CN110426191A - 一种抗干扰旋转机械的故障诊断方法 - Google Patents

一种抗干扰旋转机械的故障诊断方法 Download PDF

Info

Publication number
CN110426191A
CN110426191A CN201910750167.2A CN201910750167A CN110426191A CN 110426191 A CN110426191 A CN 110426191A CN 201910750167 A CN201910750167 A CN 201910750167A CN 110426191 A CN110426191 A CN 110426191A
Authority
CN
China
Prior art keywords
signal
sub
harmonic
decolorizing
fault
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
CN201910750167.2A
Other languages
English (en)
Other versions
CN110426191B (zh
Inventor
苗强
罗冲
莫贞凌
蒋京
代文鑫
刘慧宇
王剑宇
曾小飞
张恒
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN201910750167.2A priority Critical patent/CN110426191B/zh
Publication of CN110426191A publication Critical patent/CN110426191A/zh
Application granted granted Critical
Publication of CN110426191B publication Critical patent/CN110426191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种抗干扰旋转机械的故障诊断方法，包括，对旋转机械故障数据信号进行预处理；采用Meyer小波滤波器组对步骤一中的所述信号进行分解；计算步骤二中分解树中的各个子频带的多重去色循环谐波率值；选取多重去色循环谐波率图中多重去色循环谐波率值最大的解析子信号的平方包络谱作为诊断结果；若多重去色循环谐波率大于历史值的2倍，则诊断对象存在故障的概率大于80％。本发明构建一个多重去色循环谐波率去刻画频带信噪比，用多重去色循环谐波率去替换快速谱峭度图中的谱峭度指标；用小波中所采用的Meyer小波滤波器去对信号进行分解，以替换快速谱峭度图中的FIR滤波器，Meyer小波滤波器可以克服小波包的分析频率中央的频谱泄露问题。

Description

一种抗干扰旋转机械的故障诊断方法
技术领域
本发明涉及旋转机械运行维护的技术领域，特别是，涉及一种抗干扰旋转机械的故障诊断方法。
背景技术
旋转机械(如齿轮箱，轴承等单元构成)是一类使用广泛的机械设备，它的早期的轻微故障可能会带来晚期的较大的经济损失，甚至人员伤亡。因此对其进行状态检测、故障诊断是十分必要的。振动分析法是旋转机械设备故障诊断的一种有效方法，其中包络解调又是振动分析法中一种有效的诊断思路。包络解调振动分析法中关键的一步在于在振动信号中找到与旋转部件或者零件相关的故障振动源所形成的频谱共振带，从中解调出故障冲击信号。
快速谱峭度图就是这样一种方法，它首先使用FIR滤波器将频谱分割为一系列子频带，然后再用谱峭度指标去衡量每个子频带的信噪比，最后可以选出谱峭度指标最大的那一个子频带作为诊断结果。但是谱峭度指标容易受到周期性信号或者奇异信号的影响，所以在某些信噪比较低的情况下容易造成误诊或漏诊。于是很多学学者对其进行改进，有用L2/L1范数，基尼指标，平滑指标去替换谱峭度指标的，但是这类指标仍然是着重去衡量故障冲击信号幅值的大小，在某些情况下还是会受到奇异信号的影响。也有用改进谐波积，谐波信噪比，相关峭度去替换谱峭度指标的，这类指标着重于测量故障信号的周期性，但是旋转机械的故障信号的周期具有一定的随机性，与循环平稳信号更为相似，所以这类方法从理论上说就具有一定的缺陷。另外也有用小波包滤波器去替换快速谱峭度图滤波器的。因为小波包滤波器可有有效的测量信号的高频瞬态成分，但是小波包滤波器具有二分特性，容易在分析频率中央形成频谱泄露。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有技术中存在的问题，提出了本发明。
因此，本发明其中一个目的是提供一种抗干扰旋转机械的故障诊断方法。
为解决上述技术问题，本发明提供如下技术方案：一种抗干扰旋转机械的故障诊断方法，包括，
步骤一，对旋转机械故障数据信号进行预处理；
步骤二，采用Meyer小波滤波器组对步骤一中的所述信号进行分解；
步骤三，计算步骤二中分解数中的各个子频带的多重去色循环谐波率值；
步骤四，选取多重去色循环谐波率图中多重去色循环谐波率值最大的解析子信号的平方包络谱作为诊断结果；
步骤五，若多重去色循环谐波率大于历史值的2倍，则诊断对象存在故障的概率大于80％。
作为本发明所述抗干扰旋转机械的故障诊断方法的一种优选方案，其中：所述步骤一中的预处理，是分别使用均值法和最小二乘法对数据进行去直流分量和去趋势项预处理。
作为本发明所述抗干扰旋转机械的故障诊断方法的一种优选方案，其中：所述步骤二中的Meyer小波滤波器组的构建包括几个步骤：
S11，小波函数的建立：
其中，w表示归一化的角频率，wn表示相应模态的边界，参数γ和函数β是其过渡带的宽度和形状控制参数，0＜γ＜1，其大小与过渡带成正比关系；
S12，尺度函数的建立：
其中，w表示归一化的角频率，wn表示相应模态的边界，参数γ和函数β是其过渡带的宽度和形状控制参数，0＜γ＜1，其大小与过渡带成正比关系；
S13，相应的小波变换：
小波函数和尺度函数定义好之后，相应的小波变换便可由下述公式得出：
其中，(·)∨代表逆傅立叶变换；
作为本发明所述抗干扰旋转机械的故障诊断方法的一种优选方案，其中：所述步骤二中的信号分解，分解为一系列的一分二、一分三的子频带。
作为本发明所述抗干扰旋转机械的故障诊断方法的一种优选方案，其中：所述Meyer小波滤波器组区分为一分二Meyer小波滤波器组(H0,H1)和一分三Meyer小波滤波器组(G0,G1,G2)。
作为本发明所述抗干扰旋转机械的故障诊断方法的一种优选方案，其中：所述一分二的Meyer小波滤波器组(H0,H1)中，ω0＝0,ω1＝π/2和ω2＝π，H0对信号进行处理得到属于频带[0；1/2]的子代信号，H1对信号进行处理得到属于频带[1/2；1]的子代信号；所述一分三的Meyer小波滤波器组(G0，G1，G2)中，ω0＝0，ω1＝π/3,ω2＝2π/3和ω3＝π，G0对信号进行处理可以得到属于频带[0；1/3]的子带信号f0，G2对信号进行处理可以得到属于频带[1/3；2/3]的子带信号f1，G1对信号进行处理可以得到属于频带[2/3；1]的子带信号f3。
作为本发明所述抗干扰旋转机械的故障诊断方法的一种优选方案，其中：计算所述一分二、一分三的子频带的多重去色循环谐波率值，包括，计算一分二、三分解树中各子带信号的平方包络谱；对各个平方包络谱进行去色处理；不具有2个及2个以上的故障特征频率，提取故障特征频率谐波；提取故障特征频率谐波；谐波背景提取；计算去色循环谐波率。
作为本发明所述抗干扰旋转机械的故障诊断方法的一种优选方案，其中：计算所述一分二、一分三的子频带的多重去色循环谐波率值，包括，计算一分二、三分解树中各子带信号的平方包络谱；对各个平方包络谱进行去色处理；具有2个及2个以上的故障特征频率，提取多故障特征频率谐波；提取多故障特征频率谐波；构建多重目标幅值矩阵；提取多重谐波背景；多重去色循环谐波率MDCHR。
本发明的有益效果：本发明提出的方法是采用有色噪声阈值、二阶循环平稳理论，以及机械故障特征频率去构建一个多重去色循环谐波率去刻画频带信噪比，用多重去色循环谐波率去替换快速谱峭度图中的谱峭度指标；用小波中所采用的Meyer小波滤波器去对信号进行分解，以替换快速谱峭度图中的FIR滤波器。多重去色循环谐波率将故障特征频率的信息纳入，所以具有更好的噪声鲁棒性。Meyer小波滤波器可以克服小波包的分析频率中央的频谱泄露问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明抗干扰旋转机械的故障诊断方法提供的一个实施例中滤波器组分别构建分解树的树枝结构的示意图；
图2为本发明抗干扰旋转机械的故障诊断方法提供的一个实施例中一分二、三分解树的示意图；
图3为本发明抗干扰旋转机械的故障诊断方法提供的一个实施例中从计算平方包络谱到谐波背景提取的过程示意图；
图4为本发明抗干扰旋转机械的故障诊断方法提供的一个实施例中所述多重谐波背景提取过程的图；
图5为本发明抗干扰旋转机械的故障诊断方法提供的一个实施例中某轴承故障诊断的多重去色循环谐波率图；
图6为本发明抗干扰旋转机械的故障诊断方法提供的一个实施例中最优平方包络谱；
图7为本发明抗干扰旋转机械的故障诊断方法提供的一个实施例中整体框架流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
本发明提供了一种抗干扰旋转机械的故障诊断方法，该方法包括一下几个步骤：
步骤一，对旋转机械故障数据信号进行预处理，这里所述的预处理，是分别使用均值法和最小二乘法对数据进行直流分量和去趋势项预处理。
步骤二，采用Meyer小波滤波器组对步骤一中的所述信号进行分解。应当说明的是，这里的信号分解，分解为一系列的一分二、一分三的子频带。
应当说明的是，步骤二中的信号分解具体包括以下几个步骤：
(1)Meyer小波滤波器组的构建；
(2)一分二、一分三分解树的构建；
(3)计算出两种分解树中各个子频带的多重去色循环谐波率(MDCHR)。
具体的，Meyer小波滤波器组的构建包括几个步骤：
S11，小波函数的建立：
其中，w表示归一化的角频率，wn表示相应模态的边界，参数γ和函数β是其过渡带的宽度和形状控制参数，0＜γ＜1，其大小与过渡带成正比关系；
S12，尺度函数的建立：
其中，w表示归一化的角频率，wn表示相应模态的边界，参数γ和函数β是其过渡带的宽度和形状控制参数，0＜γ＜1，其大小与过渡带成正比关系，wn中n的大小是根据实际情况选定的，后面构建滤波器的时候会给出具体值；
S13，相应的小波变换：
一般常用的函数β定义如下：
P(2)＝x4(35-84x+70x2-20x3)，(0＜x＜1)
需要说明的是，这里的x是自变量，在小波函数和尺度函数中直接被替换为括号中的式子。
小波函数和尺度函数定义好之后，相应的小波变换便可由下述公式得出：
其中，f就表示相应的原始信号，(·)∨代表逆傅立叶变换；
所述Meyer小波滤波器组区分为一分二Meyer小波滤波器组H0、H1和一分三Meyer小波滤波器组G0、G1、G2。
所述一分二的Meyer小波滤波器组H0，H1中，ω0＝0,ω1＝π/2和ω2＝π，H0对信号进行处理得到属于频带[0；1/2]的子代信号f0，H1对信号进行处理得到属于频带[1/2；1]的子代信号f1。
所述一分三的Meyer小波滤波器组G0,G1,G2中，ω0＝0，ω1＝π/3，ω2＝2π/3和ω3＝π，G0对信号进行处理可以得到属于频带[0；1/3]的子带信号f0，G2对信号进行处理可以得到属于频带[1/3；2/3]的子带信号f1，G1对信号进行处理可以得到属于频带[2/3；1]的子带信号f3。
需要说明的是，在(2)中的一分二、一分三分解树的构建的步骤为：
利用上述H0，H1与G0，G1，G2滤波器组分别构建分解树的树枝结构：
其中，设置ω0＝0与ω1＝π/2由得到的尺度函数进行小波变换再由上式进行逆傅里叶变换得到的f0，f1是通过设置ω1＝π/2，ω2＝π又得到的小波函数进行小波变换再由上式进行逆傅里叶变换得到的。上述两个相当于两个滤波过程，于是就分别用H0与H1表示。
需要说明的是，G0，G1，G2的含义与上述H0，H1的含义类似。
参照图1，利用该一分二，一分三的树枝结构就将原始信号分解为一系列一分二、一分三的子带信号。在中，x表示子带信号所在的层数，y表示每一层的序号，在图1的左侧，乘数因子(-j)n的引入是为将高频转换到低频从而使往后的滤波操作有效，j是虚数单位。同时，图1中的树枝结构的末梢处还对每个滤波子代进行了降采样，降采样的倍数为相应树枝结构的分叉数，降采样之后程序运行会更快，最终得到一分二、一分三分解树的图，如图2所示。
在图2中，左边的纵坐标表示层数，右边纵坐标表示频带宽度，下方是归一化频率。该分解树可以看成是图1中一分二、一分三树枝结构衍生出来的，即原始信号不断的通过树枝结构滤波循环往复操作即可得到图2中的一系列的子代信号。其中，k的取值选取应当保证最后一层的频带宽度大于故障特征频率的3倍或者4倍以上，因为旋转机械的故障冲击信号是奇异信号，是有多个谐波存在的。
进一步的，步骤二中的计算出两种分解树中各个子频带的多重去色循环谐波率值，多重去色循环谐波率的构建过程如下：
S21计算一分二、三分解树中各子带信号的平方包络谱(SES)；
其中，为解析信号，一分二、一分三分解树中的子代信号即为该信号，DFT(·)代表傅里叶变换，fs代表采样频率。
需要注意的是，SES即为二阶循环平稳理论中的谱相关密度函数沿着频率域的积分，α代表离散循环频率。
S22对各个平方包络谱进行去色处理；
经过去色处理可以得到，去色平方包络谱(DSES)，这里的n代表离散循环频率，if{·}代表判断函数，当括号中的条件为真时等于1，为假时等于0。L、H分别为原始信号中的上下限截止频率。是基于有色噪声假设的平方包络谱阈值，其计算如下：
其中，R(x，y)为相关函数，为解析信号的傅里叶变换。为1-P百分数的2自由度的卡方累计分布函数。P为犯错概率，一般可取0.1％左右，若P设定过大，DSES中会出现过多的有色噪声，若P设置的过小，有可能一些故障特征谐波(FCF)会被忽略。所以P的大小可以根据实际情况灵活调整。
S23判断故障特征频率是否具有2个及2个以上。
S231若故障特征频率不具有2个及2个以上，提取故障特征频率谐波的幅值或目标幅值；
S2311谐波背景提取；
S2312计算去色循环谐波率。
S232若具有2个及2个以上的故障特征频率，提取多鼓掌特征频率谐波；
S2321构建多重目标幅值矩阵；
S2322提取多重谐波背景；
S2323多重去色循环谐波率MDCHR。
具体的，故障特征频率谐波的幅值或目标幅值(TA)提取：
其中，||·||x是x范数，N是i的能取到的最大整数，代表能检测到的最大谐波个数，可以通过连续两个故障特征频率谐波未能检测到就停止检测的规则来确定其大小。h(i)和l(i)分别是去色循环平方包络谱中的离散循环频率，他们的定义如下：
其中，C代表理论计算的故障特征频率(FCF)的误差，一般来说，因为有转速波动，用来计算FCF的相关测量参数的误差，数据处理过程中的误差，以及频率分辨率等因素的存在，所以理论计算得到的FCF或者从SES中检测到的FCF他们与真实的FCF都是有差异的。因此C应该被考虑到FCF的估计过程当中。由于现代的科技水平，一般C不会很大，对于轴承来说，C一般可取为1％-2％。如果C取得过大，其他与FCF无关的谐波可能会别误选为FCF；如果C过小，有可能实际的FCF不会被选中。
因此，C可以根据不同的情况来设定，是第i次估计的真实FCF的估计值，其定义如下：
其中，map{·}可以理解为取地址函数，目的是取出对应谐波的横坐标值，也即离散循环频率。FCF是由旋转机械结构和运行状态参数计算出来的理论值。
在本实施例中，i越大，就越接近真实值。
谐波背景的提取的操作如下：
现将相应谐波的背景可由下述公式提取出来：
其中，
bh(i)＝bl(i+l)
去色循环谐波率(DCHR)可由下述式子计算出来：
参照图3，图3中的←表示后方所跟字母表示的是幅值，↓表示后方字母是离散循环频率。
关于S2321构建多重目标幅值矩阵：
考虑到轴承，齿轮箱中可能会有多个故障源的存在，所以要构建一次能够测量多个谐波明显程度的指标，要构建这样一个指标，首先要构建多重目标幅值矩阵。
这个矩阵具有3行、N1+N2+N3列。这里的源于多个理论故障特征频率FCFxi，Nx是相应的检测到的各个故障特征频率的最大个数，x代表具有符合故障的旋转机械的理论故障特征频率的序号，相当于用不同的理论FGF重复执行上述S23的步骤x次，即多故障特征频率谐波提取。sorting{·}是一个排序函数，他可以根据矩阵第一行的值，对矩阵进行从左边最小到右边最大的按列排序。MTM(m，n)代表矩阵中第m行第n列的元素值。
关于多重谐波背景提取，对应MTM矩阵中最后一行的各个谐波的背景可由下述公式提取：
其中，
mbh(n)＝mbl(n+1)
如果有一个n使得下述条件成立
则相应mbh与mbl改用下述定义
上述多重背景提取过程可由如图4表示。
步骤三，计算步骤二中分解数中的各个子频带的多重去色循环谐波率值MDCHR。
需要注意的是，DCHR为MDCHR的一种特殊情况，即故障特征频率谐波个数为1的时候的情况，MDCHR是DCHR的推广形式。
步骤四，选取多重去色循环谐波率图中多重去色循环谐波率值最大的解析子信号的平方包络谱作为诊断结果。也即，在MDCHR图中选取MDCHR值最大的那一个解析子信号的平方包络谱做为诊断结果，如果有明显的故障特征频率，则证明诊断对象是极有可能存在故障的。图5为某轴承故障诊断的MDCHR图，图6为最后选出的最优平方包络谱，图6中BPFI，REFF表示不同的故障特征频率。
步骤五，若多重去色循环谐波率大于历史值的2倍，则诊断对象存在故障的概率大于80％。
需要说明的是，这里的故障特征频率是指的故障特征频率谐波，即实际故障特征频率的1倍，2倍，3倍等故障特征频率谐波。本方法的工作原理为：参照图7，先对数据进行预处理，继而构建Meyer小波滤波器组，构建一分二、三分解树，计算各个平方包络谱，并对各个平方包络谱进行去色处理。若不具有2个及2个以上的故障特征频率，则提取故障特征频率谐波，然后提取谐波背景，最后去色循环谐波率。若具有2个及2个以上的故障特征频率，则提取多故障特征频率谐波，继而构建多重目标幅值矩阵，接着提取多重谐波背景，最后进行多重去色循环谐波率。最后利用多重去色循环谐波率或去色谐波率构建MDCHR图，并选择MDCHR最大的那个子代作为诊断结果。
在本实施例中，提出了一种DCHR指标，它可以有效的描述SES中单个FCF的明显程度，而且能很大程度的降低噪声带来的干扰。对DCHR指标进行进一步推广得到MDCHR指标，他可以描述多个FCF的明显程度。用Meyer小波滤波器以及MDCHR指标构建了一种高抗干扰的旋转机械故障诊断方法。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种抗干扰旋转机械的故障诊断方法，其特征在于：包括，
步骤一，对旋转机械振动信号进行预处理；
步骤二，采用Meyer小波滤波器组对步骤一中的所述信号进行分解；
步骤三，计算步骤二中分解数中的各个子频带的多重去色循环谐波率值；
步骤四，选取多重去色循环谐波率图中多重去色循环谐波率值最大的解析子信号的平方包络谱作为诊断结果；
步骤五，若多重去色循环谐波率大于历史值的2倍，则诊断对象存在故障的概率大于80％。
2.根据权利要求1所述的抗干扰旋转机械的故障诊断方法，其特征在于：所述步骤一中的预处理，是分别使用均值法和最小二乘法对数据进行去直流分量和去趋势项预处理。
3.根据权利要求1或2所述的抗干扰旋转机械的故障诊断方法，其特征在于：步骤二中的信号分解具体包括以下几个步骤：
(1)Meyer小波滤波器组的构建；
(2)一分二、一分三分解树的构建；
(3)计算出两种分解树中各个子频带的多重去色循环谐波率。
4.根据权利要求3所述的抗干扰旋转机械的故障诊断方法，其特征在于：所述Meyer小波滤波器组的构建包括几个步骤：
S11，小波函数的建立：
其中，w表示归一化的角频率，wn表示相应模态的边界，参数γ和函数β是其过渡带的宽度和形状控制参数，0＜γ＜1；
S12，尺度函数的建立：
其中，w表示归一化的角频率，wn表示相应模态的边界,0≤w≤π，参数γ和函数β是其过渡带的宽度和形状控制参数，0＜γ＜1，其大小与过渡带成正比关系；
S13，相应的小波变换：
小波函数和尺度函数定义好之后，相应的小波变换便可由下述公式得出：
其中，f就表示相应的原始信号，(·)∨代表逆傅立叶变换；
5.根据权利要求4所述的抗干扰旋转机械的故障诊断方法，其特征在于：所述步骤二中的信号分解，分解为一系列的一分二、一分三的子频带。
6.根据权利要求5所述的抗干扰旋转机械的故障诊断方法，其特征在于：所述Meyer小波滤波器组区分为一分二Meyer小波滤波器组H0,H1和一分三Meyer小波滤波器组G0,G1,G2。
7.根据权利要求5所述的抗干扰旋转机械的故障诊断方法，其特征在于：所述一分二的Meyer小波滤波器组H0，H1中，ω0＝0，ω1＝π/2和w2＝π，H0对信号进行处理得到属于频带[0；1/2]的子代信号，H1对信号进行处理得到属于频带[1/2；1]的子代信号；
所述一分三的Meyer小波滤波器组G0，G1，G2中，ω0＝0，w1＝π/3，w2＝2π/3和w3＝π，G0对信号进行处理可以得到属于频带[0；1/3]的子带信号f0，G2对信号进行处理可以得到属于频带[1/3；2/3]的子带信号f1，G1对信号进行处理可以得到属于频带[2/3；1]的子带信号f3。
8.根据权利要求6或7所述的抗干扰旋转机械的故障诊断方法，其特征在于：计算所述一分二、一分三的子频带的多重去色循环谐波率值，包括，
(1)计算一分二、三分解树中各子带信号的平方包络谱；
(2)对各个平方包络谱进行去色处理；
(3)不具有2个及2个以上的故障特征频率，提取故障特征频率谐波；
(4)谐波背景提取；
(5)计算去色循环谐波率。
9.根据权利要求6或7所述的抗干扰旋转机械的故障诊断方法，其特征在于：计算所述一分二、一分三的子频带的多重去色循环谐波率值，包括，
(1)计算一分二、三分解树中各子带信号的平方包络谱；
(2)对各个平方包络谱进行去色处理；
(3)具有2个及2个以上的故障特征频率，提取多故障特征频率谐波；
(4)构建多重目标幅值矩阵；
(5)提取多重谐波背景；
(6)多重去色循环谐波率MDCHR。
CN201910750167.2A 2019-08-14 2019-08-14 一种抗干扰旋转机械的故障诊断方法 Active CN110426191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910750167.2A CN110426191B (zh) 2019-08-14 2019-08-14 一种抗干扰旋转机械的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910750167.2A CN110426191B (zh) 2019-08-14 2019-08-14 一种抗干扰旋转机械的故障诊断方法

