CN110926812A - 基于声发射的滚动轴承单故障辨识方法 - Google Patents
基于声发射的滚动轴承单故障辨识方法 Download PDFInfo
- Publication number
- CN110926812A CN110926812A CN201911370899.5A CN201911370899A CN110926812A CN 110926812 A CN110926812 A CN 110926812A CN 201911370899 A CN201911370899 A CN 201911370899A CN 110926812 A CN110926812 A CN 110926812A
- Authority
- CN
- China
- Prior art keywords
- bearing
- sampling
- fault
- taking
- axis
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Rolling Contact Bearings (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于声发射的滚动轴承单故障辨识方法。基于声信号的滚动轴承单故障辨识方法属于轴承故障声信号检测领域，其特征在于，以轴承座为轴承载体，光纤传声器为传感器，以轴承座上表面正对着座体三维几何中心处为坐标原点，在上表面对称建立一个长为轴承外圈周长的采样区，以轴承额定转速设定的采样点数，样本群内各样本的最大采样时长为实际采样长度，把采集数据处理成一个列为周期序号，行为采样点号的故障模态矩阵，以作为矩阵元素的振动值中的最大值所在的采样点视为故障源，在电磁、杂散噪声大大小于故障冲击信号情况下，分别以故障频率和相关峭度的两种不同识别方法，判定故障类别。与现有技术比，具有足够可靠、快速辨识的优点。
Description
技术领域
基于声发射的滚动轴承单故障辨识方法属于滚动轴承故障辨识，尤其涉及基于声信号的故障辨识领域。
背景技术
目前实际工程中普遍应用的是实测法，以采集的信号频谱速度为基础，用振幅最大时的故障频率与在轴承产品APP软件给出轴承故障频率统计法相比较而决定，由此辨别出轴承故障类别，是在轴承故障发展的阶段即故障成熟阶段实施的，其缺点是：不能同时确定故障源的位置，更由于实测的故障频率一般是位于共振带中有不同的数值，无对应关系，与故障频率做比较时，无法确定实测故障频率的有限的区间范围。
在数值分析方法方向，无法从较早提出的共振解调法还是最近出现的变分模态分解法，都无法判别实际应用实例，尤其是后者目前还处于探讨阶段，无法解决以下实践中提出的问题：
(1)轴承故障第二阶段只要用于预测故障发生的可能性，轴承故障成熟阶段，主要用于处理故障，如何选择传感器的类别。
(2)轴承一般有滚珠轴承和滚柱轴承两种，如何按不同的轴承类别确定传感器的数量及实际安装位置。
(3)采样点的位置及数量的确定的优选方法及准则。
(4)如何确定故障源的位置。
(5)如何处理采样信号是满足所需解决的具体技术问题的需要。
发明内容
本发明从问题的实际出发，通过以下步骤来解决实际的需要。
本发明之一：
第1步：从轴承故障已经成熟的第三阶段着手，以第一阶段的初始时刻值为计时起点来实现本发明提出的方法，
第2步：用加速度传感器、轴承转频计、内置被测轴承的轴承座，微处理单元MCU构成一个硬件平台，
第3步：分别找出了用于滚珠轴承和滚柱轴承的两种不同的传感器配置位置数量及采样点的设置方案，
第4步：通过由物理空间到轴承故障模态空间的转换把从一个采样时长内采集到的把各个周期中各采样点的采样信号转换为对应于各采样点在一个采样时长内的振幅值的数据序列，从而得到各采样点的振幅数据序列，由此得出各个采样点上的时域上的振幅包络图，从中找出，时域上最大振幅所在的振幅值序列，时域包络图及视作为故障源的采样点位置，以此，作为系统的采样输入信号，
第5步，在第三阶段的各个不同周期中等间距插入等量的采样点数后用逐步逼近法找出新的最大的振幅值及其所在的位置，再在同一时间轴上，从同一个起点开始，沿轴向找出对应的故障频率。此后进入故障最大振幅值消失，而故障频率增高的高频噪声阶段即第四阶段，
第6步，把初始的故障频率与所述理论值相比，用设定的判断准则确定故障类别。
本发明之二：
第1步：从轴承故障已经成熟的第三阶段着手，以第一阶段的初始时刻值为计时起点来实现本发明提出的方法，
第2步：用加速度传感器、轴承转频计、内置被测轴承的轴承座，微处理单元MCU构成一个硬件平台，
第3步：分别找出了用于滚珠轴承和滚柱轴承的两种不同的传感器配置位置数量及采样点的设置方案，
第4步：通过由物理空间到轴承故障频域空间的转换把从一个采样时长内采集到的把各个周期中各采样点的采样信号转换为对应于各采样点在一个采样时长内的振幅值的数据序列，从而得到各采样点的振幅数据序列，由此得出各个采样点上的时域上的振幅包络图，从中找出，时域上最大振幅所在的振幅值序列，时域包络图及视作为故障源的采样点位置，以此，作为系统的采样输入信号，
第5步，在第三阶段的各个不同周期中等间距插入等量的采样点数逐步逼近法找出新的最大的振幅值及其所在的位置，再在同一时间轴上，从同一个起点开始，记录最大振幅值处的时域包络图。并计算与同类轴承样本时域波形图的相关峭度系数，判定故障类别。
因而，本发明解决了现有技术的未涉及的具体技术问题。
附图说明
图1是本发明内容1的基于声发射的滚动轴承单故障辨识方法整体流程图。
图2是本发明内容2的基于声发射的滚动轴承单故障辨识方法整体流程图。
图3是基于滚动轴承声信号的轴承单故障辨识系统本发明之一实现流程图。
图4是基于滚动轴承声信号的轴承单故障辨识系统本发明之二实现流程图。
图5a是滚珠轴承传感器布置图，采用单个光纤传声器。
图5b是滚柱轴承传感器矩阵布置图，采用分布式光纤传声器(当径宽不能忽略时)。
图6是不同周期内采样的P×Q矩阵。
具体实施方式
本发明之一，实施步骤，具体实施流程如图1所示：
步骤(1)构造系统，
包括：在兼具A/D转换功能的微处理器MCU、所述MCU控制下的光纤传声器，以下简称传声器，轴承转频计以及含有同轴固接在内的待测轴承座，
其中：
传声器，为自由场传声器，声源位于传声器前方正对轴承座三维几何中心处所垂直对应的轴承上表面，所述传声器的电压输出端与MCU 对应的数据输入端相连，
轴承转频计，用于计算轴承的转频，与MCU互连，
步骤(2)系统初始化，
步骤(2.1)，MCU初始化，
设定：待测轴承的几何参数，轴承额定转速n转/分，MCU 的采样频率，
采样周期Tq＝60/n秒，q＝1,2,L q,L Q，Q为周期数，
采样间隔Δt＝Tq/P＝60/(ngP)，P为每周期内采样点数初始设定值，p为采样点序号，p＝p1,p2,L pp，
采样频率fs＝1/Δt＝P/Tq
设定：滚动轴承故障样本群，分为滚珠轴承、滚柱轴承两大类，其中每个样本包括，轴承类别、故障类别，包括：外圈、内圈、滚动体和保持架四类、各类轴承故障的故障特征频率，以及制作样本时用的采样时长轴承故障发展的阶段标识，最大振幅值对应的时域波形图，步骤(2.2)，轴承座初始化：
步骤(2.2.1)建立十字坐标系：
步骤(2.2.1.1)在轴承座正面：
建立第一个十字坐标系：坐标原点与所述轴承座三维几何中心重合，x轴指向右外侧，y轴指向垂直于轴承座正面的方向，z 轴符合右手螺旋规则，指向轴承座上表面，
步骤(2.2.1.2)在轴承座上表面：
建立第二个十字坐标系：以所述第一个坐标系z轴指向的轴承座上表面二维几何中心为坐标原点以步骤(2.2.1.1)所述方式建立第二个十字坐标系，
步骤(2.2.2)标识采样点：
步骤(2.2.2.1)对于滚珠轴承：
以所述第二个十字坐标系的原点为中点，在x轴上左、右两端各取1/2的滚珠轴承的外周周长建立一个采样区域，等间距地标出PX个采样点，PX为奇数，
步骤(2.2.2.2)对于滚柱轴承，
以所述第二个十字坐标系原点为中点，在x轴左、右两端各取1/2的滚柱轴承的外周周长建立一个位于所述第二个十字坐标系原点上的第一个采样点，x轴上有PX个，PX为奇数，再以所述第一个采样点为中点，在z轴上、下两端各取1/2的滚柱轴承轴长的长度建立一个采样区域，等间隔地标出PZ个采样点，PZ为奇数，
步骤(2.2.3)，设立计时起点，
步骤(2.2.3.1)对于滚珠轴承，
当轴承顺时针方向旋转时，以采样区域左端为起点计时，
当轴承逆时针方向旋转时，以采样区域右端为起点计时，
步骤(2.2.3.2)对于滚柱轴承，
计时起点的方法与步骤(2.2.3.1)相同，
步骤(2.2.4)传声器的布置，
步骤(2.2.4.1)对于滚珠轴承，
在轴承座上表面对应所述第二个十字坐标原点上方布置一个传声器，
步骤(2.2.4.2)，对于滚柱轴承，
沿着所述第二个十字坐标系z轴上、下，在PZ个采样点的位置上方各布置一个传感器，共PZ×PX个构成一个十字交叉分布，步骤(3)MCU，依次按以下步骤实现基于声发射的滚动轴承单故障辨识，
步骤(3.1)获取时域振幅值的包络图，
步骤(3.1.1)对于滚珠轴承，
