CN111175045B - 一种机车牵引电机轴承的振动加速度数据的清洗方法 - Google Patents

一种机车牵引电机轴承的振动加速度数据的清洗方法 Download PDF

Info

Publication number
CN111175045B
CN111175045B CN202010019856.9A CN202010019856A CN111175045B CN 111175045 B CN111175045 B CN 111175045B CN 202010019856 A CN202010019856 A CN 202010019856A CN 111175045 B CN111175045 B CN 111175045B
Authority
CN
China
Prior art keywords
vibration acceleration
performance degradation
acceleration data
data
quantized
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
Application number
CN202010019856.9A
Other languages
English (en)
Other versions
CN111175045A (zh
Inventor
张兴武
白晓博
刘一龙
王诗彬
陈雪峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010019856.9A priority Critical patent/CN111175045B/zh
Publication of CN111175045A publication Critical patent/CN111175045A/zh
Application granted granted Critical
Publication of CN111175045B publication Critical patent/CN111175045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)

Abstract

本公开揭示了一种机车牵引电机轴承振动加速度数据清洗方法，包括：采集机车牵引电机轴承的振动加速度数据；剔除所采集的振动加速度数据中的无效数据并清洗异常离群点；对剔除无效数据和清洗异常离群点后的振动加速度数据进行量化处理，排除变转速导致的中的幅值调制现象，获得量化振动加速度数据；提取量化振动加速度数据在不同转速工况下的量化高维性能退化特征；计算每个量化高维性能退化特征的分散性，将所述分散性与阈值比对，根据比对结果对量化高维性能退化特征进行筛选。本公开能够有效去除振动加速度数据中的无效点和异常离群点以及由于转速变化所导致的幅值调制现象，能够保障所采集振动加速度数据的可用性。

Description

一种机车牵引电机轴承的振动加速度数据的清洗方法
技术领域
本公开属于数据清洗领域，具体涉及一种机车牵引电机轴承的振动加速度数据的清洗方法。
背景技术
机车牵引电机轴承的运行环境复杂，正常运行中伴随着较大的振动以及频繁变化的转速，这就导致传感器所采集的振动加速度数据包含有大量的无效点和异常离群点，而且振动加速度数据的幅值也会随着转速的变化发生相应的幅值调制；工程中需要利用从振动加速度数据中所提取的高维性能退化特征对机车牵引电机轴承进行实时的监测，但是这些不利因素不但会增大机车牵引电机轴承的监测难度，甚至会改变机车牵引电机轴承的性能退化模式，这会直接导致基于固定阈值的常规监测方法失效，无法可靠地对机车牵引电机轴承进行性能退化监测。因此，在提取高维性能退化特征之前，必须对振动加速度数据进行清洗，剔除异常数据和变转速带来的复制调制等不利影响因素之后，再从时域、频域、时频域等多角度对清洗过的振动加速度数据提取高维性能退化特征。
针对变转速工况的常规数据清洗方法，有阶比分析通过软件方法或者硬件设备获得和振动数据同步对应的转速数据，再对变转速振动加速度数据重采样，得到角域振动数据，实时的追踪故障特征。部分轴承性能退化特征，比如对信号中脉冲型故障比较敏感的峭度指标，属于无量纲指标，该指标从理论层面排除了变转速带来的影响，常在工程中用于轴承的性能退化监测。
然而，针对变转速工况的常规数据清洗方法，比如阶比分析，需要通过软件方法或者硬件设备获得和振动数据同步对应的转速数据，工程实际中，很难通过硬件设备来采集如此精准同步的转速数据，同时，机车车载硬件系统的计算能力往往相对较弱，很难实时地通过软件方法快速地计算得到转速数据。而且，由于工程问题的复杂性，部分无量纲监测指标，依然存在可靠性不佳的问题，数据清洗不足是其重要原因之一。因此这里就需要一种计算量小、可靠的数据清洗方法，对传感器所采集的振动加速度数据进行预清洗，保障所采集振动加速度数据的可用性。
发明内容
针对现有技术中的不足，本公开的目的在于提供一种机车牵引电机轴承的振动加速度数据的清洗方法，能够有效去除振动加速度数据中的无效点和异常离群点，还能够纠正由于转速变化所导致的振动加速度数据的幅值调制现象，既能保障所采集的振动加速度数据的可用性，又能提高从振动加速度数据中所提取的高维性能退化特征的应用价值。
为实现上述目的，本公开提供以下技术方案：
一种机车牵引电机轴承振动加速度数据清洗方法，包括如下步骤：
S100：采集机车牵引电机轴承的振动加速度数据；
S200：剔除所采集的振动加速度数据中的无效数据并清洗异常离群点；
S300：对剔除无效数据和清洗异常离群点后的振动加速度数据进行量化处理，排除变转速导致的中的幅值调制现象，获得量化振动加速度数据；
S400：提取量化振动加速度数据在不同转速工况下的量化高维性能退化特征；
S500：计算每个量化高维性能退化特征的分散性，将所述分散性与阈值比对，根据比对结果对量化高维性能退化特征进行筛选。
优选的，步骤S200中，清洗所采集的振动加速度数据中异常离群点包括以下步骤：
S201：计算所采集的振动加速度数据的偏差绝对值的中值；
S202：根据所述振动加速度数据的偏差绝对值的中值确定数据清洗阈值范围；
S203：根据所述数据清洗阈值范围对所述振动加速度数据中是否存在异常离群点进行判断，并对异常离群点进行清洗。
优选的，步骤S201中，所述振动加速度数据的偏差绝对值的中值为：
sm＝C·median|u(i)-um|
其中，median表示取中值，常数C表示统计学常量，C＝1.4826；um表示振动加速度数据u(i)的中值；
步骤S202中，所述数据清洗阈值范围为：
[um-3sm，um+3sm]。
优选的，步骤S203中，所述对异常离群点进行清洗通过以下方式进行：
取振动加速度数据邻近若干个样本的均值替代所述振动加速度数据，表达式为：
u(i)＝[…+u(i-2)+u(i-1)+u(i+1)+u(i+2)+…]/n
其中，u(i)为振动加速度数据，n为邻近样本点的总数，i为样本序号。
优选的，步骤S300包括以下步骤：
S301：对所述振动加速度数据进行希尔伯特变换，并通过包络分析获得包络数据；
S302：对包络数据的幅值降序排序，并求取前m个幅值的均值；
S303：根据所述均值获得量化振动加速度数据。
优选的，步骤S301中，所述包络数据为：
e(i)＝|x(i)+j H[x(i)]|
其中，H[·]表示希尔伯特变换；x(i)+j H[x(i)]为复数，|x(i)+j H[x(i)]|表示取该复数的模；
步骤S302中，所述包络数据前m个幅值的均值为：
Figure BDA0002360060000000041
其中，max[e(i)]m表示取包络数据e(i)的前m个幅值最大的值的和；
步骤S303中，所述量化振动加速度数据为：
Figure BDA0002360060000000042
优选的，步骤S400中，所述量化高维性能退化特征表示为：
Figure BDA0002360060000000051
其中，d表示量化高维性能退化特征的总维度，即不同的性能退化特征；n表示量化每个性能退化特征的样本总数；h表示转速工况的种类；X1′，X2′，…，Xh′表示对应h种转速工况下的量化高维性能退化特征。
优选的，所述量化高维性能退化特征包括：时域量化性能退化特征、频域量化性能退化特征和时频域量化性能退化特征。
优选的，步骤S500包括如下步骤：
S501：计算每个量化高维性能退化特征的分散性；
S502：将所述分散性值与阈值比较，若所述分散性大于所述预设阈值，则将与该分散性所对应的量化高维性能退化特征清除，若所述分散性小于所述预设阈值，则将与该分散性所对应的量化高维性能退化特征保留。
优选的，所述每个量化高维性能退化特征的分散性为：
Figure BDA0002360060000000052
且
Figure BDA0002360060000000061
其中，p表示工况序号，p＝1，2，…，h；i表示量化高维性能退化特征的维度序号，i＝1，2，…，d；j表示量化性能退化特征中的样本，j＝1，2，…，n；
Figure BDA0002360060000000062
表示量化性能退化特征xi中的样本，x′i为量化高维性能退化特征X′中的第i个量化性能退化特征；S(i)为分散性s中的样本，也即量化性能退化特征x′i的分散性。
与现有技术相比，本公开带来的有益效果为：能够有效去除振动加速度数据中的无效点和异常离群点以及由于转速变化所导致的幅值调制现象，既能够保障所采集振动加速度数据的可用性，又能够提高从振动加速度数据中所提取的高维性能退化特征的实际应用价值。
附图说明
图1是本公开一个实施例提供的一种机车牵引电机轴承的振动加速度数据的清洗方法流程图；
图2是本公开一个实施例提供的NU214轴承全寿命振动加速度图；
图3是本公开一个实施例提供的方根幅值特征在5种转速工况下量化前后对比图；
图4是本公开一个实施例提供的频域特征在5种转速工况下量化前后对比图。
具体实施方式
下面将参照附图1至图4详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
一个实施例中，如图1所示，本公开提供一种机车牵引电机轴承振动加速度数据清洗方法，包括如下步骤：
S100：采集机车牵引电机轴承的振动加速度数据u(i)；
S200：剔除所采集的振动加速度数据u(i)中的无效数据并清洗异常离群点；
S300：对剔除无效数据和清洗异常离群点后的振动加速度数据x(i)进行量化处理，排除变转速导致的中的幅值调制现象，获得量化振动加速度数据x′(i)；
S400：提取量化振动加速度数据x′(i)在不同转速工况下的量化高维性能退化特征X′；
S500：计算每个量化高维性能退化特征Xi′的分散性，将所述分散性与阈值比对，根据比对结果对量化高维性能退化特征X′进行筛选。
本实施例通过去除振动加速度数据中的无效数据和异常离群点以及由于转速变化所导致的幅值调制现象，既能够保障所采集振动加速度数据的可用性，又能够提高从振动加速度数据中所提取的高维性能退化特征的实际应用价值，能够解决现有技术中数据清洗不足导致部分无量纲监测指标可靠性不佳的问题。
另一个实施例中，步骤S200中，清洗所采集的振动加速度数据u(i)中异常离群点包括以下步骤：
S201：计算所采集的振动加速度数据u(i)的偏差绝对值的中值Sm；
该步骤中，所述振动加速度数据的偏差绝对值的中值为：
sm＝C·median|u(i)-um|
其中，median表示取中值，常数C表示统计学常量，C＝1.4826；um表示振动加速度数据u(i)的中值；
S202：根据所述振动加速度数据的偏差绝对值的中值确定数据清洗阈值范围；
该步骤中，所述数据清洗阈值范围为：
[um-3sm，um+3sm]。
考虑到振动加速度数据超出阈值的情况大多是振动状态异常，而且所采集的振动加速度数据中的离群点往往对应着一个奇异的状态，部分离群点能提供比正常数据更丰富、更重要的信息，是确定新状态、发现新状况的有力数据。因此，本实施例根据经验判断所采集的振动加速度数据u(i)是否处于[um-3sm，um+3sm]以外幅值最大的前70％内，如果不在这个范围内，则u(i)为正常点，反之为异常离群点，需要进行清洗处理。
S203：根据所述数据清洗阈值范围对所述振动加速度数据中是否存在异常离群点进行判断，并对异常离群点进行清洗。
该步骤中，具体的清洗方法如下：逐个样本进行判断，判断样本u(i)是否属于步骤S202所述清洗范围，如果样本u(i)位于清洗范围内，为了尽可能保证替代数据的可靠性，取该u(i)邻近若干个样本的均值替代该点u(i)，表达式为：
u(i)＝[…+u(i-2)+u(i-1)+u(i+1)+u(i+2)+…]/n
其中，n为邻近样本点的总数，i为样本序号。
另外，需要说明的是，步骤S200所提到的无效数据一般为机车启、停机阶段所采集的空白数据，即连续的多个样本存在u(i)＝0，对于这类空白数据直接做删除处理，即从u(i)中删除此样本点，本公开规则为连续的5个样本存在u(i)＝0时，即该5个样本为无效空白数据，从振动加速度数据u(i)中直接删除这连续5个样本值为0的点。
另一个实施例中，步骤S300包括以下步骤：
S301：对所述剔除无效数据和清洗异常离群点后的振动加速度数据进行希尔伯特变换，并通过包络分析获得包络数据；
该步骤中，所述包络数据为：
e(i)＝|x(i)+j H[x(i)]|
其中，H[·]表示希尔伯特变换；x(i)+j H[x(i)]为复数，|x(i)+j H[x(i)]|表示取该复数的模。
S302：对包络数据的幅值降序排序，并求取前m个幅值的均值；
所述包络数据前m个幅值的均值为：
Figure BDA0002360060000000101
其中，max[e(i)]m表示取包络数据e(i)的前m个幅值最大的值的和，通过对包络数据的幅值取均值可以降低随机扰动导致的干扰。
S303：根据所述均值获得量化振动加速度数据。
该步骤中，所述量化振动加速度数据为：
Figure BDA0002360060000000102
另一个实施例中，步骤S400中，所述量化高维性能退化特征X′表示为：
Figure BDA0002360060000000103
其中，d表示量化高维性能退化特征的总维度，即不同的性能退化特征；n表示量化每个性能退化特征的样本总数；h表示转速工况的种类；X1′，X2′，…，Xh′表示对应h种转速工况下的量化高维性能退化特征。
上式中，所述量化高维性能退化特征X′具体包括：
时域量化性能退化特征16个：
均值T1，
Figure BDA0002360060000000111
标准差T2，
Figure BDA0002360060000000112
方差T3，
Figure BDA0002360060000000113
偏斜度T4，
Figure BDA0002360060000000114
峭度T5，
Figure BDA0002360060000000115
峰峰值T6，max[x′(i)]-min[x′(i)]
方根幅值T7，
Figure BDA0002360060000000116
平均幅值T8，
Figure BDA0002360060000000117
均方幅根值T9，
Figure BDA0002360060000000121
峰值指标T10，max|x′(i)|
波形指标T11，T9/T8
峰值指标T12，max[x′(i)]/T9
脉冲指标T13，max[x′(i)]/T8
裕度指标T14，max[x′(i)]/T7
偏斜度指标T15，
Figure BDA0002360060000000122
峭度指标T16，
Figure BDA0002360060000000123
其中，Tk为时域量化性能退化特征标号；k＝1，2，3，…，16；x′(i)表示量化振动加速度数据，i＝1，2，3，…，N；N表示量化振动加速度数据x′(i)的样本点总数。
频域量化性能退化特征工13个：
F1，为
Figure BDA0002360060000000124
F2，为
Figure BDA0002360060000000125
F3，为
Figure BDA0002360060000000131
F4，为
Figure BDA0002360060000000132
F5，为
Figure BDA0002360060000000133
F6，为
Figure BDA0002360060000000134
F7，为
Figure BDA0002360060000000135
F8，为
Figure BDA0002360060000000136
F9，为
Figure BDA0002360060000000137
F10，为F6/F5
F11，为
Figure BDA0002360060000000141
F12，为
Figure BDA0002360060000000142
F13，为
Figure BDA0002360060000000143
其中，Fi为频域量化性能退化特征标号，i＝1，2，3，…，13；y(j)表示量化振动加速度数据x′(i)经过FFT变换后得到的频域序列；j＝1，2，3，…，n；n表示频谱中的谱线个数，n＝5750；fj表示量化振动加速度数据x′(i)频谱中的频率成分。
时频域量化性能退化特征包括：
1、EMD能量特征7个：
量化振动加速度数据x′(i)经过EMD分解得到前6层本征模式IMF分量能量和1个EMD能量熵共7个特征，
IMF分量能量
Figure BDA0002360060000000144
其中，imfm(i)为本征模式IMF的第m个分量，m为本征模式分解层标号，m＝1，2，3，…，6，i＝1，2，3，…，n。
EMD能量熵表示为
Figure BDA0002360060000000145
其中，pm为第m个本征模式的能量占所有本征模式总能量的比例；Em(i)为第m个本征模式的能量。
2、小波包分解能量特征共16个：
使用小波函数db4对量化振动加速度数据x′(i)进行小波包分解，分解为4层，得到16组小波包变换系数，分别计算这16组小波包变换系数的能量，得到16个小波包节点能量特征，能量计算公式如下所示：
Figure BDA0002360060000000151
其中，S为小波包分解节点序号，s＝1，2，3，…，16；xs(z)是量化振动加速度数据x′(i)小波分解之后得到的第s组小波包变换系数，z＝1，2，3，…，N/24；EW(s)是小波包变换系数xs(z)的能量。
另一个实施例中，步骤S500包括如下步骤：
S501：计算每个量化高维性能退化特征S的分散性；
该步骤中，
Figure BDA0002360060000000152
且
Figure BDA0002360060000000153
其中，p表示工况序号，p＝1，2，…，h；i表示量化高维性能退化特征的维度序号，i＝1，2，…，d；j表示量化性能退化特征中的样本，j＝1，2，…，n；
Figure BDA0002360060000000161
表示量化性能退化特征x′i中的样本，x′i为量化高维性能退化特征X′中的第i个量化性能退化特征；S(i)为分散性S中的样本，也即量化性能退化特征x′i的分散性。
S502：将所述分散性与阈值比较，若所述分散性大于所述阈值，则将与该分散性所对应的量化高维性能退化特征清除，若所述分散性小于所述阈值，则将与该分散性所对应的量化高维性能退化特征保留。
该步骤中，分散性S(i)越小，表明该量化性能退化特征的幅值量化效果越好，抵抗变转速导致的幅值不稳的能力越强。本实施例根据经验设置一阈值δ，如果S(i)大于该阈值δ，即认为与该分散性S(i)对应的量化性能退化特征量化效果不佳，将该量化性能退化特征xi予以清除，反之加以保留，具体如下所示：
Figure BDA0002360060000000162
下面，本公开以机车牵引电机所用轴承NU214轴承的加速寿命实验为例对本公开的技术方案作进一步说明，其中，将所采集到的NU214轴承驱动端的振动加速度数据u(i)作为数据来源，传感器采样频率为25600Hz，累计运行时长约146小时。
具体过程如下：
1、使用振动加速度传感器对牵引电机轴承的振动加速度数据u(i)进行采集，i为振动加速度数据序列号，所采集全寿命振动加速度数据如图2所示。
2、逐个样本进行判断，如果存在连续的5个样本，其幅值u(i)＝0时，即该5个样本为无效空白数据，直接从振动加速度数据u(i)中做删除处理。
3、去除异常离群点：
3.1、计算振动加速度数据u(i)的偏差绝对值的中值sm
sm＝C·median|u(i)-um|
其中，median表示取中值；常数C表示统计学常量，C＝1.4826；um为振动加速度数据u(i)的中值。
3.2、根据中值sm计算振动加速度数据u(i)的数据清洗阈值范围：
[um-3sm，um+3sm]。
3.3、逐个样本判断u(i)是否处于区间[um-3sm，um+3sm]以外幅值最大的前70％内，如果不在这个范围内，则该点u(i)为正常点，反之则为异常离群点，需要进行清洗处理，取该点u(i)前后各2个样本进行如下计算，替代该值：
u(i)＝[u(i-2)+u(i-1)+u(i+1)+u(i+2)]/4
上式中，n为邻近样本点的总数，n＝4。
4、获得量化振动加速度数据x′(i)；
4.1、计算剔除无效数据和清洗异常离群点后的振动加速度数据x(i)的希尔伯特包络e(i)，公式如下式所示：
e(i)＝|x(i)+j H[x(i)]|
其中，H[·]表示希尔伯特变换；x(i)+j H[x(i)]为复数，|x(i)+j H[x(i)]|表示取该复数的模。
4.2、对包络数据e(i)的幅值按照降序进行排序，并求得前50个幅值最大的值的均值α：
Figure BDA0002360060000000181
上式中，max[e(i)]50，表示取包络数据e(i)的前50个幅值最大的值的和。
4.3、计算量化振动加速度数据x′(i)：
Figure BDA0002360060000000182
5、从量化振动加速度数据x′(i)数据中提取量化高维性能退化特征X′，其维度为52，长度为5750，量化高维性能退化特征X′具体包括：
5.1、时域量化性能退化特征16个：
均值T1，
Figure BDA0002360060000000183
标准差T2，
Figure BDA0002360060000000184
方差T3，
Figure BDA0002360060000000185
偏斜度T4，
Figure BDA0002360060000000191
峭度T5，
Figure BDA0002360060000000192
峰峰值T6，max[x′(i)]-min[x′(i)]
方根幅值T7，
Figure BDA0002360060000000193
平均幅值T8，
Figure BDA0002360060000000194
均方幅根值T9，
Figure BDA0002360060000000195
峰值指标T10，max|x′(i)|
波形指标T11，T9/T8
峰值指标T12，max[x′(i)]/T9
脉冲指标T13，max[x′(i)]/T8
裕度指标T14，max[x′(i)]/T7
偏斜度指标T15，
Figure BDA0002360060000000196
峭度指标T16，
Figure BDA0002360060000000197
其中，Tk为时域量化性能退化特征标号；k＝1，2，3，…，16；x′(i)表示量化振动加速度数据，i＝1，2，3，…，N；N表示量化振动加速度数据x′(i)的样本点总数。
5.2、频域量化性能退化特征13个：
F1，为
Figure BDA0002360060000000201
F2，为
Figure BDA0002360060000000202
F3，为
Figure BDA0002360060000000203
F4，为
Figure BDA0002360060000000204
F5，为
Figure BDA0002360060000000205
F6，为
Figure BDA0002360060000000206
F7，为
Figure BDA0002360060000000207
F8，为
Figure BDA0002360060000000211
F9，为
Figure BDA0002360060000000212
F10，为F6/F5
F11，为
Figure BDA0002360060000000213
F12，为
Figure BDA0002360060000000214
F13，为
Figure BDA0002360060000000215
其中，Fi为频域量化性能退化特征标号，i＝1，2，3，…，13；y(j)表示量化振动加速度数据x′(i)经过FFT变换后得到的频域序列；j＝1，2，3，…，n；n表示频谱中的谱线个数，n＝5750；fj表示量化振动加速度数据x′(i)频谱中的频率成分。
5.3、时频域量化性能退化特征包括：
5.3.1、EMD能量特征7个：
量化振动加速度数据x′(i)经过EMD分解得到前6层本征模式IMF分量能量和1个EMD能量熵共7个特征，
IMF分量能量
Figure BDA0002360060000000221
其中，imfm(i)为本征模式IMF的第m个分量，m为本征模式分解层标号，m＝1，2，3，…，6，i＝1，2，3，…，n。
EMD能量熵表示为
Figure BDA0002360060000000222
其中，pm为第m个本征模式的能量占所有本征模式总能量的比例；Em(i)为第m个本征模式的能量。
5.3.2、小波包分解能量特征共16个：
使用小波函数db4对量化振动加速度数据x′(i)进行小波包分解，分解为4层，得到16组小波包变换系数，分别计算这16组小波包变换系数的能量，得到16个小波包节点能量特征，能量计算公式如下所示：
Figure BDA0002360060000000223
其中，s为小波包分解节点序号，s＝1，2，3，…，16；xs(z)是量化振动加速度数据x′(i)小波分解之后得到的第S组小波包变换系数，z＝1，2，3，…，N/24；EW(s)是小波包变换系数xs(z)的能量。
经过上述量化性能退化特征提取方法，提取得到包括时域特征16个，频域特征13个，时频域特征23个，共计52个量化性能退化特征，组成量化高维性能退化特征X′。
6、经过量化处理后，无效数据、异常离群点以及变转速因素对于振动加速度数据幅值的调制影响得到了较好的克服，由于工程问题的复杂性，部分性能退化特征的改善幅度有限，如图3、图4所示，为了保证量化高维性能退化特征的可用性，需要对量化效果不佳的性能退化特征予以删除。本公开以NU214轴承的故障模拟实验所采集的振动加速度数据为分析基础，实验在5种转速工况下展开，分别为422RPM、1804RPM、2606RPM、4100RPM、4712RPM。每种转速下提取的高维性能退化特征样本长度n＝500，维度d＝52。
6.1、5个转速工况下NU214轴承经步骤S100～S400量化处理过后的振动加速度数据的高维性能退化特征，5种转速工况对应的5组量化高维性能退化特征本别记为：X1′、X2′、X3′、X4′、X5′
Figure BDA0002360060000000231
其中，d表示量化高维性能退化特征的总维度，d＝52；n表示每个量化性能退化特征的样本总数，n＝500。
6.2、计算量化高维性能退化特征x′中每个性能退化特征的分散性s，计算公式如下所示，
Figure BDA0002360060000000232
上式中，p表示工况序号，p＝1，2，…，h；i表示量化高维性能退化特征的维度序号，i＝1，2，…，d；j表示量化性能退化特征中的样本，j＝1，2，…，n；
Figure BDA0002360060000000241
表示量化性能退化特征xi中的样本，x′i为量化高维性能退化特征X′中的第i个量化性能退化特征；S(i)为分散性S中的样本，也即量化性能退化特征x′i的分散性。
按照如下公式，根据经验设置阈值δ＝120，对每个性能退化特征的分散性S(i)值进行判断，保留量化性能退化特征量化效果较好的特征，并从良好高维性能退化特征X′中删除量化效果较好不良的特征，表达式如下所示：
Figure BDA0002360060000000242
经过上述步骤的计算之后，即可得到最终的量化高维性能退化特征x′，该量化高维性能退化特征样本长度为5750，维度为35。
尽管以上结合附图对本公开的实施方案进行了描述，但本公开并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本公开保护之列。

Claims (6)

1.一种机车牵引电机轴承振动加速度数据清洗方法，包括如下步骤：
S100：采集机车牵引电机轴承的振动加速度数据；
S200：剔除所采集的振动加速度数据中的无效数据并清洗异常离群点，步骤S200包括以下步骤：
S201：计算所采集的振动加速度数据的偏差绝对值的中值；
所述振动加速度数据的偏差绝对值的中值为：
Sm＝C·median|u(i)-um|
其中，median表示取中值，常数C表示统计学常量，C＝1.4826；um表示振动加速度数据u(i)的中值；
S202：根据所述振动加速度数据的偏差绝对值的中值确定数据清洗阈值范围；
所述数据清洗阈值范围为：
[um-3sm，um+3sm]
若振动加速度数据u(i)不处于清洗阈值范围[um-3sm，um+3sm]以外幅值最大的前70％内，则u(i)为正常点；若振动加速度数据u(i)处于清洗阈值范围[um-3sm，um+3sm]以外幅值最大的前70％内，则u(i)为异常离群点；
S203：根据所述数据清洗阈值范围对所述振动加速度数据中是否存在异常离群点进行判断，并对异常离群点进行清洗；
所述对异常离群点进行清洗通过以下方式进行：
逐个样本进行判断，判断样本u(i)是否属于步骤S202所述的清洗阈值范围，如果样本u(i)位于清洗阈值范围内，取u(i)邻近若干个样本的均值替代u(i)，表达式为：
u(i)＝[…+u(i-2)+u(i-1)+u(i+1)+u(i+2)+…]/n
其中，u(i)为振动加速度数据，n为邻近样本点的总数，i为样本序号；
S300：对剔除无效数据和清洗异常离群点后的振动加速度数据进行量化处理，排除变转速导致的中的幅值调制现象，获得量化振动加速度数据，步骤S300具体包括以下步骤：
S301：对所述振动加速度数据进行希尔伯特变换，并通过包络分析获得包络数据；
S302：对包络数据的幅值降序排序，并求取前m个幅值的均值；
S303：根据所述均值获得量化振动加速度数据；
S400：提取量化振动加速度数据在不同转速工况下的量化高维性能退化特征；
S500：计算每个量化高维性能退化特征的分散性，将所述分散性与阈值比对，根据比对结果对量化高维性能退化特征进行筛选。
2.根据权利要求1所述的方法，其中，步骤S301中，所述包络数据为：
e(i)＝|x(i)+jH[x(i)]|
其中，H[·]表示希尔伯特变换；xi表示量化性能退化特征，x(i)+jH[x(i)]为复数，|x(i)+jH[x(i)]|表示取该复数的模；
步骤S302中，所述包络数据前m个幅值的均值为：
Figure FDA0003255296050000031
其中，max[e(i)]m表示取包络数据e(i)的前m个幅值最大的值的和；
步骤S303中，所述量化振动加速度数据为：
Figure FDA0003255296050000032
3.根据权利要求1所述的方法，其中，步骤S400中，所述量化高维性能退化特征表示为：
Figure FDA0003255296050000033
其中，d表示量化高维性能退化特征的总维度，即不同的性能退化特征；n表示量化每个性能退化特征的样本总数；h表示转速工况的种类；X1′，X2′，…，Xh′表示对应h种转速工况下的量化高维性能退化特征。
4.根据权利要求1或3所述的方法，其中，所述量化高维性能退化特征包括：时域量化性能退化特征、频域量化性能退化特征和时频域量化性能退化特征。
5.根据权利要求1所述的方法，其中，步骤S500包括如下步骤：
S501：计算每个量化高维性能退化特征的分散性；
S502：将所述分散性与阈值比较，若所述分散性大于所述阈值，则将与该分散性所对应的量化高维性能退化特征清除，若所述分散性小于所述阈值，则将与该分散性所对应的量化高维性能退化特征保留。
6.根据权利要求5所述的方法，其中，所述每个量化高维性能退化特征的分散性为：
Figure FDA0003255296050000041
且
Figure FDA0003255296050000042
其中，p表示工况序号，p＝1，2，…，h；i表示量化高维性能退化特征的维度序号，i＝1，2，…，d；j表示量化性能退化特征中的样本，j＝1，2，…，n；
Figure FDA0003255296050000043
表示量化性能退化特征xi中的样本，x′i为量化高维性能退化特征X′中的第i个量化性能退化特征；S(i)为分散性S中的样本，也即量化性能退化特征x′i的分散性。
CN202010019856.9A 2020-01-08 2020-01-08 一种机车牵引电机轴承的振动加速度数据的清洗方法 Active CN111175045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010019856.9A CN111175045B (zh) 2020-01-08 2020-01-08 一种机车牵引电机轴承的振动加速度数据的清洗方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010019856.9A CN111175045B (zh) 2020-01-08 2020-01-08 一种机车牵引电机轴承的振动加速度数据的清洗方法

