CN111046790A - 一种泵轴承故障诊断方法 - Google Patents

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

一种泵轴承故障诊断方法

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＝{x_i，y_i}∈(X×Y)^ι，

其中，x_i∈Rⁿ，y_i∈{-1，1}(i＝1,2…,L)，x_i为特征向量；

S102.根据Mercer定理，选取适当的核函数K(x_i，x_j)并给定核参数初值 C，构造并求解最优化问题：

得到最优解：

选取a^*的一个正分量

并据此计算阈值：

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；

S202.在步骤S201得到的所述参数组合下对预分类故障样本进行预测， 其中分类决策函数

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＝{x_i，y_i}∈(X×Y)^ι，

其中，x_i∈Rⁿ，y_i∈{-1，1}(i＝1,2…,L)，x_i为特征向量；

S102.根据Mercer定理，选取适当的核函数K(x_i，x_j)并给定核参数初值 C，构造并求解最优化问题：

得到最优解：

选取a^*的一个正分量

并据此计算阈值：

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，x_i∈Rⁿ，y_i∈{-1，1}(i＝1,2…,L)，x_i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X_t，定义ξ为基线 提取因子，使得从信号X_t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X_t的一次分解：

X_t＝ξX_t+(1-ξ)X_t＝L_t+H_t

式中：L_t＝ξX_t为基线信号；H_t＝(1－ξ)X_t为固有旋转分量。

假设{τ_k|K＝1，2，…}为信号X_t的局部极点，定义τ₀＝0。为简化符 号，分别用X_t和L_k表示X(τ_k)和L(τ_k)。假设在[0，τ_k]上定义了L_t和 H_t，且X_t在t∈[0，τ_k+2]有定义。在连续极点间隔(τ_k，τ_k+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。

2.根据权利要求1所述的泵轴承故障诊断方法，其特征在于，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＝{x_i，y_i}∈(X×Y)^l，

其中，x_i∈Rⁿ，y_i∈{-1，1}(i＝1,2…,L)，x_i为特征向量；

S102.根据Mercer定理，选取适当的核函数K(x_i，x_j)并给定核参数初值C，构造并求解最优化问题：

得到最优解：

选取a^*的一个正分量

并据此计算阈值：

S103.建立训练数据故障样本的最优分类超平面，训练结束。

3.根据权利要求2所述的泵轴承故障诊断方法，其特征在于，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支持向量机模型中，首先对训练样本数据集进行训练，通过一定的参数优化算法寻求最优的核参数组合；

S202.在步骤S201得到的所述参数组合下对预分类故障样本进行预测，其中分类决策函数

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。

Images