把一个采样时长内的采样数据组织成一个以按序号顺次排列的采样点为列，以按序号顺次排列的采样周期为行的P×Q，P为采样点数，Q为周期数，构成一个滚珠轴承故障模态空间，P个采样点最多能表示四种故障状态最少表示一种故障模态，
步骤(3.1.2)对于滚柱轴承，
把一个采样时长内的采样数据构成一个在z轴上按序号顺次排列的采样点PZ为列，在x轴上按序号顺次排列的采样周期Q为行的矩阵PZ×Q，PZ个采样点最多能表示四种滚柱轴承故障模态，最少表示一种，
步骤(3.1.3)，
从步骤(3.1.1)或步骤(3.1.2)得到的结果分别构成滚珠轴承或滚柱轴承的时域振幅值包络图，
步骤(3.2)，从步骤(3.1.3)的结果中，分别得到，
滚珠轴承时域最大振幅值所对应的采样点，判定为滚珠轴承的故障源，
滚柱轴承时域最大振幅值所对应的采样点，判定为滚柱轴承的故障源，
步骤(3.3)，把步骤(3.2)的结果用傅里叶算法软件转化为频域幅值频谱的包络图，找出与所述振幅最大值对应的故障频率，
步骤(3.4)，把从与轴承同步的从计时起点运行的轴承转频计中得到的对应于故障第三阶段最大振幅处的实测故障频率，所述滚动轴承故障频率理论值与步骤(3.3)得到的轴承故障频率，以所述的轴承故障频率理论值为基准故障频率，在允许的相对误差为±5％的条件下，分别求出其他二种故障频率相对于基准故障频率的相对误差，取其小者作为修正后的轴承故障频率，据此判别轴承的故障类别，
若其他两者相对于基准轴承故障频率理论值的相对误差，其中只需有一个的相对误差绝对值大于5％，则记作不是轴承转频计测量有误，就是采样点数量太少，则执行步骤(3.5)，
步骤(3.5)在一个采样时长的各采样周期内，以原来设定的采样点的数量再以+5％的比例，MCU通过A/D转换增加采样点数，等量地插入各采样周期中重复执行(2.2.2)-步骤(3.3)，一直到满足步骤(3.4) 中提出的相对误差标准为止。
本发明之二，实施步骤,具体实施流程如图2所示：
步骤(1)构造系统，
包括：在兼具A/D转换功能的微处理器MCU、所述MCU控制下的光纤传声器，以下简称传声器，轴承转频计以及含有同轴固接在内的待测轴承座，
其中：
传声器，为自由场传声器，声源位于传声器前方正对轴承座三维几何中心处所垂直对应的轴承上表面，所述传声器的电压输出端与MCU 对应的数据输入端相连，
轴承转频计，用于计算轴承的转频，与MCU互连，
步骤(2)系统初始化，
步骤(2.1)，MCU初始化，
设定：待测轴承的几何参数，轴承额定转速n转/分，MCU 的采样频率，
采样周期Tq＝60/n秒，q＝1,2,L q,L Q，Q为周期数，
采样间隔Δt＝Tq/P＝60/(ngP)，P为每周期内采样点数初始设定值，p为采样点序号，p＝p1,p2,L pp，
采样频率fs＝1/Δt＝P/Tq
设定：滚动轴承故障样本群，分为滚珠轴承、滚柱轴承两大类，其中每个样本包括，轴承类别、故障类别，包括：外圈、内圈、滚动体和保持架四类、各类轴承故障的故障特征频率，以及制作样本时用的采样时长轴承故障发展的阶段标识，最大振幅值对应的时域波形图，
步骤(2.2)，轴承座初始化：
步骤(2.2.1)建立十字坐标系：
步骤(2.2.1.1)在轴承座正面：
建立第一个十字坐标系：坐标原点与所述轴承座三维几何中心重合，x轴指向右外侧，y轴指向垂直于轴承座正面的方向，z 轴符合右手螺旋规则，指向轴承座上表面，
步骤(2.2.1.2)在轴承座上表面：
建立第二个十字坐标系：以所述第一个坐标系z轴指向的轴承座上表面二维几何中心为坐标原点以步骤(2.2.1.1)所述方式建立第二个十字坐标系，
步骤(2.2.2)标识采样点：
步骤(2.2.2.1)对于滚珠轴承：
以所述第二个十字坐标系的原点为中点，在x轴上左、右两端各取1/2的滚珠轴承的外周周长建立一个采样区域，等间距地标出PX个采样点，PX为奇数，
步骤(2.2.2.2)对于滚柱轴承，
以所述第二个十字坐标系原点为中点，在x轴左、右两端各取1/2的滚柱轴承的外周周长建立一个位于所述第二个十字坐标系原点上的第一个采样点，x轴上有PX个，PX为奇数，再以所述第一个采样点为中点，在z轴上、下两端各取1/2的滚柱轴承轴长的长度建立一个采样区域，等间隔地标出PZ个采样点，PZ为奇数，
步骤(2.2.3)，设立计时起点，
步骤(2.2.3.1)对于滚珠轴承，
当轴承顺时针方向旋转时，以采样区域左端为起点计时，
当轴承逆时针方向旋转时，以采样区域右端为起点计时，
步骤(2.2.3.2)对于滚柱轴承，
计时起点的方法与步骤(2.2.3.1)相同，
步骤(2.2.4)传声器的布置，
步骤(2.2.4.1)对于滚珠轴承，
在轴承座上表面对应所述第二个十字坐标原点上方布置一个传声器，
