CN111289232A - 基于双树复小波包子带平均峭度图的机械故障诊断方法 - Google Patents
基于双树复小波包子带平均峭度图的机械故障诊断方法 Download PDFInfo
- Publication number
- CN111289232A CN111289232A CN202010105255.XA CN202010105255A CN111289232A CN 111289232 A CN111289232 A CN 111289232A CN 202010105255 A CN202010105255 A CN 202010105255A CN 111289232 A CN111289232 A CN 111289232A
- Authority
- CN
- China
- Prior art keywords
- kurtosis
- sub
- average
- band
- tree complex
- 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
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
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
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
本发明涉及机械故障诊断领域,公开了基于双树复小波包子带平均峭度图的机械故障诊断方法,来提升机械故障特征提取与故障类型辨识的鲁棒性和准确性。本发明根据机械故障振动信号非平稳及瞬时冲击特性,提出了基于双树复小波包子带平均峭度图方法,双树复小波包变换兼顾了效率和准确性,子带平均谱峭度能够消除随机冲击干扰对峭度图的影响,能更准确地找到故障特征信号所在的频带,通过平方包络谱对滤波后的信号进行分析,进而实现轴承故障特征的准确提取与故障类型的精确辨识。本发明适用于机械故障诊断。
Description
技术领域
本发明涉及机械故障诊断领域,具体为基于双树复小波包子带平均峭度图的机械故障诊断方法。
背景技术
轴承,齿轮等,作为动力机械的关键部件,被广泛应用于航空航天,能源,机械制造等各种工业领域,其运行状态监测与故障诊断对于保证装备可靠性、避免安全事故具有重要的意义。振动信号能够反映机械的结构变化,因此,能够通过振动信号对机械的故障进行诊断。然而,实际工程中,由于机械故障特性信息往往被强背景噪声及其他不稳定成分所淹没,使故障特征信息的提取成了一项艰巨的挑战。
当机械发生点蚀、裂纹等局部故障时,通常会激起系统的高频固有振动,产生以系统固有频率为载波,故障特征频率为调制波的调制信号。包络分析是目前应用非常广泛的机械故障诊断方法,它先用一个带通滤波器,将信号中故障引起的高频固有振动成分分离出来,然后用Hilbert变换对提取出来的振动成分进行包络解调分析得到故障诊断所需要的信息。然而,由于高频固有振动成分的中心频率和带宽很难确定,因此带通滤波器参数的选择具有很大主观性。快速峭度图根据谱峭度最大原则,能够给出故障引起冲击信号所处的中心频率和带宽,避免了包络分析方法中带通滤波器参数选择的主观性,提高了包络分析方法的鲁棒性。
但是,基于原始快速峭度图的机械故障诊断方法容易受到偶然冲击性脉冲干扰,从而选择错误的频带信号,导致诊断失败,降低了方法的鲁棒性和准确性。
综上所述,如何提高方法的鲁棒性和准确性,是本领域技术人员急需解决的问题。
发明内容
针对现有技术的不足,本发明提供基于双树复小波包子带平均峭度图的机械故障诊断方法,来提升机械故障特征提取与故障类型辨识的鲁棒性和准确性。
为了实现以上目的,本发明通过以下技术方案予以实现:
基于双树复小波包子带平均峭度图的机械故障诊断方法,其特征在于,所述方法通过滑动窗分割原始振动数据,使用双树复小波包变换分解子信号,计算每个信号子频带峭度的平均值,得到子带平均峭度图,通过子带平均峭度图得到最优带通滤波器中心频率和带宽参数,然后对滤波后信号进行平方包络谱分析。
基于双树复小波包子带平均峭度图的机械故障诊断方法,具体包括以下步骤:
步骤1:采集机械的振动信号;
步骤2:使用滑动窗将信号分解为M个子信号,窗函数大小推荐为2048点;
步骤3:使用双树复小波将M个子信号分解为M组小波系数,并按单调顺序进行重排,得到中心频率单调顺序排列的子频带小波系数;
步骤4:计算子频带小波系数的峭度值;
步骤5:计算子频带平均谱峭度,得到子带平均峭度图;
步骤6:寻找谱峭度值最大的频带,即为故障特征信号所在的频带,得到最优滤波器的参数;
步骤7:按照子带平均峭度图提取故障特征信号所在频带小波系数,使用双树复小波包逆变换重构信号,然后对重构信号进行平方包络谱分析,判别机械故障。
进一步的,所述步骤1中所述采集振动信号具体是通过安装于机械安装座上的加速度传感器来实现的。
进一步的,步骤4中所述峭度的计算公式为:
进一步的,步骤5中子带平均谱峭度计算公式为:
本发明的有益效果:
(1)本发明通过子频带平均算子,可以消除随机冲击干扰对峭度图的影响,提高诊断的鲁棒性和准确性。
(2)本发明将双树复小波包变换融入子带平均峭度图方法中,兼顾了算法的准确性和效率,从而实现机械故障的在线诊断。
附图说明
图1为本发明的流程图;
图2为实施例中风电机械传动系统结构示意图和现场测点图;
图3为实施例中原始振动信号的时域波形;
