CN112182912A - 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 - Google Patents

基于概率描述与谱分析的制造装备主轴轴承健康评估方法 Download PDF

Info

Publication number
CN112182912A
CN112182912A CN202011161733.5A CN202011161733A CN112182912A CN 112182912 A CN112182912 A CN 112182912A CN 202011161733 A CN202011161733 A CN 202011161733A CN 112182912 A CN112182912 A CN 112182912A
Authority
CN
China
Prior art keywords
main shaft
model
signal
fault
shaft bearing
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.)
Granted
Application number
CN202011161733.5A
Other languages
English (en)
Other versions
CN112182912B (zh
Inventor
杨文安
胡旭辉
绳远远
郭宇
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011161733.5A priority Critical patent/CN112182912B/zh
Publication of CN112182912A publication Critical patent/CN112182912A/zh
Application granted granted Critical
Publication of CN112182912B publication Critical patent/CN112182912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，涉及高精机械装备可靠性分析技术领域，本发明根据主轴轴承性能退化过程中振动信号的特征，提出了ESGI指数来提取特征作为输入值进行GHMM模型训练与OLL似然性概率输出，使用EWMA对OLL概率进行控制得到HEPI指标以描绘性能退化曲线进行主轴轴承退化评估，构建HCPLLI指数辅助识别主轴轴承早期故障，早期故障发生后通过提升功率谱分析确定主轴轴承故障发生位置。本发明方法克服了退化模型对历史全生命周期数据的过度依赖以及退化评估过程对早期故障不敏感等问题，实现了对制造设备主轴轴承的早期故障识别、性能退化评估以及故障位置确定。

Description

基于概率描述与谱分析的制造装备主轴轴承健康评估方法
技术领域
本发明涉及高精机械装备可靠性分析技术领域，更具体地说是涉及一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法。
背景技术
近几十年来，安全生产与国民经济的高速高效可持续发展对生产过程提出了更高的要求，轴承作为制造装备中最常用也是最核心的零部件，在智能制造加工装备、风电装备、高铁、航空航天、军工产品等中具有广泛的应用。有统计资料表明，机械故障中有大约70％为振动故障，而振动故障有近三成是由轴承故障引起。因此，对制造装备主轴轴承的健康状态进行监测与评估十分有必要，这一主题也引起了学者们的广泛关注。
发明专利“基于FCM-HMM的滚动轴承的性能退化评估方法”(CN 106885697 A)采用AR模型对轴承无故障数据样本和同型号同位置失效轴承的数据样本进行特征提取，用提取出的特征向量建立FCM与HMM模型得到正常与失效的聚类中心。模型建立好后即可将待评估数据的输入特征输入到模型中得到性能退化指标。该发明能够对轴承状态进行实时监控，准确找到轴承早期故障发生时刻以及描绘轴承退化趋势。但是模型的建立要依赖轴承健康状态数据以及同类型同位置故障的数据，对训练数据的要求较高，在制造装备中难以获取同类型同位置轴承故障数据。
发明专利“基于CFOA-MKHSVM的滚动轴承健康状态评估方法”(CN 105528504 A)提取了时域、频域统计特征以及小波包节点能量熵产生特征向量，采用超球体支持向量机对特征向量进行识别与多核凸组合优化，结合了混沌理论与果蝇算法对多核超球体支持向量机进行参数优化。该发明能够对轴承退化的不同阶段进行准确评估，但是退化模型需要使用轴承全生命周期数据且需要将大部分数据作为训练样本进行模型训练，模型训练时间长，对数据要求高。类似的还有发明专利“一种基于CHSMM的滚动轴承剩余寿命预测方法”(CN 108776017 A)，也需要轴承全生命周期数据对退化模型进行训练。