步骤(2.2.4.2)，对于滚柱轴承，
沿着所述第二个十字坐标系z轴上、下，在PZ个采样点的位置上方各布置一个传感器，共PZ×PX个构成一个十字交叉分布，步骤(3)MCU，依次按以下步骤实现基于声发射的滚动轴承单故障辨识，
步骤(3.1)获取时域振幅值的包络图，
步骤(3.1.1)对于滚珠轴承，
把一个采样时长内的采样数据组织成一个以按序号顺次排列的采样点为列，以按序号顺次排列的采样周期为行的P×Q，P为采样点数，Q为周期数，构成一个滚珠轴承故障模态空间，P个采样点最多能表示四种故障状态最少表示一种故障模态，
步骤(3.1.2)对于滚柱轴承，
把一个采样时长内的采样数据构成一个在z轴上按序号顺次排列的采样点PZ为列，在x轴上按序号顺次排列的采样周期Q为行的矩阵PZ×Q，PZ个采样点最多能表示四种滚柱轴承故障模态，最少表示一种，
步骤(3.1.3)，
从步骤(3.1.1)或步骤(3.1.2)得到的结果分别构成滚珠轴承或滚柱轴承的时域振幅值包络图，
步骤(3.2)，从步骤(3.1.3)的结果中，分别得到，
滚珠轴承时域最大振幅值所对应的采样点，判定为滚珠轴承的故障源，
滚柱轴承时域最大振幅值所对应的采样点，判定为滚柱轴承的故障源，
步骤(3.3)，把步骤(3.2)的结果用时域波形绘制软件转化为时域幅值的包络图，找出与所述振幅最大值对应的时域包络图，
步骤(3.4)，把执行步骤(3.3)之后得到的结果，即振幅最大值对应的时域包络图，与故障样本中同类轴承的最大振幅值对应的时域波形图，利用峭度计算软件计算获得两者的相关峭度系数γ，确定γ值最大的一类故障样本，判定故障类别。
Claims (2)
1.基于声发射的滚动轴承单故障辨识方法，其特征在于，是在一个基于声发射的滚动轴承辨识系统，以下简称系统中依次按以下步骤实现的：
步骤(1)构造系统，
包括：在兼具A/D转换功能的微处理器MCU、所述MCU控制下的光纤传声器，以下简称传声器，轴承转频计以及含有同轴固接在内的待测轴承座，
其中：
传声器，为自由场传声器，声源位于传声器前方正对轴承座三维几何中心处所垂直对应的轴承上表面，所述传声器的电压输出端与MCU对应的数据输入端相连，
轴承转频计，用于计算轴承的转频，与MCU互连，
步骤(2)系统初始化，
步骤(2.1)，MCU初始化，
设定：待测轴承的几何参数，轴承额定转速n转/分，MCU的采样频率，
采样周期Tq＝60/n秒，q＝1,2,L q,L Q，Q为周期数，
采样间隔Δt＝Tq/P＝60/(ngP)，P为每周期内采样点数初始设定值，p为采样点序号，p＝p1,p2,L pp，
采样频率fs＝1/Δt＝P/Tq
设定：滚动轴承故障样本群，分为滚珠轴承、滚柱轴承两大类，其中每个样本包括，轴承类别、故障类别，包括：外圈、内圈、滚动体和保持架四类、各类轴承故障的故障特征频率，以及制作样本时用的采样时长轴承故障发展的阶段标识，最大振幅值对应的时域波形图，步骤(2.2)，轴承座初始化：
步骤(2.2.1)建立十字坐标系：
步骤(2.2.1.1)在轴承座正面：
建立第一个十字坐标系：坐标原点与所述轴承座三维几何中心重合，x轴指向右外侧，y轴指向垂直于轴承座正面的方向，z轴符合右手螺旋规则，指向轴承座上表面，
步骤(2.2.1.2)在轴承座上表面：
建立第二个十字坐标系：以所述第一个坐标系z轴指向的轴承座上表面二维几何中心为坐标原点以步骤(2.2.1.1)所述方式建立第二个十字坐标系，
步骤(2.2.2)标识采样点：
步骤(2.2.2.1)对于滚珠轴承：
以所述第二个十字坐标系的原点为中点，在x轴上左、右两端各取1/2的滚珠轴承的外周周长建立一个采样区域，等间距地标出PX个采样点，PX为奇数，
步骤(2.2.2.2)对于滚柱轴承，
以所述第二个十字坐标系原点为中点，在x轴左、右两端各取1/2的滚柱轴承的外周周长建立一个位于所述第二个十字坐标系原点上的第一个采样点，x轴上有PX个，PX为奇数，再以所述第一个采样点为中点，在z轴上、下两端各取1/2的滚柱轴承轴长的长度建立一个采样区域，等间隔地标出PZ个采样点，PZ为奇数，
步骤(2.2.3)，设立计时起点，
步骤(2.2.3.1)对于滚珠轴承，
当轴承顺时针方向旋转时，以采样区域左端为起点计时，
当轴承逆时针方向旋转时，以采样区域右端为起点计时，
步骤(2.2.3.2)对于滚柱轴承，
计时起点的方法与步骤(2.2.3.1)相同，
步骤(2.2.4)传声器的布置，
步骤(2.2.4.1)对于滚珠轴承，
在轴承座上表面对应所述第二个十字坐标原点上方布置一个传声器，
步骤(2.2.4.2)，对于滚柱轴承，
