CN111238813B - 一种强干扰下提取滚动轴承故障特征的方法 - Google Patents

一种强干扰下提取滚动轴承故障特征的方法 Download PDF

Info

Publication number
CN111238813B
CN111238813B CN202010061554.8A CN202010061554A CN111238813B CN 111238813 B CN111238813 B CN 111238813B CN 202010061554 A CN202010061554 A CN 202010061554A CN 111238813 B CN111238813 B CN 111238813B
Authority
CN
China
Prior art keywords
signal
rolling bearing
fault
extracting
component
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
CN202010061554.8A
Other languages
English (en)
Other versions
CN111238813A (zh
Inventor
闫柯
康伟
朱永生
洪军
刘煜炜
袁倩倩
高大为
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 CN202010061554.8A priority Critical patent/CN111238813B/zh
Publication of CN111238813A publication Critical patent/CN111238813A/zh
Application granted granted Critical
Publication of CN111238813B publication Critical patent/CN111238813B/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
    • 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)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种强干扰下提取滚动轴承故障特征的方法，属于故障诊断技术与信号处理分析技术领域，使用振动传感器采集滚动轴承加速度振动信号，使用VMD将加速度振动信号分解为一系列的IMF分量，然后计算各IMF分量均方包络函数的四阶矩和其窄带滤波后的四阶矩，再根据上述结果计算各IMF分量的峭度率，最后选取峭度率较大的IMF分量重构信号，并利用均方包络分析提取滚动轴承的故障特征；本发明给出了一种背景噪声中存在较强干扰时提取滚动轴承故障特征的方法，为实现智能轴承的自诊断功能提供了一种有效的诊断工具。

