CN112597958B - 一种滚动轴承故障自动识别方法及系统 - Google Patents
一种滚动轴承故障自动识别方法及系统 Download PDFInfo
- Publication number
- CN112597958B CN112597958B CN202011610549.4A CN202011610549A CN112597958B CN 112597958 B CN112597958 B CN 112597958B CN 202011610549 A CN202011610549 A CN 202011610549A CN 112597958 B CN112597958 B CN 112597958B
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- tol
- ftf
- 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.)
- Active
Links
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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Discrete Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Rolling Contact Bearings (AREA)
Abstract
本发明提供一种滚动轴承故障自动识别方法及系统,包括:采用DFA方法去除信号的趋势噪声;采用Protrugram方法选出最优中心频率和带宽;经FIR滤波器滤波处理,再对信号包络解调得到信号的包络功率谱;根据包络功率谱的前TOP值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障。本发明通过DFA方法对采集的信号进行处理,去除了由于设备长期运行或设备状态发生变化所产生的趋势噪声;在进行信号解调分析时,采用Protrugram方法选取最优中心频率和带宽,克服了SK方法在某些场景下的局限性;采用包络功率谱法代替包络谱进一步降低了信号中的噪声成分;采用轴承故障频率自动匹配方法来进行轴承故障的自动识别,减少了人工诊断的不确定性,降低了人工劳动量。
Description
技术领域
本发明涉及机械设备故障识别技术领域,具体来说是一种滚动轴承故障自动识别方法及系统。
背景技术
滚动轴承是机械设备中不可或缺的重要部件,被誉为机械的“关节”,据统计,在以往机械故障事故中,因为轴承问题所导致的事故约占70%,因此对轴承进行故障诊断以保证其正常运行显得至关重要。随着机械设备的不断运转和设备状态的不断劣化,设备的振动情况会逐渐变化,也即是会产生一定的趋势噪声;目前对轴承故障的诊断主要是采用信号解调法,信号解调的关键问题在于如何选出最优中心频率和带宽,常用的选取最优中心频率和带宽的方法有快速谱峭度(SK), SK方法能有效检测出轴承的一些早中期故障,但在一些场景下具有一定的局限性,比如说对轴承的晚期故障、存在较强且含有高峰的非高斯白噪声时;此外,当前对轴承故障的诊断主要依赖于人工诊断,具有一定的主观性和不确定性。针对以上问题,本文首先利用DFA方法去除信号的趋势噪声;再采用Protrugram方法选取最优中心频率和带宽,与SK方法相比,Protrugram方法能够用较小的信噪比检测瞬变,克服SK方法的局限性;在选出最优分析频带和带宽后,采用包络信号功率谱代替以往的包络谱进一步降低噪声从而更加突出故障特征;最后从轴承故障特征频率处的幅值出发,依据轴承发生故障时包络功率谱中特征频率处的幅值一定包含在包络功率谱中的前几大值中这一特点,实现自动匹配轴承故障频率,进而达到轴承故障自动诊断的效果。
如申请号为CN201610757852.4公开的一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法,该方法通过对不同程度与不同位置故障的轴承振动信号进Lempel-Ziv复杂度指标化处理,发现故障程度与Lempel-Ziv复杂度指标值成一定比例关系,同时滚动轴承内、外圈故障位置的不同,Lempel-Ziv复杂度分辨呈现递增与递减的不同趋势规律,由此可以实现轴承故障的定量趋势诊断。为了提取实测振动信号故障特征,引入Protrugram算法并将其与Lempel-Ziv复杂度指标相结合。通过实验数据处理,验证了基于Protrugram与Lempel-Ziv的滚动轴承定量诊断方法在轴承定量趋势诊断中的有效性。该方法在进行信号处理前未对信号进行降噪处理,且仅能定位到轴承故障,并不能定位到是轴承内圈故障还是轴承外圈故障。
综上,随着机械设备的不断运转和设备状态的不断劣化,所采集的数据中会伴随有一定的趋势噪声。信号解调分析时,快速谱峭度(SK)方法在选取最优中心频率和带宽时具有一定的局限性。包络谱法进行轴承诊断时信号中仍具有一定的噪声成分。人工进行轴承故障识别时具有一定的主观性和不确定性,且工作量大。
发明内容
本发明所要解决的技术问题在于提供一种滚动轴承故障检测精度高的检测方法。
本发明通过以下技术手段实现解决上述技术问题的:
一种滚动轴承故障自动识别方法,包括以下步骤:
步骤一、采集设备的振动信号;
步骤二、采用DFA方法去除信号的趋势噪声;
步骤三、采用Protrugram方法选出最优中心频率和带宽;
步骤四、经FIR滤波器滤波处理,再对信号包络解调得到信号的包络功率谱;
步骤五、根据包络功率谱的前TOP值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障,具体为:
①获取根据步骤四所得到的包络功率谱TOP值所对应的频率;对包络功率谱的幅值从大到小进行排序,并记录对应索引值,根据索引即可得到所对应的频率;
②自动识别轴承故障,将步骤1)所得频率与轴承故障频率进行匹配,若满足对应条件,即可判断轴承故障类型;
a.若满足以下条件,则轴承故障为外圈故障;
k×fBPFO–tol≤fM≤k×fBPFO+tol
其中,1≤k≤3,fBPFO为轴承外圈故障频率,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
