CN111220388A - 一种基于时域分析的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于时域分析的滚动轴承故障诊断方法，基于时域分析的滚动轴承故障诊断方法包括获取采集得到的外圈故障、内圈故障、滚动体故障、保持架故障和无故障五个工况的轴承振动数据，对诊断模型进行训练，得到每种工况的最终值；获取五种工况升序排列在前的第二位最终值与训练得到的阈值系数α计算相乘得到诊断阈值的计算公式；输入需要诊断的的滚动轴承振动数据，进行二次时域指标计算得到目标最终值，根据输入数据的采样频率和电机转频计算出诊断阈值，判断目标最终值是否大于诊断阈值；若大于，则输出故障轴承数据信息；若小于或等于值，则输出正常轴承数据信息。实现单依靠时域分析就可以判断滚动轴承是否发生故障。

Description

一种基于时域分析的滚动轴承故障诊断方法

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种基于时域分析的滚动轴承故障诊断方法。

背景技术

滚动轴承是机械设备中关键的零件之一，在现代生活中扮演着举足轻重的角色，特别是在一些国民经济支柱产业上如冶金，石化，电力，滚动轴承发挥着越来越重要的作用。因此，对滚动轴承故障诊断技术的研究也十分的重要。滚动轴承故障诊断技术的研究不仅需要机械的相关知识，也涉及到信号处理、电子技术、计算机等专业的知识，属于交叉学科的范畴。

随着科学技术的快速发展，滚动轴承故障诊断技术的研究出现了很多丰硕的成果。由刚开始的简单时频分析傅里叶变换、小波分析到经验模态分析(EMD)、变分模态分析(VMD)和智能的故障诊断技术，期间也有很多改进的时频分析方法提出，如快速傅里叶变换、小波包分析、总体平均经验模态分解和一些改进的自适应变分模态分解。这些故障诊断方法大多需要综合时频分析、计算复杂或者计算量大，需要一些先验的知识，这使得一些算法在工程上应用受限制。通过对滚动轴承故障数据的时域图进行观察，我们发现会有周期性的冲击出现，基于这个现象，本发明致力于研究一种单依靠时域分析就可以判断滚动轴承是否发生故障的方法。

发明内容

本发明的目的在于提供一种基于时域分析的滚动轴承故障诊断方法，适用于工程应用，构造一个诊断模型，在诊断模型里对输入的需要诊断的滚动轴承振动数据进行两次时域指标分析计算，与训练得到的诊断阈值进行比较，得出诊断结果。

为实现上述目的，本发明提供了一种基于时域分析的滚动轴承故障诊断方法，包括：

采集一系列同一电机转频和采样频率下的外圈故障、内圈故障、滚动体故障、保持架故障和无故障五个工况的滚动轴承振动数据；

获取其中一组相同采样频率和转频的五种工况轴承数据对诊断模型进行训练，得到每种工况的最终值；

获取诊断模型五个工况升序排列在前的第二位最终值与不同采样频率和不同电机转频轴承数据训练得到的阈值系数α计算相乘得到诊断阈值的计算公式；

获取输入的需要诊断的滚动轴承振动数据，进行第一次时域指标计算和第二次时域指标计算得到目标最终值，根据输入数据的采样频率和电机转频计算出诊断阈值，再判断所述目标最终值是否大于所述诊断阈值；

若所述目标最终值大于所述诊断阈值，则输出故障轴承数据信息；

若所述目标最终值小于或等于所述诊断阈值，则输出正常轴承数据信息。

在一实施方式中，取其中一组相同采样频率和转频的五种工况轴承数据对诊断模型进行训练，得到每种工况的最终值，具体步骤包括：

对每种工况的训练数据进行样本划分，每种工况各划分出n个样本，每个样本包含m个采样点；其中，所述m是基于滚动轴承的转动频率和采样频率决定的周期采样点的点数；

对每一样本进行第一次时域指标计算，得到每种工况各n个指标值，所述第一次时域指标计算包括均方根计算、峰值计算、标注差计算或峰峰值计算中的一个指标计算；

对n个指标值进行第二次时域指标计算，得到每种工况的最终值，所述第二次时域指标计算包括均方根计算、峰值计算、标注差计算或峰峰值计算中的一个指标计算。

在一实施方式中，所述周期采样点m为滚动轴承转动一圈所采样得到的点数：

其中，F为采样频率，f为轴承的转频。

在一实施方式中，所述峰峰值计算为一个采样周期点内，采样点振幅值降序排列在前的第一位振幅值max(x(m))和采样点振幅升序排列在前的第一位振幅值min(x(m))的差值与周期采样点m的商：

其中，x(m)为采样周期点对应的振幅值。

在一实施方式中，获取诊断模型五个工况升序排列在前的第二位最终值与不同采样频率和不同转频轴承数据训练得到的阈值系数α计算相乘得到诊断阈值的计算公式；其中，所述训练得到的阈值系数α，具体步骤包括：

采样频率不变时，当输入的滚动轴承振动数据的转频大于训练数据的转频，则阈值系数α大于一；当输入的滚动轴承振动数据的转频小于或等于训练数据的转频，则阈值系数α小于一；

转频不变时，当输入的滚动轴承振动数据的采样频率大于训练数据的采样频率，则阈值系数α大于一；当输入的滚动轴承振动数据的采样频率小于或等于训练数据的采样频率，则阈值系数α小于一；

当输入滚动轴承数据的采样频率和转频与训练数据的采样频率和转频都相等，则阈值系数α等于一。

本发明的一种基于时域分析的滚动轴承故障诊断方法，通过获取采集得到一组同一采样频率和转频的外圈故障、内圈故障、滚动体故障、保持架故障和无故障五个工况的轴承振动数据对诊断模型进行训练，得到每种工况的最终值；获取诊断模型五个工况升序排列在前的第二位最终值与不同采样频率和不同转频轴承数据训练得到的阈值系数α计算公式相乘得到诊断阈值的计算公式；获取输入的需要诊断的滚动轴承振动数据，进行二次时域指标计算得到目标最终值，根据输入数据的采样频率和转频计算出诊断阈值，再判断目标最终值是否大于诊断阈值；若大于，则输出故障轴承数据信息；若小于或等于值，则输出正常轴承数据信息。实现单依靠时域分析就可以判断滚动轴承是否发生故障。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明实施例提供的一种基于时域分析的滚动轴承故障诊断方法的流程示意图；

图2是转频为20采样频率为12800的原始轴承5工况部分数据时域图；

图3是转频为20采样频率为12800的原始轴承5工况的数据样本经过第一次时域指标处理后的振幅图；

图4是转频为20采样频率为12800的原始轴承5工况的数据样本经过二次时域指标处理后的振幅图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1，图1是本发明实施例提供的一种基于时域分析的滚动轴承故障诊断方法的流程示意图。具体的，所述基于时域分析的滚动轴承故障诊断方法可以包括以下步骤：

S101、采集一系列同一电机转频和采样频率下的外圈故障、内圈故障、滚动体故障、保持架故障和无故障五个工况的滚动轴承振动数据。

本发明实施例中，数据采集仪与采集系统和驱动电机电连接，变频器与驱动电机电连接，柔性联轴与驱动电机的输出端传动连接，故障轴承和正常轴承与柔性联轴转动连接，加速度传感器与故障轴承、正常轴承和数据采集仪电连接，变频器设置不同的频率，驱动电机驱动柔性联轴转动，进而带动故障轴承和正常轴承转动，加速度传感器采集数据，传输至数据采集仪，数据采集仪传输数据至采集系统进行分析。

S102、获取其中一组相同采样频率和转频的五种工况轴承数据对诊断模型进行训练，得到每种工况的最终值。

本发明实施例中，请参阅图2，图2是转频为20采样频率为12800的原始轴承5工况部分数据时域图。所用到用于训练最终值的五种工况轴承数据，其轴承的转频和采样频率一致，其唯一的变量是轴承工况类型。首先对每种工况的训练数据进行样本划分，每种工况各划分出n个样本，每个样本包含m个采样点；其中，所述m是基于滚动轴承的转动频率和采样频率决定的周期采样点的点数；所述周期采样点m为滚动轴承转动一圈所采样得到的点数：

其中，F为采样频率，f为轴承的转频。

然后对每一样本进行第一次时域指标计算，得到每种工况各n个指标值，所述第一次时域指标计算包括均方根计算、峰值计算、标注差计算或峰峰值计算中的一个指标计算；所述均方根计算是将所有值平方求和，求其均值，再开平方，所述均方根计算公式为：

所述峰值计算公式为：

F_p＝max|x(n)；

所述标注差计算公式为：

其中，x(n)为采样点对应的振幅值，N为样本的总采样点数，F_m为样本的振幅均值。

所述峰峰值计算为一个采样周期点内，采样点振幅值降序排列在前的第一位振幅值max(x(m))和采样点振幅升序排列在前的第一位振幅值min(x(m))的差值即一个周期内采样点振幅最大值与最小值的差值与周期采样点m的商：

其中，x(m)为采样点对应的值。

对n个指标值进行第二次时域指标计算，得到每种工况的最终值，所述第二次时域指标计算包括均方根计算、峰值计算、标注差计算或峰峰值计算中的一个指标计算。

S103、获取诊断模型五个工况升序排列在前的第二位最终值与不同采样频率和不同转频轴承数据训练得到的阈值系数α计算相乘得到诊断阈值的计算公式。

本发明实施例中，经过二次时域指标计算后，正常滚动轴承工况下的最终值最小，次最小的最终值必定是故障轴承工况下得到的。其中次最小数值的最终值乘以阈值系数α得到判断是否故障轴承数据的诊断阈值。经实验验证，不同转频和不同采样频率下的训练数据得到的最终值也有所不同，因此阈值系数α的获得需要经过不同转频的数据训练得到，阈值系数的大小与所输入轴承数据的采样频率和转频有关，一般来说，采样频率不变时，当输入的滚动轴承振动数据的转频大于训练数据的转频，则阈值系数α大于一；当输入的滚动轴承振动数据的转频小于或等于训练数据的转频，则阈值系数α小于一。转频不变时，当输入的滚动轴承振动数据的采样频率大于训练数据的采样频率，则阈值系数α大于一；当输入的滚动轴承振动数据的采样频率小于或等于训练数据的采样频率，则阈值系数α小于一。其具体的计算公式要通过具体的训练得出。当输入滚动轴承数据的采样频率和转频和训练数据的一样，则阈值系数α等于一。

S104、获取输入的需要诊断的滚动轴承振动数据，进行第一次时域指标计算和第二次时域指标计算得到目标最终值，根据输入数据的采样频率和电机转频计算出诊断阈值，再判断所述目标最终值是否大于所述诊断阈值。

本发明实施例中，若所述目标最终值大于所述诊断阈值，则输出故障轴承数据信息；若所述目标最终值小于或等于所述诊断阈值，则输出正常轴承数据信息。

本发明的一种基于时域分析的滚动轴承故障诊断方法，通过获取采集得到一组同一采样频率和转频的外圈故障、内圈故障、滚动体故障、保持架故障和无故障五个工况的轴承振动数据对诊断模型进行训练，得到每种工况的最终值；获取诊断模型五个工况升序排列在前的第二位最终值与不同采样频率和不同转频轴承数据训练得到的阈值系数α计算相乘得到诊断阈值的计算公式；获取输入的需要诊断的滚动轴承振动数据，进行二次时域指标计算得到目标最终值，根据输入数据的采样频率和转频计算出诊断阈值，再判断目标最终值是否大于诊断阈值；若大于，则输出故障轴承数据信息；若小于或等于值，则输出正常轴承数据信息。实现单依靠时域分析就可以判断滚动轴承是否发生故障。

实验验证：本发明采用机械综合故障模拟实验平台(MFS-MG)收集到的轴承振动数据来进行验证，所采用的轴承型号为ER-12K。下面以具体的时域指标来对本发明验证，第一次时域指标计算用峰峰值，第二次时域指标计算用均方根。

步骤一，采集不同采样频率不同转频下轴承的振动数据，每种采样频率和转频下，都采集五种工况的振动数据，每种工况约采集32万个采样点，如表一所示：

表一采集数据列表

采样频率\转频(Hz)	10	20	30	40	50
						12800		采集	采集	采集
25600	采集	采集	采集	采集	采集

步骤二，用采样频率12800，转频20的五种工况的振动数据作为训练数据来训练阈值，故障轴承会有周期性的冲击。首先对五种工况的训练数据进行样本的划分，每种工况各划分出n＝100个样本，每个样本包含m＝640个采样点，采样点的个数m是是由滚动轴承的转动频率和采样频率决定，由周期采样点的公式算出。五种工况总共500个样本，样本1-100为轴承外圈故障样本，样本101-200为正常轴承的样本，样本201-300为内圈故障的样本，样本301-400为复合故障的样本，样本401-500为滚动体故障的样本。再对每个样本进行第一次时域指标峰峰值的计算，计算公式为：

第一次时域指标计算后每种工况得到100个峰峰值，五个工况共得到500×1的峰峰值数据矩阵，请参阅图3，图3是转频为20采样频率为12800的原始轴承5工况的数据样本经过第一次时域指标处理后的振幅图，正常轴承的峰峰值最小，波动也最平稳；再对每种工况的100个峰峰值进行第二次时域指标均方根计算，计算公式为：

第二次时域指标计算后每种工况得到一个最终值，五个工况共到5×1的均方根数据矩阵，请参阅图4，图4是转频为20采样频率为12800的原始轴承5工况的数据样本经过二次时域指标处理后的振幅图。

步骤三，步骤一所采集的数据，每一项数据都抽出一部分数据划分100个样本都按照步骤二的流程计算。不同转频的振动数据所得到的五种工况的最终值不一样；不同采样频率，相同转频，其五种工况的最终值也不一样。相同转频下，采样频率越高，其经过二次时域指标后的最终值越高；相同采样频率下，转频越高，其经过二次时域计算后的最终值也越高。由此可以得出阈值系数是由采样频率Fz和转频f计算得到的。由步骤二可知，阈值是由采样频率12800，转频20的五种工况的振动数据训练得出，因此，通过其他不同采样频率和转频训练得出阈值系数的计算公式：

其中，λ起安全系数作用，一般取0.7～0.85，最终诊断阈值的计算公式为：

δ＝α×p；

其中p为采样频率12800，转频20的五种工况的振动数据经过步骤二得到的最终值。

步骤四，对步骤三训练出来的阈值做测试，对步骤一所采集的各转频，各采样频率组合下的轴承数据中各种工况的数据制作样本，每个样本经过二次时域后得出一个最终值，把样本的采样频率和转频代入诊断阈值计算公式得出诊断阈值，再比较最终值与诊断阈值的大小，得出诊断结果。如表二：

表二阈值测试表

总共195个测试样本，所有样本的诊断正确率为100％。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (5)

1.一种基于时域分析的滚动轴承故障诊断方法，其特征在于，包括：

采集一系列同一电机转频和采样频率下的外圈故障、内圈故障、滚动体故障、保持架故障和无故障五种工况的滚动轴承振动数据；

获取其中一组相同采样频率和转频的五种工况轴承数据对诊断模型进行训练，得到每种工况的最终值；

获取诊断模型五种工况升序排列在前的第二位最终值与不同采样频率和不同电机转频轴承数据训练得到的阈值系数α计算相乘得到诊断阈值的计算公式；

获取输入的需要诊断的滚动轴承振动数据，进行第一次时域指标计算和第二次时域指标计算得到目标最终值，根据输入数据的采样频率和电机转频计算出诊断阈值，再判断所述目标最终值是否大于所述诊断阈值；

若所述目标最终值大于所述诊断阈值，则输出故障轴承数据信息；

若所述目标最终值小于或等于所述诊断阈值，则输出正常轴承数据信息。

2.如权利要求1所述的基于时域分析的滚动轴承故障诊断方法，其特征在于，取其中一组相同采样频率和转频的五种工况轴承数据对诊断模型进行训练，得到每种工况的最终值，具体步骤包括：

对每种工况的训练数据进行样本划分，每种工况各划分出n个样本，每个样本包含m个采样点；其中，所述m是基于滚动轴承的转动频率和采样频率决定的周期采样点的点数；

对每一样本进行第一次时域指标计算，得到每种工况各n个指标值，所述第一次时域指标计算包括均方根计算、峰值计算、标注差计算或峰峰值计算中的一个指标计算；

对n个指标值进行第二次时域指标计算，得到每种工况的最终值，所述第二次时域指标计算包括均方根计算、峰值计算、标注差计算或峰峰值计算中的一个指标计算。

3.如权利要求2所述的基于时域分析的滚动轴承故障诊断方法，其特征在于，所述周期采样点m为滚动轴承转动一圈所采样得到的点数：

其中，F为采样频率，f为轴承的转频。

4.如权利要求2所述的基于时域分析的滚动轴承故障诊断方法，其特征在于，所述峰峰值计算为一个采样周期点内，采样点振幅值降序排列在前的第一位振幅值max(x(m))和采样点振幅升序排列在前的第一位振幅值min(x(m))的差值与周期采样点m的商：

其中，x(m)为采样周期点对应的振幅值。

5.如权利要求1所述的基于时域分析的滚动轴承故障诊断方法，其特征在于，获取诊断模型五种工况升序排列在前的第二位最终值与不同采样频率和不同转频轴承数据训练得到的阈值系数α计算相乘得到诊断阈值的计算公式；其中，所述训练得到的阈值系数α，具体步骤包括：

采样频率不变时，当输入的滚动轴承振动数据的转频大于训练数据的转频，则阈值系数α大于一；当输入的滚动轴承振动数据的转频小于或等于训练数据的转频，则阈值系数α小于一；

转频不变时，当输入的滚动轴承振动数据的采样频率大于训练数据的采样频率，则阈值系数α大于一；当输入的滚动轴承振动数据的采样频率小于或等于训练数据的采样频率，则阈值系数α小于一；

当输入滚动轴承数据的采样频率和转频与训练数据的采样频率和转频都相等，则阈值系数α等于一。

Images