CN110647871A - 一种基于时域特量增强的滚动轴承故障诊断方法及系统 - Google Patents
一种基于时域特量增强的滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110647871A CN110647871A CN201911069740.XA CN201911069740A CN110647871A CN 110647871 A CN110647871 A CN 110647871A CN 201911069740 A CN201911069740 A CN 201911069740A CN 110647871 A CN110647871 A CN 110647871A
- Authority
- CN
- China
- Prior art keywords
- time domain
- signal
- rolling bearing
- fault
- characteristic quantity
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F2218/04—Denoising
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (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时域特量增强的滚动轴承故障诊断方法及系统。所述方法首先提取振动信号中的冲击信号;其次,去除冲击信号中幅值为0的数据并计算去0处理后冲击信号幅值的均值、整流平均值、方差、标准差、均方根,实现上述时域特征量的增强;最后,将增强后的时域特征量输入ELM分类器进行故障分类诊断。本发明方法旨在改善利用冲击信号的时域特征量进行滚动轴承故障诊断的过程中,因不同类型故障的冲击信号幅值相近导致的故障诊断精度较低的问题,采用本发明可有效提升此类故障的诊断成功率。
Description
技术领域
本发明涉及设备故障诊断技术领域,特别是涉及一种基于时域特量增强的滚动轴承故障诊断方法及系统。
背景技术
在现代机械工程领域,旋转机械在电力、石化、冶金、航空航天等领域有着广泛的应用,一旦其发生故障且未检出故障部位则易造成严重后果,如发电机损毁、飞机坠毁等。作为旋转机械的关键零件,滚动轴承引起的故障占整个旋转机械故障的30%,高居旋转机械故障零件榜首。因此对滚动轴承健康状况进行监测,并在故障发生时的第一时间进行故障类型的判定,能够为机械故障诊断提供指导,为故障部件的更换提供依据,保障旋转机械的连续稳定运行。
当滚动轴承发生故障时,其振动信号中会包含因滚动轴承部件之间相互撞击而产生的冲击信号,因此在滚动轴承故障类型判定中,可利用冲击成分实现对轴承的故障诊断。现有判定冲击成分的方法包括短时自相关法、正交匹配追踪法等,但这些方法对不同故障类型冲击幅值相近、信号平稳性差的故障信号存在一定的局限性。短时自相关算法利用信号自身的相似性,寻找信号周期,但是对于平稳性差的信号短时自相关算法难以准确获取冲击信号的周期。正交匹配追踪算法可优先匹配幅值较大的冲击信号,实现冲击信号的提取,但是阈值的选取对诊断结果影响较大,限制着该方法的进一步应用。上述方法对于内圈故障、滚动体故障、外圈故障三类故障冲击幅值相近的滚动轴承故障信号的诊断能力不佳。
发明内容
本发明的目的是提供一种基于时域特量增强的滚动轴承故障诊断方法及系统,以解决现有的基于时域特量增强的滚动轴承故障诊断方法对冲击幅值相近、信号平稳性差的故障信号诊断准确性低的问题。
为实现上述目的,本发明提供了如下方案:
一种基于时域特量增强的滚动轴承故障诊断方法,所述方法包括:
获取滚动轴承在不同运行状态下的多组振动信号;所述不同运行状态包括正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态;
提取每组所述振动信号中的冲击信号;
剔除所述冲击信号中数值为0的数据,生成去0处理后冲击信号;
计算所述去0处理后冲击信号的时域特征量;所述时域特征量包括均值、整流平均值、方差、标准差和均方根;
采用所述时域特征量训练ELM分类器,生成训练好的故障诊断模型;
获取待诊断滚动轴承的待诊断时域特征量;
将所述待诊断时域特征量输入所述训练好的故障诊断模型,输出所述待诊断滚动轴承的故障状态。
可选的,所述获取滚动轴承在不同运行状态下的多组振动信号,具体包括:
随机选取所述滚动轴承在正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态下的振动信号各100组,每组振动信号采样长度为4096个采样点,得到所述滚动轴承在不同运行状态下的400组振动信号。
可选的,所述提取每组所述振动信号中的冲击信号,具体包括:
采用AR滤波器去除所述振动信号中的固有信号,采用噪声滤波器去除所述振动信号中的噪声成分,提取出所述振动信号中的冲击信号。
可选的,述计算所述去0处理后冲击信号的时域特征量,具体包括:
一种基于时域特量增强的滚动轴承故障诊断系统,所述系统包括:
振动信号获取模块,用于获取滚动轴承在不同运行状态下的多组振动信号;所述不同运行状态包括正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态;
冲击信号提取模块,用于提取每组所述振动信号中的冲击信号;
非0信号点提取模块,用于剔除所述冲击信号中数值为0的数据,生成去0处理后冲击信号;
时域特征量计算模块,用于计算所述去0处理后冲击信号的时域特征量;所述时域特征量包括均值、整流平均值、方差、标准差和均方根;
模型训练模块,用于采用所述时域特征量训练ELM分类器,生成训练好的故障诊断模型;
待诊断时域特征量获取模块,用于获取待诊断滚动轴承的待诊断时域特征量;
故障诊断模块,用于将所述待诊断时域特征量输入所述训练好的故障诊断模型,输出所述待诊断滚动轴承的故障状态。
可选的,所述振动信号获取模块具体包括:
振动信号获取单元,用于随机选取所述滚动轴承在正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态下的振动信号各100组,每组振动信号采样长度为4096个采样点,得到所述滚动轴承在不同运行状态下的400组振动信号。
可选的,所述冲击信号提取模块具体包括:
冲击信号提取单元,用于采用AR滤波器去除所述振动信号中的固有信号,采用噪声滤波器去除所述振动信号中的噪声成分,提取出所述振动信号中的冲击信号。
可选的,所述时域特征量计算模块具体包括:
整流平均值计算单元,用于采用公式计算所述去0处理后冲击信号的整流平均值σav;
标准差计算单元,用于采用公式计算所述去0处理后冲击信号的标准差σst;
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:
本发明提供一种基于时域特量增强的滚动轴承故障诊断方法及系统,所述方法首先提取振动信号中的冲击信号;其次,去除冲击信号中幅值为0的数据并计算去0处理后冲击信号幅值的均值、整流平均值、方差、标准差、均方根,实现上述时域特征量的增强;最后,将增强后的时域特征量输入ELM分类器进行故障分类诊断。本发明方法旨在改善利用冲击信号的时域特征量进行滚动轴承故障诊断过程中,因不同类型故障的冲击信号幅值相近导致的故障诊断精度较低的问题,采用本发明可有效提升此类故障的诊断成功率。
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为本发明提供的基于时域特量增强的滚动轴承故障诊断方法的流程图;
图2为本发明提供的基于时域特量增强的滚动轴承故障诊断方法的原理图
图3为本发明实施例提供的滚动轴承在不同运行状态下的振动信号示意图;其中图3(a)为正常运行状态下的滚动轴承振动加速度信号示意图;图3(b)为内圈故障状态下的滚动轴承振动加速度信号示意图;图3(c)为滚动体故障状态下的滚动轴承振动加速度信号示意图;图3(d)为外圈故障状态下的滚动轴承振动加速度信号示意图;
图4为本发明实施例提供的滚动轴承在不同运行状态下提取的冲击信号示意图;其中图4(a)为正常运行状态下提取的冲击信号示意图;图4(b)为内圈故障状态下提取的冲击信号示意图;图4(c)为滚动体故障状态下提取的冲击信号示意图;图4(d)为外圈故障状态下提取的冲击信号示意图;
图5为采用本发明方法进行时域特征量增强前、后计算的时域特征量三维图;其中图5(a)为未增强的时域特征量三维图;图5(b)为采用本发明方法增强的时域特征量三维图。
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。
本发明的目的是提供一种滚动轴承故障诊断方法,能够准确诊断出滚动轴承故障类型,并且具有很高的计算效率。
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本发明作进一步详细的说明。
图1为本发明提供的基于时域特量增强的滚动轴承故障诊断方法的流程图;图2为本发明提供的基于时域特量增强的滚动轴承故障诊断方法的原理图。参见图1和图2,本发明提供的基于时域特量增强的滚动轴承故障诊断方法具体包括:
步骤101:获取滚动轴承在不同运行状态下的多组振动信号。
所述不同运行状态包括正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态。
获取滚动轴承在正常运行状态、内圈故障运行状态、外圈故障运行状态、滚动体故障运行状态的振动加速度信号(简称振动信号)数据,从每类振动信号中随机截取100组采样数据作为样本数据,每组信号长度为4096个采样点,得到所述滚动轴承在不同运行状态下的400组振动信号。
步骤102:提取每组所述振动信号中的冲击信号。
由于滚动轴承故障信号中含有部件正常运行产生的固有信号与摩擦产生的噪声信号,这两类信号的存在影响故障诊断的进行,因此本发明将冲击信号从滚动轴承故障信号中分离,利用冲击信号进行故障诊断。
本发明采用AR(Autoregression,自回归)滤波器去除所述振动信号中的固有信号,采用根据OGS(overlapping group shrinkage)算法原理设计的噪声滤波器去除所述振动信号中的噪声成分,从而提取出所述振动信号中的冲击信号。
通常随机选取正常信号提取的冲击信号、内圈故障信号提取的冲击信号、滚动体故障信号提取的冲击信号、外圈故障信号提取的冲击信号各80组作为训练样本,其余20组数据作为测试样本。
步骤103:剔除所述冲击信号中数值为0的数据,生成去0处理后冲击信号。
冲击信号在时域上是衰减信号,两个冲击之间存在部分幅值为0(数值小于10-4,近似于0)的数据。本发明通过去除所述冲击信号中数值(或幅值)为0的数据,保留非0数据,生成所述去0处理后冲击信号。
将冲击信号中数值为0的数据去除,从而达到分离不同类型故障冲击信号的时域特征量取值范围的目的。对于冲击信号而言,经过去0处理后再计算冲击信号的时域特征量,可实现时域特征量的增强。即本发明采用时域特征量增强的方式增强了冲击信号的均值、整流平均值、方差、标准差、均方根等时域特征量。
步骤104:计算所述去0处理后冲击信号的时域特征量。
本发明用于输入ELM分类器的指标是冲击信号去0处理后的时域特征量,而非滚动轴承振动信号的时域特征量。分别计算去0处理后的冲击信号的均值、整流平均值、方差、标准差、均方根等五个时域特征量,所述均值、整流平均值、方差、标准差、均方根的计算公式分别为:
则对于冲击信号而言,存在下列关系:
其中N为样本长度,取值为4096;σi为第i组去0处理后冲击信号;σj为第j组去0处理后冲击信号;每组信号非0数值的数目为K(K与冲击成分中包含的冲击数目相关),为均值、σav为整流平均值、σvar为方差、σst为标准差、σrms为均方根。因不同故障类型的故障频率不同,致使在同一样本长度中,不同故障类型的冲击个数K存在明显差异,可以根据这一差异实现故障类型的区分。然而在对冲击信号进行去0处理之前,这一特征不明显,步骤103所采用的去0处理方法可增强不同故障类型冲击信号时域特征量的差异,进而提升ELM分类算法在区分幅值相近的故障类型的能力。
由公式(6)可以看出,经过去0处理后,冲击信号的均值有所增大,并且由于不同故障类型的冲击信号具有不同的冲击个数,导致各信号幅值均值的取值范围出现分离。方差、标准差、整流平均值、均方根与均值密切相关,均值取值范围分离后,其余特征量取值范围亦出现分离。
从而可以将获取的时域特征量输入ELM(Extreme Learning Machine,极限学习机)分类器进行训练,得到预训练的故障诊断模型,再将测试样本输入预训练的故障诊断模型进行故障识别,得到该测试样本的故障状态。
步骤105:采用所述时域特征量训练ELM分类器,生成训练好的故障诊断模型。
将均值、整流平均值、方差、标准差、均方根等时域特征量进行增强是指将冲击信号中数值近似为0的数据去除,进而达到增大不同故障类型的均值、整流平均值、方差、标准差、均方根等特征量取值范围的目的。将增强的冲击信号时域特征量输入ELM分类器,选取80%的样本作为训练样本,训练ELM故障诊断的模型;20%的样本作为测试样本,验证模型的故障诊断性能。
具体的,选取一部分(通常为80%)时域特征量作为训练样本输入ELM分类器进行训练,得到预训练的故障诊断模型;选取其余部分(其余20%)时域特征量作为测试样本输入预训练的故障诊断模型进行故障类型识别,得到该测试样本的故障所属类别,验证模型的故障诊断性能。若测试样本故障状态诊断正确率大于或等于90%,则确定该预训练的故障诊断模型为最终训练好的故障诊断模型。若测试样本故障状态诊断正确率小于90%,则返回所述步骤101,重新获取滚动轴承在不同运行状态下的多组振动信号并提取其时域特征量,重新进行ELM分类器训练,直至ELM分类器模型的故障状态诊断正确率大于或等于90%,得到训练好的故障诊断模型。
步骤106:获取待诊断滚动轴承的待诊断时域特征量。
获取待诊断滚动轴承的振动信号,提取该振动信号中的冲击信号;剔除冲击信号中数值为0的数据,保留非0数据,生成待诊断滚动轴承的去0处理后冲击信号;分别计算去0处理后冲击信号的均值、整流平均值、方差、标准差、均方根五个时域特征量,获得待诊断滚动轴承的待诊断时域特征量。
步骤107:将所述待诊断时域特征量输入所述训练好的故障诊断模型,输出所述待诊断滚动轴承的故障状态。
将提取的待诊断的时域特征量输入训练好的模型进行故障识别,模型输出故障数据所属的故障类型(故障状态),进而实现对故障部位的判定。
本发明旨在解决滚动轴承中不同故障类型的冲击信号幅值相近时,时域特征量诊断故障类型精度低的问题,因此提出了一种基于时域特量增强的滚动轴承故障诊断方法,首先提取故障信号中的冲击信号,而后去除冲击信号中的幅值为0的数据,接着计算剩余冲击信号的均值、整流平均值、方差、标准差、均方根,实现上述时域特征量的增强,最后将增强后的数据输入ELM分类器进行故障诊断。本发明提出的冲击信号的时域特征量增强方法,对不同故障类型的冲击信号时域特征量进行增强。利用不同类型故障的冲击信号的特征频率不同的特性,使不同冲击信号在同一时域特征量下的取值范围互相分离,从而改善冲击幅值相近、信号平稳性差的不同类型故障信号的分类诊断效果,有效提升此类故障的诊断成功率。
下面结合具体实施例对本发明滚动轴承故障诊断方法进行进一步描述。
本实施例中滚动轴承振动信号采集自燕山大学轴承故障模拟实验台。轴承电机以12000Hz的频率恒转速运行,采集系统使用NI 9234加速采集卡以12800Hz的采样频率收集轴承的振动信号。
如图3(a)~(d)所示,分别为轴承在正常运行、内圈故障运行、滚动体故障运行、外圈故障运行时的振动加速度信号。
如图4(a)~(d)所示,分别为图3(a)~(d)所示振动信号提取的冲击信号。其中正常运行信号中不包含冲击信号,故而其冲击信号为幅值为0的直线,其对应的时域特征量均为0。
如图5所示,采用本发明方法提取故障信号中的冲击信号,而后去除冲击信号中的幅值为0的数据,接着计算剩余冲击信号的均值、整流平均值、方差、标准差、均方根作为时域特征量,有效实现了上述时域特征量的增强。
分别在滚动轴承的四种状态对应的振动冲击信号样本各自提取的时域特征量中各随机抽取80组共320组样本数据作为训练数据输入ELM分类器进行训练,将其余80组数据作为测试样本输入训练好的ELM分类器进行故障分类诊断,结果表明该条件下的故障识别率为90.15%,远高于特征量未增强数据的67%。
可见本发明基于时域特量增强的滚动轴承故障诊断方法与现有技术相比,至少具有如下优点:
1.本发明将冲击信号作为研究对象,排除了故障诊断过程中系统正常运行产生的固有信号以及噪声信号对诊断结果的干扰。
2.本发明对冲击信号的时域特征量进行增强,由于不同类型故障的冲击频率存在明显差异,在4096个时域采样点中,内圈故障、滚动体故障、外圈故障的冲击个数K各不相同,即反应故障特征的冲击信息在4096个采样点内包含的冲击个数存在明显差异。将冲击信号进行时域特征增强处理后,内圈故障、滚动体故障、外圈故障的时域特征量取值范围出现显著分离,可达到提升滚动轴承故障诊断成功率的目的。
3.本发明对于幅值相近的滚动轴承内圈故障信号、滚动体故障信号、外圈故障信号具有良好的分类效果,提高了此类故障信号的诊断准确率。
基于本发明提供的滚动轴承故障诊断方法,本发明还提供一种基于时域特量增强的滚动轴承故障诊断系统,所述系统包括:
振动信号获取模块,用于获取滚动轴承在不同运行状态下的多组振动信号;所述不同运行状态包括正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态;
冲击信号提取模块,用于提取每组所述振动信号中的冲击信号;
非0信号点提取模块,用于剔除所述冲击信号中数值为0的数据,生成去0处理后冲击信号;
时域特征量计算模块,用于计算所述去0处理后冲击信号的时域特征量;所述时域特征量包括均值、整流平均值、方差、标准差和均方根;
模型训练模块,用于采用所述时域特征量训练ELM分类器,生成训练好的故障诊断模型;
待诊断时域特征量获取模块,用于获取待诊断滚动轴承的待诊断时域特征量;
故障诊断模块,用于将所述待诊断时域特征量输入所述训练好的故障诊断模型,输出所述待诊断滚动轴承的故障状态。
其中,所述振动信号获取模块具体包括:
振动信号获取单元,用于随机选取所述滚动轴承在正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态下的振动信号各100组,每组振动信号采样长度为4096个采样点,得到所述滚动轴承在不同运行状态下的400组振动信号。
所述冲击信号提取模块具体包括:
冲击信号提取单元,用于采用AR滤波器去除所述振动信号中的固有信号,采用噪声滤波器去除所述振动信号中的噪声成分,提取出所述振动信号中的冲击信号。
所述时域特征量计算模块具体包括:
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本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;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于时域特量增强的滚动轴承故障诊断方法,其特征在于,所述方法包括:
获取滚动轴承在不同运行状态下的多组振动信号;所述不同运行状态包括正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态;
提取每组所述振动信号中的冲击信号;
剔除所述冲击信号中数值为0的数据,生成去0处理后冲击信号;
计算所述去0处理后冲击信号的时域特征量;所述时域特征量包括均值、整流平均值、方差、标准差和均方根;
采用所述时域特征量训练ELM分类器,生成训练好的故障诊断模型;
获取待诊断滚动轴承的待诊断时域特征量;
将所述待诊断时域特征量输入所述训练好的故障诊断模型,输出所述待诊断滚动轴承的故障状态。
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,所述获取滚动轴承在不同运行状态下的多组振动信号,具体包括:
随机选取所述滚动轴承在正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态下的振动信号各100组,每组振动信号采样长度为4096个采样点,得到所述滚动轴承在不同运行状态下的400组振动信号。
3.根据权利要求2所述的滚动轴承故障诊断方法,其特征在于,所述提取每组所述振动信号中的冲击信号,具体包括:
采用AR滤波器去除所述振动信号中的固有信号,采用噪声滤波器去除所述振动信号中的噪声成分,提取出所述振动信号中的冲击信号。
5.一种基于时域特量增强的滚动轴承故障诊断系统,其特征在于,所述系统包括:
振动信号获取模块,用于获取滚动轴承在不同运行状态下的多组振动信号;所述不同运行状态包括正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态;
冲击信号提取模块,用于提取每组所述振动信号中的冲击信号;
非0信号点提取模块,用于剔除所述冲击信号中数值为0的数据,生成去0处理后冲击信号;
时域特征量计算模块,用于计算所述去0处理后冲击信号的时域特征量;所述时域特征量包括均值、整流平均值、方差、标准差和均方根;
模型训练模块,用于采用所述时域特征量训练ELM分类器,生成训练好的故障诊断模型;
待诊断时域特征量获取模块,用于获取待诊断滚动轴承的待诊断时域特征量;
故障诊断模块,用于将所述待诊断时域特征量输入所述训练好的故障诊断模型,输出所述待诊断滚动轴承的故障状态。
6.根据权利要求5所述的滚动轴承故障诊断系统,其特征在于,所述振动信号获取模块具体包括:
振动信号获取单元,用于随机选取所述滚动轴承在正常运行状态、内圈故障运行状态、外圈故障运行状态以及滚动体故障运行状态下的振动信号各100组,每组振动信号采样长度为4096个采样点,得到所述滚动轴承在不同运行状态下的400组振动信号。
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,所述冲击信号提取模块具体包括:
冲击信号提取单元,用于采用AR滤波器去除所述振动信号中的固有信号,采用噪声滤波器去除所述振动信号中的噪声成分,提取出所述振动信号中的冲击信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911069740.XA CN110647871A (zh) | 2019-11-05 | 2019-11-05 | 一种基于时域特量增强的滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911069740.XA CN110647871A (zh) | 2019-11-05 | 2019-11-05 | 一种基于时域特量增强的滚动轴承故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110647871A true CN110647871A (zh) | 2020-01-03 |
Family
ID=69014163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911069740.XA Pending CN110647871A (zh) | 2019-11-05 | 2019-11-05 | 一种基于时域特量增强的滚动轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647871A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220388A (zh) * | 2020-02-04 | 2020-06-02 | 珠海市华星装备信息科技有限公司 | 一种基于时域分析的滚动轴承故障诊断方法 |
CN111623983A (zh) * | 2020-05-12 | 2020-09-04 | 清华大学 | 一种滚动轴承换能装置及其应用 |
CN111626144A (zh) * | 2020-05-08 | 2020-09-04 | 湖南挚新科技发展有限公司 | 冲击特征向量构建方法、装置、终端设备及存储介质 |
CN111982489A (zh) * | 2020-08-27 | 2020-11-24 | 江苏师范大学 | 选择集成的改进局部特征分解的微弱故障特征提取方法 |
CN112364706A (zh) * | 2020-10-19 | 2021-02-12 | 燕山大学 | 一种基于类不平衡的小样本轴承故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090245148A1 (en) * | 2008-03-28 | 2009-10-01 | Mccoy James W | Techniques for Channel Sounding in a Wireless Communication System |
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN205067090U (zh) * | 2015-11-11 | 2016-03-02 | 内蒙古科技大学 | 滚动轴承故障检测与诊断系统 |
CN107563251A (zh) * | 2016-07-01 | 2018-01-09 | 华北电力大学(保定) | 基于极限学习机的风机故障诊断方法 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
CN109632310A (zh) * | 2019-01-18 | 2019-04-16 | 北京化工大学 | 一种基于特征增强的轴承故障诊断方法 |
-
2019
- 2019-11-05 CN CN201911069740.XA patent/CN110647871A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090245148A1 (en) * | 2008-03-28 | 2009-10-01 | Mccoy James W | Techniques for Channel Sounding in a Wireless Communication System |
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN205067090U (zh) * | 2015-11-11 | 2016-03-02 | 内蒙古科技大学 | 滚动轴承故障检测与诊断系统 |
CN107563251A (zh) * | 2016-07-01 | 2018-01-09 | 华北电力大学(保定) | 基于极限学习机的风机故障诊断方法 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
CN109632310A (zh) * | 2019-01-18 | 2019-04-16 | 北京化工大学 | 一种基于特征增强的轴承故障诊断方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220388A (zh) * | 2020-02-04 | 2020-06-02 | 珠海市华星装备信息科技有限公司 | 一种基于时域分析的滚动轴承故障诊断方法 |
CN111220388B (zh) * | 2020-02-04 | 2021-11-30 | 珠海市华星装备信息科技有限公司 | 一种基于时域分析的滚动轴承故障诊断方法 |
CN111626144A (zh) * | 2020-05-08 | 2020-09-04 | 湖南挚新科技发展有限公司 | 冲击特征向量构建方法、装置、终端设备及存储介质 |
CN111626144B (zh) * | 2020-05-08 | 2023-08-29 | 湖南挚新科技发展有限公司 | 冲击特征向量构建方法、装置、终端设备及存储介质 |
CN111623983A (zh) * | 2020-05-12 | 2020-09-04 | 清华大学 | 一种滚动轴承换能装置及其应用 |
CN111982489A (zh) * | 2020-08-27 | 2020-11-24 | 江苏师范大学 | 选择集成的改进局部特征分解的微弱故障特征提取方法 |
CN111982489B (zh) * | 2020-08-27 | 2022-05-06 | 江苏师范大学 | 选择集成的改进局部特征分解的微弱故障特征提取方法 |
CN112364706A (zh) * | 2020-10-19 | 2021-02-12 | 燕山大学 | 一种基于类不平衡的小样本轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647871A (zh) | 一种基于时域特量增强的滚动轴承故障诊断方法及系统 | |
Yu et al. | Weak fault feature extraction of rolling bearings using local mean decomposition-based multilayer hybrid denoising | |
CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN108106830B (zh) | 一种基于时频谱分割的变速旋转机械故障诊断方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
CN103471848A (zh) | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 | |
CN104155108A (zh) | 一种基于振动时频分析的滚动轴承故障诊断方法 | |
CN110243605B (zh) | 多源时频脊线提取方法 | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
CN103149029B (zh) | 利用倒频谱识别航空发动机转静碰摩部位的方法 | |
Li et al. | Incipient fault information determination for rolling element bearing based on synchronous averaging reassigned wavelet scalogram | |
CN109813547A (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
Hoseinzadeh et al. | Modifying the Hilbert-Huang transform using the nonlinear entropy-based features for early fault detection of ball bearings | |
CN108896308A (zh) | 一种基于概率包络的轮对轴承故障诊断方法 | |
CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN105510066B (zh) | 基于自适应降噪算法的一类旋转机械系统故障诊断方法 | |
CN114850968B (zh) | 基于振动模型的刀具磨损监测方法、装置、终端及介质 | |
Atta et al. | Broken bar faults detection under induction motor starting conditions using the optimized stockwell transform and adaptive time–frequency filter | |
CN111504640B (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 | |
CN103018537A (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
Sun et al. | A novel rolling bearing vibration impulsive signals detection approach based on dictionary learning | |
Zhu et al. | Adaptive combined HOEO based fault feature extraction method for rolling element bearing under variable speed condition | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN112146882A (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
CN114136604B (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |