CN110188485B - 一种滚动轴承动态性能劣化趋势自适应获取方法 - Google Patents

一种滚动轴承动态性能劣化趋势自适应获取方法 Download PDF

Info

Publication number
CN110188485B
CN110188485B CN201910474867.3A CN201910474867A CN110188485B CN 110188485 B CN110188485 B CN 110188485B CN 201910474867 A CN201910474867 A CN 201910474867A CN 110188485 B CN110188485 B CN 110188485B
Authority
CN
China
Prior art keywords
wavelet
rolling bearing
self
adaptive
lifting
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.)
Active
Application number
CN201910474867.3A
Other languages
English (en)
Other versions
CN110188485A (zh
Inventor
姜阔胜
周远远
胡松
李阳
柯虎城
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201910474867.3A priority Critical patent/CN110188485B/zh
Publication of CN110188485A publication Critical patent/CN110188485A/zh
Priority to LU101506A priority patent/LU101506B1/en
Application granted granted Critical
Publication of CN110188485B publication Critical patent/CN110188485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Acoustics & Sound (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Rolling Contact Bearings (AREA)

Abstract

本发明公开一种滚动轴承动态性能劣化趋势自适应获取方法，先选用三次Hermite样条多小波作为多小波提升的对象，运用多小波提升框架构造多小波基函数，其次，选用提升后的三次Hermite样条多小波对滚动轴承瞬态波形规律进行辨识和仿真分析，最后选用归一化多小波信息熵对滤波后的滚动轴承故障程度信号进行处理，计算其归一化多小波信息熵，对滚动轴承故障信号进行定量分析，本发明从定量的角度评价了滚动轴承故障程度，并且，多小波瞬态波形匹配解决了传统方法的波形匹配单一性问题，提高了滚动轴承故障诊断的准确性。

