CN110907174B - 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 - Google Patents
基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 Download PDFInfo
- Publication number
- CN110907174B CN110907174B CN201911127054.3A CN201911127054A CN110907174B CN 110907174 B CN110907174 B CN 110907174B CN 201911127054 A CN201911127054 A CN 201911127054A CN 110907174 B CN110907174 B CN 110907174B
- Authority
- CN
- China
- Prior art keywords
- signal
- enhancement
- impact
- square wave
- characteristic
- 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
- G01M13/02—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
- G01M13/02—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
- G01M13/04—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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开基于信号冲击结构特性增强的旋转机械微弱故障诊断方法,包括步骤:步骤S1、采集可能产生故障的旋转机械振动加速度响应信号及其对应的转速,并确定相应的采样频率;步骤S2、从采集到的数据中截取适当长度的信号用于分析;步骤S3、根据采样频率确定最大的迭代次数,再设置对应迭代方波模式的间隔与长度,并在方波模式基础上构建特征增强矩阵;步骤S4、通过特征增强矩阵与冲击信号的乘积来得到冲击增强信号,并利用峭度值从多次迭代中选取最佳的冲击增强信号;步骤S5、对选取的最佳冲击增强信号进行包络解调谱分析,从而识别故障类型,完成故障诊断。
Description
技术领域
本发明属于旋转机械故障诊断领域,更具体地,涉及基于信号冲击结构特性增强的旋转机械微弱故障诊断方法。
背景技术
旋转机械由于其结构复杂,其振动信号不仅会包含许多不同成分信号,而且会含有大量噪声成分。当旋转机械存在故障时可能会引发严重事故,故有必要对旋转机械的运行状况进行监测。而如何从含噪振动信号中识别出微弱故障信息一直是机械故障诊断的关键问题。
已有许多方法被提出用于对旋转机械故障诊断,如小波变换,但是其会面临如何选择小波基,如何确定分解层数及无法同时保证时域与频域精度等问题。近几年出现的稀疏表示理论虽然能够用于提取故障信号,但是其提取效果直接取决于所建立稀疏字典与待提取信号的相似度,且受噪声影响很大。当冲击特征很微弱时,现有的方法往往难以直接对原始振动信号进行故障诊断。
发明内容
本发明的目的是针对现有技术难以对旋转机械微弱冲击故障进行诊断的缺陷,提供一种基于信号冲击结构特性增强的旋转机械微弱故障诊断方法。该方法能够简单、快速对微弱故障振动信号中的冲击特征进行增强,从而便于对其进行进一步的故障诊断。所提方法适用面较广,具有一定的工程应用价值。
本发明至少通过如下技术方案之一实现。
基于信号冲击结构特性增强的旋转机械微弱故障诊断方法,包括以下步骤:
步骤S1、采集可能产生故障的旋转机械振动加速度响应信号及其对应的转速,并确定相应的采样频率;
步骤S2、从采集到的数据中截取一段信号用于分析;
步骤S3、根据采样频率确定最大的迭代次数,再设置对应迭代方波模式的间隔与长度,并在方波模式基础上构建特征增强矩阵;
步骤S4、通过特征增强矩阵与冲击信号的乘积来得到冲击增强信号,并计算各次迭代的峭度值,并选择峭度最大值所对应的结果作为最佳的冲击增强信号;
步骤S5、对选取的最佳冲击增强信号进行包络解调谱分析,从而识别故障类型,完成故障诊断。
进一步地,所述步骤S1中具体包括以下步骤:
S11、将加速度传感器安装在旋转轴承座表面,连接数采仪和计算机;
S12、设置好设备采样参数,采集并保存对应的振动加速度时域信号,确定相应的采样频率fs。
进一步地,所述步骤S2是从采集到的振动加速度信号中截取一段振动信号y(t)∈RN,RN表示N维实数向量。
进一步地,所述步骤S3中具体包括以下步骤:
S31、对于滚动轴承的振动信号,由采样频率fs1确定的最大迭代次数为K=ceil(fs1/(2×2000)),其中ceil表示向上取整,而对于齿轮的振动信号,由采样频率fs2确定的最大迭代次数为K=ceil(fs2/(2×1000));
S32、在此定义一种由-1和1交错构成的方波模式pk,其中的k值表示模式中每段1或-1的长度,且k的取值为{1,2,3,4....K},其分别对应K次迭代中k的取值,方波模式的长度M=2×k×l,其中l表示正负交替方波的段数,并将其取为4~6,具体如下:
进一步地,所述步骤S4中具体包括以下步骤:
S41、在每一次迭代中,为了保证矩阵乘积维度的一致性,对振动信号y(t)两端添补0值以得到信号y0∈RN+M-1;
进一步地,所述步骤S5中具体包括:对增强信号进行包络解调谱分析,再通过解调谱的特征频率来判别故障类型,对齿轮而言,其故障特征频率为其转频fn;对滚动轴承而言,令滚动轴承的节径为D、滚动体直径为d、滚动体个数为z、接触角为θ,轴的转频为fr,则外圈的故障特征频率为:
内圈的故障特征频率为:
滚动体的故障特征频率为:
本发明与现有技术相比,具有如下优点和有益效果:
(1)该方法利用冲击信号的结构特性来增强旋转机械微弱故障的冲击特征,从而有利于进一步的故障诊断;
(2)该方法适用面广,因为冲击信号的正负交替的振荡结构特性是所有旋转机械产生冲击型故障信号都具有的特性,所以该冲击特征增强方法适用于所有旋转机械的冲击型故障信号。
(3)该方法简单、运行时间短,其仅仅需要构建迭代矩阵和进行矩阵乘积,然后迭代有限次数该过程,所以时间复杂度和空间复杂度都较低。
附图说明
图1是本实施基于信号冲击结构特性增强的旋转机械微弱故障诊断方法的流程图;
图2是本实施例基于信号冲击结构特性增强的旋转机械微弱故障诊断方法的迭代过程图;
图3是本发明方法所构建的方波模式;
图4是本实施例中所使用的滚动轴承外圈信号;
图5是本实施例中通过迭代所得到的峭度值;
图6是本实施例中所得到的最佳增强信号;
图7是本实施例中最佳增强信号的包络解调谱。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本实施例提供了基于信号冲击结构特性增强的旋转机械微弱故障诊断方法,如图1和图2所示,以旋转机械中发生局部故障的滚动轴承为研究对象,对本发明进行进一步说明。滚动轴承型号为N205M,节径D=38mm、滚动体直径d=6.5mm、滚动体个数z=13、接触角θ=0。本实施例包括以下步骤:
S1、将压电式加速度传感器置于故障轴承座处,连接数采仪和计算机,并设置采样频率fs为102400Hz,并记录下对应的转速为800rpm,外圈故障特征频率fo为71.8Hz,保存好采集到的振动信号数据,图4是本实施例中所使用的滚动轴承外圈信号;
S2、如图3所示,从采集到的振动信号中截取一段长为1s的振动信号y,其包含的采样点数为102400。
步骤S3、根据采样频率确定最大的迭代次数,再设置对应迭代方波模式的间隔与长度,并在方波模式基础上构建特征增强矩阵,具体包括以下步骤:
S31、由下式确定最大迭代次数
K=ceil(fs/(2×2000))=ceil(102400/(2×2000))=26;
该方波模式pk是由-1和1交错构成,其中的k值表示模式中每段1或-1的长度,且k的取值为{1,2,3,4....K},其分别对应K次迭代中k的取值。方波模式的长度M=2×k×l,其中l表示正负交替方波的段数,并将其取为4~6,具体如下:
步骤S4、通过特征增强矩阵与冲击信号的乘积来得到冲击增强信号,并计算各次迭代的峭度值,同时选择峭度最大值所对应的结果作为最佳的冲击增强信号,具体包括以下步骤:
S41、在每一次迭代中,为了保证矩阵乘积维度的一致性,对振动信号y(t)两端添补0值以得到信号y0∈RN+M-1;
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.基于信号冲击结构特性增强的旋转机械微弱故障诊断方法,其特征在于,包括以下步骤:
步骤S1、采集可能产生故障的旋转机械振动加速度响应信号及其对应的转速,并确定相应的采样频率;
步骤S2、从采集到的数据中截取一段信号用于分析;
步骤S3、根据采样频率确定最大的迭代次数,再设置对应迭代方波模式的间隔与长度,并在方波模式基础上构建特征增强矩阵;定义一种由-1和1交错构成的方波模式pk,其中的k值表示方波模式中每段1或-1的长度,且k的取值为{1,2,3,4....K},其分别对应K次迭代中k的取值,方波模式的长度M=2×k×l,其中l表示正负交替方波的段数,对于第k次迭代所得到的方波模式pk,通过对该方波模式不断进行移位,最后构成特征增强矩阵,具体包括以下步骤:
S31、对于滚动轴承的振动信号,由采样频率fs1确定的最大迭代次数为K=ceil(fs1/(2×2000)),其中ceil表示向上取整,而对于齿轮的振动信号,由采样频率fs2确定的最大迭代次数为K=ceil(fs2/(2×1000));
S32、在此定义一种由-1和1交错构成的方波模式pk,其中的k值表示方波模式中每段1或-1的长度,且k的取值为{1,2,3,4....K},其分别对应K次迭代中k的取值,方波模式的长度M=2×k×l,其中l表示正负交替方波的段数,并将其取为4~6,具体如下:
步骤S4、通过特征增强矩阵与冲击信号的乘积来得到冲击增强信号,并计算各次迭代的峭度值,并选择峭度最大值所对应的结果作为最佳的冲击增强信号;
步骤S5、对选取的最佳冲击增强信号进行包络解调谱分析,从而识别故障类型,完成故障诊断。
2.根据权利要求1所述的基于信号冲击结构特性增强的旋转机械微弱故障诊断方法,其特征在于,所述步骤S1中具体包括:
S11、将加速度传感器安装在旋转轴承座表面,连接数采仪和计算机;
S12、设置好振动信号采集设备采样参数,采集并保存对应的振动加速度时域信号,确定相应的采样频率fs。
3.根据权利要求1所述的基于信号冲击结构特性增强的旋转机械微弱故障诊断方法,其特征在于,所述步骤S2是从采集到的振动加速度响应信号中截取一段振动信号y(t)∈RN,RN表示N维实数向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127054.3A CN110907174B (zh) | 2019-11-18 | 2019-11-18 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127054.3A CN110907174B (zh) | 2019-11-18 | 2019-11-18 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110907174A CN110907174A (zh) | 2020-03-24 |
CN110907174B true CN110907174B (zh) | 2021-09-21 |
Family
ID=69817813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911127054.3A Active CN110907174B (zh) | 2019-11-18 | 2019-11-18 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110907174B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855211B (zh) * | 2020-07-31 | 2021-05-07 | 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 |
CN112284727B (zh) * | 2020-09-30 | 2021-11-19 | 华南理工大学 | 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156042B (zh) * | 2011-03-18 | 2012-11-21 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN103439110B (zh) * | 2013-07-31 | 2015-12-09 | 哈尔滨工程大学 | 滚动轴承早期微弱故障诊断方法 |
CN103575523B (zh) * | 2013-11-14 | 2015-12-09 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN108152025B (zh) * | 2017-12-19 | 2019-08-06 | 苏州大学 | 自适应变分模式分解的机械微弱故障诊断方法 |
CN109063672A (zh) * | 2018-08-21 | 2018-12-21 | 北京工业大学 | 一种基于自适应mckd的早期轴承外圈故障诊断方法 |
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 |
CN110285970B (zh) * | 2019-07-18 | 2020-05-12 | 东北大学 | 基于矩阵恢复的滚动轴承微弱故障增强方法 |
-
2019
- 2019-11-18 CN CN201911127054.3A patent/CN110907174B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110907174A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | An improved VMD with empirical mode decomposition and its application in incipient fault detection of rolling bearing | |
CN109708891B (zh) | 一种柔性椭圆轴承滚道故障诊断方法 | |
CN111122161B (zh) | 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 | |
CN110907174B (zh) | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 | |
CN109813547B (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 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN110749442B (zh) | Laplace小波自适应稀疏表示的滚动轴承故障特征提取方法 | |
CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
CN112733612A (zh) | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
Sun et al. | A novel rolling bearing vibration impulsive signals detection approach based on dictionary learning | |
Wen et al. | Feature extraction of bearing vibration signals using second generation wavelet and spline-based local mean decomposition | |
CN114896559B (zh) | 一种基于排列熵的自适应噪声完备集合经验模式分解方法 | |
Jie et al. | Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis | |
CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
CN104156623A (zh) | 一种机械复合故障的诊断方法 | |
CN115452377B (zh) | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 | |
CN111323233A (zh) | 一种用于低速旋转机械故障诊断的局部均值分解方法 | |
CN113310684B (zh) | 基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法 | |
CN114923689A (zh) | 一种基于局部特征尺度分解的滚动轴承故障诊断方法 | |
Zhao et al. | TQWT-based multi-scale dictionary learning for rotating machinery fault diagnosis | |
Zhang et al. | Impulsive component extraction using shift-invariant dictionary learning and its application to gear-box bearing early fault diagnosis | |
CN114136604A (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 | |
CN114088077B (zh) | 一种改进的半球谐振陀螺信号去噪方法 | |
CN113758708B (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 |
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 |