CN111896256B - 基于深度核处理的轴承故障诊断方法 - Google Patents
基于深度核处理的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111896256B CN111896256B CN202010137317.5A CN202010137317A CN111896256B CN 111896256 B CN111896256 B CN 111896256B CN 202010137317 A CN202010137317 A CN 202010137317A CN 111896256 B CN111896256 B CN 111896256B
- Authority
- CN
- China
- Prior art keywords
- kernel
- bearing fault
- gaussian
- signal
- vibration signal
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度核处理的轴承故障诊断方法，涉及到在高斯噪声和非高斯脉冲噪声共同干扰的情况下，轴承故障振动信号中的轴承故障特征频率的识别问题。所述方法包括以下步骤：采集振动信号x，计算信号x的相关核；利用高斯核函数，计算相关核Rxy的高斯核κσ(x,y)；计算振动信号x在Hilbert空间的深度核D(x,y)；计算深度核D(x,y)的谱相关密度SD(α,f)，画出二维轮廓图和三维立体图，由频谱尖峰可识别轴承故障振动信号中的轴承故障特征频率。本发明能提高对高斯噪声和非高斯脉冲噪声的鲁棒性，能有效识别轴承故障振动信号中的轴承故障特征频率。
Description
技术领域
本发明涉及信号处理技术领域，特别是涉及一种基于深度核处理的轴承故障诊断方法。
背景技术
基于二阶统计量的传统谱相关密度方法，在信号处理领域得到了广泛的应用，能很好地刻画信号的循环平稳特征，有效提取信号中循环周期成分。但在处理强高斯噪声干扰信号时，传统谱相关密度方法的有效性会明显降低；而且传统谱相关密度方法在处理非高斯噪声干扰信号时，甚至会失效。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于深度核处理的轴承故障诊断方法。
为实现本发明的目的所采用的技术方案是：
一种基于深度核处理的轴承故障诊断方法，包括以下步骤：
步骤1，采集振动信号x，设定x是长度为n的列向量，计算信号x的相关核Rxy；
步骤2，利用高斯核函数，计算相关核Rxy的高斯核κσ(x,y)；
步骤3，计算振动信号x在Hilbert空间的深度核D(x,y)，将信号x从Euclid空间变换到高维Hilbert空间，深度核D(x,y)是振动信号x的非线性变换；
步骤4，计算深度核D(x,y)的谱相关密度SD(α,f)，其中，α为循环频率，α刻画轴承故障特征频率及其谐波,f为谱频率；画出二维轮廓图和三维立体图，由频谱尖峰可识别轴承故障振动信号中的轴承故障特征频率。
在上述技术方案中，所述步骤1中，信号x的相关核Rxy＝x·y，其中：y＝xT，xT为信号x的转置。
在上述技术方案中，所述步骤2中，
其中σ是高斯核的核长，e(·)是自然指数函数。
在上述技术方案中，所述步骤3中，综合利用相关核和高斯核计算深度核D(x,y)。
在上述技术方案中，
σ是高斯核的核长，xT为信号x的转置。
与现有技术相比，本发明的有益效果是：
1.本发明具有滚动轴承微弱故障信号处理能力，能有效抑制高斯噪声和非高斯噪声干扰，鲁棒性好，提取的轴承故障特征频率精度高、可靠性高。
2.本发明提高了传统基于二阶统计量的谱相关密度方法的鲁棒性，避免了传统谱相关密度方法在非高斯脉冲噪声下失效和在强高斯噪声干扰下性能退化的问题。
附图说明
图1为本发明所述方法的流程图。
图2为实施例2振动信号x(t)的时域波形。
图3为实施例2振动信号x(t)的傅里叶变换(FFT)。
图4为实施例2振动信号x(t)，当σ＝3时的深度核谱相关密度的平面轮廓图。
图5为实施例2振动信号x(t)，当σ＝3时的深度核谱相关密度的平面轮廓图(局部发大图)。
图6为实施例2振动信号x(t)，当σ＝3时的深度核谱相关密度的三维立体图。
图7为实施例2振动信号x(t)，当σ＝3时的深度核循环平稳度图。
图8为对比例1振动信号x(t)，基于二阶统计量的传统谱相关密度的平面轮廓图。
图9为对比例1振动信号x(t)，基于二阶统计量的传统谱相关密度的三维立体图。
图10为对比例1振动信号x(t)，基于二阶统计量的传统谱相关密度循环平稳度图。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明公开了一种基于深度核处理的轴承故障诊断方法，包括如下步骤：
步骤S1，采集振动信号x，如图2所示。假设x是长度为n的列向量，令y＝xT，其中xT为信号x的转置，计算信号x的相关核Rxy＝x·y；
x1,x2…,xn分别为给定的长度为n的一维信号x中的元素，信号x＝[x1,x2,x3,…,xn]T，[·]T为转置算子。
步骤S2，利用高斯核函数，计算相关核Rxy的高斯核κσ(x,y)，
，其中σ是高斯核的核长，e(·)是自然指数函数。
步骤S3，计算振动信号x在Hilbert空间的深度核D(x,y)
其中E[·]是数学期望；深度核D(x,y)是振动信号x的非线性变换，将信号x从Euclid空间变换到高维Hilbert空间；
步骤S4，计算深度核D(x,y)的谱相关密度SD(α,f)，α为循环频率，α刻画轴承故障特征频率及其谐波；f为谱频率；绘制深度核谱相关密度的二维轮廓图和三维立体图，由频谱尖峰可识别轴承故障振动信号中的轴承故障特征频率。计算深度核D(x,y)的谱相关密度SD(α,f)时，可参考J.Antoni,Cyclic spectral analysis in practice,MechanicalSystems and Signal Processing.2007，21(2)：597-630。
实施例2
本实施例是对实施例1方法的验证，本实施例由振动传感器获取轴承外圈故障振动信号。本实施例实验滚动轴承型号为深沟轴承208。故障轴承所在轴的额定转速为1500r/min，采样频率为fs＝6kHz，采样时间T＝0.5s，信号x(t)长度n＝3000。208滚动轴承的几何尺寸数据为：轴承大径D＝97.5mm；滚珠直径d＝18.33mm；滚珠数量z＝10；压力角α＝0°。根据
计算得到滚动轴承外圈故障特征频率fouter＝101.5Hz，fr为轴的转动频率。
实施例2的振动信号x(t)的时域波形，如图2所示；实施例振动信号x(t)的频域波形，如图3所示。根据实施例1的方法计算轴承外圈故障振动信号的深度核谱相关密度，核长σ＝3时深度核谱相关密度平面轮廓图如图4所示，三维立体图如图6所示，图5为图4的局部放大图。从图5中，能明显看出离散的点，这些离散点沿循环频率α轴方向的间隔为轴承外圈故障特征频率fouter＝101.5Hz。图7为根据深度核谱相关密度计算的循环平稳度图，图7中的显著频谱尖峰正好对应轴承外圈故障特征频率fouter＝101.5Hz及其谐波。
对比例1
为对比深度核谱相关密度与基于二阶统计量的传统谱相关密度的诊断效果，本对比例利用基于二阶统计量的传统谱相关密度的处理方法，对实施例2中的信号x(t)进行进行处理。图8、图9和图10分别给出了基于二阶统计量的传统谱相关密度的平面轮廓图、三维立体图及其循环平稳度图，由于受干扰噪声的影响，传统基于二阶统计量的谱相关密度方法难以有效识别轴承外圈故障特征频率，其精度明显低于本发明方法得到的结果。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于深度核处理的轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1，采集振动信号x，设定x是长度为n的列向量，计算信号x的相关核Rxy，其中：y＝xT，xT为信号x的转置；
步骤2，利用高斯核函数，计算相关核Rxy的高斯核κσ(x,y)，其中：
其中σ是高斯核的核长，e(·)是自然指数函数；
步骤3，计算振动信号x在Hilbert空间的深度核D(x,y)，将信号x从Euclid空间变换到高维Hilbert空间，深度核D(x,y)是振动信号x的非线性变换，其中：
步骤4，计算深度核D(x,y)的谱相关密度SD(α,f)，其中，α为循环频率，α刻画轴承故障特征频率及其谐波,f为谱频率；画出二维轮廓图和三维立体图，由频谱尖峰可识别轴承故障振动信号中的轴承故障特征频率。
2.如权利要求1所述的基于深度核处理的轴承故障诊断方法，其特征在于，所述步骤1中，信号x的相关核Rxy＝x·y。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010137317.5A CN111896256B (zh) | 2020-03-03 | 2020-03-03 | 基于深度核处理的轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010137317.5A CN111896256B (zh) | 2020-03-03 | 2020-03-03 | 基于深度核处理的轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111896256A CN111896256A (zh) | 2020-11-06 |
| CN111896256B true CN111896256B (zh) | 2022-03-29 |
Family
ID=73169752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010137317.5A Expired - Fee Related CN111896256B (zh) | 2020-03-03 | 2020-03-03 | 基于深度核处理的轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111896256B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109050A (zh) * | 2021-03-18 | 2021-07-13 | 重庆大学 | 一种基于循环脉冲的滚动轴承微弱故障诊断方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2286348A2 (en) * | 2008-05-28 | 2011-02-23 | Koninklijke Philips Electronics N.V. | Method and system for determining a threshold for spike detection of electrophysiological signals |
| US20100118648A1 (en) * | 2008-11-10 | 2010-05-13 | Baker Hughes Incorporated | EMAT Acoustic Signal Measurement Using Modulated Gaussian Wavelet and Hilbert Demodulation |
| US9013955B2 (en) * | 2008-11-10 | 2015-04-21 | Baker Hughes Incorporated | Method and apparatus for echo-peak detection for circumferential borehole image logging |
| US20100174859A1 (en) * | 2009-01-07 | 2010-07-08 | University Of Florida Research Foundation, Inc. | High capacity content addressable memory |
| CN101762746B (zh) * | 2009-12-29 | 2011-09-14 | 西安交通大学 | 基于熵优化的复杂齿轮传动链电流信号循环平稳解调方法 |
| JP6783184B2 (ja) * | 2017-05-12 | 2020-11-11 | 株式会社ブリヂストン | 路面状態判別方法及び路面状態判別装置 |
| CN108181107B (zh) * | 2018-01-12 | 2019-08-30 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN109158953B (zh) * | 2018-09-04 | 2019-07-02 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