Description

一种强干扰下提取滚动轴承故障特征的方法
技术领域
本发明属于故障诊断技术与信号处理分析技术领域，特别涉及一种强干扰下提取滚动轴承故障特征的方法。
背景技术
滚动轴承作为旋转机械的重要支撑零部件之一，设备的正常工作与否同其运行状态好坏紧密相关。通过分析振动信号，提取故障特征以诊断滚动轴承故障的方法被广泛应用。然而，实际工况下采集到的振动信号在受到强干扰时，故障信号易被背景噪声淹没而难以提取。为削弱背景噪声中的强干扰影响，需对原始信号先降噪再提故障特征。
变模式分解(Variational mode decomposition，VMD)是一种自适应的信号处理方法，可有效分离信号至不同频段以提取有用信息。与经验模态分解(Empirical modedecomposition，EMD)和集合经验模态分解(Ensemble empirical mode decomposition,EEMD)方法相比，VMD能够有效克服端点效应和模态混叠的影响，具有较强的抗噪能力，且理论充分。该方法在自适应分解过程中，以寻找变分模型最优解为目的更新迭代，进而确定各固有模态分量(Intrinsic mode function，IMF)。利用VMD方法的完备性特点，通过叠加各IMF可重构原始信号。在分析滚动轴承的故障信号时，通过选则合适的IMF来重构信号，可以降低噪声干扰，增强故障特征。但要注意的是，IMF的选取存在问题，一旦误选则会导致重构信号中的有用信息丢失，不益于提取故障特征。且当噪声干扰较强，故障特征相对微弱时，上述问题更加显著。故障滚动轴承运行时，会产生一系列的冲击信号，通过计算信号的峭度可反映其脉冲性，帮助诊断故障。但当轴承故障信号中存在异常冲击或强周期成分等干扰时，直接使用峭度不能有效表征故障冲击特征。因此，强干扰下直接通过峭度选择IMF重构信号提取滚动轴承故障特征时上述方法并不适用，有必要使用新的方法来克服强干扰的影响。
发明内容
为了克服上述现有技术的缺陷，本发明的目的在于提供了一种强干扰下提取滚动轴承故障特征的方法，通过使用VMD分解原始信号为一系列的IMF分量，然后计算各IMF分量均方包络函数的四阶矩和其窄带滤波后的四阶矩，再根据上述结果得出各IMF分量的峭度率，最后选取峭度率较大的IMF分量重构信号，并利用均方包络分析提取重构信号中的有用信息，解决了强干扰下滚动轴承故障特征不易提取的问题。
为了达到上述目的，本发明的技术方案是：
一种强干扰下提取滚动轴承故障特征的方法，所述方法的具体步骤如下：
Step1、利用振动传感器以及相关数据采集设备采集滚动轴承的振动信号x(t)；
Step2、将VMD方法用于信号x(t)的分解，得到N个IMF分量xi(t)，i＝1,2,…,N，各IMF分量xi(t)具有不同的中心频率，且N个估计带宽之和最小；
Step3、根据Hillbert变换计算步骤Step2所得分量xi(t)的包络函数，再使用取平方的方法增强信号中的冲击成分，得到均方包络函数，以上操作从能量波动的角度提取滚动轴承的故障冲击特征；此外，考虑到故障冲击序列的周期性，用自相关分析方法进一步处理分量xi(t)的均方包络函数，得到新分量信号yi(t)；
Step4、对步骤Step3中所得新分量信号yi(t)进行窄带滤波，滤波频带为包含滚动轴承理论故障特征频率的窄带(l,h)，得到滤波后的信号fi(t)，然后计算信号fi(t)的四阶矩m4f(i)和信号yi(t)的四阶矩m4y(i)，最后将上述四阶矩作比值处理m4f(i)：m4y(i)，得到各IMF分量的峭度率kr(i)；
Step5、比较步骤Step4中的峭度率kr(i)，选取超过最大峭度率二分之一IMF分量的对应序号，并以此为依据，选取步骤Step2中所对应的信号xi(t)进行叠加，得到降噪后的重构信号z(t)；
Step6、提取重构信号z(t)中的故障特征，首先使用均方包络分析法增强信号中的循环冲击，然后利用傅里叶变换将其转换至频域，得到含有明显故障信息的频谱y(f)，完成强干扰下的滚动轴承故障特征提取。
所述步骤Step1中，所述的振动传感器为加速度传感器。
所述步骤Step4中，所用四阶矩为四阶中心矩。
本发明的有益效果是：通过计算VMD分解后各IMF分量的均方包络自相关函数，消除了信号中的异常冲击等干扰噪声，增强循环冲击成分，利用峭度率作为滚动轴承故障IMF分量的选择依据，削弱了旋转机械信号中的齿啮合成分、转频成分等周期干扰，然后计算降噪后信号的均方包络谱，提取滚动轴承的故障特征。采用本发明益于在复杂工况下诊断滚动轴承的微弱故障，适用于智能轴承的故障自诊断分析。
附图说明
图1是本发明方法步骤流程图。
图2是本发明实施例中原始信号。
图3是本发明图2经本发明方法得到的频谱。
图4是本发明图2经包络分析方法得到的频谱。
具体实施方式
下面结合附图和具体实施方式对本发明做详细叙述。
如图1所示，一种强干扰下提取滚动轴承故障特征的方法，所述方法的具体步骤如下：
具体参数如下：1)使用所述方法分析美国凯斯西储大学提供的滚动轴承故障数据，选择的轴承型号为6205型SKF滚动轴承，其滚球直径大小为7.94mm，滚球与滚道的接触角为0°，滚球的总数为9个，外圈直径大小为52mm，内圈直径大小为25mm；2)滚动轴承存在0.356mm的内滚道单点损伤；3)采集实施例中的滚动轴承的转频是29.1667Hz，采样频率是48000Hz。