Description

一种滚动轴承动态性能劣化趋势自适应获取方法
技术领域
本发明涉及机械故障诊断领域，具体涉及一种滚动轴承动态性能劣化趋势自适应获取方法。
背景技术
基础部件状态检测与故障诊断是保障机械设备安全运行的关键，它直接关系到维护策略制定的准确性和实施的有效性，传统信号处理方法主要处理单一波的结构信号，而随轴承性能的衰减，波形基本结构会发生变化，需要先进的能够运用于多种波形同时匹配的信号处理方法。目前多数人都在研究轴承早期故障信号或是某一时刻的瞬态故障信号，大多数使用二代小波变换，经典小波变换或是神经网络算法信号处理方法进行信号分析与处理。但是，无论是采用上述那种信号处理方法都有一定的局限性和不足。因此，实现滚动轴承动态性能劣化趋势自适应获取具有十分重要的意义。
发明内容
本发明的目的在于提供一种滚动轴承动态性能劣化趋势自适应获取方法，为了克服上述现有技术的缺点，提高了检测的准确性和效率，对滚动轴承动态性及故障检测具有重要意义。
本发明的目的可以通过以下技术方案实现：
一种滚动轴承动态性能劣化趋势自适应获取方法，其特征在于，包括以下步骤：
第一步，构建新的多小波基函数。
第二步，滚动轴承故障发展的动态冲击波形演化规律进行辨识，选用提升三次Hermite样条多小波对滚动轴承瞬态波形演化规律进行辨识，提升后的三次Hermite样条多小波的两种小波基函数分别为：Laplace小波和Morlet小波，其中Laplace小波和Morlet小波的函数表达如下：
Figure GDA0002524585580000021
Figure GDA0002524585580000022
第三步，利用提升多小波冲击变形信号多波形自适应匹配算法对滚动轴承瞬态多波形进行仿真分析，根据第二步给出的滚动轴承故障发展过程中的波形演化规律建立如下仿真模型：
Figure GDA0002524585580000023
其中yLaplace(t)和yMorlet(t)是第三步中提升三次Hermite样条多小波的两个小波基函数的表达式，正弦分量为仿真旋转机械的运行特征，仿真信号加高斯白噪声使SNR＝7。
第四步，基于归一化多小波信息熵的滚动轴承定量诊断方法如下，选用归一化多小波信息熵对滤波后信号进行处理，对于一个不确定性系统X＝{xn}，其信息熵S(X)可表示为下式：
Figure GDA0002524585580000024
其中{pi}-{xn}的概率如下：
Figure GDA0002524585580000025
对运行过程中的动态信号，采用提升多小波进行自适应i层分解，得到2(i+1)个频带信号。
其中，归一化多小波信息熵Enmwt定义如下：
Figure GDA0002524585580000026
其中
Figure GDA0002524585580000027
为第i个分支第j个频带分解逼近信号xi，j的能量。
通过上述过程可知Enmwt∈[0，1]，如果2(i+1)个频带具有相同的相对能量，则相当于等概率分布，此时Enmwt＝1，若全部能量集中在一个频带里，则设备状态单一，此时Enmwt＝0。
第六步，对本发明所述的滚动轴承动态性能劣化趋势自适应获取方法进行实验验证，选用滚动轴承从新到严重磨损长期监测的连续数据，利用提升三次Hermite样条多小波对其故障程度信号进行自适应匹配，并计算其归一化多小波信息熵，得到其变化趋势，分析结果。
进一步地，所述构建新的多小波基函数，包括以下步骤：
1)选用三次Hermite样条多小波作为多小波提升的对象。
2)利用多小波提升框架构造多小波基函数，提升方法构造多小波的过程可以表述为：首先确定初始多小波ω0(x)，其中ω0（x)＝Ψ1或Ψ2。
其次选取业内关于修正多小波的其它基函数ω1(x)，ω2(x)，...，ωk(x)的平移量k。
最后根据下式的提升系数方程
Figure GDA0002524585580000031
构造新的多小波
Figure GDA0002524585580000032
其中ci为提升系数。
本发明的有益效果：根据原始信号与不同冲击波形的相关程度，自适应选取最匹配的基函数对振动信号进行分解，解决传统方法的波形匹配单一性问题，实现了滚动轴承运行状态动态性能定量评价中的瞬态波形多波形精确匹配。并在此基础上，结合归一化多小波信息熵实现了滚动轴承运行状态动态性能定量评价，提高了检测的准确性和效率，对滚动轴承动态性及故障检测具有重要意义。
附图说明
下面结合附图对本发明作进一步的说明。
图1为滚动轴承动态性能劣化趋势自适应获取方法流程图；
图2为三次Hermite样条多小波的多尺度函数；
图3为三次Hermite样条多小波的多尺度函数；
图4为三次Hermite样条多小波的多小波函数；
图5为三次Hermite样条多小波的多小波函数；
图6为提升三次Hermite样条多小波的多尺度函数；
图7为提升三次Hermite样条多小波的多尺度函数；
图8为提升三次Hermite样条多小波的多小波函数；
图9为提升三次Hermite样条多小波的多小波函数；
图10为滚动轴承瞬态波形图；
图11为轴承性能退化过程图；
图12为归一化多小波信息熵变化曲线图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
一种滚动轴承动态性能劣化趋势自适应获取方法，其整体流程图，如图1所示，包括以下步骤：
第一步，构建新的多小波基函数，包括以下步骤:
1)选用三次Hermite样条多小波作为多小波提升的对象，其多尺度函数和多小波函数，如图2和图3所示，为三次Hermite样条多小波的两个多尺度函数，如图4和图5所示，为三次Hermite样条多小波的两个多小波函数；
2)利用多小波提升框架构造多小波基函数，提升方法构造多小波的过程可以表述为：首先确定初始多小波ω0(x)，其中ω0(x)＝Ψ1或Ψ2；其次选取业内关于修正多小波的其它基函数ω1(x)，ω2(x)，...，ωk(x)的平移量k；最后根据下式的提升系数方程
Figure GDA0002524585580000051
构造新的多小波
Figure GDA0002524585580000052
其中ci为提升系数，提升框架可以改造现有的多小波，使得多小波基函数具有任意阶的消失矩，从而构造具有理想特性的自适应多小波。
第二步，滚动轴承故障发展的动态冲击波形演化规律进行辨识，选用提升三次Hermite样条多小波对滚动轴承瞬态波形演化规律进行辨识，提升三次Hermite样条多小波多尺度函数和多小波函数，如图6和图7所示，为提升三次Hermite样条多小波的两个多尺度函数，如图8和图9所示，为提升三次Hermite样条多小波的两个多小波函数，滚动轴承瞬态波形如图10所示；
提升后的三次Hermite样条多小波的两种小波基函数分别为：Laplace小波和Morlet小波，如图8和图9所示；选用这两种小波基函数可以对滚动轴承故障程度信号进行最有效的辨识。
Laplace小波和Morlet小波的函数表达如下：
Figure GDA0002524585580000053
Figure GDA0002524585580000054
式中：f——信号振荡频率；
Figure GDA0002524585580000055
——阻尼系数；τ——延时因子；Ws——瞬态波形周期，t-时间序列。
第三步，利用提升多小波冲击变形信号多波形自适应匹配算法对滚动轴承瞬态多波形进行仿真分析，根据第二步给出的滚动轴承故障发展过程中的波形演化规律建立如下仿真模型：
Figure GDA0002524585580000061
式中：SNR——信噪比；yLaplace——Laplace小波基函数；yMorlet——Morlet小波基函数；τ——延时因子；t-时间序列；
其中yLaplace(t)和yMorlet(t)是第三步中提升三次Hermite样条多小波的两个小波基函数的表达式，正弦分量为仿真旋转机械的运行特征，仿真信号加高斯白噪声使SNR＝7。
第四步，基于归一化多小波信息熵的滚动轴承定量诊断方法如下，选用归一化多小波信息熵对滤波后信号进行处理，对于一个不确定性系统X＝{xn}，其信息熵S(X)可表示为下式：
Figure GDA0002524585580000062
其中{pi}-{xn}的概率如下：
Figure GDA0002524585580000063
多小波信息熵是对被分析信号在每个频带的能量分布作出的一个统计分析，它以多小波在不同频带上的分解系数为基准对信号能量进行划分，最终以一个定量的熵值来反映信号能量的分布复杂度，对运行过程中的动态信号，采用提升多小波进行自适应i层分解，得到2(i+1)个频带信号。
其中，归一化多小波信息熵Enmwt定义如下：
Figure GDA0002524585580000064
式中：Enmwt---归一化多小波信息熵；i——多小波分解的分支，i＝1，2；j——多小波分解的频带，j＝1，2，…，l+1；
Figure GDA0002524585580000065
----第i个分支第j频带分解逼近信号xi，j的能量；l---自适应分解层数；
通过上述过程可知Enmwt∈[0，1]，如果2(i+1)个频带具有相同的相对能量，则相当于等概率分布，此时Enmwt＝1，若全部能量集中在一个频带里，则设备状态单一，此时Enmwt＝0。
第五步，对本发明所述的滚动轴承动态性能劣化趋势自适应获取方法进行实验验证；
选用滚动轴承从新到严重磨损长期监测的连续数据，轴承性能退化过程如图11所示，利用提升三次Hermite样条多小波对其故障程度信号进行自适应匹配，并计算其归一化多小波信息熵，得到归一化多小波信息熵变化曲线，如图12所示，分析结果。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (2)

1.一种滚动轴承动态性能劣化趋势自适应获取方法，其特征在于，包括以下步骤：
第一步，构建新的多小波基函数；
第二步，滚动轴承故障发展的动态冲击波形演化规律进行辨识，选用提升三次Hermite样条多小波对滚动轴承瞬态波形演化规律进行辨识，提升后的三次Hermite样条多小波的两种小波基函数分别为：Laplace小波和Morlet小波，其中Laplace小波和Morlet小波的函数表达如下：
Figure FDA0002524585570000011
Figure FDA0002524585570000012
式中：f——信号振荡频率；
Figure FDA0002524585570000013
——阻尼系数；τ——延时因子；Ws——瞬态波形周期，t–时间序列；
第三步，利用提升多小波冲击变形信号多波形自适应匹配算法对滚动轴承瞬态多波形进行仿真分析，根据第二步给出的滚动轴承故障发展过程中的波形演化规律建立如下仿真模型：
Figure FDA0002524585570000014
式中：SNR——信噪比；yLaplace——Laplace小波基函数；yMorlet——Morlet小波基函数；τ——延时因子；t—时间序列；
其中yLaplace(t)和yMorlet(t)是第三步中提升三次Hermite样条多小波的两个小波基函数的表达式，正弦分量为仿真旋转机械的运行特征，仿真信号加高斯白噪声使SNR＝7；
第四步，基于归一化多小波信息熵的滚动轴承定量诊断方法如下，选用归一化多小波信息熵对滤波后信号进行处理，对于一个不确定性系统X＝{xn}，其信息熵S(X)表示为下式：
Figure FDA0002524585570000021
其中{pi}-{xn}的概率如下：
Figure FDA0002524585570000022
对运行过程中的动态信号，采用提升多小波进行自适应i层分解，得到2(i+1)个频带信号；
其中，归一化多小波信息熵Enmwt定义如下：
Figure FDA0002524585570000023
式中：Enmwt---归一化多小波信息熵；i——多小波分解的分支，i＝1，2；j——多小波分解的频带，j＝1，2，…，l+1；
Figure FDA0002524585570000024
----第i个分支第j频带分解逼近信号xi，j的能量；l---自适应分解层数；
通过上述过程知Enmwt∈[0，1]，如果2(i+1)个频带具有相同的相对能量，则相当于等概率分布，此时Enmwt＝1，若全部能量集中在一个频带里，则设备状态单一，此时Enmwt＝0；
第五步，对所述的滚动轴承动态性能劣化趋势自适应获取方法进行实验验证，选用滚动轴承从新到严重磨损长期监测的连续数据，利用提升三次Hermite样条多小波对其故障程度信号进行自适应匹配，并计算其归一化多小波信息熵，得到其变化趋势，分析结果。
2.根据权利要求1所述的一种滚动轴承动态性能劣化趋势自适应获取方法，其特征在于，所述构建新的多小波基函数，包括以下步骤：
1)选用三次Hermite样条多小波作为多小波提升的对象；
2)利用多小波提升框架构造多小波基函数，提升方法构造多小波的过程表述为：首先确定初始多小波ω0(x)，其中ω0(x)＝Ψ1或Ψ2；
其次选取业内关于修正多小波的其它基函数ω1(x)，ω2(x)，...，ωk(x)的平移量k：
最后根据下式的提升系数方程
Figure FDA0002524585570000031
构造新的多小波
Figure FDA0002524585570000032
其中ci为提升系数。
CN201910474867.3A 2019-06-03 2019-06-03 一种滚动轴承动态性能劣化趋势自适应获取方法 Active CN110188485B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910474867.3A CN110188485B (zh) 2019-06-03 2019-06-03 一种滚动轴承动态性能劣化趋势自适应获取方法
LU101506A LU101506B1 (en) 2019-06-03 2019-12-03 Method for self-adaptively acquiring a deterioration tendency of dynamic performance of rolling bearing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910474867.3A CN110188485B (zh) 2019-06-03 2019-06-03 一种滚动轴承动态性能劣化趋势自适应获取方法

Publications (2)

Publication Number Publication Date
CN110188485A CN110188485A (zh) 2019-08-30
CN110188485B true CN110188485B (zh) 2020-08-25

Family

ID=67719807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910474867.3A Active CN110188485B (zh) 2019-06-03 2019-06-03 一种滚动轴承动态性能劣化趋势自适应获取方法

Country Status (2)

Country Link
CN (1) CN110188485B (zh)
LU (1) LU101506B1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777611A (zh) * 2016-12-02 2017-05-31 上海无线电设备研究所 复杂周转轮系微弱故障识别与性能退化监测系统及方法
WO2019056087A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. SYSTEM AND METHOD FOR AUTOMATED MALFUNCTION DIAGNOSIS AND PROGNOSIS FOR ROTARY EQUIPMENT
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777611A (zh) * 2016-12-02 2017-05-31 上海无线电设备研究所 复杂周转轮系微弱故障识别与性能退化监测系统及方法
WO2019056087A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. SYSTEM AND METHOD FOR AUTOMATED MALFUNCTION DIAGNOSIS AND PROGNOSIS FOR ROTARY EQUIPMENT
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE

Also Published As

Publication number Publication date
CN110188485A (zh) 2019-08-30
LU101506B1 (en) 2020-05-20

Similar Documents

Publication Publication Date Title
Chen et al. Fault feature extraction and diagnosis of rolling bearings based on wavelet thresholding denoising with CEEMDAN energy entropy and PSO-LSSVM
Gao et al. A novel wind turbine fault diagnosis method based on intergral extension load mean decomposition multiscale entropy and least squares support vector machine
Zhou et al. A novel method based on nonlinear auto-regression neural network and convolutional neural network for imbalanced fault diagnosis of rotating machinery
Feng et al. Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning
Han et al. A recursive sparse representation strategy for bearing fault diagnosis
Ding et al. Fast time-frequency manifold learning and its reconstruction for transient feature extraction in rotating machinery fault diagnosis
Zhou et al. Mechanical equipment fault diagnosis based on redundant second generation wavelet packet transform
Lin et al. Rolling bearing fault diagnosis using impulse feature enhancement and nonconvex regularization
Dubey et al. Bearing fault classification using ANN‐based Hilbert footprint analysis
CN106650071A (zh) 用于滚动轴承智能故障诊断的方法
CN110795843A (zh) 一种识别滚动轴承故障的方法及装置
Du et al. Weighted low-rank sparse model via nuclear norm minimization for bearing fault detection
Ding et al. Transient feature extraction based on time–frequency manifold image synthesis for machinery fault diagnosis
Zhang et al. Bearing fault diagnosis under various operation conditions using synchrosqueezing transform and improved two-dimensional convolutional neural network
GS et al. Evaluation of effectiveness of wavelet based denoising schemes using ANN and SVM for bearing condition classification
CN114548190B (zh) 一种基于自适应残差神经网络的风力涡轮机故障诊断方法及装置
CN107886078A (zh) 一种基于分层自适应阈值函数的小波阈值降噪方法
Yuan et al. Compressive sensing-based feature extraction for bearing fault diagnosis using a heuristic neural network
Vargas et al. Electrocardiogram signal denoising by clustering and soft thresholding
Feng et al. A fault diagnosis for rolling bearing based on multilevel denoising method and improved deep residual network
CN112098093A (zh) 一种轴承故障特征识别方法及识别系统
Cao et al. A feature transferring fault diagnosis based on WPDR, FSWT and GoogLeNet
Li New sparse regularization approach for extracting transient impulses from fault vibration signal of rotating machinery
Fan et al. A joint wavelet lifting and independent component analysis approach to fault detection of rolling element bearings
Huijie et al. Structured sparsity assisted online convolution sparse coding and its application on weak signature detection

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