沿着所述第二个十字坐标系z轴上、下，在PZ个采样点的位置上方各布置一个传感器，共PZ×PX个构成一个十字交叉分布，步骤(3)MCU，依次按以下步骤实现基于声发射的滚动轴承单故障辨识，
步骤(3.1)获取时域振幅值的包络图，
步骤(3.1.1)对于滚珠轴承，
把一个采样时长内的采样数据组织成一个以按序号顺次排列的采样点为列，以按序号顺次排列的采样周期为行的P×Q，P为采样点数，Q为周期数，构成一个滚珠轴承故障模态空间，P个采样点最多能表示四种故障状态最少表示一种故障模态，
步骤(3.1.2)对于滚柱轴承，
把一个采样时长内的采样数据构成一个在z轴上按序号顺次排列的采样点PZ为列，在x轴上按序号顺次排列的采样周期Q为行的矩阵PZ×Q，PZ个采样点最多能表示四种滚柱轴承故障模态，最少表示一种，
步骤(3.1.3)，
从步骤(3.1.1)或步骤(3.1.2)得到的结果分别构成滚珠轴承或滚柱轴承的时域振幅值包络图，
步骤(3.2)，从步骤(3.1.3)的结果中，分别得到，
滚珠轴承时域最大振幅值所对应的采样点，判定为滚珠轴承的故障源，
滚柱轴承时域最大振幅值所对应的采样点，判定为滚柱轴承的故障源，
步骤(3.3)，把步骤(3.2)的结果用傅里叶算法软件转化为频域幅值频谱的包络图，找出与所述振幅最大值对应的故障频率，
步骤(3.4)，把从与轴承同步的从计时起点运行的轴承转频计中得到的对应于故障第三阶段最大振幅处的实测故障频率，所述滚动轴承故障频率理论值与步骤(3.3)得到的轴承故障频率，以所述的轴承故障频率理论值为基准故障频率，在允许的相对误差为±5％的条件下，分别求出其他二种故障频率相对于基准故障频率的相对误差，取其小者作为修正后的轴承故障频率，据此判别轴承的故障类别，
若其他两者相对于基准轴承故障频率理论值的相对误差，其中只需有一个的相对误差绝对值大于5％，则记作不是轴承转频计测量有误，就是采样点数量太少，则执行步骤(3.5)，
步骤(3.5)在一个采样时长的各采样周期内，以原来设定的采样点的数量再以+5％的比例，MCU通过A/D转换增加采样点数，等量地插入各采样周期中重复执行(2.2.2)-步骤(3.3)，一直到满足步骤(3.4)中提出的相对误差标准为止。
2.基于权利要求1，提出基于声发射的滚动轴承单故障辨识方法，其特征在于，是在一个基于声发射的滚动轴承辨识系统，以下简称系统，中依次按以下步骤实现的：
步骤(1)构造系统，
包括：在兼具A/D转换功能的微处理器MCU、所述MCU控制下的光纤传声器，以下简称传声器，轴承转频计以及含有同轴固接在内的待测轴承座，
其中：
传声器，为自由场传声器，声源位于传声器前方正对轴承座三维几何中心处所垂直对应的轴承上表面，所述传声器的电压输出端与MCU对应的数据输入端相连，
轴承转频计，用于计算轴承的转频，与MCU互连，
步骤(2)系统初始化，
步骤(2.1)，MCU初始化，
设定：待测轴承的几何参数，轴承额定转速n转/分，MCU的采样频率，
采样周期Tq＝60/n秒，q＝1,2,L q,L Q，Q为周期数，
采样间隔Δt＝Tq/P＝60/(ngP)，P为每周期内采样点数初始设定值，p为采样点序号，p＝p1,p2,L pp，
采样频率fs＝1/Δt＝P/Tq
设定：滚动轴承故障样本群，分为滚珠轴承、滚柱轴承两大类，其中每个样本包括，轴承类别、故障类别，包括：外圈、内圈、滚动体和保持架四类、各类轴承故障的故障特征频率，以及制作样本时用的采样时长轴承故障发展的阶段标识，最大振幅值对应的时域波形图，
步骤(2.2)，轴承座初始化：
步骤(2.2.1)建立十字坐标系：
步骤(2.2.1.1)在轴承座正面：
建立第一个十字坐标系：坐标原点与所述轴承座三维几何中心重合，x轴指向右外侧，y轴指向垂直于轴承座正面的方向，z轴符合右手螺旋规则，指向轴承座上表面，
步骤(2.2.1.2)在轴承座上表面：
建立第二个十字坐标系：以所述第一个坐标系z轴指向的轴承座上表面二维几何中心为坐标原点以步骤(2.2.1.1)所述方式建立第二个十字坐标系，
步骤(2.2.2)标识采样点：
步骤(2.2.2.1)对于滚珠轴承：
以所述第二个十字坐标系的原点为中点，在x轴上左、右两端各取1/2的滚珠轴承的外周周长建立一个采样区域，等间距地标出PX个采样点，PX为奇数，
步骤(2.2.2.2)对于滚柱轴承，
以所述第二个十字坐标系原点为中点，在x轴左、右两端各取1/2的滚柱轴承的外周周长建立一个位于所述第二个十字坐标系原点上的第一个采样点，x轴上有PX个，PX为奇数，再以所述第一个采样点为中点，在z轴上、下两端各取1/2的滚柱轴承轴长的长度建立一个采样区域，等间隔地标出PZ个采样点，PZ为奇数，
