CN112284737A - 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 - Google Patents
一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 Download PDFInfo
- Publication number
- CN112284737A CN112284737A CN202011195939.XA CN202011195939A CN112284737A CN 112284737 A CN112284737 A CN 112284737A CN 202011195939 A CN202011195939 A CN 202011195939A CN 112284737 A CN112284737 A CN 112284737A
- Authority
- CN
- China
- Prior art keywords
- value
- wavelet
- singular
- frequency
- energy spectrum
- 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.)
- Withdrawn
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法,其特征在于,包括以下步骤:利用Shannon熵同时对Morlet小波中心频率与带宽参数进行优化,针对优化结果中无明确极小值点的情况,在最小Shannon熵理论的基础上,同时选择具有代表性的Shannon熵最大值及过渡值点,对比Morlet小波变换结果,选取系数矩阵中故障特征时频聚集性最好同时噪声能量发散时的小波参数为最优小波参数;分析小波变换中实际频率与尺度参数的对应关系,得到有效的频率-时间小波系数图,根据实际频率的取值选择有效的尺度变化范围。提出奇异值能量谱算法最后通过Hil‑bert变换与轴承振动理论计算对比,确定故障来源。
Description
技术领域
本发明涉及矿用破碎机转子故障诊断技术领域,更具体地说是一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法。
背景技术
滚动轴承被广泛地应用于现代工业设备中,在现场工作环境下很容易导致其产生磨损、点蚀和疲劳剥落等故障。当轴承出现故障时,设备及其他零件将很容易受到毁坏,这会导致人员和经济遭受巨大损失,后果极其严重。因此,能够准确、有效地检测出轴承故障十分重要。通常用传感器从现场采集的信号含有复杂的噪声,这类信号多表现为平稳性,对后续的故障特征提取与诊断带来了很大难度。
由于矿用破碎机转子碰摩故障信号是一种典型的非线性、非平稳信号。同时均匀分布的噪声只是理想情况,现实中噪声信号常常具有较低的信噪比,而且是非均匀分布的。而现有的降噪方法针对这一问题少有解决方案。故障特征提取方法种类很多,但计算速度有待提高,这不利于故障信号的在线监测诊断。
因此,针对上述问题,以矿用破碎机转子碰摩故障为研究对象,研究出一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法,得到更好的降噪结果,同时提高故障特征提取方法的计算速度和准确性,具有十分重要的意义。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法。
为实现上述目的,本发明提供如下技术方案:
一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法,包括以下步骤:
1)利用Shannon熵同时对Morlet小波中心频率与带宽参数进行优化,针对优化结果中无明确极小值点的情况,在最小Shannon熵理论的基础上,同时选择具有代表性的Shannon熵最大值及过渡值点,对比Morlet小波变换结果,选取系数矩阵中故障特征时频聚集性最好同时噪声能量发散时的小波参数为最优小波参数;其中:Shannon熵的定义为:
式中:Pi为一不确定的概率分布,由小波系数处理而成,可由下式得到:
式中:W(ai,b)为某一尺度下的小波变换系;
2)分析小波变换中实际频率与尺度参数的对应关系,得到有效的频率-时间小波系数图,根据实际频率的取值选择有效的尺度变化范围。
3)提出奇异值能量谱算法,对Morlet小波变换结果中每一尺度下的系数构造Hankel矩阵并计算奇异值能量谱,通过选择峰值求取最优尺度;将信号在该尺度下进行Morlet小波变换,可提取到有效的故障特征;奇异值分解是指对于一个实矩阵A∈Rm×n,必定存在正交矩阵U=[u1,u2,…,um]∈Rm×m和正交矩阵V=[v1,v2,…,vn]∈Rn×n,使得:A=USVT成立,其中S=[diag(σ1,σ2,…,σq),O]或者其转置,这取决于m<n还是m>n,O代表零矩阵,q=min(m,n),且有:σ1≥σ2,...,≥σq>O,它们称为矩阵A的奇异值;定义奇异值能量函数:计算得到奇异值能量值;绘制奇异值能量谱,因为尺度步长不为定值,这里选取实际频率为横坐标,通过选择峰值所在位置得到故障特征所在频率,代入上式得到最优尺度参数;
4)最后通过Hil-bert变换与轴承振动理论计算对比,确定故障来源。
本发明的技术效果和优点:通怒狗信号仿真与实际信号处理表明了本文方法的有效性与可行性。不同方法的对比结果表明,本方法对弱故障特征具有更好的提取效果。
附图说明
图1为本发明算法流程图。
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。
一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法,包括以下步骤:
5)利用Shannon熵同时对Morlet小波中心频率与带宽参数进行优化,针对优化结果中无明确极小值点的情况,在最小Shannon熵理论的基础上,同时选择具有代表性的Shannon熵最大值及过渡值点,对比Morlet小波变换结果,选取系数矩阵中故障特征时频聚集性最好同时噪声能量发散时的小波参数为最优小波参数;其中:Shannon熵的定义为:
式中:Pi为一不确定的概率分布,由小波系数处理而成,可由下式得到:
式中:W(ai,b)为某一尺度下的小波变换系;
6)分析小波变换中实际频率与尺度参数的对应关系,得到有效的频率-时间小波系数图,根据实际频率的取值选择有效的尺度变化范围。
7)提出奇异值能量谱算法,对Morlet小波变换结果中每一尺度下的系数构造Hankel矩阵并计算奇异值能量谱,通过选择峰值求取最优尺度;将信号在该尺度下进行Morlet小波变换,可提取到有效的故障特征;奇异值分解是指对于一个实矩阵A∈Rm×n,必定存在正交矩阵U=[u1,u2,…,um]∈Rm×m和正交矩阵V=[v1,v2,…,vn]∈Rn×n,使得:A=USVT成立,其中S=[diag(σ1,σ2,…,σq),O]或者其转置,这取决于m<n还是m>n,O代表零矩阵,q=min(m,n),且有:σ1≥σ2,...,≥σq>O,它们称为矩阵A的奇异值;定义奇异值能量函数:计算得到奇异值能量值;绘制奇异值能量谱,因为尺度步长不为定值,这里选取实际频率为横坐标,通过选择峰值所在位置得到故障特征所在频率,代入上式得到最优尺度参数;
8)最后通过Hil-bert变换与轴承振动理论计算对比,确定故障来源。
最后应说明的几点是:首先,在本申请的描述中,需要说明的是,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变,则相对位置关系可能发生改变;
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法,其特征在于,包括以下步骤:
S1、利用Shannon熵同时对Morlet小波中心频率与带宽参数进行优化,针对优化结果中无明确极小值点的情况,在最小Shannon熵理论的基础上,同时选择具有代表性的Shannon熵最大值及过渡值点,对比Morlet小波变换结果,选取系数矩阵中故障特征时频聚集性最好同时噪声能量发散时的小波参数为最优小波参数;
S2、分析小波变换中实际频率与尺度参数的对应关系,得到有效的频率-时间小波系数图,根据实际频率的取值选择有效的尺度变化范围;
S3、提出奇异值能量谱算法,对Morlet小波变换结果中每一尺度下的系数构造Hankel矩阵并计算奇异值能量谱,通过选择峰值求取最优尺度;将信号在该尺度下进行Morlet小波变换,可提取到有效的故障特征;奇异值分解是指对于一个实矩阵A∈Rm×n,必定存在正交矩阵U=[u1,u2,…,um]∈Rm×m和正交矩阵V=[v1,v2,…,vn]∈Rn×n,使得:A=USVT成立,其中S=[diag(σ1,σ2,…,σq),O]或者其转置,这取决于m<n还是m>n,O代表零矩阵,q=min(m,n),且有:σ1≥σ2,...,≥σq>O,它们称为矩阵A的奇异值;定义奇异值能量函数:
计算得到奇异值能量值;绘制奇异值能量谱;
S4、最后通过Hil-bert变换与轴承振动理论计算对比,确定故障来源。
3.根据权利要求1所述的一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法,其特征在于,所述步骤S3中:因为尺度步长不为定值,这里选取实际频率为横坐标,通过选择峰值所在位置得到故障特征所在频率,代入上式得到最优尺度参数。
4.根据权利要求1所述的一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法,其特征在于,选取具有代表性的最大值,最小值及过渡区间值并对连续小波变换结果进行对比,发现fc=0.8,fb=30为最优中心频率与最优带宽参数;将此时的中心频率及采样率代入式中得到尺度的取值范围为[1.6,160],并对原始信号进行连续小波变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011195939.XA CN112284737A (zh) | 2020-10-30 | 2020-10-30 | 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011195939.XA CN112284737A (zh) | 2020-10-30 | 2020-10-30 | 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112284737A true CN112284737A (zh) | 2021-01-29 |
Family
ID=74353800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011195939.XA Withdrawn CN112284737A (zh) | 2020-10-30 | 2020-10-30 | 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112284737A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113405788A (zh) * | 2021-05-28 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 基于波形趋势信息的有载分接开关机械状态监测方法 |
-
2020
- 2020-10-30 CN CN202011195939.XA patent/CN112284737A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113405788A (zh) * | 2021-05-28 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 基于波形趋势信息的有载分接开关机械状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization | |
CN109297713B (zh) | 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN111259730B (zh) | 一种基于多变量状态估计的状态监测方法及系统 | |
CN111582392A (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN110954354B (zh) | 设备故障诊断方法及装置 | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
JP2022515935A (ja) | 誘導電動機の軸受故障重大度を推定する方法 | |
CN109630449B (zh) | 一种基于rbf算法的三防通风设备故障预测系统 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN112487882B (zh) | 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法 | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
CN112284737A (zh) | 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 | |
Qian et al. | A new health indicator for rolling bearings based on impulsiveness and periodicity of signals | |
Wang et al. | Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy | |
CN114088389A (zh) | 一种齿轮变速箱的数据处理方法和相关装置 | |
Zhan et al. | Adaptive model for vibration monitoring of rotating machinery subject to random deterioration | |
CN109580224A (zh) | 滚动轴承故障实时监测方法 | |
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 | |
CN115587294B (zh) | 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 | |
Chen et al. | Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery | |
Zhao et al. | A fault diagnosis approach for rolling element bearing based on S-transform and artificial neural network | |
Wang et al. | A novel industrial process fault monitoring method based on kernel robust non-negative matrix factorization | |
Sun et al. | Research on early fault warning methods for key transmission components of wind turbines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210129 |