发明专利“一种轴承性能退化评估方法”(CN 108398268 A)利用6个去噪自编码机构建叠堆去噪自适应编码器对信号进行特征提取，将提取的特征输入到自组织映射网格进行迭代训练计算出轴承健康因子。从该方法得到的性能退化评估结果来看，早期轴承处于健康状态时的健康指标波动较大，早期健康指标的获取存在磨合期。另外，由于指标存在波动，轴承早期故障发生时的变化不明显，早期故障发生点不易确定。
而如何克服退化模型对历史全生命周期数据的过度依赖以及退化评估过程对早期故障不敏感等，成为值得解决的问题。
发明内容
有鉴于此，本发明提供了一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，以解决背景技术中提出的退化模型对历史全生命周期数据过度依赖以及退化评估过程对早期故障不敏感的问题，实现了对制造装备主轴轴承的早期故障识别、性能退化评估以及故障位置确定。
为了实现上述目的，本发明采用如下技术方案：
基于概率描述与谱分析的制造装备主轴轴承健康评估方法，包括以下步骤：
特征提取：对无故障主轴轴承数据样本进行分段处理，对分段信号进行小波包分解后重构最后一层节点信号，对所述分段信号与最后一层节点重构信号进行解调后计算ESGI来提取特征，对每段分段信号进行相同操作提取特征矩阵；
模型建立：将提取出的无故障样本特征矩阵输入到GHMM模型中，优化模型参数，建立GHMM健康模型；
实时评估：对实时采集的数据进行特征提取得到特征矩阵，将提取出的特征矩阵输入到GHMM健康模型中，计算OLL概率，对OLL概率进行EWMA控制得到HEPI，描绘出主轴轴承性能评估曲线，计算HEPI对应的HCPLLI，通过HCPLLI与HEPI的比较来判断早期故障的发生；
故障位置确定：早期故障发生后对采集数据进行归一化、解调与去平均化处理，对预处理信号进行功率谱分析，对功率谱进行加权变换获得提升功率谱，将提升功率谱中特征频率成分与理论上主轴轴承故障特征频率进行对比，确定故障发生位置。
通过采用上述方案，具有以下有益效果：本发明提供了一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，实现了对制造装备主轴轴承的早期故障识别、性能退化评估以及故障位置确定。
优选的，所述特征提取的具体步骤为：
获取j时刻实时采集到的主轴轴承振动信号sj(t)，将其分成等长的N段分段信号
Figure BDA0002744555770000031
对第M(M≤N)段分段信号进行K层WPT分解后重构最后一层节点信号，得到2K段信号分量
Figure BDA0002744555770000032
对每一段分段信号及其最后一层WPT节点重构信号进行解调得到2K+1个包络信号Env(t)，计算2K+1个包络信号的ESGI指数，计算方法为：
Figure BDA0002744555770000033
根据特征提取的具体内容，j时刻采集到的振动信号提取出(2K+1)*N维特征矩阵，其表示为：
Figure BDA0002744555770000041
优选的，所述优化模型参数用特征矩阵选用的振动数据为采集到的早期时刻主轴轴承处于健康状态下的前T组振动数据。
优选的，所述的特征提取阶段中，根据主轴旋转频率与采样频率对数据进行整周期分段。
优选的，所述WPT分解的最后一层节点带宽建议大于主轴轴承内圈故障特征频率的3倍，以保留故障特征信息。
本发明的特征提取阶段通过采用上述方案，具有以下有益效果：当主轴轴承发生故障时，轴承滚动体会撞击局部故障，产生瞬态冲击，使时域信号幅值增大，随着故障幅度的增加，振幅会不断增大，因此将ESGI作为提取特征的统计量是十分有效的；对采集到的早期时刻主轴轴承处于健康状态下的前T组振动数据进行特征提取得到训练用的特征矩阵，克服了退化模型对历史全生命周期数据的过度依赖。
优选的，所述模型建立的具体步骤为：
确定高斯模型个数Q与隐马尔可夫模型阶数M；
初始化状态概率矩阵，状态转移矩阵，混淆矩阵；
使用K均值聚类算法对每个Q阶HMM模型用GMM模型拟合观察概率分布实现训练过程；
使用Baum Welch算法改进GHMM模型的参数估计，完成学习过程，建立GHMM健康模型。
优选的，所述高斯模型个数和隐马尔可夫模型阶数没有明确限制，可以在满足数据维度要求的前提下随机选取。
优选的，所述实时评估的具体步骤为：
对采集到的T组早期时刻主轴轴承处于健康状态的振动数据分别提取特征作为输入值输入到GHMM健康模型中得到T个OLL；
对T个OLL取平均值得到初始HEPI(HEPI0)；
对后续t时刻实时采集的振动信号进行特征提取并输入到GHMM健康模型中得到对应的OLLt，对OLL进行EWMA控制得到HEPI，控制过程如下：
HEPIt＝γOLLt+(1-γ)HEPIt-1；
构建HCPLLI，构建方法如下：
HCPLLI1＝HEPI1；
Figure BDA0002744555770000051
HCPLLI1＝HCPLLI2；
…
Figure BDA0002744555770000052
Figure BDA0002744555770000053
优选的，所述T的值可以取得较小。
通过采用上述方案，具有以下有益效果：本发明中T的值可以取的较小，不需要大量的实时数据进行模型训练。
优选地，所述EWMA中γ的值取0-0.5时对小位移的监测比较敏感，检测的偏移量越大，γ的值越大。在本发明中γ的取值为0.4。
优选的，所述早期故障发生的判断标准为：连续3个时刻的HEPI值小于该时刻的HCPLLI。
优选的，所述故障位置确定的具体步骤为：
早期故障发生后，对采集到的轴承信号进行归一化处理，归一化处理的方法如下：
Figure BDA0002744555770000061
x(t)为归一化后的信号，s(t)为采集到的信号，
Figure BDA0002744555770000062
为采集到信号的均值，σ为采集到信号的标准差；
对所述归一化后的信号进行解调得到包络信号，对所述包络信号进行去平均处理，去平均处理方法如下：
Figure BDA0002744555770000063
E(t)为去平均处理后的信号，e(t)为包络信号，l为包络信号的长度；
对所述去平均处理后的信号进行功率谱分析，其中功率谱为信号自相关的傅里叶变换谱；
对所述功率谱进行加权变换得到提升功率谱，加权变换的方法如下：
Figure BDA0002744555770000064
为功率谱，Ej(f)为提升功率谱，FS为采样频率；
对主轴轴承理论故障特征频率进行计算，计算方法如下：
Figure BDA0002744555770000065
Figure BDA0002744555770000066
Figure BDA0002744555770000067
Figure BDA0002744555770000068
其中fo为外圈故障特征频率，fI为内圈故障特征频率，fB为滚动体故障特征频率，fC为保持架故障特征频率，z为滚动体数量，fr为主轴转速，d为滚动体直径，D为节径，
Figure BDA0002744555770000071
为接触角；
将提升功率谱中主要频率成分与主轴轴承理论故障特征频率相匹配，确定轴承故障位置。
通过采用上述方案，具有以下有益效果：在故障位置确定阶段，对功率谱进行加权变换得到提升功率谱移除了功率谱中无关频率噪声干扰，突出了主要频率，可以增强功率谱中主要频率的视觉识别度。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，根据主轴轴承性能退化过程中振动信号的特征，提出了ESGI指数来提取特征作为输入值进行GHMM模型训练与似然性概率输出，使用EWMA对似然性概率进行控制得到HEPI指标以描绘性能退化曲线进行主轴轴承退化评估，构建HCPLLI指数辅助识别主轴轴承早期故障，早期故障发生后通过提升功率谱分析确定主轴轴承故障发生位置，具有以下有益效果：
(1)本发明提供的方法对实时采集信号的各分段信号与WPT最后一层各节点重构信号进行ESGI提取作为输入特征，通过对数据进行特征提取能够有效降低数据维度，减少计算复杂度，缩短计算时间；
(2)本发明提供的方法只需要少量主轴轴承早期运行时处于健康状态的振动数据即可对GHMM模型进行参数优化，建立退化评估模型，摆脱了传统模型建立对主轴轴承同类型历史全生命周期数据的过度依赖，模型训练对数据要求低、训练时间短，适用于对主轴轴承进行实时在线监测评估；
(3)本发明提供的方法根据统计学三倍标准差原则建立了HCPLLI指数辅助识别主轴轴承早期故障，排除了视觉干扰，避免了对主轴轴承早期故障的误判、迟判，能够准确判断早期故障的发生；
(4)本发明提供的方法描绘的主轴轴承退化曲线表征的退化趋势平稳进行，与主轴轴承实际退化趋势具有较高的吻合度；
(5)本发明提供的方法提出了提升功率谱，在早期故障发生后通过对实时采集的数据进行提升功率谱分析能够快速定位主轴轴承故障发生位置。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明所述方法中涉及到的基于概率描述与谱分析的制造装备主轴轴承健康评估方法的步骤流程图；
