提取方法 |
CN111855211A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于故障特征增强的最优解调频带确定方法 |
CN112183290A (zh) * | 2020-09-22 | 2021-01-05 | 北京邮电大学 | 一种基于SAsFFT算法的机械故障诊断系统 |
CN112183290B (zh) * | 2020-09-22 | 2023-02-24 | 北京邮电大学 | 一种基于SAsFFT算法的机械故障诊断系统 |
CN112362348A (zh) * | 2020-10-27 | 2021-02-12 | 华北电力大学(保定) | 一种带式输送机托辊轴承故障声学监测方法 |
CN112307990A (zh) * | 2020-11-03 | 2021-02-02 | 中国兵器装备集团自动化研究所 | 基于ai技术分析振动信号监控机床加工中心健康状态方法 |
CN112945546A (zh) * | 2021-01-20 | 2021-06-11 | 南京航空航天大学 | 一种齿轮箱复杂故障精确诊断方法 |
CN113092113A (zh) * | 2021-04-08 | 2021-07-09 | 昆明理工大学 | 一种基于谱值比的滚动轴承故障诊断方法 |
CN113092114B (zh) * | 2021-04-08 | 2024-05-10 | 陕西科技大学 | 一种轴承故障诊断方法、装置及存储介质 |
CN113092113B (zh) * | 2021-04-08 | 2024-01-30 | 昆明理工大学 | 一种基于谱值比的滚动轴承故障诊断系统 |
CN113092114A (zh) * | 2021-04-08 | 2021-07-09 | 陕西科技大学 | 一种轴承故障诊断方法、装置及存储介质 |
CN113358356A (zh) * | 2021-06-07 | 2021-09-07 | 苏州大学 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
CN113465913A (zh) * | 2021-06-11 | 2021-10-01 | 电子科技大学 | 一种核电阀门的故障特征提取及优选方法 |
CN113654798A (zh) * | 2021-08-18 | 2021-11-16 | 西人马(深圳)科技有限责任公司 | 故障诊断方法、装置及电子设备 |
CN113899548A (zh) * | 2021-08-27 | 2022-01-07 | 北京工业大学 | 一种基于谐波峭度谱的滚动轴承故障诊断方法 |
CN113702500A (zh) * | 2021-09-03 | 2021-11-26 | 郑州轻工业大学 | 基于二维连续小波变换的夹芯复合材料无损检测方法 |
CN113834658A (zh) * | 2021-10-27 | 2021-12-24 | 沈阳航空航天大学 | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 |
CN114166507A (zh) * | 2021-11-19 | 2022-03-11 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
CN114166507B (zh) * | 2021-11-19 | 2024-04-12 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN114510964B (zh) * | 2022-01-11 | 2023-09-05 | 广东德尔智慧工厂科技有限公司 | 一种轴承振动信号故障特征提取方法及系统 |
CN114510964A (zh) * | 2022-01-11 | 2022-05-17 | 广东德尔智慧工厂科技有限公司 | 一种轴承振动信号故障特征提取方法及系统 |
CN115077902A (zh) * | 2022-05-02 | 2022-09-20 | 西北工业大学 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
CN115077902B (zh) * | 2022-05-02 | 2024-04-26 | 西北工业大学 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
CN116358873B (zh) * | 2023-05-31 | 2023-09-15 | 厚普清洁能源(集团)股份有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN116358873A (zh) * | 2023-05-31 | 2023-06-30 | 厚普智慧物联科技有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN117723303A (zh) * | 2024-02-01 | 2024-03-19 | 湘潭大学 | 一种风力发电机组轴承声学监测方法 |
CN117723303B (zh) * | 2024-02-01 | 2024-05-10 | 湘潭大学 | 一种风力发电机组轴承声学监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110160791B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110160791A (zh) | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 | |
Smith et al. | Optimal demodulation-band selection for envelope-based diagnostics: A comparative study of traditional and novel tools | |
Randall et al. | The relationship between spectral correlation and envelope analysis in the diagnostics of bearing faults and other cyclostationary machine signals | |
CN103857995B (zh) | 用于变速箱的状态监控的方法和系统 | |
CN106769033A (zh) | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 | |
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 | |
CN110177017B (zh) | 一种减速机智能故障诊断系统及其诊断方法 | |
CN106289774A (zh) | 一种滚动轴承故障识别与趋势预测方法 | |
CN107064298B (zh) | 一种运行中风机叶片裂纹的激光检测方法 | |
CN102435436A (zh) | 风扇轴承状态退化评估方法 | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN106646034A (zh) | 一种避雷器结构健康在线监测分析系统 | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN105865794A (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
CN114548437A (zh) | 一种基于工业物联网的旋转设备智能运维系统及运维方法 | |
CN106932200A (zh) | 滚动轴承故障的高斯过程多特征智能诊断方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN109883705A (zh) | 电机滚动轴承局部点蚀故障诊断方法及其诊断系统 | |
CN104359685A (zh) | 一种柴油机故障识别方法 | |
CN114323642A (zh) | 风电机组振动数据处理系统以及数据稀释方法 | |
CN117093945A (zh) | 一种旋转机械状态在线监测与故障分析系统 | |
CN107944418A (zh) | 一种使用Wi‑FiCSI信息检测疲劳驾驶的方法 | |
CN107704712A (zh) | 基于全矢谱特征提取的机械故障诊断方法和系统 | |
CN105807204A (zh) | 基于频谱细化的硬件木马检测方法 | |
CN110411730B (zh) | 一种旋转设备故障判断方法、系统和可读存储介质 |
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 |