图4为实施例中原始振动信号的包络谱;
图5为实施例提出方法所得的子带平均峭度图,其中,指示谱峭度最大值为Kmax=9.2,最大值所在频带为第2层,带宽为Bw=1600Hz,中心频率为fc=5600Hz;
图6为实施例提出方法所得,其中,(a)滤波后信号,(b)及其平方包络谱;
图7为实施例原始快速峭度图方法所得的峭度图,其中指示谱峭度最大值为Kmax=8.1,最大值所在频带为第1.5层,带宽为Bw=2133.3333Hz,中心频率为fc=5333.3333Hz;
图8为实施例按原始快速峭度图方法所得,其中,(a)滤波后信号,(b)及其平方包络谱。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚,下文中将结合本发明具体实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。
本发明根据机械故障振动信号产生机理,提出了子带平均峭度图方法,子带平均谱峭度能够消除随机冲击干扰对峭度图的影响,能更准确地找到故障特征信号所在的频带,通过平方包络谱对滤波后的信号进行分析,从而提取故障诊断所需的信息。并且将双树复小波包变换融入子带平均峭度图中进一步提高了方法的计算效率、精度以及时频能量聚集性,实现机械故障的精确、高效诊断。
基于上述思想,实施例提供了基于双树复小波包子带平均峭度图的机械故障诊断方法,工作流程如图1所示,具体步骤如下:
步骤1:采集机械的振动信号x;
步骤2:使用滑动窗将信号分解为M个子信号{xm(t)|m=1,2,...,M},窗函数大小推荐为2048点;
步骤4:计算子频带小波系数的峭度值:
步骤5:计算子带平均谱峭度:
得到子带平均峭度图;
步骤6:寻找峭度值最大的频带,即为故障特征信号所在的频带,得到最优滤波器的参数;
步骤7:按照子带平均峭度图提取故障特征信号所在频带小波系数,使用双树复小波包逆变换重构信号,然后对重构信号进行平方包络谱分析,进而诊断机械故障。
以下结合具体实例——某风电机械传动系统发电机前轴承故障诊断,通过实施例进一步说明。试验轴承规格如下表1所示:
表1试验轴承规格
风电机械传动系统结构示意图和现场测点图如2所示。在测试过程中,电机前轴承振动明显大于其他测点,因此怀疑电机前轴承出现了故障,需要进一步进行分析。通过键相传感器,当时发电机平均转速为1453r/min,对应转频为fr=24.2Hz,信号采样频率为1.28kHz,采样点数N=16384,根据轴承规格及电机转频可得到试验轴承内圈故障特征频率为:fi=131.1Hz。
第一步:通过加速度传感器获取试验轴承振动的原始振动信号x(单位g),图3、图4分别为该原始振动信号x的时域波形与包络谱。由图可知,由于噪声及其他干扰成分的存在,振动信号时域波形中难以观察到明显的周期性冲击,同时包络谱中轴承外圈故障特征频率几乎被周围的强干扰频率所淹没,因此难以对轴承故障进行准确辨别。
第二步:采用提出的基于双树复小波包子带平均峭度图的机械故障诊断方法对信号进行分析,得到信号的子带平均峭度图,如图5所示,其中,指示谱峭度最大值为Kmax=9.2,最大值所在频带为第2层,带宽为Bw=1600Hz,中心频率为fc=5600Hz。
第三步:按照子带平均峭度图所示频带,采用双树复小波包算法对信号进行滤波,滤波后信号及其平方包络谱如图6所示,其中,(a)滤波后信号,(b)及其平方包络谱。
由图6(a)可知,轴承内圈故障的周期性冲击得到了准确提取,周期性冲击的时间间隔为轴承外圈故障特征频率的倒数。在图6(b)所示平方包络谱中能非常清晰地观察到轴承内圈故障特征频率fi,其倍频(2fi、3fi、4fi、5fi)及其边频带(nfi±lfr)。因此,可判断试验轴承存在内圈故障,诊断结果与最终检查结果一致,证明了实施例的有效性。
为了进一步说明本发明方法的优越性,如图7,其中指示谱峭度最大值为Kmax=8.1,最大值所在频带为第1.5层,带宽为Bw=2133.3333Hz,中心频率为fc=5333.3333Hz,图8,其中,(a)滤波后信号,(b)及其平方包络谱所示,给出了基于传统快速峭度图方法得到的峭度图、滤波后信号及其平方包络谱。对比图6、8,显然实施例在轴承故障诊断中效果更佳,指示的频带更准确,故障特征频率的幅值更大,时频能量聚集性更好。由此可见,采用本发明的方法,可以避免随机冲击干扰信号的影响,能够更准确地找到故障特征信号所在频带,从而准确提取故障特征信息,精确识别机械故障。
应当说明的是,本发明所述的实施方式仅仅是实现本发明的优选方式,对属于本发明整体构思,而仅仅是显而易见的改动,均应属于本发明的保护范围之内。
Claims (6)
1.基于双树复小波包子带平均峭度图的机械故障诊断方法,其特征在于,所述方法通过滑动窗分割原始振动数据,使用双树复小波包变换分解子信号,计算每个信号子频带峭度的平均值,得到子带平均峭度图,通过子带平均峭度图得到最优带通滤波器中心频率和带宽参数,然后对滤波后信号进行平方包络谱分析。
2.基于双树复小波包子带平均峭度图的机械故障诊断方法,其特征在于,具体包括以下步骤:
步骤1:采集机械的振动信号;
步骤2:使用滑动窗将信号分解为M个子信号,窗函数大小推荐为2048点;
步骤3:使用双树复小波将M个子信号分解为M组小波系数,并进行重排,得到中心频率单调顺序排列的子频带小波系数;
步骤4:计算子频带小波系数的峭度值;