图2(a)，图2(b)，图2(c)分别为均方根值(RMS)、峰度(KS)和本发明所提出的健康评估概率指标(HEPI)对实例1主轴轴承的全生命周期性能退化评估曲线；
图3(a)，图3(b)，图3(c)分别为本发明所提出的HEPI指标识别出的实例1主轴轴承早期故障发生前一时刻、故障发生时刻、故障发生后一时刻信号的提升功率谱；
图4(a)，图4(b)，图4(c)分别为均方根值(RMS)、峰度(KS)和本发明所提出的健康评估概率指标(HEPI)对实例2主轴轴承的全生命周期性能退化评估曲线；
图5(a)，图5(b)，图5(c)分别为本发明所提出的HEPI指标识别出的实例2主轴轴承早期故障发生前一时刻、故障发生时刻、故障发生后一时刻信号的提升功率谱。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1:
实施例1的全生命周期数据集共包含984个文件，实验采样频率20kHz，轴旋转频率33.33Hz，每10分钟采集一次数据，实验结束时发现主轴轴承外圈出现严重故障，该轴承外圈理论特征频率约为236Hz。
如图1所示为一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法的步骤流程图，包括以下步骤：
(1)特征提取
根据采样频率与主轴转速，主轴每转一圈的采样点约为600点，将每个文件的数据按1200点一段截取16段分段信号；
对分段信号进行4层WPT分解后重构最后一层节点信号，得到16段信号分量；
对每一段分段信号及其最后一层WPT节点重构信号进行解调得到17个包络信号，计算17个包络信号的ESGI指数，计算方法为：
Figure BDA0002744555770000091
按上述特征提取步骤提取ESGI指数作为特征向量，因此一个文件的数据可以提取出一个17*16的特征矩阵。
(2)模型建立
对文件1-10进行特征提取得到17*16*10维特征矩阵，确定高斯模型个数Q与隐马尔可夫模型阶数M，在本实施例中，GMM模型个数设置为4，HMM模型阶数设置为3；
初始化状态概率矩阵，状态转移矩阵，混淆矩阵；
使用K均值聚类算法对每个3阶HMM模型用GMM模型拟合观察概率分布实现训练过程；
使用Baum Welch算法改进GHMM模型的参数估计，完成学习过程，最终建立GHMM健康模型。
(3)实时评估
对文件1-10分别提取特征矩阵并输入到训练好的GHMM模型中输出10个OLL；
对10个OLL取平均值得到初始HEPI(HEPI0)；
对文件11-984分别提取特征矩阵并输入到GHMM模型中得到对应文件的OLLt，对OLL进行EWMA控制得到HEPI，控制过程如下：
HEPIt＝γOLLt+(1-γ)HEPIt-1；
构建HEPI对应的HCPLLI，构建方法如下：
HCPLLI1＝HEPI1；
Figure BDA0002744555770000101
HCPLLI1＝HCPLLI2；
…
Figure BDA0002744555770000102
HCPLLI1＝HCPLLI2＝…＝HCPLLIt早期；
需要说明的是，EWMA中γ的值取0-0.5时对小位移的监测比较敏感，检测的偏移量越大，γ的值越大。在本实施例中，γ的取值为0.4。
如图2(a)-(c)所示为本发明提出的方法对IMS数据集进行主轴轴承健康状况评估得到的结果，为了进行对比，还选用了常用于主轴轴承健康状况评估的均方根指标(RMS)与峰度指标(KS)绘制主轴轴承全生命周期运行状态曲线。
从图2(a)-(c)中可知，主轴轴承开始运行后，RMS与KS较为平稳，在第703个文件时出现较大幅度阶跃，但随后变化较为平稳，表示该阶段出现故障，但故障不严重，在970号文件时RMS与KS的值剧烈升高，表示主轴轴承已经发生了严重故障。相比较于RMS与KS而言，HEPI的值在533号文件处就开始下降，检测出主轴轴承在533号文件处就已经发生早期故障，在703号文件处的大幅下降说明此时主轴轴承故障已经很明显，在第970号文件后HEPI的值急剧下降说明主轴轴承已经出现严重故障。通过比较发现，本发明提出方法在检测主轴轴承早期故障时比RMS与KS早了170份文件。按照每10分钟采集一次数据计算，早期故障识别提前了1700分钟。
(4)故障位置确定
对第532、533、534号文件进行提升功率谱分析，得到的结果如图3(a)-(c)所示。从图3(a)-(c)中可以看出，在第532号文件中没有检测出主轴轴承故障相关特征频率，而在第533与534号文件中检测出了外圈故障特征频率，说明主轴轴承早期故障发生在外圈上同时也说明了早期故障发生在第533号文件时刻，这一结果也验证了本发明所提方法对主轴轴承健康状态评估的准确性。
实施例2：
实施例2的全生命周期数据集共包含161个文件，实验采样频率25.6kHz，轴旋转频率35Hz，每1分钟采集一次数据，实验结束时发现主轴轴承外圈出现严重故障，该主轴轴承外圈理论特征频率约为108Hz。
(1)特征提取
根据采样频率与主轴转速，主轴每转一圈的采样点约为731点，将每个文件的数据按1462点一段截取16段分段信号；
对分段信号进行4层WPT分解后重构最后一层节点信号，得到16段信号分量；
对每一段分段信号及其最后一层WPT节点重构信号进行解调得到17个包络信号，计算17个包络信号的ESGI指数，计算方法为：
Figure BDA0002744555770000121
按上述特征提取步骤提取ESGI指数作为特征向量；因此一个文件的数据可以提取出一个17*16的特征矩阵。
(2)模型建立
对文件1-10进行特征提取得到17*16*10特征矩阵，确定高斯模型个数Q与隐马尔可夫模型阶数M，在本实施例中，GMM模型个数设置为4，HMM模型阶数设置为3；
初始化状态概率矩阵，状态转移矩阵，混淆矩阵；
使用K均值聚类算法对每个3阶HMM模型用GMM模型拟合观察概率分布实现训练过程；
使用Baum Welch算法改进GHMM模型的参数估计，完成学习过程，最终建立GHMM健康模型。
(3)实时评估
对文件1-10分别提取特征矩阵并输入到训练好的GHMM模型中输出10个OLL；
对10个OLL取平均值得到初始HEPI(HEPI0)；
对文件11-161分别提取特征矩阵并输入到GHMM健康模型中得到对应文件的OLLt，对OLL进行EWMA控制得到HEPI，控制过程如下：
HEPIt＝γOLLt+(1-γ)HEPIt-1；
构建HEPI对应的HCPLLI，构建方法如下：
HCPLLI1＝HEPI1；
Figure BDA0002744555770000131
HCPLLI1＝HCPLLI2；
…
Figure BDA0002744555770000132
Figure BDA0002744555770000133
需要说明的是，EWMA中γ的值取0-0.5时对小位移的监测比较敏感，检测的偏移量越大，γ的值越大。在本实施例中，γ的取值为0.4。
如图4(a)-(c)所示为本发明提出的方法对XTTU-SY数据集进行主轴轴承健康状况评估得到的结果，为了进行对比，还选用了常用于主轴轴承健康状况评估的均方根指标(RMS)与峰度指标(KS)绘制主轴轴承全生命周期运行状态曲线。
从图4(a)-(c)中可知，主轴轴承开始运行后，KS表征的主轴轴承退化曲线波动严重，无法对主轴轴承健康状况做出准确评估。RMS的值在第37个文件时开始出现增长，但是增长微弱，视觉上不易察觉，随后曲线缓慢上升，表示该阶段出现故障，但故障不严重；在第64号文件时RMS出现阶跃，表示该阶段主轴轴承故障已经加剧；在第147号文件以后RMS增长的速度进一步加快，表示此时主轴轴承故障已经较为严重。相比较于RMS与KS而言，HEPI的值在第32号文件处就开始下降，检测出主轴轴承在第32号文件处就已经发生早期故障，在第64号文件处的大幅下降说明主轴轴承故障已经很明显，在第147号文件后HEPI的下降速度加快说明主轴轴承已经出现严重故障。通过比较发现，本发明提出方法在检测主轴轴承早期故障时比RMS与KS早了6个文件。除此之外，本发明所提方法对主轴轴承早期故障的检测明确，不受视觉误差干扰，而该实例中早期故障发生时RMS的波动并不明显，早期故障的发生容易被忽略。
(4)故障位置确定
对第31、32、33号文件进行提升功率谱分析，得到的结果如图5(a)-(c)所示。从图5(a)-(c)中可以看出，在第31号文件中没有检测出主轴轴承故障相关特征频率，而在第32与33号文件中检测出了外圈故障特征频率，说明主轴轴承早期故障发生在外圈上同时也说明了早期故障发生在第32号文件时刻，这一结果验证了本发明所提方法对主轴轴承健康状态评估的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，包括以下步骤：
特征提取：对无故障主轴轴承数据样本进行分段处理，对分段信号进行小波包分解后重构最后一层节点信号，对所述分段信号与最后一层节点重构信号进行解调后计算ESGI来提取特征，对每段分段信号进行相同操作提取特征矩阵；
模型建立：将提取出的无故障样本特征矩阵输入到GHMM模型中，优化模型参数，建立GHMM健康模型；
实时评估：对实时采集的数据进行特征提取得到特征矩阵，将提取出的特征矩阵输入到GHMM健康模型中，计算OLL概率，对OLL概率进行EWMA控制得到HEPI，描绘出主轴轴承性能评估曲线，计算HEPI对应的HCPLLI，通过HCPLLI与HEPI的比较来判断早期故障的发生；
故障位置确定：早期故障发生后对采集数据进行归一化、解调与去平均化处理，对预处理信号进行功率谱分析，对功率谱进行加权变换获得提升功率谱，将提升功率谱中特征频率成分与理论上主轴轴承故障特征频率进行对比，确定故障发生位置。
2.根据权利要求1所述的一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，所述特征提取的具体步骤为：
获取j时刻实时采集到的主轴轴承振动信号sj(t)，将其分成等长的N段分段信号
Figure FDA0002744555760000011
对第M(M≤N)段分段信号进行K层WPT分解后重构最后一层节点信号，得到2K段信号分量
Figure FDA0002744555760000012
对每一段分段信号及其最后一层WPT节点重构信号进行解调得到2K+1个包络信号Env(t)，计算2K+1个包络信号的ESGI指数，计算方法为：
Figure FDA0002744555760000021
根据特征提取的具体内容，j时刻采集到的振动信号提取出(2K+1)*N维特征矩阵，其表示为：
Figure FDA0002744555760000022
。
3.根据权利要求2所述的一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，所述优化模型参数用特征矩阵选用的振动数据为采集到的早期时刻主轴轴承处于健康状态下的前T组振动数据。
4.根据权利要求1所述的一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，所述模型建立的具体步骤为：
确定高斯模型个数Q与隐马尔可夫模型阶数M；
初始化状态概率矩阵，状态转移矩阵，混淆矩阵；
使用K均值聚类算法对每个Q阶HMM模型用GMM模型拟合观察概率分布实现训练过程；
使用Baum Welch算法改进GHMM模型的参数估计，完成学习过程，建立GHMM健康模型。
5.根据权利要求4所述的一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，在所述模型建立中，所述高斯模型个数和隐马尔可夫模型阶数在满足数据维度要求的前提下随机选取。
6.根据权利要求1所述的一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，所述实时评估的具体步骤为：
对采集到的T组早期时刻主轴轴承处于健康状态的振动数据分别提取特征作为输入值输入到GHMM健康模型中得到T个OLL；
对T个OLL取平均值得到初始HEPI(HEPI0)；
对后续t时刻实时采集的振动信号进行特征提取并输入到GHMM健康模型中得到对应的OLLt，对OLL进行EWMA控制得到HEPI，控制过程如下：
HEPIt＝γOLLt+(1-γ)HEPIt-1；
构建HCPLLI，构建方法如下：
HCPLLI1＝HEPI1；
Figure FDA0002744555760000031
HCPLLI1＝HCPLLI2；
…
Figure FDA0002744555760000032
Figure FDA0002744555760000035
7.根据权利要求6所述的一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，在所述实时评估中，所述早期故障的发生的判断标准为：连续3个时刻的HEPI值小于该时刻的HCPLLI。
8.根据权利要求1所述的一种基于概率描述与谱分析的制造装备主轴轴承健康评估方法，其特征在于，所述故障位置确定的具体步骤为：
早期故障发生后，对采集到的轴承信号进行归一化处理，归一化处理的方法如下：
Figure FDA0002744555760000033
x(t)为归一化后的信号，s(t)为采集到的信号，
Figure FDA0002744555760000034
为采集到信号的均值，σ为采集到信号的标准差；
对所述归一化后的信号进行解调得到包络信号，对所述包络信号进行去平均处理，去平均处理方法如下：
Figure FDA0002744555760000041
E(t)为去平均处理后的信号，e(t)为包络信号，l为包络信号的长度；
对所述去平均处理后的信号进行功率谱分析，其中功率谱为信号自相关的傅里叶变换谱；
对所述功率谱进行加权变换得到提升功率谱，加权变换的方法如下：
Figure FDA0002744555760000042
ej(f)为功率谱，Ej(f)为提升功率谱，FS为采样频率；
对主轴轴承理论故障特征频率进行计算，计算方法如下：
Figure FDA0002744555760000043
Figure FDA0002744555760000044
Figure FDA0002744555760000045
Figure FDA0002744555760000046
其中fo为外圈故障特征频率，fI为内圈故障特征频率，fB为滚动体故障特征频率，fC为保持架故障特征频率，z为滚动体数量，fr为主轴转速，d为滚动体直径，D为节径，
Figure FDA0002744555760000047
为接触角；
将提升功率谱中特征频率成分与主轴轴承理论故障特征频率相匹配，确定轴承故障位置。
CN202011161733.5A 2020-10-27 2020-10-27 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 Active CN112182912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011161733.5A CN112182912B (zh) 2020-10-27 2020-10-27 基于概率描述与谱分析的制造装备主轴轴承健康评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011161733.5A CN112182912B (zh) 2020-10-27 2020-10-27 基于概率描述与谱分析的制造装备主轴轴承健康评估方法

Publications (2)

Publication Number Publication Date
CN112182912A true CN112182912A (zh) 2021-01-05
CN112182912B CN112182912B (zh) 2024-03-22

Family

ID=73922926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011161733.5A Active CN112182912B (zh) 2020-10-27 2020-10-27 基于概率描述与谱分析的制造装备主轴轴承健康评估方法

Country Status (1)

Country Link
CN (1) CN112182912B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032915A (zh) * 2021-02-20 2021-06-25 南京航空航天大学 一种制造装备主轴轴承健康状态评估方法及装置
CN113405799A (zh) * 2021-05-20 2021-09-17 新疆大学 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法
CN113610387A (zh) * 2021-08-03 2021-11-05 上海交通大学 基于全局谱特征融合的设备服役性能退化评估方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106885697A (zh) * 2017-03-17 2017-06-23 华东交通大学 基于fcm‑hmm的滚动轴承的性能退化评估方法
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment
CN111504647A (zh) * 2020-06-09 2020-08-07 华东交通大学 基于ar-mset的滚动轴承的性能退化评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106885697A (zh) * 2017-03-17 2017-06-23 华东交通大学 基于fcm‑hmm的滚动轴承的性能退化评估方法
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment
CN111504647A (zh) * 2020-06-09 2020-08-07 华东交通大学 基于ar-mset的滚动轴承的性能退化评估方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032915A (zh) * 2021-02-20 2021-06-25 南京航空航天大学 一种制造装备主轴轴承健康状态评估方法及装置
CN113032915B (zh) * 2021-02-20 2024-04-26 南京航空航天大学 一种制造装备主轴轴承健康状态评估方法及装置
CN113405799A (zh) * 2021-05-20 2021-09-17 新疆大学 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法
CN113610387A (zh) * 2021-08-03 2021-11-05 上海交通大学 基于全局谱特征融合的设备服役性能退化评估方法及系统
CN113610387B (zh) * 2021-08-03 2024-04-09 上海交通大学 基于全局谱特征融合的设备服役性能退化评估方法及系统

Also Published As

Publication number Publication date
CN112182912B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Li et al. The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review
CN112182912A (zh) 基于概率描述与谱分析的制造装备主轴轴承健康评估方法
Yang et al. Bearing fault automatic classification based on deep learning
Li et al. Bearing fault feature selection method based on weighted multidimensional feature fusion
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN109916628A (zh) 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
Gao et al. Total variation on horizontal visibility graph and its application to rolling bearing fault diagnosis
Meng et al. Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
Li et al. Crack fault detection for a gearbox using discrete wavelet transform and an adaptive resonance theory neural network
CN107831012B (zh) 一种基于Walsh变换与Teager能量算子的轴承故障诊断方法
CN110348468B (zh) 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法
CN109034076A (zh) 一种机械故障信号的自动聚类方法及自动聚类系统
CN113112000B (zh) 一种多层次卷积神经网络模型的构建方法及应用
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN114705432B (zh) 防爆电机轴承健康状态评估方法及系统
CN111707472B (zh) 基于fft和全连接层-svm的滚动轴承故障诊断方法
CN114881087A (zh) 一种建筑机器人轴承性能退化评估方法
CN113155462A (zh) 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法
CN114708885A (zh) 一种基于声音信号的风机故障预警方法
CN117437933A (zh) 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法
CN111046790A (zh) 一种泵轴承故障诊断方法
Yang et al. Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals
CN113032915B (zh) 一种制造装备主轴轴承健康状态评估方法及装置
Zhou et al. Degradation State Recognition of Rolling Bearing Based on K‐Means and CNN Algorithm

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