b.若满足以下条件中的一个,则轴承故障为内圈故障;
k×fBPFI–(m-1)×fr–tol≤fM≤k×fBPFI–(m-1)×fr+tol
k×fBPFI+(m-1)×fr-tol≤fM≤k×fBPFI+(m-1)×fr+tol
其中,1≤k≤3,fBPFI为轴承内圈故障频率,1≤m≤3,fr为基准轴转频,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
c.若满足以下条件中的一个,则轴承故障为滚动体故障;
k×fBSF–(m-1)×fFTF–tol≤fM≤k×fBSF–(m-1)×fFTF+tol
k×fBSF+(m-1)×fFTF-tol≤fM≤k×fBSF+(m-1)×fFTF+tol
2×k×fBSF–(m-1)×fFTF–tol≤fM≤2×k×fBSF–(m-1)×fFTF+tol
2×k×fBSF+(m-1)×fFTF-tol≤fM≤2×k×fBSF+(m-1)×fFTF+tol
其中,1≤k≤3,fBSF为轴承滚动体故障频率,1≤m≤2,fFTF为轴承保持架故障频率,tol为容差,可取为fFTF/2的整数部分,fM为TOP值中第M个值所对应的频率。
本发明通过DFA方法对采集的信号进行处理,去除了由于设备长期运行或设备状态发生变化所产生的趋势噪声;在进行信号解调分析时,采用Protrugram方法选取最优中心频率和带宽,克服了SK方法在某些场景下的局限性;采用包络功率谱法代替包络谱进一步降低了信号中的噪声成分。采用轴承故障频率自动匹配方法来进行轴承故障的自动识别,减少了人工诊断的不确定性,降低了人工劳动量。
进一步的,所述步骤二具体方法为:
1)计算信号的累积时间序列
设有一长度为N的时间序列x(i)(i=1,2,3,……,N),则信号的累计时间序列y(n)表示如下:
y(n)=∑(x(i)–xmean)
其中xmean为原始信号x(i)的均值;
2)计算得到每个子段的趋势数据
将累积时间序列y(n)以尺度s划分为等间隔的子段,对每个子段采用最小二乘法进行线性拟合,即可得到每个子段数据的一阶趋势ys(n);
3)计算得到去趋势后的时间序列
将步骤2)中得到的趋势ys(n)从累积时间序列y(n)中去除,即可得到去趋势后的时间序列,去趋势后的时间序列xs可表示为:
xs=y(n)–ys(n)。
进一步的,所述步骤三具体方法为:
(1)快速傅里叶变换,对经过步骤二处理的信号做FFT变换,得到信号双边谱;
(2)确定分析带宽BW,迭代步长step和中心频率CF;BW的选取为轴承故障频率的3~5倍谐波为宜;迭代步长step的最小可取信号的频率分辨率,最大可取BW;中心频率CF的取值为[BW/2,fs/2-BW/2],间隔为step,其中fs为信号采样率;
(3)计算窄带包络谱,将步骤(1)的双边谱中分析频段范围外的幅值进行置零操作,对置零后的信号进行IFFT变换,再对信号进行Hilbert变换后得到窄带包络谱;
(4)计算窄带包络谱峭度值,计算步骤(3)中的窄带包络谱的峭度值;
(5)绘制中心频率-峭度关系图,以中心频率CF为横坐标,以峭度值为纵坐标绘制中心频率-峭度关系图;
(6)确定最优中心频率和带宽,根据步骤(5)所得到的关系图选择峭度最大的点所对应的中心频率和带宽作为最优中心频率和带宽。
进一步的,所述步骤四具体方法为:
A.计算滤波信号,根据步骤三所选取的最优中心频率和带宽,利用Matlab的Filter Designer工具设计滤波器,对经过步骤二处理的信号进行滤波,得到滤波后的信号;
B.计算包络功率谱,对滤波后的信号进行Hilbert变换得到包络信号,再对包络信号进行处理得到信号的包络功率谱。
本发明还提供一种滚动轴承故障自动识别系统,包括:
信号采集模块,采集设备的振动信号;
趋势噪声去除模块,采用DFA方法去除信号的趋势噪声;
频率和带宽选优模块,采用Protrugram方法选出最优中心频率和带宽;
包络功率谱获得模块,经FIR滤波器滤波处理,再对信号包络解调得到信号的包络功率谱;
匹配模块,根据包络功率谱的前TOP值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障。
进一步的,所述趋势噪声去除模块具体执行过程为:
1)计算信号的累积时间序列
设有一长度为N的时间序列x(i)(i=1,2,3,……,N),则信号的累计时间序列y(n)表示如下:
y(n)=∑(x(i)–xmean)
其中xmean为原始信号x(i)的均值;
2)计算得到每个子段的趋势数据
将累积时间序列y(n)以尺度s划分为等间隔的子段,对每个子段采用最小二乘法进行线性拟合,即可得到每个子段数据的一阶趋势ys(n);
3)计算得到去趋势后的时间序列
将步骤2)中得到的趋势ys(n)从累积时间序列y(n)中去除,即可得到去趋势后的时间序列,去趋势后的时间序列xs可表示为:
xs=y(n)–ys(n)。
进一步的,所述频率和带宽选优模块的具体执行过程为:
(1)快速傅里叶变换,对经过步骤二处理的信号做FFT变换,得到信号双边谱;
(2)确定分析带宽BW,迭代步长step和中心频率CF;BW的选取为轴承故障频率的3~5倍谐波为宜;迭代步长step的最小可取信号的频率分辨率,最大可取BW;中心频率CF的取值为[BW/2,fs/2-BW/2],间隔为step,其中fs为信号采样率;
(3)计算窄带包络谱,将步骤(1)的双边谱中分析频段范围外的幅值进行置零操作,对置零后的信号进行IFFT变换,再对信号进行Hilbert变换后得到窄带包络谱;
(4)计算窄带包络谱峭度值,计算步骤(3)中的窄带包络谱的峭度值;
(5)绘制中心频率-峭度关系图,以中心频率CF为横坐标,以峭度值为纵坐标绘制中心频率-峭度关系图;
(6)确定最优中心频率和带宽,根据步骤(5)所得到的关系图选择峭度最大的点所对应的中心频率和带宽作为最优中心频率和带宽。
进一步的,所述包络功率谱获得模块具体执行过程为:
A.计算滤波信号,根据步骤三所选取的最优中心频率和带宽,利用Matlab的Filter Designer工具设计滤波器,对经过步骤二处理的信号进行滤波,得到滤波后的信号;
B.计算包络功率谱,对滤波后的信号进行Hilbert变换得到包络信号,再对包络信号进行处理得到信号的包络功率谱。
进一步的,所述匹配模块具体执行过程为:
①获取根据步骤四所得到的包络功率谱TOP值所对应的频率;对包络功率谱的幅值从大到小进行排序,并记录对应索引值,根据索引即可得到所对应的频率;
②自动识别轴承故障,将步骤1)所得频率与轴承故障频率进行匹配,若满足对应条件,即可判断轴承故障类型;
a.若满足以下条件,则轴承故障为外圈故障;
k×fBPFO–tol≤fM≤k×fBPFO+tol
其中,1≤k≤3,fBPFO为轴承外圈故障频率,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
b.若满足以下条件中的一个,则轴承故障为内圈故障;
k×fBPFI–(m-1)×fr–tol≤fM≤k×fBPFI–(m-1)×fr+tol
k×fBPFI+(m-1)×fr-tol≤fM≤k×fBPFI+(m-1)×fr+tol
其中,1≤k≤3,fBPFI为轴承内圈故障频率,1≤m≤3,fr为基准轴转频,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
c.若满足以下条件中的一个,则轴承故障为滚动体故障;
k×fBSF–(m-1)×fFTF–tol≤fM≤k×fBSF–(m-1)×fFTF+tol
k×fBSF+(m-1)×fFTF-tol≤fM≤k×fBSF+(m-1)×fFTF+tol
2×k×fBSF–(m-1)×fFTF–tol≤fM≤2×k×fBSF–(m-1)×fFTF+tol
2×k×fBSF+(m-1)×fFTF-tol≤fM≤2×k×fBSF+(m-1)×fFTF+tol
其中,1≤k≤3,fBSF为轴承滚动体故障频率,1≤m≤2,fFTF为轴承保持架故障频率,tol为容差,可取为fFTF/2的整数部分,fM为TOP值中第M个值所对应的频率。
本发明的优点在于:
本发明通过DFA方法对采集的信号进行处理,去除了由于设备长期运行或设备状态发生变化所产生的趋势噪声;在进行信号解调分析时,采用Protrugram方法选取最优中心频率和带宽,克服了SK方法在某些场景下的局限性;采用包络功率谱法代替包络谱进一步降低了信号中的噪声成分;
采用轴承故障频率自动匹配方法来进行轴承故障的自动识别,减少了人工诊断的不确定性,降低了人工劳动量。
附图说明
图1为本发明实施例中滚动轴承故障自动识别方法的流程图;
图2为本发明实施例中利用Protrugram方法获取最优分析频带的流程图;
图3为本发明具体示例中原始信号时域波形;
图4为本发明具体示例中4DFA去噪后的信号时域波形;
图5为本发明具体示例中去噪后的信号经FFT变换得到的双边谱;
图6为本发明具体示例中所选频带外幅值置零的双边谱;
图7为本发明具体示例中IFFT变换得到的窄带信号;
图8为本发明具体示例中窄带包络谱;
图9为本发明具体示例中中心频率-峭度关系图;
图10为本发明具体示例中经最优分析频段滤波后的信号波形;
图11为本发明具体示例中包络信号功率谱。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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作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。
本实施例公开一种滚动轴承故障自动识别方法,具体包括以下步骤:
步骤一、采集设备的振动信号;
步骤二、采用DFA方法去除信号的趋势噪声;
(1)计算信号的累积时间序列。
设有一长度为N的时间序列x(i)(i=1,2,3,……,N),则信号的累计时间序列y(n)可表示如下:
y(n)=∑(x(i)–xmean)
其中xmean为原始信号x(i)的均值;
(2)计算得到每个子段的趋势数据。
将累积时间序列y(n)以尺度s划分为等间隔的子段,对每个子段采用最小二乘法进行线性拟合,即可得到每个子段数据的一阶趋势ys(n)
(3)计算得到去趋势后的时间序列。
将步骤(2)中得到的趋势ys(n)从累积时间序列y(n)中去除,即可得到去趋势后的时间序列,去趋势后的时间序列xs可表示为:
xs=y(n)–ys(n);
步骤三、采用Protrugram方法选出最优中心频率和带宽,获取最优中心频率和带宽的过程如图2所示,步骤如下;
(1)FFT变换。对经过步骤二处理的信号做FFT变换,得到信号双边谱。
(2)确定分析带宽BW,迭代步长step和中心频率CF。BW的选取为轴承故障频率的3~5倍谐波为宜;迭代步长step的最小可取信号的频率分辨率,最大可取BW;中心频率CF的取值为[BW/2,fs/2-BW/2],间隔为step,其中fs为信号采样率;
(3)计算窄带包络谱。将步骤(1)的双边谱中分析频段范围外的幅值进行置零操作,对置零后的信号进行IFFT变换,再对信号进行Hilbert变换后得到窄带包络谱;
(4)计算窄带包络谱峭度值。计算步骤(3)中的窄带包络谱的峭度值;
(5)绘制中心频率-峭度关系图。以中心频率CF为横坐标,以峭度值为纵坐标绘制中心频率-峭度关系图;
(6)确定最优中心频率和带宽。根据步骤(5)所得到的关系图选择峭度最大的点所对应的中心频率和带宽作为最优中心频率和带宽。
步骤四、经FIR滤波器滤波处理,再对信号包络解调得到信号的包络功率谱。
(1)计算滤波信号。根据步骤三所选取的最优中心频率和带宽,利用Matlab的Filter Designer工具设计滤波器,对经过步骤二处理的信号进行滤波,得到滤波后的信号;
(2)计算包络功率谱。对滤波后的信号进行Hilbert变换得到包络信号,再对包络信号进行处理得到信号的包络功率谱。
步骤五、根据包络功率谱的前几大值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障。
(1)获取根据步骤四所得到的包络功率谱前N大值所对应的频率。对包络功率谱的幅值从大到小进行排序,并记录对应索引值,根据索引即可得到所对应的频率。
(2)自动识别轴承故障。将步骤(1)所得频率与轴承故障频率进行匹配,若满足对应条件,即可判断轴承故障类型。
(a)若满足以下条件,则轴承故障为外圈故障;
k×fBPFO–tol≤fM≤k×fBPFO+tol