Publications (2)

Publication Number Publication Date
CN111175045A CN111175045A (zh) 2020-05-19
CN111175045B true CN111175045B (zh) 2021-11-30

Family

ID=70658172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010019856.9A Active CN111175045B (zh) 2020-01-08 2020-01-08 一种机车牵引电机轴承的振动加速度数据的清洗方法

Country Status (1)

Country Link
CN (1) CN111175045B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112326241B (zh) * 2020-09-11 2023-10-13 西安英特迈思信息科技有限公司 一种基于融合退化指标的核电主泵轴承故障预警方法
CN112650204B (zh) * 2020-12-30 2021-12-24 中南大学 一种智慧轨道无人驾驶车辆故障基因识别方法及系统
CN113537156B (zh) * 2021-09-06 2021-12-14 航天智控(北京)监测技术有限公司 一种基于区间标准差结合频谱分析的振动数据清洗方法
CN115754416B (zh) * 2022-11-16 2023-06-27 国能大渡河瀑布沟发电有限公司 基于边缘计算的水轮发电机局部放电分析系统及方法
JP7508674B1 (ja) 2023-09-13 2024-07-01 Ｔｍｅｓ株式会社 診断装置及び診断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799368B (zh) * 2010-01-27 2011-05-25 北京信息科技大学 一种机电设备非线性故障预测方法
US20150168256A1 (en) * 2012-04-24 2015-06-18 Keith Hamilton Method, computer program product & system
CN104568435A (zh) * 2015-01-23 2015-04-29 国电联合动力技术有限公司 一种基于时频能量谱提取风机状态信号调制成分的方法
CN105716857B (zh) * 2016-01-20 2018-03-02 中国人民解放军军械工程学院 一种行星齿轮箱健康状态评估方法
CN109612732A (zh) * 2019-01-24 2019-04-12 北华大学 一种基于解卷积和包络谱的滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN111175045A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111175045B (zh) 一种机车牵引电机轴承的振动加速度数据的清洗方法
CN110274764B (zh) 一种基于振动加速度信号的机车电机轴承自动诊断方法
CN109212966B (zh) 一种多工况动态基准化的机械设备剩余寿命预测方法
CN108801630B (zh) 单通道盲源分离的齿轮故障诊断方法
CN110779724B (zh) 一种基于频域组稀疏降噪的轴承故障诊断方法
JPH11173909A (ja) 異常判定方法および装置
CN106168538B (zh) 一种滚动轴承的itd、谱峭度和平滑迭代包络分析方法
CN110672327A (zh) 一种基于多层降噪技术的异步电机轴承故障诊断方法
JP2017173321A (ja) 状態監視システムおよび風力発電装置
CN112378633B (zh) 机械故障诊断方法
JP7083293B2 (ja) 状態監視方法および状態監視装置
WO2019163433A1 (ja) 信号解析システム、方法およびプログラム
CN116878590B (zh) 一种数智化服务协同运营管理系统
CN112697482A (zh) 一种vmd多尺度波动分析状态监测方法及装置
CN111220388B (zh) 一种基于时域分析的滚动轴承故障诊断方法
CN112903296A (zh) 一种滚动轴承故障检测方法及系统
CN112697479A (zh) 一种itd多尺度波动分析状态监测方法及装置
CN115452377B (zh) 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法
CN115809510A (zh) 一种车辆道路阻力系数的拟合计算方法
JPH1153342A (ja) データ変換方法およびデータ変換装置およびプログラム記憶媒体
CN112697263A (zh) 一种eemd多尺度波动分析状态监测方法及装置
CN106053059B (zh) 一种基于内秉时间尺度分解滤波的包络分析方法
CN112697473A (zh) 一种emd和gzc机器状态监测方法及装置
CN112697471A (zh) 一种ssd和gzc机器状态监测方法及装置
CN112881046A (zh) 一种vmd和gzc机器状态监测方法及装置

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