CN111307461A - 一种基于特征向量基线法的滚动轴承故障检测方法 - Google Patents

Abstract

本发明涉及一种基于特征向量基线法的滚动轴承故障检测方法，属于轴承故障诊断技术领域。本发明通过获取轴承各设定测点正常工况的振动数据建立基线特征征兆库，基线特征征兆库中包括轴承各零部件相应测点正常工况时的频谱特征，将实时采集的振动数据进行频谱特征提取作为实时特征，将实时特特征与基线特征征兆库中的特征数据进行比较，当某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的滚动轴承零件发生了故障，以此实现对各滚动轴承的故障的检测。本发明以正常工况的数据为基准，将实时振动数据与正常工况比较，提高了滚动轴承故障检测的准确度。

Description

一种基于特征向量基线法的滚动轴承故障检测方法

技术领域

本发明涉及一种基于特征向量基线法的滚动轴承故障检测方法，属于轴承故障诊断技术领域。

背景技术

滚动轴承是旋转机械中最常用的支撑型部件，也是最容易发生故障的零部件之一，对滚动轴承的精确故障诊断有着重要的经济及安全意义。在滚动轴承故障的实际工程应用中，限于人员技术经验、专业知识的限制，往往不能实现滚动轴承故障诊断的快速化、集群化。随着网络技术及人工智能的普及应用，基于Web技术的滚动轴承智能诊断方法有效的解决了上述问题。目前，滚动轴承智能诊断方法主要有两种：一是基于智能算法(如支持向量机、隐马尔可夫等)的滚动轴承智能诊断，二是基于规则的滚动轴承智能诊断。

前者在理论上取得了广泛的成绩，例如，申请公布号为CN109612732A的中国专利申请文件，该文件公开了一种基于解卷积和包络谱的滚动轴承故障诊断方法，该方法首先按照特定频率分别采集正常状态、内圈故障、外圈故障和滚动体故障状态下的振动数据，然后将振动信号进行VMD分解，并通过能量熵增量、峭度准则得到不同状态下可有效表征信号自身特性的模态分量；再计算各模态分量的包络谱幅值特征比以及归一化包络谱熵，并以此构建多特征高维特征向量；最后选取一部分数据作为标准样本，通过FCM聚类算法进行滚动轴承工作状态和故障类型判断。上述方法虽然能够实现对滚动轴承的检测，但是基于大量的故障样本数据，一旦样本数据不够，就无法有效进行故障检测，且都处于理论状态，距离工程实际应用仍有较大的距离。后者在制定滚动轴承诊断规则时，往往缺少相关的基准，造成规则的普适性较差，并且存在着不能精确反映滚动轴承发生故障部位及故障严重程度的问题。

发明内容

本发明的目的是提供一种基于特征向量基线法的滚动轴承故障检测方法，以解决目前无法精确确定滚动轴承故障的问题。

本发明为解决上述技术问题而提供一种基于特征向量基线法的滚动轴承故障检测方法，该故障检测方法包括以下步骤：

1)对待测滚动轴承各设定测点的振动数据进行实时采集，并对采集的实时振动数据进行频谱特征提取，提取出滚动轴承不同零部件的频谱特征，并将其存储到实时特征征兆库；

2)将实时特征征兆库与基线特征征兆库中的特征数据进行比较，若某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的滚动轴承零件发生了故障；

所述基线特征征兆库中的基线特征值是通过获取轴承各设定测点正常工况的振动数据，并对获取的振动数据进行频谱特征提取的方式确定。

本发明通过获取轴承各设定测点正常工况的振动数据建立基线特征征兆库，基线特征征兆库中包括轴承各零部件相应测点正常工况时的频谱特征，将实时采集的振动数据进行频谱特征提取作为实时特征，将实时特特征与基线特征征兆库中的特征数据进行比较，当某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的滚动轴承零件发生了故障，以此实现对各滚动轴承的故障的检测。本发明以正常工况的数据为基准，将实时振动数据与正常工况比较，提高了滚动轴承故障检测的准确度。

进一步地，为了保证正常工况数据的有效性，提高基线特征征兆库中数据的精确性，轴承各设定测点正常工况的振动数据的选取原则：各测点两个方向的历史峭度指标未超过设定值、无峭度值指标野点且峭度指标平稳时间段对应的振动数据。

进一步地，为了能够实现对滚动轴承故障的全面检测，所述设定测点指的是按照定义的诊断机组模板布置的测点，诊断机组模板为电机+联轴器+工作机，设定测点包括电机非驱动端水平及垂直测点、电机驱动端水平及垂直测点、工作机输入端水平及垂直测点和工作机输出端水平及垂直测点。

进一步地，本发明还给出的频谱特征提取的具体方式，振动数据的频谱特征提取过程如下：

依据滚动轴承型号，在滚动轴承给定转速下，从振动数据包络解调谱中提取各轴承零件包络解调谱故障特征频率所对应的谱线值，该谱线值即为频谱特征提取结果。

进一步地，为了实现对滚动轴承各零部件的精确诊断，滚动轴承零件包括内圈、外圈、滚动体和保持架。

进一步地，为了准确判断故障类型，所述步骤2)中若同时两个不同的特征均超过了相应基线特征的设定比例，则认为两个特征值对应的两个滚动轴承零件同时发生了故障。

附图说明

图1是本发明滚动轴承故障检测方法的流程图；

图2是本发明滚动轴承故障检测方法的具体实施流程示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步地说明。