其中,1≤k≤3,fBPFO为轴承外圈故障频率,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为前N大值中第M个值所对应的频率;
(b)若满足以下条件中的一个,则轴承故障为内圈故障;
k×fBPFI–(m-1)×fr–tol≤fM≤k×fBPFI–(m-1)×fr+tol
k×fBPFI+(m-1)×fr-tol≤fM≤k×fBPFI+(m-1)×fr+tol
其中,1≤k≤3,fBPFI为轴承内圈故障频率,1≤m≤3,fr为基准轴转频,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为前N大值中第M个值所对应的频率;
(c)若满足以下条件中的一个,则轴承故障为滚动体故障;
k×fBSF–(m-1)×fFTF–tol≤fM≤k×fBSF–(m-1)×fFTF+tol
k×fBSF+(m-1)×fFTF-tol≤fM≤k×fBSF+(m-1)×fFTF+tol
2×k×fBSF–(m-1)×fFTF–tol≤fM≤2×k×fBSF–(m-1)×fFTF+tol
2×k×fBSF+(m-1)×fFTF-tol≤fM≤2×k×fBSF+(m-1)×fFTF+tol
其中,1≤k≤3,fBSF为轴承滚动体故障频率,1≤m≤2,fFTF为轴承保持架故障频率,tol为容差,可取为fFTF/2的整数部分,fM为前N大值中第M个值所对应的频率。
本实施例通过DFA方法对采集的信号进行处理,去除了由于设备长期运行或设备状态发生变化所产生的趋势噪声;在进行信号解调分析时,采用Protrugram方法选取最优中心频率和带宽,克服了SK方法在某些场景下的局限性;采用包络功率谱法代替包络谱进一步降低了信号中的噪声成分;采用轴承故障频率自动匹配方法来进行轴承故障的自动识别,减少了人工诊断的不确定性,降低了人工劳动量。
具体示例:
以美国西储大学的轴承故障数据作为试验依据进行分析。轴承缺陷频率相关参数见表1。采用加速度传感器获得轴承振动数据,采样率为12kHz,电机转速为1797rpm/min,对应的转频为29.95Hz。
表1 轴承缺陷频率相关参数
内圈 | 外圈 | 保持架 | 滚动体 |
5.4152Hz | 3.5848Hz | 0.39828Hz | 4.7132Hz |
根据轴承故障频率相关公式计算得到该工况下轴承的故障频率分别为:
外圈故障频率fBPFO=107.36Hz
内圈故障频率fBPFI=162.18Hz
保持架故障频率fFTF=11.92Hz
滚动体故障频率fBSF=141.17Hz
步骤一、获取轴承振动信号。本示例选取0.07mm内圈点蚀故障数据,原始信号时域波形如图3所示。
步骤二、对步骤一的振动信号采用DFA进行去噪处理。采用一阶多项式拟合得到各阶段数据的趋势,并进行去趋势处理,去除趋势噪声后的信号波形如图4所示。
步骤三、采用Protrugram方法选出最优中心频率和带宽。
(1)对步骤二中去噪后的信号做FFT变换,得到信号双边谱如图5所示;
(2)带宽BW选取3~5倍故障频率为宜,本实例中轴承故障频率最大为162.18Hz,因此BW选为500Hz,对应中心频率CF取值范围为[250Hz,5750Hz],CF迭代步长step选为100Hz;
(3)将步骤(1)双边谱中[CF–BW/2,CF+BW/2]频率范围外的幅值置零,得到分析频带外成分置零后的双边谱,图6为[-6000Hz,-5500Hz]及[5500Hz,6000Hz]频带外成分置零后的双边谱;将上述置零后的双边谱进行IFFT变换得到窄带信号,窄带信号如图7所示;再对窄带信号做Hilbert变换得到窄带包络谱,窄带包络谱如图8所示;
(4)根据步骤(3)中的窄带包络谱计算对应的峭度值KR;
(5)将步骤(3)中的中心频率和步骤(4)得到的对应峭度值进行汇总,得到以中心频率CF为横坐标,以峭度值KR为纵坐标的中心频率-峭度关系图,中心频率-峭度关系图如图9所示;
(6)根据中心频率-峭度关系图可知,峭度最大所对应的中心频率为850Hz,带宽为500Hz,也即是最优分析频带为600~1100Hz;
步骤四、对信号进行滤波处理,并进行解调得到包络功率谱。
(1)根据步骤三得到信号解调最优分析频段为600Hz~1100Hz,利用Matlab的Filter Designer工具设计FIR滤波器,对步骤二去噪后的信号进行滤波处理,滤波后的信号波形如图10所示;
(2)对步骤(1)中滤波后的信号进行Hilbert变换得到包络信号,再对包络信号进行处理得到信号的包络功率谱,最终得到的信号包络功率谱如图11所示;
步骤五、将包络功率谱的前几大值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障。
(1)对包络功率谱的幅值由大到小进行排序;
(2)取前20大值所对应的频率,所取的频率如表2所示;
(3)各类轴承故障的判定条件如下:
(a)外圈故障
k×107.36–5≤fM≤k×107.36+5
其中,1≤k≤3,fM为前20大值中第M个值所对应的频率;
(b)内圈故障
k×162.18–(m-1)×29.95–5≤fM≤k×162.18–(m-1)×29.95+5
k×162.18+(m-1)×29.95-5≤fM≤k×162.18+(m-1)×29.95+5
其中,1≤k≤3,1≤m≤3,fM为前20大值中第M个值所对应的频率;
(c)滚动体故障
k×141.17–(m-1)×11.92–5≤fM≤k×141.17–(m-1)×11.92+5
k×141.17+(m-1)×11.92-5≤fM≤k×141.17+(m-1)×11.92+5
2×k×141.17–(m-1)×11.92–5≤fM≤2×k×141.17–(m-1)×11.92+5
2×k×141.17+(m-1)×11.92-5≤fM≤2×k×141.17+(m-1)×11.92+5
其中,1≤k≤3,1≤m≤2,fM为前20大值中第M个值所对应的频率;
(4)由频率与轴承故障频率的对应关系可知,该轴承出现了内圈损伤,与实际情况相符。
表2 包络功率谱前20大幅值所对应的频率
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
频率 | 59.87 | 485.05 | 0.09 | 0.18 | 0.27 | 323.36 | 383.24 | 0.37 | 0.46 | 514.98 |
序号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
频率 | 0.55 | 161.68 | 0.64 | 71.59 | 29.94 | 425.17 | 59.78 | 0.73 | 356.78 | 221.56 |
本实施例还提供一种滚动轴承故障自动识别系统,包括
信号采集模块,采集设备的振动信号;
趋势噪声去除模块,采用DFA方法去除信号的趋势噪声;
(1)计算信号的累积时间序列。
设有一长度为N的时间序列x(i)(i=1,2,3,……,N),则信号的累计时间序列y(n)可表示如下:
y(n)=∑(x(i)–xmean)
其中xmean为原始信号x(i)的均值;
(2)计算得到每个子段的趋势数据。
将累积时间序列y(n)以尺度s划分为等间隔的子段,对每个子段采用最小二乘法进行线性拟合,即可得到每个子段数据的一阶趋势ys(n)
(3)计算得到去趋势后的时间序列。
将步骤(2)中得到的趋势ys(n)从累积时间序列y(n)中去除,即可得到去趋势后的时间序列,去趋势后的时间序列xs可表示为:
xs=y(n)–ys(n);
频率和带宽选优模块,采用Protrugram方法选出最优中心频率和带宽,获取最优中心频率和带宽的过程如图2所示,步骤如下;
(1)FFT变换。对经过步骤二处理的信号做FFT变换,得到信号双边谱。
(2)确定分析带宽BW,迭代步长step和中心频率CF。BW的选取为轴承故障频率的3~5倍谐波为宜;迭代步长step的最小可取信号的频率分辨率,最大可取BW;中心频率CF的取值为[BW/2,fs/2-BW/2],间隔为step,其中fs为信号采样率;
(3)计算窄带包络谱。将步骤(1)的双边谱中分析频段范围外的幅值进行置零操作,对置零后的信号进行IFFT变换,再对信号进行Hilbert变换后得到窄带包络谱;
(4)计算窄带包络谱峭度值。计算步骤(3)中的窄带包络谱的峭度值;
(5)绘制中心频率-峭度关系图。以中心频率CF为横坐标,以峭度值为纵坐标绘制中心频率-峭度关系图;
(6)确定最优中心频率和带宽。根据步骤(5)所得到的关系图选择峭度最大的点所对应的中心频率和带宽作为最优中心频率和带宽。
包络功率谱获得模块,经FIR滤波器滤波处理,再对信号包络解调得到信号的包络功率谱。
(1)计算滤波信号。根据步骤三所选取的最优中心频率和带宽,利用Matlab的Filter Designer工具设计滤波器,对经过步骤二处理的信号进行滤波,得到滤波后的信号;
(2)计算包络功率谱。对滤波后的信号进行Hilbert变换得到包络信号,再对包络信号进行处理得到信号的包络功率谱。
匹配模块,根据包络功率谱的前几大值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障。
(1)获取根据步骤四所得到的包络功率谱前N大值所对应的频率。对包络功率谱的幅值从大到小进行排序,并记录对应索引值,根据索引即可得到所对应的频率。
(2)自动识别轴承故障。将步骤(1)所得频率与轴承故障频率进行匹配,若满足对应条件,即可判断轴承故障类型。
(d)若满足以下条件,则轴承故障为外圈故障;
k×fBPFO–tol≤fM≤k×fBPFO+tol
其中,1≤k≤3,fBPFO为轴承外圈故障频率,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为前N大值中第M个值所对应的频率;
(e)若满足以下条件中的一个,则轴承故障为内圈故障;
k×fBPFI–(m-1)×fr–tol≤fM≤k×fBPFI–(m-1)×fr+tol
k×fBPFI+(m-1)×fr-tol≤fM≤k×fBPFI+(m-1)×fr+tol
其中,1≤k≤3,fBPFI为轴承内圈故障频率,1≤m≤3,fr为基准轴转频,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为前N大值中第M个值所对应的频率;
(f)若满足以下条件中的一个,则轴承故障为滚动体故障;
k×fBSF–(m-1)×fFTF–tol≤fM≤k×fBSF–(m-1)×fFTF+tol
k×fBSF+(m-1)×fFTF-tol≤fM≤k×fBSF+(m-1)×fFTF+tol
2×k×fBSF–(m-1)×fFTF–tol≤fM≤2×k×fBSF–(m-1)×fFTF+tol
2×k×fBSF+(m-1)×fFTF-tol≤fM≤2×k×fBSF+(m-1)×fFTF+tol
其中,1≤k≤3,fBSF为轴承滚动体故障频率,1≤m≤2,fFTF为轴承保持架故障频率,tol为容差,可取为fFTF/2的整数部分,fM为前N大值中第M个值所对应的频率。
本实施例还提供一种处理设备,包括至少一个处理器,以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述的方法。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种滚动轴承故障自动识别方法,其特征在于:包括以下步骤:
步骤一、采集设备的振动信号;
步骤二、采用DFA方法去除信号的趋势噪声;
步骤三、采用Protrugram方法选出最优中心频率和带宽;
步骤四、经FIR滤波器滤波处理,再对信号包络解调得到信号的包络功率谱;
步骤五、根据包络功率谱的前TOP值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障,具体为:
①获取根据步骤四所得到的包络功率谱TOP值所对应的频率;对包络功率谱的幅值从大到小进行排序,并记录对应索引值,根据索引即可得到所对应的频率;
②自动识别轴承故障,将步骤①所得频率与轴承故障频率进行匹配,若满足对应条件,即可判断轴承故障类型;
a.若满足以下条件,则轴承故障为外圈故障;
k×fBPFO–tol≤fM≤k×fBPFO+tol
其中,1≤k≤3,fBPFO为轴承外圈故障频率,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
b.若满足以下条件中的一个,则轴承故障为内圈故障;
k×fBPFI–(m-1)×fr–tol≤fM≤k×fBPFI–(m-1)×fr+tol
k×fBPFI+(m-1)×fr-tol≤fM≤k×fBPFI+(m-1)×fr+tol
其中,1≤k≤3,fBPFI为轴承内圈故障频率,1≤m≤3,fr为基准轴转频,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
c.若满足以下条件中的一个,则轴承故障为滚动体故障;
k×fBSF–(m-1)×fFTF–tol≤fM≤k×fBSF–(m-1)×fFTF+tol
k×fBSF+(m-1)×fFTF-tol≤fM≤k×fBSF+(m-1)×fFTF+tol
2×k×fBSF–(m-1)×fFTF–tol≤fM≤2×k×fBSF–(m-1)×fFTF+tol
2×k×fBSF+(m-1)×fFTF-tol≤fM≤2×k×fBSF+(m-1)×fFTF+tol
其中,1≤k≤3,fBSF为轴承滚动体故障频率,1≤m≤2,fFTF为轴承保持架故障频率, tol为容差,可取为fFTF/2的整数部分,fM为TOP值中第M个值所对应的频率。
2.根据权利要求1所述的一种滚动轴承故障自动识别方法,其特征在于:所述步骤二具体方法为:
1)计算信号的累积时间序列
设有一长度为N的时间序列x(i)(i=1,2,3,……,N),则信号的累计时间序列y(n)表示如下:
y(n)=∑(x(i)–xmean)
其中xmean为原始信号x(i)的均值;
2)计算得到每个子段的趋势数据
将累积时间序列y(n)以尺度s划分为等间隔的子段,对每个子段采用最小二乘法进行线性拟合,即可得到每个子段数据的一阶趋势ys(n);
3)计算得到去趋势后的时间序列
将步骤2)中得到的趋势ys(n)从累积时间序列y(n)中去除,即可得到去趋势后的时间序列,去趋势后的时间序列xs可表示为:
xs=y(n)–ys(n)。
3.根据权利要求1所述的一种滚动轴承故障自动识别方法,其特征在于:所述步骤三具体方法为:
(1)快速傅里叶变换,对经过步骤二处理的信号做FFT变换,得到信号双边谱;
(2)确定分析带宽BW,迭代步长step和中心频率CF;BW的选取为轴承故障频率的3~5倍谐波;迭代步长step的最小可取信号的频率分辨率,最大可取BW;中心频率CF的取值为[BW/2,fs/2-BW/2],间隔为step,其中fs为信号采样率;
(3)计算窄带包络谱,将步骤(1)的双边谱中分析频段范围外的幅值进行置零操作,对置零后的信号进行IFFT变换,再对信号进行Hilbert变换后得到窄带包络谱;
(4)计算窄带包络谱峭度值,计算步骤(3)中的窄带包络谱的峭度值;
(5)绘制中心频率-峭度关系图,以中心频率CF为横坐标,以峭度值为纵坐标绘制中心频率-峭度关系图;
(6)确定最优中心频率和带宽,根据步骤(5)所得到的关系图选择峭度最大的点所对应的中心频率和带宽作为最优中心频率和带宽。
4.根据权利要求1所述的一种滚动轴承故障自动识别方法,其特征在于:所述步骤四具体方法为:
A.计算滤波信号,根据步骤三所选取的最优中心频率和带宽,利用Matlab的FilterDesigner工具设计滤波器,对经过步骤二处理的信号进行滤波,得到滤波后的信号;
B.计算包络功率谱,对滤波后的信号进行Hilbert变换得到包络信号,再对包络信号进行处理得到信号的包络功率谱。
5.一种滚动轴承故障自动识别系统,其特征在于:包括:
信号采集模块,采集设备的振动信号;
趋势噪声去除模块,采用DFA方法去除信号的趋势噪声;
频率和带宽选优模块,采用Protrugram方法选出最优中心频率和带宽;
包络功率谱获得模块,经FIR滤波器滤波处理,再对信号包络解调得到信号的包络功率谱;
匹配模块,根据包络功率谱的前TOP值所对应的频率与轴承故障特征频率进行匹配,从而自动识别轴承故障,具体为:
①获取根据步骤四所得到的包络功率谱TOP值所对应的频率;对包络功率谱的幅值从大到小进行排序,并记录对应索引值,根据索引即可得到所对应的频率;
②自动识别轴承故障,将步骤①所得频率与轴承故障频率进行匹配,若满足对应条件,即可判断轴承故障类型;
a.若满足以下条件,则轴承故障为外圈故障;
k×fBPFO–tol≤fM≤k×fBPFO+tol
其中,1≤k≤3,fBPFO为轴承外圈故障频率,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
b.若满足以下条件中的一个,则轴承故障为内圈故障;
k×fBPFI–(m-1)×fr–tol≤fM≤k×fBPFI–(m-1)×fr+tol
k×fBPFI+(m-1)×fr-tol≤fM≤k×fBPFI+(m-1)×fr+tol
其中,1≤k≤3,fBPFI为轴承内圈故障频率,1≤m≤3,fr为基准轴转频,tol为容差,可取为fFTF/2的整数部分,fFTF为轴承保持架故障频率,fM为TOP值中第M个值所对应的频率;
c.若满足以下条件中的一个,则轴承故障为滚动体故障;
k×fBSF–(m-1)×fFTF–tol≤fM≤k×fBSF–(m-1)×fFTF+tol
k×fBSF+(m-1)×fFTF-tol≤fM≤k×fBSF+(m-1)×fFTF+tol
2×k×fBSF–(m-1)×fFTF–tol≤fM≤2×k×fBSF–(m-1)×fFTF+tol
2×k×fBSF+(m-1)×fFTF-tol≤fM≤2×k×fBSF+(m-1)×fFTF+tol
其中,1≤k≤3,fBSF为轴承滚动体故障频率,1≤m≤2,fFTF为轴承保持架故障频率, tol为容差,可取为fFTF/2的整数部分,fM为TOP值中第M个值所对应的频率。
6.根据权利要求5所述的一种滚动轴承故障自动识别系统,其特征在于:所述趋势噪声去除模块具体执行过程为:
1)计算信号的累积时间序列
设有一长度为N的时间序列x(i)(i=1,2,3,……,N),则信号的累计时间序列y(n)表示如下:
y(n)=∑(x(i)–xmean)
其中xmean为原始信号x(i)的均值;
2)计算得到每个子段的趋势数据
将累积时间序列y(n)以尺度s划分为等间隔的子段,对每个子段采用最小二乘法进行线性拟合,即可得到每个子段数据的一阶趋势ys(n);
3)计算得到去趋势后的时间序列
将步骤2)中得到的趋势ys(n)从累积时间序列y(n)中去除,即可得到去趋势后的时间序列,去趋势后的时间序列xs可表示为:
xs=y(n)–ys(n)。
7.根据权利要求5所述的一种滚动轴承故障自动识别系统,其特征在于:所述频率和带宽选优模块的具体执行过程为:
(1)快速傅里叶变换,对经过步骤二处理的信号做FFT变换,得到信号双边谱;
(2)确定分析带宽BW,迭代步长step和中心频率CF;BW的选取为轴承故障频率的3~5倍谐波;迭代步长step的最小可取信号的频率分辨率,最大可取BW;中心频率CF的取值为[BW/2,fs/2-BW/2],间隔为step,其中fs为信号采样率;
(3)计算窄带包络谱,将步骤(1)的双边谱中分析频段范围外的幅值进行置零操作,对置零后的信号进行IFFT变换,再对信号进行Hilbert变换后得到窄带包络谱;
(4)计算窄带包络谱峭度值,计算步骤(3)中的窄带包络谱的峭度值;
(5)绘制中心频率-峭度关系图,以中心频率CF为横坐标,以峭度值为纵坐标绘制中心频率-峭度关系图;
(6)确定最优中心频率和带宽,根据步骤(5)所得到的关系图选择峭度最大的点所对应的中心频率和带宽作为最优中心频率和带宽。
8.根据权利要求5所述的一种滚动轴承故障自动识别系统,其特征在于:所述包络功率谱获得模块具体执行过程为:
A.计算滤波信号,根据步骤三所选取的最优中心频率和带宽,利用Matlab的FilterDesigner工具设计滤波器,对经过步骤二处理的信号进行滤波,得到滤波后的信号;
B.计算包络功率谱,对滤波后的信号进行Hilbert变换得到包络信号,再对包络信号进行处理得到信号的包络功率谱。
9.一种处理设备,其特征在于,包括至少一个处理器,以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610549.4A CN112597958B (zh) | 2020-12-29 | 2020-12-29 | 一种滚动轴承故障自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610549.4A CN112597958B (zh) | 2020-12-29 | 2020-12-29 | 一种滚动轴承故障自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597958A CN112597958A (zh) | 2021-04-02 |
CN112597958B true CN112597958B (zh) | 2023-04-07 |
Family
ID=75206263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011610549.4A Active CN112597958B (zh) | 2020-12-29 | 2020-12-29 | 一种滚动轴承故障自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597958B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113588268B (zh) * | 2021-07-28 | 2022-05-13 | 大连海天兴业科技有限公司 | 一种基于包络谱故障特征识别的最优滤波频带选择方法 |
CN117705448B (zh) * | 2024-02-05 | 2024-05-07 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5922963A (en) * | 1997-06-13 | 1999-07-13 | Csi Technology, Inc. | Determining narrowband envelope alarm limit based on machine vibration spectra |
CN102928225A (zh) * | 2012-10-31 | 2013-02-13 | 西安交通大学 | 一种针对滚动轴承故障诊断的自适应共振解调方法 |
CN103499445A (zh) * | 2013-09-28 | 2014-01-08 | 长安大学 | 一种基于时频切片分析的滚动轴承故障诊断方法 |
CN106053069A (zh) * | 2016-06-29 | 2016-10-26 | 潍坊学院 | 一种滚动轴承的ssd、谱峭度和平滑迭代包络分析方法 |
CN106168538A (zh) * | 2016-06-29 | 2016-11-30 | 潍坊学院 | 一种滚动轴承的itd、谱峭度和平滑迭代包络分析方法 |
CN106404394A (zh) * | 2016-08-30 | 2017-02-15 | 北京工业大学 | 一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法 |
CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
JP2019144102A (ja) * | 2018-02-21 | 2019-08-29 | 徹 矢澤 | 信号解析システム、方法およびプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2900745B1 (fr) * | 2006-05-05 | 2008-10-10 | Eurocopter France | Procede et dispositif de diagnostic d'un mecanisme |
ITUA20163745A1 (it) * | 2016-05-24 | 2017-11-24 | Nuovo Pignone Tecnologie Srl | Metodo e sistema per monitorare lo stato di salute di un cuscinetto a rotolamento di una macchina, e macchina equipaggiata con tale sistema |
US11506569B2 (en) * | 2019-01-15 | 2022-11-22 | Computational Systems, Inc. | Bearing and fault frequency identification from vibration spectral plots |
-
2020
- 2020-12-29 CN CN202011610549.4A patent/CN112597958B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5922963A (en) * | 1997-06-13 | 1999-07-13 | Csi Technology, Inc. | Determining narrowband envelope alarm limit based on machine vibration spectra |
CN102928225A (zh) * | 2012-10-31 | 2013-02-13 | 西安交通大学 | 一种针对滚动轴承故障诊断的自适应共振解调方法 |
CN103499445A (zh) * | 2013-09-28 | 2014-01-08 | 长安大学 | 一种基于时频切片分析的滚动轴承故障诊断方法 |
CN106053069A (zh) * | 2016-06-29 | 2016-10-26 | 潍坊学院 | 一种滚动轴承的ssd、谱峭度和平滑迭代包络分析方法 |
CN106168538A (zh) * | 2016-06-29 | 2016-11-30 | 潍坊学院 | 一种滚动轴承的itd、谱峭度和平滑迭代包络分析方法 |
CN106404394A (zh) * | 2016-08-30 | 2017-02-15 | 北京工业大学 | 一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法 |
CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
JP2019144102A (ja) * | 2018-02-21 | 2019-08-29 | 徹 矢澤 | 信号解析システム、方法およびプログラム |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
A novel method for the optimal band selection for vibration signal demodulation and comparison with the Kurtogram;Barszcz T et al;《Mechanical Systems and Signal Processing》;20111231;全文 * |
Variational mode decomposition denoising combined the detrended fluctuation analysis;Liu Y et al;《Signal Processing》;20161231;全文 * |
基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估;黄文艺;《中国优秀硕士学位论文全文数据集》;20200715;全文 * |
自适应变分模式分解方法及其在机械故障诊断中的应用;胡斯念;《中国优秀硕士学位论文全文数据库》;20190915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112597958A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
CN109682601B (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
CN112597958B (zh) | 一种滚动轴承故障自动识别方法及系统 | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
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 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN111238812B (zh) | 一种滚动轴承保持架故障的自诊断方法 | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN109596354B (zh) | 基于自适应共振频带识别的带通滤波方法 | |
CN114739674A (zh) | 轴承故障诊断方法、系统、电子设备及存储介质 | |
JP4561304B2 (ja) | 機械設備の異常診断システム | |
CN108763678A (zh) | 一种具备自适应性的振动信号有效分量提取方法 | |
CN112697484A (zh) | 一种ssd多尺度波动分析状态监测方法及装置 | |
CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
CN112903296B (zh) | 一种滚动轴承故障检测方法及系统 | |
CN116893036A (zh) | 一种加速度信号序列时窗特征平滑的柱塞泵泄露诊断方法 | |
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 | |
CN112747925B (zh) | 一种基于复合形态学滤波的滚动轴承故障诊断方法 | |
CN114858430A (zh) | 一种基于lcd-小波新阈值的机械密封声发射信号降噪方法 | |
CN109981413B (zh) | 网站监控指标报警的方法及系统 |
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 |