| CN109668732A (zh) * | 2018-12-11 | 2019-04-23 | 北京交通大学 | 基于循环相关熵的滚动轴承的故障诊断方法 |
| CN109783931B (zh) * | 2019-01-14 | 2022-09-09 | 安徽大学 | 一种基于高斯过程回归的永磁球形电机电磁转矩建模方法 |
| CN110599519B (zh) * | 2019-08-27 | 2022-11-08 | 上海交通大学 | 基于领域搜索策略的抗遮挡相关滤波跟踪方法 |
-
2020
- 2020-03-03 CN CN202010137317.5A patent/CN111896256B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN111896256A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Vibration analysis for large-scale wind turbine blade bearing fault detection with an empirical wavelet thresholding method | |
| Lei et al. | A review on empirical mode decomposition in fault diagnosis of rotating machinery | |
| Du et al. | Feature identification with compressive measurements for machine fault diagnosis | |
| Kulkarni et al. | Application of wavelet transform for fault diagnosisof rolling element bearings | |
| CN110926594B (zh) | 一种旋转机械信号时变频率特征提取方法 | |
| CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| CN104596766A (zh) | 一种轴承早期故障确定方法 | |
| Zhang et al. | Bearing condition recognition and degradation assessment under varying running conditions using NPE and SOM | |
| CN111896256B (zh) | 基于深度核处理的轴承故障诊断方法 | |
| Xu et al. | An enhanced multipoint optimal minimum entropy deconvolution approach for bearing fault detection of spur gearbox | |
| CN111238813A (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
| Ma et al. | An improved time-frequency analysis method for instantaneous frequency estimation of rolling bearing | |
| Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
| CN117836599A (zh) | 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 | |
| Chen et al. | A signal based triangular structuring element for mathematical morphological analysis and its application in rolling element bearing fault diagnosis | |
| Luo et al. | Fault diagnosis of rolling element bearing using an adaptive multiscale enhanced combination gradient morphological filter | |
| CN110147637B (zh) | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 | |
| Yang et al. | Research on fault feature extraction method based on FDM-robustICA and MOMEDA | |
| CN115931353A (zh) | 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 | |
| CN113449630A (zh) | 一种改进调制双谱的轴承故障诊断方法、系统及介质 | |
| Kumar et al. | Signal processing for enhancing impulsiveness toward estimating location of multiple roller defects in a taper roller bearing | |
| Pang et al. | The evolved kurtogram: a novel repetitive transients extraction method for bearing fault diagnosis | |
| CN112613573B (zh) | 一种基于自适应终止准则omp的滚动轴承故障诊断方法 | |
| CN114781466A (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
| Tavakkoli et al. | A ball bearing fault diagnosis method based on wavelet and EMD energy entropy mean |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |