CN110274764B - 一种基于振动加速度信号的机车电机轴承自动诊断方法 - Google Patents
一种基于振动加速度信号的机车电机轴承自动诊断方法 Download PDFInfo
- Publication number
- CN110274764B CN110274764B CN201910496101.5A CN201910496101A CN110274764B CN 110274764 B CN110274764 B CN 110274764B CN 201910496101 A CN201910496101 A CN 201910496101A CN 110274764 B CN110274764 B CN 110274764B
- Authority
- CN
- China
- Prior art keywords
- frequency
- bearing
- fault
- spectrum
- probability
- 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
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
Abstract
本公开揭示了一种基于振动加速度信号的机车电机轴承自动诊断方法,包括:采集电机轴承的振动加速度信号和转速键相信号;进行阶次跟踪及恒角度增量采样,将振动加速度信号转化为角域振动加速度信号;计算FFT频谱与EEVS增强包络谱;根据轴承故障频率设置FFT频谱与EEVS增强包络谱中的有效频带;根据FFT频谱与EEVS增强包络谱中的频带能量计算轴承各部件的故障概率;设置权重并计算轴承各部件的加权概率;比对预设的故障基准概率与当前轴承的加权概率的大小,从而自动判断故障类型,同时,以加权概率的大小表示故障的严重程度。
Description
技术领域
本公开属于信号处理分析与故障诊断领域,具体涉及一种基于振动加速度信号的机车电机轴承自动诊断方法。
背景技术
电机轴承是铁路机车的故障易发部件,严重影响机车运行安全,对其进行准确、自动的故障诊断能显著减少电机设计及机务维修等部门的故障排查工作量。目前,振动加速度信号在机车电机轴承故障诊断中得到了最广泛的应用,通过采集振动加速度信号不仅能够对故障程度进行预警而且能够实现故障定位。其中,故障程度预警指标主要包括:峰峰值、均方幅值、峭度值;故障定位方法主要包括:FFT频谱分析方法、包络谱分析方法、共振解调方法以及学习分类方法。上述报警指标容易受噪声干扰,对故障不敏感,造成误诊断及漏诊断的问题比较严重;上述故障定位方法需依靠专业人员解读故障结果,非常依赖个人经验,造成人工成本巨大。此外,随着人工智能的发展,目前虽然已经存在一些电机轴承故障诊断的自动算法,例如K均值聚类、知识向量机SVM、卷积神经网络CNN以及更复杂的深度网络,但是这些方法均需要大量的数据,而且结果不稳定,缺乏可解释性,在工程应用中仍面临很大的难题。
发明内容
针对上述问题,本公开的目的在于提出一种基于振动加速度信号的机车电机轴承自动诊断方法,基于轴承故障概率模型的建立,能够同时评估轴承内圈、外圈、保持架及滚子的故障概率,当对应部件的故障概率大于等于基准概率,则认为对应部件存在故障,且概率越大,故障程度越大。本公开对工况变化有优越的自适应能力,而且具有很好的可解读性,在保证诊断可靠性的前提下能够显著减少人工参与的工作量。
一种基于振动加速度信号的机车电机轴承自动诊断方法,包括如下步骤:
S100:采集电机轴承的振动加速度信号x(t)和转速键相信号v(t);
S200:对所述振动加速度信号x(t)进行阶次跟踪及恒角度增量采样:根据转速键相信号获取时间与轴承旋转角度的对应关系θ=v(t),将时间t与轴承旋转角度θ的函数关系t=v-1(θ)代入所采集的振动加速度信号x(t)中获得角域振动加速度信号x(v-1(θ)),简化表示为
S400:计算FFT频谱与EEVS增强包络谱中轴承各部件的故障频率及其倍频所在的频带;
S500:根据FFT频谱与EEVS增强包络谱分别计算轴承各部件的故障频率及其倍频所在的频带的频谱幅值之和,将该频谱幅值之和定义为轴承各部件的故障概率;
S600:根据FFT频谱及EEVS增强包络谱,针对每一个轴承部件计算出两个故障概率,分别设置用于早期和中晚期故障诊断的EEVS增强包络谱及FFT频谱的两个不同权重,根据所述权重对故障概率加权求和计算得到轴承各部件的加权概率;
S700:设定用于判断所述加权概率是否有效的基准概率pbase,分别对照轴承各部件的加权概率与基准概率pbase的大小关系确定轴承各部件是否存在故障及故障程度。
优选的,步骤S100中,所述振动加速度信号x(t)通过振动加速度传感器采集,所述转速键相信号v(t)通过霍尔传感器采集。
优选的,步骤S300包括:
S301:计算轴承旋转角度θ与时间延迟τ的自相关函数RX(θ,τ):
其中,表示步骤S200中的角域振动加速度信号x(v-1(θ));θ(t)表示t时刻轴承的旋转角度,单位为弧度;τ表示时间延迟;θ(t-τ)表示τ时刻之前的轴承旋转角度;E表示求数学期望值的运算;*表示复共轭运算;
其中,f表示频率,单位为Hz;Fτ→f表示傅里叶变换;
其中,Θ表示旋转角度范围,α表示循环阶次频率,单位为Hz,j为虚数;
S305:根据阶次谱相关性,将指定频率范围[f1,f2]的谱相关性相加,得到EEVS增强包络谱:
其中,αk表示α离散化后的第k个阶次变量,min和max分别表示求最小值和最大值的运算;
优选的,步骤S400中,所述轴承各部件的故障频率及其倍频所在的频带包括:
内圈故障频率及其倍频所在的频带:
InnerBi=[qfi-qwfi,qfi+qwfi]
外圈故障频率及其倍频所在的频带:
OuterBi=[qfo-qwfo,qfo+qwfo]∪[qfo-q(1-w)fr,qfo+q(1+w)fr]
滚子故障频率及其倍频所在的频带:
RollBi=[qfb-qwfb,qfb+qwfb]
保持架故障频率及其倍频所在的频带:
CaseBi=[qfc-qwfc,qfc+qwfc]
其中,q为倍频编号;w为带宽系数,表示轴承部件的故障频率偏离理论值的最大比例;fo为外圈故障频率;fi为内圈故障频率;fb为滚子故障频率;fc为保持架故障频率。
优选的,所述外圈故障频率为:
fo=1/60*1/2*n(1-d/D*cosα)
所述内圈故障频率为:
fi=1/60*1/2*n(1+d/D*cosα)
所述滚子故障频率为:
fb=1/60*1/2*D/d*[1-(d/D)2*cos2α]
所述保持架故障频率为:
fc=1/60*1/2*(1-d/D*cosα)
其中,n为滚珠个数,d为滚子直径,D为轴承节径,α为滚子接触角,单位为弧度。
优选的,步骤S500中,所述轴承各部件的故障概率包括:
内圈故障概率:
外圈故障概率:
保持架故障概率:
滚子故障概率:
其中,可同时表示两种频谱,即幅值标准归一化的FFT频谱和幅值标准归一化的EEVS增强包络谱Mean表示求平均值运算,Pb为阈值系数,表示阈值与频谱均值的比例关系,αk表示α离散化后的第k个阶次变量,max(αk)表示阶次变量的最大值,q为倍频编号,Q为最大倍频个数。
优选的,步骤S600中,所述轴承各部件的加权概率为:
其中,w1和w2分别表示FFT频谱和EEVS增强包络谱的权重; 分别表示FFT频谱及EEVS增强包络谱中内圈、外圈、保持架和滚子的概率;pinner、pouter、pcase和proll分别表示内圈故障、外圈故障、保持架故障及滚子故障的加权概率。
优选的,步骤S700中,若轴承各部件的加权概率大于等于基准概率pbase,表示对应的轴承部件存在故障,且加权概率大小等于故障程度大小;若轴承各部件的加权概率小于基准概率pbase,表示对应的轴承部件不存在故障。
与现有技术相比,本公开带来的有益效果为:
1、相比传统方法,本公开充分考虑了增强包络谱和FFT频谱在早期及中、晚期故障诊断的优缺点,通过引入频谱图权重,将两种频谱有机结合,提高了故障诊断准确率;
2、引入了轴承故障的概率模型,对轴承各个部件的故障进行定量描述,避免传统故障诊断结果只存在有和无的弊端,进而通过概率比对实现轴承故障的自动诊断,节约人力成本,并便于工程化应用。
附图说明
图1是本公开提供的一种基于振动加速度信号的机车电机轴承自动诊断方法流程图;
图2是本公开实施例提供的牵引电机台架试验台的结构示意图;
图3是本公开实施例提供的振动加速度信号的示意图;
图4是本公开实施例提供的标注了6311轴承故障频率的FFT频谱及EEVS增强包络频谱示意图;
图5是本公开实施例提供的标注了NU214轴承故障频率的FFT频谱及EEVS增强包络频谱示意图。
具体实施方式
下面结合附图和实施例对本公开的技术方案进行详细说明。
如图1所示,一种基于振动加速度信号的机车电机轴承自动诊断方法,包括如下步骤:
S100:采集电机轴承的振动加速度信号x(t)和转速键相信号v(t);
S200:对所述振动加速度信号x(t)进行阶次跟踪及恒角度增量采样:根据转速键相信号获取时间与轴承旋转角度的对应关系θ=v(t),将时间t与轴承旋转角度θ的函数关系t=v-1(θ)代入所采集的振动加速度信号x(t)中获得角域振动加速度信号x(v-1(θ)),简化表示为
S400:计算所述FFT频谱与EEVS增强包络谱中轴承各部件的故障频率及其倍频所在的频带;
S500:根据FFT频谱与EEVS增强包络谱分别计算所述轴承各部件的故障频率及其倍频所在的频带的频谱幅值之和,将该频谱幅值之和定义为轴承各部件的故障概率;