步骤(2.2.3)，设立计时起点，
步骤(2.2.3.1)对于滚珠轴承，
当轴承顺时针方向旋转时，以采样区域左端为起点计时，
当轴承逆时针方向旋转时，以采样区域右端为起点计时，
步骤(2.2.3.2)对于滚柱轴承，
计时起点的方法与步骤(2.2.3.1)相同，
步骤(2.2.4)传声器的布置，
步骤(2.2.4.1)对于滚珠轴承，
在轴承座上表面对应所述第二个十字坐标原点上方布置一个传声器，
步骤(2.2.4.2)，对于滚柱轴承，
沿着所述第二个十字坐标系z轴上、下，在PZ个采样点的位置上方各布置一个传感器，共PZ×PX个构成一个十字交叉分布，
步骤(3)MCU，依次按以下步骤实现基于声发射的滚动轴承单故障辨识，
步骤(3.1)获取时域振幅值的包络图，
步骤(3.1.1)对于滚珠轴承，
把一个采样时长内的采样数据组织成一个以按序号顺次排列的采样点为列，以按序号顺次排列的采样周期为行的P×Q，P为采样点数，Q为周期数，构成一个滚珠轴承故障模态空间，P个采样点最多能表示四种故障状态最少表示一种故障模态，
步骤(3.1.2)对于滚柱轴承，
把一个采样时长内的采样数据构成一个在z轴上按序号顺次排列的采样点PZ为列，在x轴上按序号顺次排列的采样周期Q为行的矩阵PZ×Q，PZ个采样点最多能表示四种滚柱轴承故障模态，最少表示一种，
步骤(3.1.3)，
从步骤(3.1.1)或步骤(3.1.2)得到的结果分别构成滚珠轴承或滚柱轴承的时域振幅值包络图，
步骤(3.2)，从步骤(3.1.3)的结果中，分别得到，
滚珠轴承时域最大振幅值所对应的采样点，判定为滚珠轴承的故障源，
滚柱轴承时域最大振幅值所对应的采样点，判定为滚柱轴承的故障源，
步骤(3.3)，把步骤(3.2)的结果用时域波形绘制软件转化为时域幅值的包络图，找出与所述振幅最大值对应的时域包络图，
步骤(3.4)，把执行步骤(3.3)之后得到的结果，即振幅最大值对应的时域包络图，与故障样本中同类轴承的最大振幅值对应的时域波形图，利用峭度计算软件计算获得两者的相关峭度系数γ，确定γ值最大的一类故障样本，判定故障类别。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910051610.7A CN109632311A (zh) | 2019-01-21 | 2019-01-21 | 一种自适应声信号轴承故障诊断方法 |
| CN2019100516107 | 2019-01-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110926812A true CN110926812A (zh) | 2020-03-27 |
| CN110926812B CN110926812B (zh) | 2020-12-11 |
Family
ID=66061460
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910051610.7A Withdrawn CN109632311A (zh) | 2019-01-21 | 2019-01-21 | 一种自适应声信号轴承故障诊断方法 |
| CN201911370899.5A Active CN110926812B (zh) | 2019-01-21 | 2019-12-27 | 基于声发射的滚动轴承单故障辨识方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910051610.7A Withdrawn CN109632311A (zh) | 2019-01-21 | 2019-01-21 | 一种自适应声信号轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN109632311A (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543860B (zh) * | 2019-09-05 | 2022-06-07 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
| CN110929586A (zh) * | 2019-10-29 | 2020-03-27 | 国电大渡河检修安装有限公司 | 一种故障信号特征提取方法 |
| CN111337767B (zh) * | 2020-02-25 | 2023-07-18 | 河北工业大学 | 一种谐振波减速器故障分析方法 |
| CN111898556B (zh) * | 2020-08-01 | 2024-04-16 | 华东交通大学 | 基于ck指标一致的轴承瞬态冲击特征提取方法 |
| CN112183263B (zh) * | 2020-09-17 | 2022-11-04 | 昆明理工大学 | 一种基于改进的iceemd和hd的单向阀早期故障信号降噪方法 |
| CN112287752B (zh) * | 2020-09-22 | 2024-04-12 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
| CN112926014B (zh) * | 2021-01-19 | 2023-08-29 | 北京化工大学 | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 |
| CN112945557B (zh) * | 2021-01-29 | 2024-01-12 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
| CN113138081B (zh) * | 2021-04-28 | 2022-10-21 | 北京化工大学 | 一种基于接触角变化量的滚动轴承故障安全识别方法 |
| CN113247730B (zh) * | 2021-06-10 | 2022-11-08 | 浙江新再灵科技股份有限公司 | 基于多维特征的电梯乘客尖叫检测方法及系统 |
| CN113776837B (zh) * | 2021-10-27 | 2023-08-22 | 沈阳航空航天大学 | 基于ceemdan与gwo-nlm的滚动轴承故障诊断方法 |
| CN114004091B (zh) * | 2021-11-03 | 2023-04-18 | 兰州理工大学 | 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 |
| CN114813129B (zh) * | 2022-04-30 | 2024-03-26 | 北京化工大学 | 基于wpe与emd的滚动轴承声信号故障诊断方法 |
| CN115481662A (zh) * | 2022-09-19 | 2022-12-16 | 重庆忽米网络科技有限公司 | 一种旋转机械设备早期故障诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02263155A (ja) * | 1988-12-16 | 1990-10-25 | Nippon Seiko Kk | 軸受機構のクラツク検出装置及び方法 |
| US20060171625A1 (en) * | 2003-03-28 | 2006-08-03 | Jones Barry E | Method and apparatus for sensing the condition of a device, process material or structure |
| CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
| CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学（保定） | 一种变转速下的风电机组轴承故障诊断方法 |
| CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
| CN106153335A (zh) * | 2015-02-10 | 2016-11-23 | 中国科学院声学研究所 | 一种列车轴承声学在线故障诊断系统及方法 |
| CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
-
2019
- 2019-01-21 CN CN201910051610.7A patent/CN109632311A/zh not_active Withdrawn
- 2019-12-27 CN CN201911370899.5A patent/CN110926812B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02263155A (ja) * | 1988-12-16 | 1990-10-25 | Nippon Seiko Kk | 軸受機構のクラツク検出装置及び方法 |
| US20060171625A1 (en) * | 2003-03-28 | 2006-08-03 | Jones Barry E | Method and apparatus for sensing the condition of a device, process material or structure |
| CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
| CN106153335A (zh) * | 2015-02-10 | 2016-11-23 | 中国科学院声学研究所 | 一种列车轴承声学在线故障诊断系统及方法 |
| CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学（保定） | 一种变转速下的风电机组轴承故障诊断方法 |
| CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
| CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何鹏举等: "基于峭度分析的声发射故障检测 ", 《电子世界》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110926812B (zh) | 2020-12-11 |
| CN109632311A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110926812B (zh) | 基于声发射的滚动轴承单故障辨识方法 | |
| EP2199764B1 (en) | Timing analysis | |
| CN104819766B (zh) | 基于谐噪比的包络解调频带确定方法 | |
| CN107228766A (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
| CN108195584B (zh) | 一种基于准确度谱图的滚动轴承故障诊断方法 | |
| CN116842348B (zh) | 基于人工智能的桥梁健康监测系统 | |
| CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
| US5175498A (en) | Method and apparatus for making spatially correlated eddy current measurements | |
| CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
| CN108956122B (zh) | 一种基于结构动力学特性的装配质量检测方法 | |
| CN111678698A (zh) | 一种基于声振信号融合的滚动轴承故障检测方法 | |
| CN116380462A (zh) | 一种多尺度均值变分模态分解的轴承振动信号降噪方法 | |
| CN113340598A (zh) | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 | |
| US20060155734A1 (en) | Apparatus and methods for evaluating a dynamic system | |
| CN113332657A (zh) | 一种跳绳手柄、跳绳计数方法及跳绳 | |
| CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
| CN110567626B (zh) | 一种间接式轴承预紧力测量方法及系统 | |
| CN112147221A (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
| CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
| CN108241021B (zh) | 一种滚动轴承检测方法及装置 | |
| CN115615696A (zh) | 一种基于声振信息融合的柴油机齿轮室故障诊断方法 | |
| CN116026591A (zh) | 张量奇异谱分解方法 | |
| CN115165368A (zh) | 一种风电主轴轴承早期故障诊断方法 |
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 |