CN112183259B - 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 - Google Patents
一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112183259B CN112183259B CN202010976852.XA CN202010976852A CN112183259B CN 112183259 B CN112183259 B CN 112183259B CN 202010976852 A CN202010976852 A CN 202010976852A CN 112183259 B CN112183259 B CN 112183259B
- Authority
- CN
- China
- Prior art keywords
- signal
- imf
- wavelet
- threshold
- kurtosis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005096 rolling process Methods 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 title claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001133 acceleration Effects 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于CEEMD与峭度加权平均阈值去噪的滚动轴承故障诊断方法,属于轴承故障诊断技术领域。首先采集的轴承振动加速度信号,对采集到的信号进行CEEMD分解,获得若干个IMF分量;对各IMF分量进行小波阈值去噪,并使用去噪后的分量信号进行重构,得到滤波重构信号,通过频谱分析来识别轴承故障特征频率。加权平均阈值去噪是软、硬阈值根据权重线性结合的去噪方法,可以有效结合软硬阈值去噪的优点。本发明通过计算各分量峭度值的大小来确定加权平均阈值去噪方法中的硬、软阈值权重,从而得到更好的去噪效果。
Description
技术领域
本发明涉及一种基于CEEMD与峭度加权平均阈值去噪的滚动轴承故障诊断方法,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为重要的机械零件之一,广泛应用于化工、冶金、电力、航空等各个重要部门,同时它也是最易损坏的元件之一。轴承性能与工况的好坏直接影响到与之相关联的轴以及安装在转轴上的齿轮乃至整台机器设备的性能,其缺陷会导致设备产生异常振动和噪声,甚至造成设备损坏。因此,对滚动轴承故障进行诊断,尤其是对于早初期故障的分析,避免事故的发生,在生产实际中尤为重要。
经验模态分解(EMD)是一种时频分析新方法,能够较好的处理非线性和非平稳信号,且自适应性较强,将信号分解为一系列从高频到低频排列的固有模态函数(IMF)和一个残差,但是它也有不足之处,如模态混叠、端点效应等。互补集合经验模态分解(CEEMD)方法是将两对相反的白噪声添加到原始信号中,分别进行EMD分解并将结果进行平均而得到最终的IMF,该方法进一步地减小了模态混叠问题,同时使分解结果更彻底。然而,在分解得到的IMF分量中通常含有噪声,使用小波阈值去噪可以有效地去除噪声而保留原始IMF信号,从而更好地改善了信号的信噪比和均方误差。小波阈值去噪过程中阈值函数的选择尤为重要。由Donoho和Johnstone提出的硬阀值和软阈值去噪方法在实际中得到了广泛地应用,也取得了较好的效果,但硬阈值函数的不连续导致重构信号容易出现伪吉布斯效应;软阈值函数虽然连续性较好,但估计值与实际值之间总是存在恒定的偏差。因此,阈值函数的选取很大程度的影响了去噪的效果。
峭度系数表示序列的分布特性,序列分布越集中则峭度系数越大。在振动信号中,信号的峭度系数越大,表示信号中的冲击成分越多,反之,则信号中的冲击成分越少。滚动轴承的故障信号中包含较多的冲击成分。因此,本发明提出一种基于峭度值的加权平均阈值去噪方法:对峭度系数大的IMF分量增加硬阈值权重可以有留更多的故障信号成分,而对峭度系数小的IMF分量增加软阈值权重可以增加信号的连续性。
发明内容
本发明要解决的技术问题是提供一种基于CEEMD与峭度加权平均阈值去噪的滚动轴承故障诊断方法,可以提高故障诊断的正确率,解决上述问题。
本发明的技术方案是:一种基于CEEMD与峭度加权平均阈值去噪的滚动轴承故障诊断方法,首先采集的轴承振动加速度信号,对采集到的信号进行CEEMD分解,获得若干个IMF分量;对各IMF分量进行小波阈值去噪,并使用去噪后的分量信号进行重构,得到滤波重构信号,通过频谱分析来识别轴承故障特征频率。
具体步骤为:
Step1:采集轴承的振动信号。
Step2:对振动信号进行CEEMD分解,得到若干IMF分量信号。
Step3:计算各IMF分量信号的峭度值。
Step4:通过各IMF分量信号的峭度值确定小波加权平均阈值滤波的软硬阈值权重,并使用小波加权平均阈值滤波对各IMF分量信号降噪。
Step5:使用降噪后的分量重构信号,得到滤波重构信号,通过频谱分析识别轴承故障特征频率。
所述Step2中对振动信号进行CEEMD分解的具体步骤为:
Step2.1:在振动信号x(t)中分别添加一对随机高斯白噪声n(t),得到两个信号:
所述IMF分量ci(t)的峭度值为:
式中,vi为ci(t)的均值,σ为ci(t)的标准差,ti为ci(t)中元素个数。
所述Step4中小波加权平均阈值滤波具体为:
Step4.1:对各IMF分量ci(t)进行小波分解,得到不同分解层的小波系数ωj,k。
Step4.3:利用下式对小波系数ωj,k处理:
式中,μi为通过峭度值计算所得到的硬阈值权重系数,(1-μi)则为软阈值权重系数。
权重系数μi为:
本发明的有益效果是:本发明采用峭度值计算加权平均滤波方法中软、硬阈值所占权重,增加去噪后信号的连续性,并且含有更多的故障信息。
附图说明
图1是本发明的步骤流程图;
图2是本发明实施例中内圈故障信号的分解图;
图3是本发明实施例中处理后的信号频谱图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
如图1所示,一种基于CEEMD与峭度加权平均阈值去噪的滚动轴承故障诊断方法,具体步骤为:
Step1:采集轴承的振动信号。
Step2:对振动信号进行CEEMD分解,得到若干IMF分量信号。
Step3:计算各IMF分量信号的峭度值。
Step4:通过各IMF分量信号的峭度值确定小波加权平均阈值滤波的软硬阈值权重,并使用小波加权平均阈值滤波对各IMF分量信号降噪。
Step5:使用降噪后的分量重构信号,得到滤波重构信号,通过频谱分析识别轴承故障特征频率。
所述Step2中对振动信号进行CEEMD分解的具体步骤为:
Step2.1:在振动信号x(t)中分别添加一对随机高斯白噪声n(t),得到两个信号:
所述IMF分量ci(t)的峭度值为:
式中,vi为ci(t)的均值,σ为ci(t)的标准差,ti为ci(t)中元素个数。
所述Step4中小波加权平均阈值滤波具体为:
Step4.1:对各IMF分量ci(t)进行小波分解,得到不同分解层的小波系数ωj,k。
Step4.3:利用下式对小波系数ωj,k处理:
式中,μi为通过峭度值计算所得到的硬阈值权重系数,(1-μi)则为软阈值权重系数。
硬阈值方法可以很好的保留信号边缘等局部特征,但是得到的小波系数估计值连续性差,信号重构后可能会产生一些振荡。软阈值处理后的小波系数虽相对平滑,但存在绝对值较大的小波系数高频信息损失的问题,影响重构信号的逼近效果。
峭度系数表示序列的分布特性,序列分布越集中则峭度系数越大。在振动信号中,信号的峭度系数越大,表示信号中的冲击成分越多,反之,则信号中的冲击成分越少。滚动轴承的故障信号中包含较多的冲击成分,因此对峭度系数大的IMF分量增加硬阈值权重可以有留更多的故障信号成分,而对峭度系数小的IMF分量增加软阈值权重可以增加信号的连续性。所以,基于峭度值的权重系数μi为:
本用例中数据取自美国凯斯西储大学轴承数据中心提供的滚动轴承故障数据。该数据可以在其中心网站http://www.eecs.case.edu/laboratory/bear ing/download.htm上获取。实验装置的驱动端轴承型号为SKF6205-2RSJEM,风扇端轴承型号为SKF6203-2RSJEM。在风扇端和驱动端轴承座上各放置了加速度传感器来采集振动信息。加速度传感器,可以采集滚动轴承正常、内圈、滚动体和外圈的运行状态信息。振动加速度信号由16通道数据记录仪采集,驱动端轴承故障采样频率取12KHz,电机负载为2马力时转速为1750rpm。
实验通过电火花加工的方式分别为驱动端轴承外圈制造点蚀损伤,模拟不同损伤程度的故障,在损伤直径分别从小到大(0.007英寸.0.014英寸.0.021英寸和0.028英寸)时进行测试。本用例选择点蚀损伤直径最小即0.007英寸时采集的数据进行分析,以仿真轴承发生早期故障时对其进行诊断的情况。
利用本发明提出的方法对轴承进行故障诊断,具体步骤如下:
Step1:对轴承外圈故障信号进行CEEMD分解,得到若干个IMF分量,参阅图2。
Step2:计算各IMF分量的峭度值,如下表所示:
信号 | 原信号 | IMF1 | IMF2 | IMF3 | IMF4 | IMF5 | IMF6 | IMF7 | IMF8 |
峭度值 | 7.7295 | 6.6656 | 11.8762 | 6.8468 | 3.3858 | 3.4211 | 3.3060 | 3.9280 | 2.8397 |
表1:外圈故障信号各分量峭度值
Step3:根据峭度值计算权重系数μ,结果如下表所示:
信号 | IMF1 | IMF2 | IMF3 | IMF4 | IMF5 | IMF6 | IMF7 | IMF8 |
μ | 0.379 | 0.365 | 1.000 | 0.151 | 0.031 | 0.048 | 0.000 | 0.193 |
表2:各分量权重系数μ
Step4:对分解后信号进行小波阈值去噪处理并重构信号,作出处理后信号频率图,参阅图3。根据理论计算得出,外圈频率故障特征应为:107.36Hz,处理结果途中显示了故障特征频率及其背频,说明了本发明的有效性。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于CEEMD与峭度加权平均阈值去噪的滚动轴承故障诊断方法,其特征在于:
Step1:采集轴承的振动信号;
Step2:对振动信号进行CEEMD分解,得到IMF分量信号;
Step3:计算各IMF分量信号的峭度值;
Step4:通过各IMF分量信号的峭度值确定小波加权平均阈值滤波的软硬阈值权重,并使用小波加权平均阈值滤波对各IMF分量信号降噪;
Step5:使用降噪后的分量重构信号,得到滤波重构信号,通过频谱分析识别轴承故障特征频率;
所述Step2中对振动信号进行CEEMD分解的具体步骤为:
Step2.1:在振动信号x(t)中分别添加一对随机高斯白噪声n(t),得到两个信号:
所述IMF分量ci(t)的峭度值为:
式中,vi为ci(t)的均值,σ为ci(t)的标准差,ti为ci(t)中元素个数;
所述Step4中小波加权平均阈值滤波具体为:
Step4.1:对各IMF分量ci(t)进行小波分解,得到不同分解层的小波系数ωj,k;
Step4.3:利用下式对小波系数ωj,k处理:
式中,μi为通过峭度值计算所得到的硬阈值权重系数,(1-μi)则为软阈值权重系数;
权重系数μi为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976852.XA CN112183259B (zh) | 2020-09-17 | 2020-09-17 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976852.XA CN112183259B (zh) | 2020-09-17 | 2020-09-17 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183259A CN112183259A (zh) | 2021-01-05 |
CN112183259B true CN112183259B (zh) | 2022-11-04 |
Family
ID=73921411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010976852.XA Active CN112183259B (zh) | 2020-09-17 | 2020-09-17 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183259B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780056B (zh) * | 2021-07-22 | 2024-01-05 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
CN113567129A (zh) * | 2021-07-28 | 2021-10-29 | 大连海天兴业科技有限公司 | 一种列车轴承振动信号基于ceemd的降噪方法 |
CN115293219B (zh) * | 2022-09-29 | 2023-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种融合小波和峭度的脉冲信号去噪方法 |
CN117454085B (zh) * | 2023-10-27 | 2024-04-09 | 杭州三一谦成科技有限公司 | 一种车辆在线监控方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN107091737A (zh) * | 2017-06-06 | 2017-08-25 | 太原理工大学 | 一种基于电流信号的转子系统典型故障诊断方法 |
CN108801630A (zh) * | 2018-06-22 | 2018-11-13 | 石家庄铁道大学 | 单通道盲源分离的齿轮故障诊断方法 |
CN109506938A (zh) * | 2018-11-21 | 2019-03-22 | 昆明理工大学 | 基于改进小波包阈值去噪与局部均值分解的故障提取方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
CN111242854A (zh) * | 2020-01-03 | 2020-06-05 | 深圳市京湾量子遥感科技有限公司 | 一种图像去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111447872A (zh) * | 2017-12-11 | 2020-07-24 | 艾德脑科技股份有限公司 | 生理信号分析装置与方法 |
-
2020
- 2020-09-17 CN CN202010976852.XA patent/CN112183259B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN107091737A (zh) * | 2017-06-06 | 2017-08-25 | 太原理工大学 | 一种基于电流信号的转子系统典型故障诊断方法 |
CN108801630A (zh) * | 2018-06-22 | 2018-11-13 | 石家庄铁道大学 | 单通道盲源分离的齿轮故障诊断方法 |
CN109506938A (zh) * | 2018-11-21 | 2019-03-22 | 昆明理工大学 | 基于改进小波包阈值去噪与局部均值分解的故障提取方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
CN111242854A (zh) * | 2020-01-03 | 2020-06-05 | 深圳市京湾量子遥感科技有限公司 | 一种图像去噪方法 |
Non-Patent Citations (10)
Title |
---|
Guangrun Sheng等.Application of Improved Wavelet Thresholding Method and an RBF Network in the Error Compensating of an MEMS Gyroscope.《micromachines》.2019,第10卷第1-12页. * |
Miao Zhang等.An integrated EMD adaptive threshold denoising method for reduction of noise in ECG.《PLOS ONE》.2020,第1-30页. * |
刘秀丽等.基于变分模态分解的故障弱信息提取方法.《华中科技大学学报(自然科学版)》.2020,第48卷(第07期),第117-121页. * |
吕世鹏等.基于改进滤波及峭度原则EEMD的转子故障特征识别方法.《机床与液压》.2019,第47卷(第13期),第192-195、228页. * |
张珂等.基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究.《机械研究与应用》.2018,第31卷(第01期),第84-88、90页. * |
朱艳芹等.几种基于小波阈值去噪的改进方法.《电子测试》.2008,(第2期),第18-22页. * |
王立东等.小波阈值分析与EMD结合的机械设备故障诊断方法.《机械传动》.2015,第39卷(第10期),第104-107页. * |
陈建国等.基于相空间独立分量分析及峭度贡献系数的早期故障分析方法研究.《振动与冲击》.2016,第35卷(第12期),第155-159页. * |
陈焕亮等.一种改进阈值函数与EMD结合的轴承故障诊断方法.《大电机技术》.2017,第28卷(第06期),第521-525页. * |
隋文涛等.基于峭度的阈值降噪方法及在振动信号分析中应用.《振动与冲击》.2013,第32卷(第07期),第155-158页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112183259A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183259B (zh) | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 | |
Yin et al. | Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
Jiang et al. | Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
JP6133112B2 (ja) | 転がり軸受の診断装置および転がり軸受の診断方法 | |
CN108801630B (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
Kang et al. | High-performance and energy-efficient fault diagnosis using effective envelope analysis and denoising on a general-purpose graphics processing unit | |
CN112200015A (zh) | 一种基于改进vmd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 | |
CN109029996B (zh) | 一种轮毂轴承故障诊断方法 | |
CN110779724A (zh) | 一种基于频域组稀疏降噪的轴承故障诊断方法 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
CN116698398A (zh) | 一种基于ceemdan分阈值降噪与能量熵的齿轮故障特征提取方法 | |
CN116522074A (zh) | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 | |
Ahsan et al. | Early-stage fault diagnosis for rotating element bearing using improved harmony search algorithm with different fitness functions | |
Djemili et al. | A wind turbine bearing fault detection method based on improved CEEMDAN and AR-MEDA | |
CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
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 | |
CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 | |
Yaqub et al. | Resonant frequency band estimation using adaptive wavelet decomposition level selection | |
Abdelkader et al. | Rolling bearing faults diagnosis based on empirical mode decomposition: Optimized threshold de-noising method | |
Hemmati et al. | Rolling element bearing condition monitoring using acoustic emission technique | |
CN113065418A (zh) | 一种基于ssa-wdcnn的滚动轴承故障诊断方法 | |
Damine et al. | Early Bearing Fault Detection Using EEMD and Three-Sigma Rule Denoising Method |
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 | ||
OL01 | Intention to license declared | ||
OL01 | Intention to license declared |