Publications (2)

Publication Number Publication Date
CN110426191A true CN110426191A (zh) 2019-11-08
CN110426191B CN110426191B (zh) 2020-06-30

Family

ID=68414722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910750167.2A Active CN110426191B (zh) 2019-08-14 2019-08-14 一种抗干扰旋转机械的故障诊断方法

Country Status (1)

Country Link
CN (1) CN110426191B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111122161A (zh) * 2019-12-24 2020-05-08 北京交通大学 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法
CN113484019A (zh) * 2021-07-26 2021-10-08 西南交通大学 一种轴承的检测方法、装置及计算机可读存储介质
CN114004263A (zh) * 2021-12-29 2022-02-01 四川大学 一种特征融合转换的大型设备工况诊断预测方法
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101947990B1 (ko) * 2017-09-25 2019-02-14 주식회사 팩테크 무인비행체 고장 진단 방법 및 장치
CN109682601A (zh) * 2019-03-04 2019-04-26 北京天泽智云科技有限公司 一种变转速工况下滚动轴承的早期故障识别方法
CN109708891A (zh) * 2019-01-30 2019-05-03 华南理工大学 一种柔性椭圆轴承滚道故障诊断方法
CN107356432B (zh) * 2017-07-12 2019-05-07 石家庄铁道大学 基于频域窗经验小波共振解调的滚动轴承故障诊断方法
CN109799090A (zh) * 2019-01-08 2019-05-24 长安大学 采用频带3分区的经验小波变换的轴承特征频率提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107356432B (zh) * 2017-07-12 2019-05-07 石家庄铁道大学 基于频域窗经验小波共振解调的滚动轴承故障诊断方法
KR101947990B1 (ko) * 2017-09-25 2019-02-14 주식회사 팩테크 무인비행체 고장 진단 방법 및 장치
CN109799090A (zh) * 2019-01-08 2019-05-24 长安大学 采用频带3分区的经验小波变换的轴承特征频率提取方法
CN109708891A (zh) * 2019-01-30 2019-05-03 华南理工大学 一种柔性椭圆轴承滚道故障诊断方法
CN109682601A (zh) * 2019-03-04 2019-04-26 北京天泽智云科技有限公司 一种变转速工况下滚动轴承的早期故障识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MINGFANG WANT .ET AL: ""Harmonic L2/L1 Norm for Bearing Fault Diagnosis"", 《SPECIAL SECTION ON ADVANCES IN PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT》 *
RUQIANG YAN: ""Energy-Based Feature Extraction for Defect Diagnosis in Rotary Machines"", 《TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111122161A (zh) * 2019-12-24 2020-05-08 北京交通大学 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法
CN111122161B (zh) * 2019-12-24 2021-06-08 北京交通大学 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法
CN113484019A (zh) * 2021-07-26 2021-10-08 西南交通大学 一种轴承的检测方法、装置及计算机可读存储介质
CN113484019B (zh) * 2021-07-26 2023-05-26 西南交通大学 一种轴承的检测方法、装置及计算机可读存储介质
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
CN114004263A (zh) * 2021-12-29 2022-02-01 四川大学 一种特征融合转换的大型设备工况诊断预测方法
US11630034B2 (en) 2021-12-29 2023-04-18 Sichuan University Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion

Also Published As

Publication number Publication date
CN110426191B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN110426191B (zh) 一种抗干扰旋转机械的故障诊断方法
Dong et al. Non-iterative denoising algorithm for mechanical vibration signal using spectral graph wavelet transform and detrended fluctuation analysis
CN102607845B (zh) 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法
CN108151869B (zh) 一种机械振动特征指标提取方法、系统及装置
CN102937522B (zh) 一种齿轮箱复合故障诊断方法及系统
CN105445022B (zh) 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法
CN111507221B (zh) 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法
CN111413089A (zh) 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN105928702B (zh) 基于形态分量分析的变工况齿轮箱轴承故障诊断方法
CN110991564B (zh) 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法
CN110806315B (zh) 一种基于倒位编辑的齿轮箱复合故障诊断方法
Sheng et al. Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank
CN111007316B (zh) 基于fft与dwt的混合谐波检测改进方法
CN113484257B (zh) 基于神经网络和全光谱吸光度的水质浓度计算系统及方法
CN107886078A (zh) 一种基于分层自适应阈值函数的小波阈值降噪方法
CN113177537A (zh) 一种旋转机械设备的故障诊断方法及系统
CN109632312A (zh) 基于多约束非负矩阵分解算法的轴承复合故障诊断方法
CN115434872A (zh) 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法
Zhang et al. Bearing fault diagnosis and degradation analysis based on improved empirical mode decomposition and maximum correlated kurtosis deconvolution
CN114235412B (zh) 三阶张量秩一分解方法
CN112485028A (zh) 振动信号的特征频谱提取方法及机械故障诊断分析方法
CN117571316A (zh) 一种复合故障诊断方法及系统
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
CN117109923A (zh) 一种滚动轴承故障诊断方法及系统
CN116578840A (zh) 一种基于eemd-isvd的滚动轴承振动信号降噪方法、装置、电子设备及介质

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