Step1、利用固定在驱动电机侧轴承座上的加速度传感器和相关数据采集设备采集振动信号x(t)，原始信号如图2所示，点划线对应的时间间隔为1/fr，fr为转频，可以发现原始信号受到较强的转频干扰；
Step2、使用VMD方法分解原始信号x(t)，得到7个IMF分量xi(t)，i＝1,2,…,7，各IMF分量xi(t)具有不同的中心频率，且所得IMF分量的7个估计带宽之和最小；
Step3、根据Hillbert变换计算步骤Step2所得分量xi(t)的包络函数|H(xi(t))|，再使用取平方的方法增强信号中的冲击成分，以上操作从能量波动的角度提取滚动轴承的故障冲击特征；此外，考虑到故障冲击序列的周期性，自相关分析方法被用于进一步处理xi(t)的均方包络函数|H(xi(t))|2，得到新分量信号yi(t)；
Step4、对步骤Step3中所得信号yi(t)进行窄带滤波，由于滚动轴承的理论故障特征频率为157.944Hz，故使用低截止频率为156Hz，高截止频率为160Hz的滤波器窄带滤波，得到滤波后的信号fi(t)；然后计算信号fi(t)的四阶矩和信号yi(t)的四阶矩，并利用式(1)计算出7个IMF分量的峭度率kr(i)。
kr(i)＝m4f(i)/m4y(i) (1)
各IMF分量的峭度率计算结果如表1所示：
表1节点信号位置
IMF分量 1 2 3 4 5 6 7
峭度率 0.01144 0.00048 0.00109 0.00042 0.00108 0.00868 0.06901
Step5、比较表1中各IMF分量的峭度率计算结果，得到最大峭度率为0.06901，其1/2值为0.0345，选取超过最大峭度率二分之一的IMF分量，该例中满足条件的为IMF分量7。因此，使用分量x7(t)重构信号，得到降噪后的重构信号z(t)；
Step6、使用均方包络分析法计算信号z(t)的均方包络函数，然后利用傅里叶变换将其转换至频域，得到含有明显故障信息的频谱y(f)，如图3所示。图3中共有3组点划线，每组点划线又包含3条点划线，分别对应滚动轴承内圈1阶至3阶的故障特征频率及其边带频率，可以发现，由未注释黑点标注的滚动轴承内圈故障特征频率清晰可见，克服了转频强干扰等噪声的影响，滚动轴承的内圈故障被有效诊断。为对比分析，使用滚动轴承故障诊断时较有效的包络分析方法处理同一组信号，所得结果如图4所示。图中，转频干扰fr明显，而未注释黑点标注的滚动轴承内圈故障特征频率不能被有效识别，难以据此诊断滚动轴承内圈故障。因此，强干扰下本发明方法能够提取到滚动轴承的故障特征。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种强干扰下提取滚动轴承故障特征的方法，其特征在于，具体步骤如下：
Step1、利用振动传感器以及相关数据采集设备采集滚动轴承的振动信号x(t)；
Step2、将VMD方法用于信号x(t)的分解，得到N个IMF分量xi(t)，i＝1,2,…,N，各IMF分量xi(t)具有不同的中心频率，且N个估计带宽之和最小；
Step3、根据Hillbert变换计算步骤Step2所得分量xi(t)的包络函数，再使用取平方的方法增强信号中的冲击成分，得到均方包络函数，以上操作从能量波动的角度提取滚动轴承的故障冲击特征；此外，考虑到故障冲击序列的周期性，用自相关分析方法进一步处理分量xi(t)的均方包络函数，得到新分量信号yi(t)；
Step4、对步骤Step3中所得新分量信号yi(t)进行窄带滤波，滤波频带为包含滚动轴承理论故障特征频率的窄带(l,h)，得到滤波后的信号fi(t)，然后计算信号fi(t)的四阶矩m4f(i)和信号yi(t)的四阶矩m4y(i)，最后将上述四阶矩作比值处理m4f(i)：m4y(i)，得到各IMF分量的峭度率kr(i)；
Step5、比较步骤Step4中的峭度率kr(i)，选取超过最大峭度率二分之一值的IMF分量的对应序号，并以此为依据，选取步骤Step2中所对应的信号xi(t)进行叠加，得到降噪后的重构信号z(t)；
Step6、提取重构信号z(t)中的故障特征，首先使用均方包络分析法增强信号中的循环冲击，然后利用傅里叶变换将其转换至频域，得到含有明显故障信息的频谱y(f)，完成强干扰下的滚动轴承故障特征提取。
2.根据权利要求1所述的一种强干扰下提取滚动轴承故障特征的方法，其特征在于，其特征在于：所述步骤Step1中，所述的振动传感器为加速度传感器。
3.根据权利要求1所述的一种强干扰下提取滚动轴承故障特征的方法，其特征在于，其特征在于：所述步骤Step4中，所用四阶矩为四阶中心矩。
CN202010061554.8A 2020-01-19 2020-01-19 一种强干扰下提取滚动轴承故障特征的方法 Active CN111238813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061554.8A CN111238813B (zh) 2020-01-19 2020-01-19 一种强干扰下提取滚动轴承故障特征的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061554.8A CN111238813B (zh) 2020-01-19 2020-01-19 一种强干扰下提取滚动轴承故障特征的方法

Publications (2)

Publication Number Publication Date
CN111238813A CN111238813A (zh) 2020-06-05
CN111238813B true CN111238813B (zh) 2021-05-07

Family

ID=70876306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061554.8A Active CN111238813B (zh) 2020-01-19 2020-01-19 一种强干扰下提取滚动轴承故障特征的方法

Country Status (1)

Country Link
CN (1) CN111238813B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111855211B (zh) * 2020-07-31 2021-05-07 北京航空航天大学 一种用于故障特征增强的最优解调频带确定方法
CN112067297B (zh) * 2020-09-23 2021-06-22 昆明理工大学 一种轴承故障特征提取方法
CN112113767B (zh) * 2020-09-29 2021-06-08 昆明理工大学 一种基于比例频带选择准则的轴承故障诊断方法
CN113375933B (zh) * 2021-05-31 2022-09-09 中国矿业大学 一种刮板输送机故障诊断系统和诊断方法
CN113984387B (zh) * 2021-08-10 2022-12-27 江苏大学 一种变转速工况下轴承故障特征提取的广义自相关方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866010A (zh) * 2012-09-28 2013-01-09 苏州大学 一种信号的谱峭度滤波方法及相关装置
CN104198187A (zh) * 2014-09-04 2014-12-10 昆明理工大学 一种机械振动故障特征时域盲提取方法
CN106198015A (zh) * 2016-06-29 2016-12-07 潍坊学院 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法
CN107505135A (zh) * 2017-08-15 2017-12-22 河北建设集团卓诚路桥工程有限公司 一种滚动轴承复合故障提取方法及系统
CN109883706A (zh) * 2019-04-08 2019-06-14 西安交通大学 一种滚动轴承局部损伤微弱故障特征提取方法
CN109946081A (zh) * 2019-04-15 2019-06-28 北京航空航天大学 一种用于变转速下滚动轴承打滑时的故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866010A (zh) * 2012-09-28 2013-01-09 苏州大学 一种信号的谱峭度滤波方法及相关装置
CN104198187A (zh) * 2014-09-04 2014-12-10 昆明理工大学 一种机械振动故障特征时域盲提取方法
CN106198015A (zh) * 2016-06-29 2016-12-07 潍坊学院 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法
CN107505135A (zh) * 2017-08-15 2017-12-22 河北建设集团卓诚路桥工程有限公司 一种滚动轴承复合故障提取方法及系统
CN109883706A (zh) * 2019-04-08 2019-06-14 西安交通大学 一种滚动轴承局部损伤微弱故障特征提取方法
CN109946081A (zh) * 2019-04-15 2019-06-28 北京航空航天大学 一种用于变转速下滚动轴承打滑时的故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EWT和ICA联合降噪在轴承故障诊断中的应用;吕跃刚 等;《振动与冲击》;20190831;第38卷(第16期);全文 *
基于变分模态分解和谱峭度的风电机组轴承故障诊断方法;张颖 等;《山西电力》;20191031(第5期);全文 *
基于改进信息图与MOMEDA的滚动轴承故障特征提取;夏均忠 等;《振动与冲击》;20190228;第38卷(第4期);全文 *

Also Published As

Publication number Publication date
CN111238813A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111238813B (zh) 一种强干扰下提取滚动轴承故障特征的方法
CN109883706B (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CN108388908B (zh) 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法
CN112557038A (zh) 多重降噪处理的轴承早期故障诊断方法
CN103745085B (zh) 一种旋转机械振动信号的数据驱动阈值降噪方法
CN107506710A (zh) 一种滚动轴承复合故障提取方法
CN112101245A (zh) 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN109029996B (zh) 一种轮毂轴承故障诊断方法
CN111289232A (zh) 基于双树复小波包子带平均峭度图的机械故障诊断方法
CN112183259B (zh) 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法
CN113702042B (zh) 基于一种增强最小熵解卷积的机械故障诊断方法及系统
CN111896260B (zh) NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法
CN113033304B (zh) 一种克服频域重叠干扰的多共振频带幅值解调分析方法
CN108398260B (zh) 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法
CN113607415A (zh) 一种变转速下基于短时随机共振的轴承故障诊断方法
CN113834658A (zh) 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法
CN116522074A (zh) 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法
CN113326782B (zh) 基于包络谱形态拟合的滚动轴承故障特征自动提取方法
Albezzawy et al. Early rolling bearing fault detection using a gini index guided adaptive morlet wavelet filter
CN112597958B (zh) 一种滚动轴承故障自动识别方法及系统
CN115014765B (zh) 一种通过声信号提取滚动轴承保持架故障特征的方法
CN116756512A (zh) 一种基于emd的振动信号转速识别方法
CN117349615A (zh) 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法
CN116150585A (zh) 基于乘积包络谱的旋转机械故障诊断方法

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