CN111046790A - 一种泵轴承故障诊断方法 - Google Patents
一种泵轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111046790A CN111046790A CN201911262543.XA CN201911262543A CN111046790A CN 111046790 A CN111046790 A CN 111046790A CN 201911262543 A CN201911262543 A CN 201911262543A CN 111046790 A CN111046790 A CN 111046790A
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- signal
- training
- establishing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000003750 conditioning effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000009434 installation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003752 polymerase chain reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 108010074864 Factor XI Proteins 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
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
- 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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种泵轴承故障诊断的方法,通过信号检测模块对振动信号进行采集,通过调理电路消除高频干扰;将得到的数据进行归一化处理,采用固有时间尺度分解方法对泵机组故障信号进行分解,一次分解得到一个基线信号和一个固有旋转分量,提取多个固有旋转分量的RMS作为特征值组成该旋转频率下的故障特征数据组;在轴承不同故障下重复上述操作得到故障样本数据集X;将数据集X作为LIB‑SVM的输入,构建故障分类模型对轴承故障信号进行模式识别;建立轴承故障数据库。本发明通过分析电机电流电压信号的此种方法,具有操作方便,安装灵活以及稳定性好的特点。
Description
技术领域
本发明涉及流体机械监测技术领域,特别涉及一种泵轴承故障诊断方 法。
背景技术
泵的结构复杂,工作在高温、高速的恶劣条件下,再加上各种随机因 素的影响,容易发生各种机械故障,使得其功能降低。生产系统中一旦泵 出现故障,将会导致连锁反应,严重会造成设备损坏乃至生产系统的瘫痪, 无法正常工作,给企业和社会造成巨大经济损失。
现有技术中CN103758742B公开了一种基于双类特征融合诊断的柱塞泵 故障诊断系统,该系统通过加速度传感器将泵的振动信号转变为电信号, 用双类特征提取方式提取信号的小波包相对能量谱和小波包相对特征熵两 类特征进行故障诊断。该系统实际操作需要将加速度传感器与泵体连接, 振动信号的特征与连接位置有很大关系,因此,要想准确监测某个故障需 要在泵体多个位置操作,过程繁琐而且耗时,大多数情况下还需要专业操 作人员进行监测。
现有技术中CN108303253B公开了一种基于长短时记忆循环神经网络的 轴承早期故障识别方法。对轴承振动信号进行采集后提取常用的时域特征, 利用时域特征和熵特征构建特征数据集并作为训练样本对LSTM循环神经网 络进行训练。通过训练好的LSTM循环神经网络对故障发生时刻进行识别。 该发明将振动信号的传统特征和熵特征进行结合,在保证振动特征量物理 意义的情况下,准确反映轴承当前状态。但对于干扰信号所造成的误判无法 有效辨别。
发明内容
为解决上述至少一个技术问题,本发明公开了一种泵轴承故障诊断的 方法,包括如下步骤:
信号检测模块对振动信号进行采集,并通过调理电路消除高频干扰;
对采集的故障信号进行多次分解,一次分解得到一个基线信号和一个 固有旋转分量,提取多个所述固有旋转分量的RMS作为特征值组成该旋转 频率下的故障特征数据集,其中,对所述故障信号的分解采用固有时间尺 度分解(ITD)方法;
对所述故障特征数据集做归一化处理,并构建故障分类模型对轴承故 障信号进行模式识别,其中,所述模式识别包括训练阶段和识别阶段;
建立轴承故障数据库。
所述构建故障分类模型步骤之前先做作为LIB-SVM的输入。
所述建立轴承故障数据库步骤具体包括建立不同型号轴承故障的 LIB-SVM诊断模型、及扩展某一型号的故障类别。
所述训练阶段具体包括:
S101.将整理好的故障样本数据集根据故障症状进行划分,并建立训练 样本集T={xi,yi}∈(X×Y)ι,
其中,xi∈Rn,yi∈{-1,1}(i=1,2…,L),xi为特征向量;
S102.根据Mercer定理,选取适当的核函数K(xi,xj)并给定核参数初值 C,构造并求解最优化问题:
S103.建立训练数据故障样本的最优分类超平面,训练结束。
所述故障识别阶段具体包括:
S201.将训练阶段得到的支持向量机各参数以及训练样本集送入分类决 策函数中,通过一定的参数优化算法寻求最优的核参数组合;
采用上述技术方案,本发明所述的泵轴承故障诊断方法具有如下有益 效果:
本发明泵轴承故障诊断方法是通过检测振动信号来检测泵轴承故障, 主要通过信号检测模块对振动信号进行采集,通过调理电路消除高频干扰; 将得到的数据进行归一化处理,采用固有时间尺度分解(ITD)方法对泵机 组故障信号进行分解,一次分解得到一个基线信号和一个固有旋转分量,提 取多个固有旋转分量的RMS作为特征值组成该旋转频率下的故障特征数据 组。在轴承不同故障下重复上述操作得到故障样本数据集X。将数据集X 作为LIB-SVM的输入,构建故障分类模型对轴承故障信号进行模式识别。
本发明泵轴承故障的诊断方法区别于在泵上安装一些诸如振动传感器, 压力传感器等侵入式检测元件,本发明通过非侵入式的只需通过分析电机 电流电压信号的此种方法,具有操作方便,安装灵活以及稳定性好的特点。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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为本发明实施例泵轴承故障诊断方法的流程图;
图2为本发明实施例轴承内圈故障的ITD分解图;
图3为本发明实施例的LIB-SVM故障分类图;
图4为本发明实施例的一种测试结果图;
图5轴承故障数据库示意图。
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 有作出创造性劳动的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。
实施例:
如图1所示,本发明实施例公开了一种泵轴承故障诊断的方法,包括 如下步骤:
信号检测模块对振动信号进行采集,并通过调理电路消除高频干扰;
对采集的故障信号进行多次分解,一次分解得到一个基线信号和一个 固有旋转分量,提取多个所述固有旋转分量(PCRs)的RMS作为特征值组 成该旋转频率下的故障特征数据集X,其中,对所述故障信号的分解采用固 有时间尺度分解(ITD)方法;
对所述故障特征数据集做归一化处理,并构建故障分类模型对轴承故 障信号进行模式识别,其中,所述模式识别包括训练阶段和识别阶段;
建立轴承故障数据库。
在一些实施例中,所述建立轴承故障数据库步骤具体包括建立不同型 号轴承故障的LB-SVM诊断模型、及扩展某一型号的故障类别。
在一些实施例中,所述泵轴承故障诊断的方法流程图如图1所示;将 采集到的不同故障下的数据进行ITD分解,提取故障特征数据集X,选择合 适的核函数进行模型的训练和建立。其中模型建立过程中使用粒子群算法 (PSO)进行参数优化,确定最终分类模型。
在一些实施例中,所述训练和识别阶段具体包括:
训练阶段具体包括:
S101.将整理好的故障样本数据集根据故障症状进行划分,并建立训练 样本集T={xi,yi}∈(X×Y)ι,
其中,xi∈Rn,yi∈{-1,1}(i=1,2…,L),xi为特征向量;
S102.根据Mercer定理,选取适当的核函数K(xi,xj)并给定核参数初值 C,构造并求解最优化问题:
S103.建立训练数据故障样本的最优分类超平面,训练结束。
识别阶段具体包括:
S201.将训练阶段得到的支持向量机各参数a*,b*以及训练样本集送入 分类决策函数f(x)中构建故障分类模型。通过一定的参数优化算法寻求最优 的核参数组合。其中分类决策函数f(x)为:
其中,xi∈Rn,yi∈{-1,1}(i=1,2…,L),xi为特征向量。
所述固有时间尺度分解(ITD)是把信号分解成一系列的固有旋转分量 和一个趋势分量之和,分别对固有旋转分量的瞬时幅值和瞬时频率进行频 谱分析,能获取振动信号的调幅特征和调频特征。对信号Xt,定义ξ为基线 提取因子,使得从信号Xt中抽取一个基线后剩下的余量信号成为一个固有 旋转分量。信号Xt的一次分解:
Xt=ξXt+(1-ξ)Xt=Lt+Ht
式中:Lt=ξXt为基线信号;Ht=(1-ξ)Xt为固有旋转分量。
假设{τk|K=1,2,…}为信号Xt的局部极点,定义τ0=0。为简化符 号,分别用Xt和Lk表示X(τk)和L(τk)。假设在[0,τk]上定义了Lt和 Ht,且Xt在t∈[0,τk+2]有定义。在连续极点间隔(τk,τk+1]上定义分 段线性基线提取因子ξ:
式中:β∈(0,1),通常取0.5。
一次分解得到一个基线信号和一个固有旋转分量,后者表示信号中的局 部相对高频成分。将基线信号作为新的输入信号继续分解,直到获得一个 单调信号。每个旋转频率下有多个固有旋转分量,提取多个固有旋转分量 的RMS作为特征值组成该旋转频率下的故障特征数据组。在轴承不同故障 下重复上述操作得到故障样本数据集T。
图2是对轴承内圈故障数据进行ITD分解得到个PCRs分量,其以某 发电机驱动端轴承为深沟球轴承为例,其型号为6324C3。滚子个数N=12, 内径d=120mm,外径D=260mm,接触角β=0°。采样频率为2000Hz, 电机转速1450r/min。
如表1所示,针对上述轴承6324C3,将采集到的各种故障下的振动信号: 正常状态,保持架故障,滚动体故障,外圈故障,内圈故障;分别定义样 本标签为1,2,3,4,5。在轴承不同故障下对振动信号进行ITD分解,得到信号 的各个旋转分量。选取PCR1-PCR6的RMS值作为各故障的特征向量数据集 X。
表1部分测试数据
图3所示为PCR1-PCR6的RMS值在5个不同故障样本中数据分布情 况。通过LIB-SVM对故障信号进行训练和识别。将上述得到的特征向量数 据集T和样本标签作为LIB-SVM的输入,通过matlab自带软件进行模型 的训练和识别。为了得到较满意的分类结果,本发明采用粒子群算法(PSO) 进行参数优化。
如图4是测试结果图,横坐标表示测试集样本,纵坐标表示每个测试 样本所属类别标签。从图中可以看出,故障分类效果较好,准确率为91%。
图5是轴承故障数据库。对不同的轴承型号建立数据库。数据库包括 轴承型号与所对应的LIB-SVM诊断模型。横向的,可以扩展某一型号轴承 的故障类别;纵向的,可以建立不同型号的轴承所对应的LIB-SVM诊断模 型。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发 明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在 本发明的保护范围之内。
Claims (5)
1.一种泵轴承故障诊断方法,其特征在于,包括如下步骤:
信号检测模块对振动信号进行采集,并通过调理电路消除高频干扰;
对采集的故障信号进行多次分解,一次分解得到一个基线信号和一个固有旋转分量,提取多个所述固有旋转分量的RMS作为特征值组成该旋转频率下的故障特征数据集,其中,对所述故障信号的分解采用固有时间尺度分解方法;
对所述故障特征数据集做归一化处理,并构建故障分类模型对轴承故障信号进行模式识别,其中,所述模式识别包括训练阶段和识别阶段;
建立轴承故障数据库。
4.根据权利要求1-3任意一项所述的泵轴承故障诊断方法,其特征在于,所述构建故障分类模型步骤之前先做作为LIB-SVM的输入。
5.根据权利要求4所述的泵轴承故障诊断方法,其特征在于,所述建立轴承故障数据库步骤具体包括建立不同型号轴承故障的LIB-SVM诊断模型、及扩展某一型号的故障类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262543.XA CN111046790A (zh) | 2019-12-11 | 2019-12-11 | 一种泵轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262543.XA CN111046790A (zh) | 2019-12-11 | 2019-12-11 | 一种泵轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046790A true CN111046790A (zh) | 2020-04-21 |
Family
ID=70235743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911262543.XA Pending CN111046790A (zh) | 2019-12-11 | 2019-12-11 | 一种泵轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046790A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528966A (zh) * | 2016-10-27 | 2017-03-22 | 北京印刷学院 | 一种基于svm的高速印刷机振动信号故障特征提取方法 |
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 |
CN109617526A (zh) * | 2018-12-20 | 2019-04-12 | 福州大学 | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 |
CN110146293A (zh) * | 2019-06-04 | 2019-08-20 | 昆明理工大学 | 一种基于pca与elm的滚动轴承故障诊断方法 |
-
2019
- 2019-12-11 CN CN201911262543.XA patent/CN111046790A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528966A (zh) * | 2016-10-27 | 2017-03-22 | 北京印刷学院 | 一种基于svm的高速印刷机振动信号故障特征提取方法 |
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 |
CN109617526A (zh) * | 2018-12-20 | 2019-04-12 | 福州大学 | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 |
CN110146293A (zh) * | 2019-06-04 | 2019-08-20 | 昆明理工大学 | 一种基于pca与elm的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
SAMIR ALABIED 等: "Fault Diagnosis of Centrifugal Pumps based onthe Intrinsic Time-scale Decomposition of Motor Current Signals", 《IEEE》 * |
张朝林: "ITD-多尺度熵和ELM 的风电轴承健康状态识别", 《机械科学与技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
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 |
CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
CN117705448B (zh) * | 2024-02-05 | 2024-05-07 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pandarakone et al. | Deep neural network based bearing fault diagnosis of induction motor using fast Fourier transform analysis | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Yan et al. | Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments | |
CN110008898B (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
CN109255333B (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
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 | |
CN104614182A (zh) | 一种轴承故障检测方法 | |
CN110595778B (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
Zhou et al. | Fault detection of rolling bearing based on FFT and classification | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
CN209783910U (zh) | 一种核电用泵轴承智能故障诊断系统 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
CN111220388A (zh) | 一种基于时域分析的滚动轴承故障诊断方法 | |
CN112668807B (zh) | 一种用于风电场功率预测的风速预测方法 | |
CN111947927B (zh) | 一种基于色度理论的滚动轴承故障检测方法 | |
Yuan et al. | Research on bearing fault diagnosis of submersible pump motor based on LMD and SVDD |
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: 20200421 |