S600:根据FFT频谱及EEVS增强包络谱,针对每一个轴承部件计算出两个故障概率,分别设置用于早期和中晚期故障诊断的EEVS增强包络谱及FFT频谱的两个不同权重,根据所述权重对故障概率加权求和计算得到轴承各部件的加权概率;
S700:设定用于判断所述加权概率是否有效的基准概率pbase,分别对照轴承各部件的加权概率与基准概率pbase的大小关系确定轴承各部件是否存在故障及故障程度。
上述实施例构成了本公开的完整技术方案,与现有技术不同:上述实施例充分考虑了EEVS增强包络谱和FFT频谱在早期及中、晚期故障诊断的优缺点,通过引入频谱图权重,并将两种频谱有机相结合,提高了故障诊断准确率;另外,通过引入轴承故障的概率模型,对轴承各个部件的故障进行定量描述,避免了传统故障诊断只进行有或无的定性描述而导致诊断结果模糊,能够通过概率比对实现轴承故障的自动诊断,节约人力成本,便于工程化应用。
另一个实施例中,步骤S100中,所述振动加速度信号x(t)通过振动加速度传感器采集,所述转速键相信号v(t)通过霍尔传感器采集。
另一个实施例中,所述步骤S300包括:
S301:计算轴承旋转角度θ与时间延迟τ的自相关函数RX(θ,τ):
其中,表示步骤S200中的角域振动加速度信号x(v-1(θ));θ(t)表示t时刻旋转轴的旋转角度,单位为弧度;τ表示时间延迟;θ(t-τ)表示τ时刻之前的轴承旋转角度;E表示求数学期望值的运算;*表示复共轭运算。
其中,f表示频率,单位为Hz;Fτ→f表示傅里叶变换;
其中,Θ表示旋转角度范围,α表示循环阶次频率,单位为Hz,j为虚数;
S305:根据阶次谱相关性,将指定频率范围[f1,f2]的谱相关性相加,得到EEVS增强包络谱:
其中,αk表示α离散化后的第k个阶次变量,min和max分别表示求最小值和最大值的运算;
另一个实施例中,步骤S400中,所述轴承各部件的故障频率及其倍频所在的频带包括:
内圈故障频率所在频带:
InnerBi=[qfi-qwfi,qfi+qwfi]
外圈故障频率所在频带:
OuterBi=[qfo-qwfo,qfo+qwfo]∪[qfo-q(1-w)fr,qfo+q(1+w)fr]
滚子故障频率所在频带:
RollBi=[qfb-qwfb,qfb+qwfb]
保持架故障频率所在频带:
CaseBi=[qfc-qwfc,qfc+qwfc]
其中,q为倍频编号;w为带宽系数,表示轴承部件的故障频率偏离理论值的最大比例;fo为外圈故障频率;fi为内圈故障频率;fb为滚子故障频率;fc为保持架故障频率。
另一个实施例中,
所述外圈故障频率为:
fo=1/60*1/2*n(1-d/D*cosα)
所述内圈故障频率为:
fi=1/60*1/2*n(1+d/D*cosα)
所述滚子故障频率为:
fb=1/60*1/2*D/d*[1-(d/D)2*cos2α]
所述保持架故障频率为:
fc=1/60*1/2*(1-d/D*cosα)
其中,n为滚珠个数,d为滚子直径,D为轴承节径,α为滚子接触角,单位为弧度。
另一个实施例中,步骤S500中,所述轴承各部件的故障概率包括:
内圈故障概率:
外圈故障概率:
保持架故障概率:
滚子故障概率:
其中,可同时表示两种频谱,即幅值标准归一化的FFT频谱和幅值标准归一化的EEVS增强包络谱Mean表示求平均值运算,Pb为阈值系数,表示阈值与频谱均值的比例关系,αk表示α离散化后的第k个阶次变量,max(αk)表示阶次变量的最大值,q为倍频编号,Q为最大倍频个数。
本实施例中,根据上述故障概率计算公式可得到故障概率表,概率表中同时包含FFT频谱及EEVS增强包络谱分别诊断轴承各部件故障得到的概率。
另一个实施例中,步骤S600中,所述轴承各部件的加权概率为:
其中,w1和w2分别表示FFT频谱和EEVS增强包络谱的权重; 分别表示FFT频谱及EEVS增强包络谱中内圈、外圈、保持架和滚子的概率;pinner、pouter、pcase和proll分别表示内圈故障、外圈故障、保持架故障及滚子故障的加权概率。
另一个实施例中,步骤S700中,若指定轴承部件的加权概率大于等于基准概率pbase,表示对应的轴承部件存在故障,且加权概率大小等于故障程度大小;若指定轴承部件的加权概率小于基准概率pbase,表示对应的轴承部件不存在故障。
本实施例中,若内圈故障、外圈故障、保持架故障及滚子故障的加权概率均小于基准概率pbase,则表明没有明显故障;若至少有一个加权概率大于基准概率,则表示对应的故障比较明显,且加权概率越大,故障程度越大。
在一个具体的实施例中,如图2所示,在牵引电机台架试验台上进行轴承故障自诊断,具体诊断过程如下:
1、轴承试验台装载1个故障NTN NU6311轴承和1个故障NTN NU214轴承。在图2所示A处安装1个振动传感器,用于获取故障NTN NU6311轴承和故障NTN NU214轴承的振动加速度信号x(t),在B处安装一个霍尔传感器,用于实时采集轴承的转速键相信号v(t);所采集的振动加速度信号如图3所示,可以看到,图3中所显示的振动加速度信号波形看不到明显的故障冲击特征;
2、根据转速键相信号v(t)获取时间与旋转角度的对应关系θ=v(t),将时间t与转角θ的函数关系t=v-1(θ)代入所采集的振动加速度信号x(t)中获得角域振动加速度信号x(v-1(θ)),简化表示为
3.1、将轴承旋转角度θ与时间时间延迟τ的自相关函数RX(θ,τ)定义为:
其中,表示步骤2中的角域振动加速度信号x(v-1(θ));θ(t)表示t时刻轴承的旋转角度,单位为弧度;τ表示时间延迟;θ(t-τ)表示τ时刻之前的轴承旋转角度;E表示求数学期望值的运算;*表示复共轭运算;
其中,f表示频率,单位为Hz;Fτ→f表示傅里叶变换。
其中,Θ表示旋转角度范围,α表示循环阶次频率,单位为Hz,j为虚数。
3.5、根据阶次谱相关性,将指定频率范围[f1,f2]的谱相关性相加,得到EEVS增强包络谱:
其中,αk表示α离散化后的第k个阶次变量,min和max分别表示求最小值和最大值的运算。
4、计算FFT频谱与EEVS增强包络谱中轴承各部件的故障频率及其倍频所在的频带;
轴承的转频:fr=r/60,其中,r为转速,单位为转/分;
轴承各部件的理论故障频率计算公式如下:
外圈故障频率为:fo=1/60*1/2*n(1-d/D*cosα)
内圈故障频率为:fi=1/60*1/2*n(1+d/D*cosα)
滚子故障频率为:fb=1/60*1/2*D/d*[1-(d/D)2*cos2α]
保持架故障频率为:fc=1/60*1/2*(1-d/D*cosα)
其中,n为滚珠个数,d为滚子直径,D为轴承节径,α为滚子接触角,单位为弧度。
该实施例中,计算得到的NU214外圈、内圈、保持架及滚子的故障频率分别为:fo=6.933*fr,fi=9.067*fr,fc=0.433*frfb=3.683*fr。6311外圈、内圈、保持架及滚子的故障频率分别为:fo=3.057*fr,fi=4.943*fr,fc=0.382*fr fb=2.002*fr。
进一步的,轴承各部件的故障频率及其倍频所在的频带如下:
内圈故障频率及其倍频所在的频带为:
InnerBi=[qfi-qwfi,qfi+qwfi]
外圈故障频率及其倍频所在的频带为:
OuterBi=[qfo-qwfo,qfo+qwfo]∪[qfo-q(1-w)fr,qfo+q(1+w)fr]
滚子故障频率及其倍频所在的频带:
RollBi=[qfb-qwfb,qfb+qwfb]
保持架故障频率及其倍频所在的频带:
CaseBi=[qfc-qwfc,qfc+qwfc]
其中,q为倍频编号,w为带宽系数,表示轴承部件的故障频率偏离理论值的最大比例;fo为外圈故障频率,fi为内圈故障频率,fb为滚子故障频率,fc为保持架故障频率。
本实例中,设置检测的故障频率的最大倍频个数为3,即q=[1 2 3],其最大值Q=max(q)=3,设置带宽系数w=0.015。
5、根据FFT频谱与EEVS增强包络谱分别计算轴承各部件的故障频率及其倍频所在的频带的频谱幅值之和,将该频谱幅值之和定义为轴承各部件的故障概率;
该步骤中,所述轴承各部件的故障概率包括:
内圈故障概率:
外圈故障概率:
保持架故障概率:
滚子故障概率:
其中,可同时表示两种频谱,即幅值标准归一化的FFT频谱和幅值标准归一化的EEVS增强包络谱Mean表示求平均值运算,Pb为阈值系数,表示阈值与频谱均值的比例关系,αk表示α离散化后的第k个阶次变量,max(αk)表示阶次变量的最大值,q为倍频编号,Q为最大倍频个数。
如图4所示,在标准化的FFT频谱及EEVS增强包络谱中标注了NU214轴承故障频率及其倍频,其中,细虚线表示频谱图的均值,粗虚线表示阈值,当频谱图中指定频率的幅值大于阈值,则表示其为有效频率;三角符号表示有效频率中存在NU214的外圈频率或其倍频;圆圈表示有效频率中存在NU214的内圈频率或其倍频;六角星符号表示有效频率中存在NU214的滚子频率或其倍频;星号表示有效频率中存在NU214的保持架频率或其倍频。由图4(a)中可知,在FFT频谱中,主要检测出NU214的外圈频率、NU214的内圈频率及NU214的滚子频率,其中,同时存在外圈频率的1、2、3倍频;滚子的一倍频幅值较明显,但是不存在其倍频;内圈故障频率的二倍频幅值很低。由图4(b)中可知,在EEVS增强包络频谱中,主要检测出NU214的外圈频率、NU214的内圈频率及NU214的保持架频率,其中同时存在外圈频率的1倍频和3倍频;而保持架频率的1倍频和内圈频率的三倍频幅值特别低。
如图5所示,在标准化的FFT频谱及EEVS增强包络谱中标注了6311轴承故障频率及其倍频。由图5(a)中可知,在FFT频谱中,主要检测出6311的外圈频率1倍频以及6311的滚子频率,其中,同时存在外圈的1、2倍频,且6311外圈频率的1倍频特别高;同时存在滚子的1、2、3倍频,但是幅值低。由图5(b)中可知,在EEVS增强包络频谱中,主要检测出6311轴承的外圈频率、6311滚子频率、及6311的内圈频率,其中同时存在滚子频率的1倍频、2倍频和3倍频;内圈频率的3倍频和外圈频率3倍频的幅值特别低。
根据步骤5中的公式计算得到的轴承各部件的故障概率,其中通过FFT频谱和增强包络谱诊断得到的NU214轴承故障概率如表1所示:
表1
类型 | NU214外圈 | NU214内圈 | NU214保持架 | NU214滚子 |
FFT | 0.3914 | 0.0305 | 0 | 0.1695 |
EEVS | 0.3078 | 0.0939 | 0.0125 | 0 |
表1中,第一行表示NU214轴承各部件的名称,第二行表示根据FFT频谱计算得到的NU214轴承各部件的故障概率,第三行表示根据EEVS增强包络谱计算得到的NU214轴承各部件的故障概率。FFT频谱和EEVS增强包络谱计算得到的故障概率越大,表示故障程度越大,越小则表示故障程度越小,其中为0表示无故障。
通过FFT频谱和增强包络谱诊断得到的6311轴承故障概率如表2所示:
表2
类型 | 6311外圈 | 6311内圈 | 6311保持架 | 6311滚子 |
FFT | 1.0938 | 0 | 0 | 0.3275 |
EEVS | 0.0247 | 0.1498 | 0 | 0.9157 |
表2中,第一行表示6311轴承各部件的名称,第二行表示根据FFT频谱计算得到的6311轴承各部件的故障概率,第三行表示根据EEVS增强包络谱计算得到的6311轴承各部件的故障概率。FFT频谱和EEVS增强包络谱计算得到的故障概率越大,表示故障程度越大,越小则表示故障程度越小,其中为0表示无故障。
6、设置用于早期故障诊断的增强包络谱及中晚期故障的FFT两种频谱的权重,结合使用两种算法诊断内圈、外圈、保持架及滚子的加权概率为:
其中,w1和w2分别表示FFT频谱和EEVS增强包络谱的权重,分别表示FFT频谱及EEVS增强包络谱中内圈、外圈、保持架和滚子的概率;pinner、pouter、pcase和proll分别表示内圈故障、外圈故障、保持架故障及滚子故障的加权概率。
该实施例中,考虑到EEVS适用于轴承的早期故障诊断,比较敏感,而FFT适用于轴承的中晚期故障诊断,更能反映故障程度,因此,将FFT的权重系数设置为0.6,EEVS的权重系数设置为0.4,计算得到的加权概率,应用上述加权概率计算公式分别求解NU214轴承与6311轴承的加权概率,其中,NU214轴承的加权概率如表3所示:
表3
类型 | NU214外圈 | NU214内圈 | NU214保持架 | NU214滚子 |
加权概率 | 0.3580 | 0.0559 | 0.0050 | 0.1017 |
表3中,第一行表示NU214轴承各部件的名称,第二行表示根据FFT频谱和EEVS频谱两个频谱共同加权计算得到的NU214轴承各部件的加权概率,加权概率越大,表示故障程度越大,越小则表示故障程度越小。
6311轴承的加权概率如表4所示:
表4
类型 | 6311外圈 | 6311内圈 | 6311保持架 | 6311滚子 |
加权概率 | 0.6661 | 0.0599 | 0 | 0.5628 |
表4中,第一行表示6311轴承各部件的名称,第二行表示根据FFT频谱和EEVS频谱两个频谱共同加权计算得到的6311轴承各部件的加权概率,加权概率越大,表示故障程度越大,越小则表示故障程度越小,其中为0表示无故障。
7、对照pinner、pouter、pouter、proll与基准概率pbase的大小关系确定故障程度,若pinner、pouter、pouter、proll小于基准概率Pbase表示没有明显故障,大于基准概率Pbase则表示故障较为明显。
该实施例中,将有效概率设置为Pbase=0.2,其表示故障特征的幅值超出阈值20%以上,则可判定为故障。比对表3与表4中所有6311轴承部件与NU214轴承部件的加权概率是否大于0.2,若大于则表明故障,若小于则表示无故障,最终得到的诊断结果如表5所示:
表5
诊断结果 | 故障概率 |
NU214外圈故障 | 0.35798 |
6311外圈故障 | 0.66613 |
6311滚子故障 | 0.56279 |
由表5可知,判断结果与实际故障情况一致。
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 (8)
1.一种基于振动加速度信号的机车电机轴承自动诊断方法,包括如下步骤:
S100:采集电机轴承的振动加速度信号x(t)和转速键相信号v(l);
S200:对所述振动加速度信号x(t)进行阶次跟踪及恒角度增量采样:根据所述转速键相信号v(t)获取时间与轴承旋转角度θ的对应关系θ=v(t),将时间t与轴承旋转角度θ的函数关系t=v-1(θ)代入所采集的振动加速度信号x(t)中获得角域振动加速度信号x(v-1(θ)),简化表示为
S400:计算所述FFT频谱与EEVS增强包络谱中轴承各部件的故障频率及其倍频所在的频带;
S500:根据FFT频谱与EEVS增强包络谱分别计算所述轴承各部件的故障频率及其倍频所在的频带的频谱幅值之和,将该频谱幅值之和定义为轴承各部件的故障概率;
S600:根据FFT频谱及EEVS增强包络谱,针对每一个轴承部件计算出两个故障概率,分别设置用于早期和中晚期故障诊断的EEVS增强包络谱及FFT频谱的两个不同权重,根据所述权重对故障概率加权求和计算得到轴承各部件的加权概率;
S700:设定用于判断所述加权概率是否有效的基准概率pbase,分别对照轴承各部件的加权概率与基准概率pbase的大小关系确定轴承各部件是否存在故障及故障程度。
2.根据权利要求1所述的方法,其特征在于,步骤S100中,所述振动加速度信号x(t)通过振动加速度传感器采集,所述转速键相信号v(t)通过霍尔传感器采集。
3.根据权利要求1所述的方法,其特征在于,所述步骤S300包括:
S301:计算轴承旋转角度θ与时间延迟τ的自相关函数RX(θ,τ):
其中,表示步骤S200中的角域振动加速度信号x(v-1(θ));θ(t)表示t时刻轴承的旋转角度,单位为弧度;τ表示时间延迟;θ(t-τ)表示τ时刻之前的轴承旋转角度;E表示求数学期望值的运算;*表示复共轭运算;
其中,f表示频率,单位为Hz;Fτ→f表示傅里叶变换;
其中,Θ表示旋转角度范围,α表示循环阶次频率,单位为Hz,j为虚数;
S305:根据阶次谱相关性,将指定频率范围[f1,f2]的谱相关性相加,得到EEVS增强包络谱:
其中,αk表示α离散化后的第k个阶次变量,min和max分别表示求最小值和最大值的运算;
5.根据权利要求4所述的方法,其特征在于,步骤S400中,所述轴承各部件的故障频率及其倍频所在的频带包括:
内圈故障频率及其倍频所在的频带:
InnerBq=[qfi-qwfi,qfi+qwfi]
外圈故障频率及其倍频所在的频带:
OuterBq=[qfo-qwfo,qfo+qwfo]∪[qfo-q(1-w)fr,qfo+q(1+w)fr]
滚子故障频率及其倍频所在的频带:
RollBq=[qfb-qwfb,qfb+qwfb]
保持架故障频率及其倍频所在的频带:
CaseBq=[qfc-qwfc,qfc+qwfc]
其中,q为倍频编号;w为带宽系数,表示轴承部件的故障频率偏离理论值的最大比例;fo为外圈故障频率;fi为内圈故障频率;fb为滚子故障频率;fc为保持架故障频率。
6.根据权利要求4所述的方法,其特征在于,
所述外圈故障频率为:
fo=1/60*1/2*n(1-d/D*cosα)
所述内圈故障频率为:
fi=1/60*1/2*n(1+d/D*cosα)
所述滚子故障频率为:
fb=1/60*1/2*D/d*[1-(d/D)2*cos2α]
所述保持架故障频率为:
fc=1/60*1/2*(1-d/D*cosα)
其中,n为滚珠个数,d为滚子直径,D为轴承节径,α为滚子接触角,单位为弧度。
8.根据权利要求1所述的方法,其特征在于,步骤S700中,若轴承各部件的加权概率大于等于基准概率pbase,表示对应的轴承部件存在故障,且加权概率大小等于故障程度大小;若轴承各部件的加权概率小于基准概率pbase,表示对应的轴承部件不存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496101.5A CN110274764B (zh) | 2019-06-06 | 2019-06-06 | 一种基于振动加速度信号的机车电机轴承自动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910496101.5A CN110274764B (zh) | 2019-06-06 | 2019-06-06 | 一种基于振动加速度信号的机车电机轴承自动诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110274764A CN110274764A (zh) | 2019-09-24 |
CN110274764B true CN110274764B (zh) | 2020-10-23 |
Family
ID=67960548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910496101.5A Active CN110274764B (zh) | 2019-06-06 | 2019-06-06 | 一种基于振动加速度信号的机车电机轴承自动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110274764B (zh) |
Families Citing this family (12)
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 |
CN110686768B (zh) * | 2019-10-17 | 2021-05-07 | 昆明理工大学 | 一种改进的旋转机械非平稳振动信号计算阶比分析方法 |
CN111238812B (zh) * | 2020-01-19 | 2021-10-19 | 西安交通大学 | 一种滚动轴承保持架故障的自诊断方法 |
CN111307461A (zh) * | 2020-04-13 | 2020-06-19 | 郑州恩普特科技股份有限公司 | 一种基于特征向量基线法的滚动轴承故障检测方法 |
CN111855098B (zh) * | 2020-06-30 | 2021-10-08 | 西安交通大学 | 基于振动信号的气阀泄漏状态评估方法及系统 |
CN112098065B (zh) * | 2020-09-21 | 2022-08-23 | 成都卓微科技有限公司 | 一种设备运行状态的诊断方法、存储介质及终端 |
CN112327957B (zh) * | 2020-09-24 | 2021-08-31 | 哈尔滨雅静振动测试技术有限公司 | 转子低频振动多阶线谱的控制方法及装置 |
CN112487882B (zh) * | 2020-11-13 | 2022-09-27 | 西南交通大学 | 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法 |
CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
CN113670612B (zh) * | 2021-08-16 | 2023-03-14 | 西南交通大学 | 一种基于加权组合包络谱的滚动轴承故障诊断方法 |
CN113933056B (zh) * | 2021-11-05 | 2024-02-23 | 上海电气风电集团股份有限公司 | 风力发电机组的轴承故障诊断方法和装置 |
US11906390B2 (en) * | 2021-12-02 | 2024-02-20 | Aktiebolaget Skf | System and method for bearing defect auto-detection |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628403A (zh) * | 2016-03-14 | 2016-06-01 | 重庆工商大学 | 一种阻尼器故障检测方法及系统 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN107016241A (zh) * | 2017-04-05 | 2017-08-04 | 重庆交通大学 | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 |
CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
JP2018179735A (ja) * | 2017-04-12 | 2018-11-15 | 日本精工株式会社 | 回転部品の異常診断方法及び異常診断装置 |
-
2019
- 2019-06-06 CN CN201910496101.5A patent/CN110274764B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628403A (zh) * | 2016-03-14 | 2016-06-01 | 重庆工商大学 | 一种阻尼器故障检测方法及系统 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN107016241A (zh) * | 2017-04-05 | 2017-08-04 | 重庆交通大学 | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 |
JP2018179735A (ja) * | 2017-04-12 | 2018-11-15 | 日本精工株式会社 | 回転部品の異常診断方法及び異常診断装置 |
CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
Non-Patent Citations (3)
Title |
---|
Fault feature extraction based on combination of envelope order tracking and clCA for rolling element bearings;Tangfeng Yang;《Mechanical Systems and Signal Processing》;20170412;131-144 * |
基于LMD和增强包络谱的滚动轴承故障分析;杜冬梅;《振动、测试与诊断》;20170228;第37卷(第1期);92-97 * |
智能主轴状态监测诊断与振动控制研究进展;陈雪峰;《机械工程学报》;20181031;第54卷(第19期);58-69 * |
Also Published As
Publication number | Publication date |
---|---|
CN110274764A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110274764B (zh) | 一种基于振动加速度信号的机车电机轴承自动诊断方法 | |
Li et al. | Multi-dimensional variational mode decomposition for bearing-crack detection in wind turbines with large driving-speed variations | |
Borghesani et al. | Testing second order cyclostationarity in the squared envelope spectrum of non-white vibration signals | |
CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
Lei et al. | EEMD method and WNN for fault diagnosis of locomotive roller bearings | |
CN104568444B (zh) | 变转速火车滚动轴承故障特征频率提取方法 | |
Li et al. | Multiscale slope feature extraction for rotating machinery fault diagnosis using wavelet analysis | |
CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
CN107167318A (zh) | 一种轴承智能快捷故障诊断仪及诊断方法 | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN109946081B (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
JPH1026580A (ja) | 変速型回転機械設備の診断方法および装置 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN110163190A (zh) | 一种滚动轴承故障诊断方法及装置 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
Lu et al. | CEEMD-assisted bearing degradation assessment using tight clustering | |
CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Sadoughi et al. | A physics-based deep learning approach for fault diagnosis of rotating machinery | |
CN112504678B (zh) | 一种基于知识蒸馏的电机轴承故障诊断方法 | |
CN112067297B (zh) | 一种轴承故障特征提取方法 | |
CN111220388B (zh) | 一种基于时域分析的滚动轴承故障诊断方法 | |
CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
CN106680011A (zh) | 一种基于声音信号的印刷机故障诊断方法 |
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 |