步骤5:计算子频带平均谱峭度,得到子带平均峭度图;
步骤6:寻找峭度值最大的频带,即为故障特征信号所在的频带,得到最优滤波器的参数;
步骤7:按照子带平均峭度图提取故障特征信号所在频带小波系数,使用双树复小波包逆变换重构信号,然后对重构信号进行平方包络谱分析,判别械故障。
3.根据权利要求2所述的基于双树复小波包子带平均峭度图的机械故障诊断方法,其特征在于,所述步骤1中所述采集振动信号具体是通过安装于机械安装座上的加速度传感器来实现的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105255.XA CN111289232A (zh) | 2020-02-20 | 2020-02-20 | 基于双树复小波包子带平均峭度图的机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105255.XA CN111289232A (zh) | 2020-02-20 | 2020-02-20 | 基于双树复小波包子带平均峭度图的机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111289232A true CN111289232A (zh) | 2020-06-16 |
Family
ID=71026789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105255.XA Pending CN111289232A (zh) | 2020-02-20 | 2020-02-20 | 基于双树复小波包子带平均峭度图的机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289232A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112326248A (zh) * | 2020-11-10 | 2021-02-05 | 江苏大学 | 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法 |
CN113702030A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统 |
CN113702037A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于子带重排与集合双树复小波包变换的重加权谱峭度方法 |
CN114166507A (zh) * | 2021-11-19 | 2022-03-11 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
CN115077902A (zh) * | 2022-05-02 | 2022-09-20 | 西北工业大学 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940612A (zh) * | 2014-04-10 | 2014-07-23 | 昆明理工大学 | 一种滚动轴承故障特征提取方法及系统 |
-
2020
- 2020-02-20 CN CN202010105255.XA patent/CN111289232A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940612A (zh) * | 2014-04-10 | 2014-07-23 | 昆明理工大学 | 一种滚动轴承故障特征提取方法及系统 |
Non-Patent Citations (4)
Title |
---|
佘博等: "改进双树复小波包变换及在故障诊断中的应用", 《机械传动》 * |
李辉等: "基于双树复小波包峭度图的轴承故障诊断研究", 《振动与冲击》 * |
胥永刚等: "双树复小波包和谱峭度在齿轮故障诊断中的应用", 《北京工业大学学报》 * |
胥永刚等: "基于双树复小波包变换能量泄漏特性分析的齿轮故障诊断", 《农业工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112326248A (zh) * | 2020-11-10 | 2021-02-05 | 江苏大学 | 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法 |
CN112326248B (zh) * | 2020-11-10 | 2022-08-23 | 江苏大学 | 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法 |
CN113702030A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统 |
CN113702037A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于子带重排与集合双树复小波包变换的重加权谱峭度方法 |
CN114166507A (zh) * | 2021-11-19 | 2022-03-11 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
CN114166507B (zh) * | 2021-11-19 | 2024-04-12 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
CN115077902A (zh) * | 2022-05-02 | 2022-09-20 | 西北工业大学 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
CN115077902B (zh) * | 2022-05-02 | 2024-04-26 | 西北工业大学 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
Randall et al. | The relationship between spectral correlation and envelope analysis in the diagnostics of bearing faults and other cyclostationary machine signals | |
CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
He et al. | Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis | |
Guo et al. | Fault feature extraction for rolling element bearing diagnosis based on a multi-stage noise reduction method | |
Jafarizadeh et al. | Asynchronous input gear damage diagnosis using time averaging and wavelet filtering | |
Yan et al. | Harmonic wavelet-based data filtering for enhanced machine defect identification | |
Bechhoefer | A quick introduction to bearing envelope analysis | |
CN110173439B (zh) | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN110806315B (zh) | 一种基于倒位编辑的齿轮箱复合故障诊断方法 | |
CN108572075A (zh) | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
Kong et al. | Fault feature extraction of planet gear in wind turbine gearbox based on spectral kurtosis and time wavelet energy spectrum | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
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 | |
Jing et al. | Weak fault feature identification for rolling bearing based on EMD and spectral kurtosis method | |
CN107941511A (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN116150585A (zh) | 基于乘积包络谱的旋转机械故障诊断方法 | |
Li et al. | Research on gear signal fault diagnosis based on wavelet transform denoising | |
Yang | The detection of bearing incipient fault with maximal overlap discrete wavelet packet transform and sparse code shrinkage denoising | |
CN115683580A (zh) | 一种基于相位域自适应滤波的旋转机械故障诊断方法 | |
Li et al. | Envelope analysis by wavelet-filter based spectral kurtosis for bearing health monitoring | |
Yan et al. | Research on fault diagnosis method of bogie bearing based on microphone arrays |
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 |
Application publication date: 20200616 |
|
RJ01 | Rejection of invention patent application after publication |