CN111623968B - 一种基于自适应形态滤波的故障特征提取方法 - Google Patents
一种基于自适应形态滤波的故障特征提取方法 Download PDFInfo
- Publication number
- CN111623968B CN111623968B CN202010380597.2A CN202010380597A CN111623968B CN 111623968 B CN111623968 B CN 111623968B CN 202010380597 A CN202010380597 A CN 202010380597A CN 111623968 B CN111623968 B CN 111623968B
- Authority
- CN
- China
- Prior art keywords
- scale
- morphological filtering
- original signal
- signal
- filtering
- 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
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
- G06F2218/08—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
本发明提出的一种基于自适应形态滤波的故障特征提取方法,包括:设置结构元素尺度搜索区间与搜索步长,计算不同尺度的结构元素的闭运算形态算子并对原始信号进行形态滤波;针对每一个尺度的形态滤波输出结果提取峰值,根据峰值数量与尺度的对应关系获得峰值数量梯度曲线;获取峰值数量梯度曲线首次稳定时应的结构元素尺度,获得原始信号在该尺度下的形态滤波输出并分析其频谱,获取原始信号中的冲击频率特征。本发明提出了一种基于自适应形态滤波的故障特征提取方法,用于轴承、齿轮等旋转设备冲击故障信号的特征提取,实现本地噪声的滤除、冲击特性的保持、高频调制信号解调以及频域分析中特征频率凸显等功能。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于自适应形态滤波的故障特征提取方法。
背景技术
制造业作为未来我国乃至全球战略发展的必争之地,其与机械设备的发展息息相关。随着科学技术的不停进步和工业发展的强大需求,机械生产设备也不断向着高强度、高速运行、连续工作的方向迅猛发展。但是,随着工作要求越来越高,在实际生产、工作中,任凭机械设备的水品发展多高,也不能完全排除各种各样的系统误差、操作不当、设备损耗、系统老化等因素,这样设备在运行过程中难免会出现各种各样的问题,由于设备故障使得机器停机、损失日益加剧,严重的甚至造成人员伤亡等严重后果。
另一方面旋转机械目前被广泛地应用在各种工业现场中,无论是齿轮还是轴承等,而其运行质量会直接影响着整台设备的工作性能。一旦这些旋转部件的故障没有被及时发现,会导致机器损坏、产线停工甚至是人员伤亡等生产事故。因此,对于相关类似设备的早期故障进行监测分析具有十分重要的意义。在机械故障诊断领域中,当滚动轴承或齿轮等部件局部存在损伤或缺陷时,在负载运转过程中会产生衰减冲击,这一冲击信号会激发零部件的高频固有振动。这种高频固有振动作为载波信号,其幅值将受到由物理缺陷引起的冲击所产生的基波的调制,从而使外部所能采集的振动波形呈现出复杂的幅值调制现象。而这些衰减冲击响应中其实包含了部件所对应的相关故障信息。
对于这类调制信号,尤其在频率成分比较复杂时,传统的频域方法无法准确定位设备故障所在。需要对其中的调制信号进行有效的提取,而包络解调法可以将信号中所包含的故障信息从复杂的调幅振动信号中分离出来,也是目前应用最广泛的诊断方法之一。包络解调方法有很多,目前常用的技术有:基于希尔伯特变换(HT:Hilbert Transform)、峰值检波和形态滤波器等。
HT方法的主要原理是首先利用带通滤波,滤除信号中的低频分量,尽可能地获取被调制的高频分量,然后通过HT让测试信号产生一个90°的相移,与原信号构成一个解析信号,此解析信号即构成包络信号;把存在缺陷的轴承振动信号,经过希尔伯特变换检波后变成包络信号,再对此包络信号进行频谱分析,则在频谱中含有低频的激振频率,即缺陷频率。
峰值检波则是利用全数字峰值检波来实现冲击信号解调的方法,该方法模拟RC充放电过程,通过以Ae-t/τ为结构元素的形态滤波算法进行滤波,首先令初始冲击峰值A0按照A0e-t/τ进行衰减,得到衰减值Ai,将下一个采集到的冲击峰值A1与Ai比较,如果A1≤Ai,则放弃A1,以Ai作为峰值检波后波形中一点并继续衰减;反之则停止本次衰减,将A1作为峰值检波后波形中的新冲击峰值,并按照A1e-t/τ重新开始衰减过程。
形态滤波器方法中,使用多层滤波形式,每层根据前后滤波的差值选取较优结构元素,并根据前后滤波信号的相关系数获取较优的偏移校正系数,从而提高形态滤波的普适性和滤波效果。还有一类针对振动信号的处理方法,将形态滤波和其他方法如EMD进行结合,首先构建自适应形态组合滤波器,对信号进行处理:选择结构元素,计算结构元素的相关参数,构造多结构元素集,确定最优结构元素;然后对信号进行改进的EMD分解,并对分解分量进行Hilbert变换得到最终的边际谱。
上述所提及的几种现有方法,均存在以下一个或多个缺陷与不足:
1.传统的HT解调方法在包络求取过程中实时性差,难以在线实现;需要通过不同的方法确定合适的先验参数(滤波频带和滤波器参数);低信噪比时如果滤波范围选择不合适,解调效果会非常不明显;解调后的波形幅值往往存在失真,在较低分析频率下无法保持原来实际信号的峰值。
2.峰值检波方法虽然可以保持原始波形的高峰值部分,但是在冲击不明显的情况下解调效果较差;以指数衰减的结构元素来构造包络信号,会丢失原有信号的衰减特性和谐波特征;该模型中,先验参数τ(时间常数)的选取会对结果造成直接的影响,不合适的值会得到完全错误的包络信号。
3.基于多层形态滤波的处理方法,使用了多个不同的结构元素来对信号进行开闭运算,该方式存在两个主要的问题:对不同结构元素进行筛选时难以构建完备的结构元素集,其偏倚校正系数在大多数振动数据处理的场合并不必要;其次结构元素的筛选采用预先计算的模式,大大增加了计算的复杂度和时间消耗,方法中也未提及形态滤波最重要的结构元素长度参数的选择。
4.自适应形态滤波集改进EMD结合的方法中,处理对象为包含冲击特征的城市轨道列车轮对振动信号,方法核心思想在于两种方法的结合效果,对于形态滤波的处理思想没有太多创新,主要根据原始信号局部极大极小值来确定结构元素的尺度,实际信号中的所有局部极值大部分是由噪声导致,统一来处理难以达到有效特征提取的目的。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于自适应形态滤波的故障特征提取方法。
本发明提出的一种基于自适应形态滤波的故障特征提取方法,包括:
S1、采样获得反映监测对象的故障信息的原始信号;
S2、设置结构元素尺度搜索区间与搜索步长,计算不同尺度的结构元素的闭运算形态算子并对原始信号进行形态滤波;
S3、针对每一个尺度的形态滤波输出结果提取峰值,根据峰值数量与尺度的对应关系获得峰值数量梯度曲线;
S4、获取峰值数量梯度曲线首次稳定时应的结构元素尺度,获得原始信号在该尺度下的形态滤波输出并分析其频谱,获取原始信号中的冲击频率特征。
优选的,步骤S1中,原始信号为振动信号、声音信号或者声发射信号。
优选的,步骤S1中,监测对象为旋转设备。
优选的,监测对象为轴承、齿轮或者轴。
优选的,步骤S2中,结构元素尺度搜索区间为[l,…,L],且l≦10≦N/200≦L,N为步骤S1中原始信号的采样点数。
优选的,搜索步长为2。
优选的,步骤S3中,针对每一个尺度的形态滤波输出结果,通过前后值比较提取峰值。
优选的,步骤S4中,获取峰值数量梯度曲线首次稳定时对应的结构元素尺度的具体方式为:获取峰值数量梯度曲线中第一个绝对连续最小值对应的结构元素尺度。
优选的,步骤S4中,通过遍历算法在峰值数量梯度曲线中搜索绝对连续最小值。
优选的,步骤S4中,对形态滤波输出分析其频谱的方式为:基于傅里叶变换的频谱分析、时域间隔提取或者时频变换。
本发明首次提出了通过峰值数量梯度指标作为优化结构元素的尺度,该指标计算简单,针对冲击类的故障信号优化效果明显;本发明利用形态滤波对信号进行处理,可以有效保留原始信号中的冲击峰值,避免了解调过程中出现的信号失真。
本发明应用于冲击信号的形态滤波分析和特征频率提取,以结构元素尺度自动搜索算法实现零先验参数的最优形态滤波,可以通过完全的数据驱动来实现冲击特征频谱的提取。本发明相比于其他的尺度优化策略,本发明所提方法不存在算法发散的情况,避免了由于不收敛而出现局部最优的干扰。且,本发明中首次提出了一种最小峰值梯度的概念,通过滤波结果的峰值数量变换指标来确定最优的结构元素尺度
本发明中涉及的运算过程简单,算法复杂度低,便于在监测系统中实时实现。
附图说明
图1为本发明提出的一种基于自适应形态滤波的故障特征提取方法流程图;
图2发明所提方法计算流程图;
图3滚动轴承振动信号采集示意图;
图4原始信号时域波形和频谱;
图5尺度为80时的形态滤波输出及峰值提取结果;
图6不同尺度下的滤波结果峰值个数和峰值个数梯度;
图7尺度为110的形态滤波结果及其频谱分析。
具体实施方式
参照图1,本发明提出的一种基于自适应形态滤波的故障特征提取方法,包括以下步骤:
S1、采样获得反映监测对象的故障信息的原始信号。具体的,本实施方式中,监测对象为旋转设备,例如轴承、齿轮或者轴。原始信号可为振动信号、声音信号或者声发射信号等,可根据对应的传感器进行采集。
本实施方式中,原始信号记作x(i)(i=0,1,2,...,N-1),其中,N为采样点数。
S2、设置结构元素尺度搜索区间与搜索步长,计算不同尺度的结构元素的闭运算形态算子并对原始信号进行形态滤波。
本实施方式中,结构元素尺度搜索区间为[1,…,L],且1≤10≤N/200≤L;搜索步长为m。构造结构元素表达式为g(k)(k=0,1,2…,K-1),K<<N,K为结构元素的尺度。针对待搜索的每一个尺度K(j)=l+m*j-m,计算原始信号的闭运算结果,以直线结构元素为例,闭运算的公式为 其中表示腐蚀运算, 表示膨胀运算。
S3、针对每一个尺度的形态滤波输出结果提取峰值,根据峰值数量与尺度的对应关系获得峰值数量梯度曲线。
具体的,本步骤中,首先计算不同尺度下所获取形态滤波输出结果中的峰值个数,表示为PN=length(Peak((x·g)(i))),其中length和Peak分别表示数组的长度和局部最大值计算,Peak(A(i))=A(i)>A(i-1)&A(i)≥A(i+1)。本实施方式中,在获得任一结构元素尺度下的形态滤波输出结果时,可结合公式Peak(A(i)),通过前后值比较提取峰值。
然后计算峰值个数随结构元素尺度变化的梯度,即峰值数量梯度曲线,GrPN(K(j))=diff(PN)。
S4、获取峰值数量梯度曲线首次稳定时对应的结构元素尺度,获得原始信号在该尺度下的形态滤波输出并分析其频谱,获取原始信号中的冲击频率特征。
本实施方式中,可设置峰值数量梯度曲线上第一个绝对连续最小值为首次稳定。具体实施时,可通过遍历算法在峰值数量梯度曲线中搜索绝对连续最小值。
如此,本步骤S4具体为:搜索GrPN中的第一个绝对连续最小值,其对应的K(j)记作Kopt;反代入Kopt的值并计算原始信号的最优滤波输出结果,进行频谱分析得到相应的故障特征频率。
具体的,对形态滤波输出分析其频谱的方式为:基于傅里叶变换的频谱分析、时域间隔提取或者时频变换。
下面,通过具体实施例对本发明的技术方案进行详细说明。
实施例1
本实施例中,以滚动轴承作为监测对象。
第一步:对滚动轴承的振动信号x(i)进行采样,采样频率Fs=51.2kHz,采样点数N=65536。具体的,本步骤中,通过安装在监测对象表面即轴承座上的加速度传感器采集振动信号x(i)。
振动信号x(i)的时域波形图和频谱图如图4(a)和图4(b)所示。从时域波形图4(a)可看出周期性冲击,为轴承的局部故障所引起。从图4(b)的频谱图可看出,原始信号中由于轴承故障所产生的冲击频率(50.78Hz)很难发现,这是由于该频率被调制到高频段,而无法在频谱中进行分辨。
第二步:设置结构元素的尺度搜索区间为[1,400],搜索步长为2,构造不同尺度的结构元素,并针对每一个结构元素计算其对原始信号的闭运算滤波结果,即实现不同尺度下的形态滤波。
本步骤中,结构元素选择扁平结构元素。其中,尺度为80的结构元素对原始信号的闭运算滤波结果表示如图5中的黑实线。
第三步:计算不同尺度下所获取形态滤波输出结果中的峰值个数,并进一步计算体现峰值个数于尺度对应关系的变化量GrPN,即峰值个数下降曲线。
本实施例中,80尺度的峰值提取结果如图5中的红色三角所示,该尺度下的峰值个数为167。计算所有尺度的峰值个数PN并绘制出其趋势如图6(a),可以看出随着尺度的不断增大,滤波输出结果的峰值个数逐渐减小,且在减小过程中会出现一定的稳定过程。
绘制GrPN随结构元素尺度变化的趋势如图6(b)所示,搜索其中的第一个绝对连续最小值,得到针对该信号的最优尺度为Kopt=110。
具体的,本实施例中,可结合图形,通过前后值比较提取峰值。并可通过遍历搜索获得绝对连续最小值。
第四步:构造尺度为Kopt的结构元素,并计算原始信号在该结构元素下的形态滤波输出,获得滤波信号,对滤波信号进行频谱分析,完成故障诊断。
本步骤中,得到滤波信号如图7(a)所示,可以看出滤波的过程有效提取了原始信号中的冲击成分,且在最大限度保留冲击的前提下去除了冲击之间的无效噪声峰值。从图7(b)的频谱中可以清晰分辨出轴承外圈故障频率50.78Hz及其倍频成分,从而进一步进行相关的诊断分析。
具体的,本实施例中,对滤波信号进行频谱分析时,可具体采用基于傅里叶变换的频谱分析、时域间隔提取或者时频变换等分析手段。
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于自适应形态滤波的故障特征提取方法,其特征在于,包括:
S1、采样获得反映监测对象的故障信息的原始信号;
S2、设置结构元素尺度搜索区间与搜索步长,计算不同尺度的结构元素的闭运算形态算子并对原始信号进行形态滤波;
S3、针对每一个尺度的形态滤波输出结果提取峰值,根据峰值数量与尺度的对应关系获得峰值数量梯度曲线;
S4、获取峰值数量梯度曲线首次稳定时应的结构元素尺度,获得原始信号在该尺度下的形态滤波输出并分析其频谱,获取原始信号中的冲击频率特征;所述的步骤S1中,监测对象为旋转设备;所述监测对象为轴承、齿轮或者轴。
2.如权利要求1所述的基于自适应形态滤波的故障特征提取方法,其特征在于,步骤S1中,原始信号为振动信号、声音信号或者声发射信号。
3.如权利要求1所述的基于自适应形态滤波的故障特征提取方法,其特征在于,步骤S2中,结构元素尺度搜索区间为[l,…,L],且l≦10≦N/200≦L,N为步骤S1中原始信号的采样点数。
4.如权利要求3所述的基于自适应形态滤波的故障特征提取方法,其特征在于,搜索步长为2。
5.如权利要求1所述的基于自适应形态滤波的故障特征提取方法,其特征在于,步骤S3中,针对每一个尺度的形态滤波输出结果,通过前后值比较提取峰值。
6.如权利要求1所述的基于自适应形态滤波的故障特征提取方法,其特征在于,步骤S4中,获取峰值数量梯度曲线首次稳定时对应的结构元素尺度的具体方式为:获取峰值数量梯度曲线中第一个绝对连续最小值对应的结构元素尺度。
7.如权利要求6所述的基于自适应形态滤波的故障特征提取方法,其特征在于,步骤S4中,通过遍历算法在峰值数量梯度曲线中搜索绝对连续最小值。
8.如权利要求1所述的基于自适应形态滤波的故障特征提取方法,其特征在于,步骤S4中,对形态滤波输出分析其频谱的方式为:基于傅里叶变换的频谱分析、时域间隔提取或者时频变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380597.2A CN111623968B (zh) | 2020-05-08 | 2020-05-08 | 一种基于自适应形态滤波的故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380597.2A CN111623968B (zh) | 2020-05-08 | 2020-05-08 | 一种基于自适应形态滤波的故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111623968A CN111623968A (zh) | 2020-09-04 |
CN111623968B true CN111623968B (zh) | 2022-04-08 |
Family
ID=72259743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010380597.2A Active CN111623968B (zh) | 2020-05-08 | 2020-05-08 | 一种基于自适应形态滤波的故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111623968B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532535B (zh) * | 2021-07-21 | 2024-03-15 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种电力变压器绕组状态判断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749615B (zh) * | 2012-07-11 | 2015-08-05 | 天津理工大学 | 一种信号识别的方法 |
CN108875279A (zh) * | 2018-07-27 | 2018-11-23 | 中国计量大学 | 基于emd和形态滤波的轴承声发射信号特征提取方法 |
-
2020
- 2020-05-08 CN CN202010380597.2A patent/CN111623968B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111623968A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063668B (zh) | 一种基于峰值保留降采样的冲击信号包络解调方法 | |
CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
Barbini et al. | Phase editing as a signal pre-processing step for automated bearing fault detection | |
CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
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 | |
CN111623968B (zh) | 一种基于自适应形态滤波的故障特征提取方法 | |
Qin et al. | Maximum correlation Pearson correlation coefficient deconvolution and its application in fault diagnosis of rolling bearings | |
CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
Liang et al. | Periodicity measure of cyclo-stationary impulses based on low sparsity of Gini index and its application to bearing diagnosis | |
Wang et al. | Fast spectral correlation based on sparse representation self-learning dictionary and its application in fault diagnosis of rotating machinery | |
CN109948487B (zh) | 基于时频谱相关性分析的旋转机械故障特征提取方法 | |
CN116304648B (zh) | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN102680080B (zh) | 一种基于改进的自适应形态滤波的非稳态信号检测方法 | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN115795295A (zh) | 一种基于最优加权包络谱的旋转机械特征频率增强提取方法 | |
CN114894478A (zh) | 一种滚动轴承微弱故障特征提取方法 | |
CN116625681A (zh) | 一种基于短时傅里叶变换的谱幅值调制滚动轴承故障诊断方法 | |
CN113686577A (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
Feng et al. | Filter realization of the time-domain average denoising method for a mechanical signal | |
Javorskyj et al. | Methods of periodically non-stationary random processes for vibrations monitoring of rolling bearing with damaged outer race |
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 |