方法实施例

本发明通过获取轴承各设定测点正常工况的振动数据建立基线特征征兆库，基线特征征兆库中包括轴承各零部件相应测点正常工况时的频谱特征，将实时采集的振动数据进行频谱特征提取作为实时特征，将实时特特征与基线特征征兆库中的特征数据进行比较，当某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的滚动轴承零件发生了故障，以此实现对各滚动轴承的故障的检测。实现流程如图1所示，具体实现步骤如图2所示，具体包括以下步骤。

1.构建基线特征征兆库。

1)按照设定的诊断机组模板进行相关测点布置。

本实施例中的诊断机组模板为电机(滚动轴承水平双支撑型)+联轴器+工作机(滚动轴承水平双支撑型)，按照上述定义的诊断机组模板进行测点布置，布置的测点包括电机非驱动端水平及垂直测点、电机驱动端水平及垂直测点、工作机输入端水平及垂直测点和工作机输出端水平及垂直测点。

2)获取各测点正常工况的振动数据。

按照步骤1)中布置的测点，采集各测点相应的正常工况的振动数据及机组所有轴承型号，从中选取历史趋势运行平稳且未超过一定阈值的振动数据。各测点的正常工况数据的选取规则：对各轴承测点两个方向的历史峭度指标进行分析，峭度指标未超过2、无峭度值指标野点且峭度指标平稳时间段对应的振动数据即为正常工况振动数据。

3)根据轴承型号进行选取的正常工况振动数据进行频谱特征提取。

依据轴承型号定义轴承特征库提取征兆库：在机组某个给定工作转速下，将获取的正常工况振动数据进行时频转换，得到对应的频谱数据，其中时频变换可采用傅立叶变换，从频谱数据中提取对应的包络解调谱，提取的包络解调谱中包括各轴承零件(内圈、外圈、滚动体、保持架)，各零件可通过其频率来区分，将故障特征频率对应的包络解调谱的谱线值作为基线特征，这里的故障特征频率指的是发生故障后谱线值会发生变化时对应的频率。

4)将得到的不同型号的滚动轴承在相应工作转速下的提取得频谱特征存储到的数据库中，该数据库定义为基线特征征兆库。

通过步骤1)-4)就可以建立基线特征征兆库，该滚动轴承基线特征征兆库中存储了不同型号下、不同工作转速下滚动轴承各零部件的正常工况下的特征。

2.采集实时振动数据和频谱特征提取。

在对待检测的滚动轴承的振动数据进行采集前，要先确定测点位置，本实施例中的测点按的诊断机组模板进行布置，与步骤1中的测点布置完全相同，其中机组模板为电机(滚动轴承水平双支撑型)+联轴器+工作机(滚动轴承水平双支撑型)，布置的测点包括电机非驱动端水平及垂直测点、电机驱动端水平及垂直测点、工作机输入端水平及垂直测点和工作机输出端水平及垂直测点。按照上述定义对待检测的滚动轴承的振动数据进行采集，并对采集后的振动数据进行频谱特征提取，根据所处频率得到不同零部件的谱线值，实现对待测滚动轴承振动数据的频谱特征提取。为方便后续检测，本实施例将提取出的频谱特征存储到一数据库中，该数据库定义为实时特征征兆库。

3.根据滚动轴承的实时频谱特征进行故障检测。

将实时特征征兆库中各实时特征值与步骤1建立的基线特征征兆库中的相应的基线特征值作比较，比较时，先从基线特征征兆库中找到待测滚动轴承型号相同的数据，再从中选择与待测滚动轴承转速一致或相近的数据。若某个特征值超过对应基线值的40％，则可认为此特征值对应的滚动轴承零件发生了故障；超过的百分比为相应的故障严重程度；若同时两个不同的特征值同时超过相应基线值的40％，则可认为两个特征值对应的两个滚动轴承零件同时发生了故障，即故障轴承复合故障。各百分比期间段所对应的故障严重程度如下表1所示。

表1

以下为两条规则的例子：

例1：电机非驱动端滚动轴承内圈故障诊断规则

if(内圈故障特征频率包络解调谱实时幅值_{(水平or垂直)}-内圈故障特征频率包络解调谱基线幅值_{(水平or垂直)}-)/内圈故障特征频率包络解调谱基线幅值_{(水平or垂直)}-＝45％；

then print out“电机非驱动端轴承轻微内圈故障”

例2：电机非驱动端滚动轴承内圈外圈复合故障诊断规则

if(内圈故障特征频率包络解调谱实时幅值_{(水平or垂直)}-内圈故障特征频率包络解调谱基线幅值_{(水平or垂直)}-)/内圈故障特征频率包络解调谱基线幅值_{(水平or垂直)}＝50％；

and(外圈圈故障特征频率包络解调谱实时幅值_{(水平or垂直)}-外圈故障特征频率包络解调谱基线幅值_{(水平or垂直)}-)/外圈故障特征频率包络解调谱基线幅值_{(水平or垂直)}-＝70％；

then print out“电机非驱动端轴承轻微内圈故障，严重外圈故障”

表1和以上例子只是给出一种实施方式，百分比区间的划分和严重程度的具体划分可根据实际需要自行划分，超过的百分比越大，故障等级越大，即越严重。

在具体实施中，基线特征征兆库都是事先建立好的，在故障检测过程中，只需要调用基线特征征兆库中的数据。

上述方法实施例可以由硬件、软件、固件、中间件、微代码或其任意组合来实现。对于硬件实现方式，处理单元可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计以执行本发明所述功能的其他电子单元、或其组合内实现。当以软件、固件、中间件或微代码、程序代码或代码段来实现实施例时，可以将它们存储在诸如存储组件的机器可读介质中。

系统实施例

基于上述方法实施例，本发明在实施时可将该方法做成一个软件系统，为此，本发明还给出了一种基于特征向量基线法的滚动轴承故障检测，本实施例中的检测系统包括数据采集模块、特征量提取模块、基线特征征兆库构建模块和诊断模块，其中数据采集模块用于对待测滚动轴承各设定测点的振动数据进行实时采集；特征量提取模块用于对数据采集模块采集的实时振动数据进行频谱特征提取，提取出滚动轴承不同零部件的频谱特征，并将其存储到实时特征征兆库；诊断模块用于将实时特征征兆库与基线特征征兆库中的特征数据进行比较，若某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的滚动轴承零件发生了故障；基线特征征兆库构建模块用于通过获取轴承各设定测点正常工况的振动数据，对获取的振动数据进行频谱特征提取，并提取的特征存储到实时特征征兆库中。

具体而言，基线特征征兆库构建模块获取的正常工况数据是按照设定的机组模板布置的测点上的振动数据，其中正常工况数据指的是滚动轴承各测点两个方向的历史峭度指标未超过2、无峭度指标野点且峭度指标平稳时间段的振动数据即为正常工况振动数据，并通过定义好的滚动轴承特征提取征兆库对接收的正常工况振动数据进行特征提取形成基线特征向量库，并存储至REBFDS数据库，从而形成基线特征征兆库，数据采集模块采集到的振动数据是按照设定的机组模板布置的测点上的实时振动数据，并由特征量提取模块对其进行特征提取形成滚动轴承实时特征征兆库库；再将基线特征征兆库与实时特征征兆库同时输入至滚动轴承规则库，由诊断模块根据匹配到的诊断规则对某个测点的滚动轴承发生故障的精确故障部位(外圈、内圈、滚动体、保持架或其组合)进行判断；此外，依据实时特征向量库中某个指标与基线特征向量库中相应指标的超出度对故障的严重程度进行判断。本发明可以有效利用设备正常工况下的振动数据及其特征向量提取后形成的基线特征向量库，实时判断机组模板中各个轴承的故障位置及其故障严重度。

Claims (6)

1.一种基于特征向量基线法的滚动轴承故障检测方法，其特征在于，该故障检测方法包括以下步骤：

1)对待测滚动轴承各设定测点的振动数据进行实时采集，并对采集的实时振动数据进行频谱特征提取，提取出滚动轴承不同零部件的频谱特征，并将其存储到实时特征征兆库；

2)将实时特征征兆库与基线特征征兆库中的特征数据进行比较，若某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的滚动轴承零件发生了故障；

所述基线特征征兆库中的基线特征值是通过获取轴承各设定测点正常工况的振动数据，并对获取的振动数据进行频谱特征提取的方式确定。

2.根据权利要求1所述的基于特征向量基线法的滚动轴承故障检测方法，其特征在于，轴承各设定测点正常工况的振动数据的选取原则：各测点两个方向的历史峭度指标未超过设定值、无峭度值指标野点且峭度指标平稳时间段对应的振动数据。

3.根据权利要求1所述的基于特征向量基线法的滚动轴承故障检测方法，其特征在于，所述设定测点指的是按照诊断机组模板布置的测点，诊断机组模板为电机+联轴器+工作机，设定测点包括电机非驱动端水平及垂直测点、电机驱动端水平及垂直测点、工作机输入端水平及垂直测点和工作机输出端水平及垂直测点。

4.根据权利要求1所述的基于特征向量基线法的滚动轴承故障检测方法，其特征在于，振动数据的频谱特征提取过程如下：

依据滚动轴承型号，在滚动轴承给定转速下，从振动数据包络解调谱中提取各轴承零件包络解调谱故障特征频率所对应的谱线值，该谱线值即为频谱特征提取结果。

5.根据权利要求4所述的基于特征向量基线法的滚动轴承故障检测方法，其特征在于，滚动轴承零件包括内圈、外圈、滚动体和保持架。

6.根据权利要求1-5中任一项所述的基于特征向量基线法的滚动轴承故障检测方法，其特征在于，所述步骤2)中若同时两个不同的特征均超过了相应基线特征的设定比例，则认为两个特征值对应的两个滚动轴承零件同时发生了故障。

Images