CN112747926A - 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 - Google Patents
一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112747926A CN112747926A CN202011532530.2A CN202011532530A CN112747926A CN 112747926 A CN112747926 A CN 112747926A CN 202011532530 A CN202011532530 A CN 202011532530A CN 112747926 A CN112747926 A CN 112747926A
- Authority
- CN
- China
- Prior art keywords
- stochastic resonance
- gamma
- signal
- fault
- rolling 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
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
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种利用二阶参数匹配的随机共振对电机滚动轴承故障进行诊断的方法。将电机滚动轴承振动信号的故障特征提取转化为随机共振问题,以电机滚动轴承的振动信号作为输入,采用二阶参数匹配的随机共振方法放大振动信号中微弱的故障特征信号,得到对应的输出信号,再对输出信号进行时域和频域分析,完成提取特征,以此判断电机滚动轴承是否存在故障以及故障类型。
Description
技术领域
本发明涉及开关磁阻电机故障诊断技术、随机共振技术、总体属于故障诊断领域。
背景技术
电机故障诊断技术一直是国内外研究机械故障中的重点方向之一,基于振动信号、电流信号、声学信号、光谱信号、温度等不同物理参数的诊断技术不断地发展。开关磁阻电机运行时,会受到轴承和其他零部件振动影响和外界噪声的影响,传感器采集到的包含故障信号的振动信号信噪比会变得很低,对电流信号分析也会发现并非标准正弦信号,存在谐波信号的干扰,从包含大量噪声的原始开关磁阻电机信号中提取出故障特征并进行分析其时频特性是开关磁阻电机故障诊断技术的关键所在。
开关磁阻电机虽然具有系统可靠性高,启动转矩大,启动电流低等优点,但是也有噪声振动比其他电机大的缺点。在运行的过程中,也会由于线圈老化,器件损耗等原因发生故障,所以能够准确分析提取出振动信号特征、检测出有无故障和故障的种类,对于防止因开关磁阻电机故障而造成的损失,具有十分重要的意义。
发明内容
本发明的目的在于提供一种二阶参数匹配的随机共振开关磁阻电机故障诊断方法,能够快速准确地分析开关磁阻电机振动信号,对信号进行处理提取出故障特征,实现诊断出有无故障和故障种类。
为实现上述目的,本发明提供如下技术方案:
一种二阶参数匹配的随机共振(SMSR)开关磁阻电机故障诊断方法,步骤如下:
步骤一:用振动传感器采集电机滚动轴承的振动信号;
步骤二:采用二阶Duffing-Holmes方程构建二阶参数匹配的随机共振系统模型;
步骤三:将电机滚动轴承振动信号作为输入x,代入二阶参数匹配的随机共振模型,计算随机共振系统势阱函数的参数a和b;
步骤四:初始化阻尼因子γ,并确定γ的范围,同时设置γ的阈值范围[γstart,γend];
步骤五:计算随机共振系统输出信噪比与输入信噪比之间的比值SNRI;
步骤六:计算SNRI对应的γ值,如果γ没有超过预先设定的阈值范围,则按步长增大势阱函数参数a和b,然后返回步骤五;如果γ超过阈值,则将此γ作为最大的阻尼因子γmax,再根据γmax和势阱函数参数a和b的关系,反推出对应的势阱函数参数a和b,并将此参数作为最优的势阱函数参数aopt和bopt,对应的模型为最优的随机共振模型,然后进入步骤七;
步骤七:以采集的原振动信号为输入,改进四阶龙格库塔法计算得到经过最优随机共振系统后的输出信号;
步骤八,对输出信号进行时域和频域分析,提取故障特征,以此判断有无故障和故障种类。
附图说明
图1是SMSR算法流程图,实现随机共振参数γ确认和故障信号的提取。
图2是开关磁阻电机故障诊断的流程图。
具体实施方式
下面结合附图及具体实施方式,以二阶参数匹配随机共振算法为例,详细描述本发明的技术方案。
如图1所示,具体步骤:
步骤一:用振动传感器采集电机滚动轴承的振动信号;
步骤二:采用二阶Duffing-Holmes方程构建二阶参数匹配的随机共振系统模型;
步骤三:将电机滚动轴承振动信号作为输入x,代入二阶参数匹配的随机共振模型,计算随机共振系统势阱函数的参数a和b;
步骤四:初始化阻尼因子γ,并确定γ的范围,同时设置γ的阈值范围[γstart,γend];
步骤五:计算随机共振系统输出信噪比与输入信噪比之间的比值SNRI;
步骤六:计算SNRI对应的γ值,如果γ没有超过预先设定的阈值范围,则按步长增大势阱函数参数a和b,然后返回步骤五;如果γ超过阈值,则将此γ作为最大的阻尼因子γmax,再根据γmax和势阱函数参数a和b的关系,反推出对应的势阱函数参数a和b,并将此参数作为最优的势阱函数参数aopt和bopt,对应的模型为最优的随机共振模型,然后进入步骤七;
步骤七:以采集的原振动信号为输入,改进四阶龙格库塔法计算得到经过最优随机共振系统后的输出信号;
步骤八,对输出信号进行时域和频域分析,提取故障特征,以此判断有无故障和故障种类。
如图1所示,描述机械振动的二阶Duffing-Holmes方程为:
其中γ为阻尼因子,V(x)是一个四次的双势阱函数,
s(t)为输入的振动信号,一般为周期的正余弦信号,n(t)为噪声函数的统一表示,D为系数。将振动信号和高斯白噪声信号带入方程,则能够构建出二阶参数匹配的随机共振系统模型。
如图1所示,确定阻尼因子γ参数的方法为:对信号进行噪声方差估计,阻尼系数初始化,设置阻尼系数的范围[γstart,γend],提出SNRI参数的概念, 即SNRI是经过SMSR系统输出和输入时候的信噪比的比值。根据确定的参数a,b,h和输入信号带入SMSR模型得到对应γ的SNRI值,迭代输出得到对应[γstart,γend]中最大SNRI值的系数γ。
如图1所示,改进二阶参数匹配SMSR的四阶龙格库塔法方程为:
其中是步长,值为采样频率1/fs.
如图2所示,得到上述所有参数之后,输入开关磁阻电机振动信号,则可以通过改进的四阶龙格库塔法算出经过SMSR系统后的输出信号,然后根据频谱图中的振动信号频率不同来进行特征分析,不同的故障对应的频率是不同的,信号集中在f1频段则可能是内圈故障,在f2频段则可能是外圈故障,f3频段为偏心故障。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法,其特征在于,步骤如下:
步骤一:用振动传感器采集电机滚动轴承的振动信号;
步骤二:采用二阶Duffing-Holmes方程构建二阶参数匹配的随机共振系统模型;
步骤三:将电机滚动轴承振动信号作为输入x,代入二阶参数匹配的随机共振模型,计算随机共振系统势阱函数的参数a和b;
步骤四:初始化阻尼因子γ,并确定γ的范围,同时设置γ的阈值范围[γstart,γend];
步骤五:计算随机共振系统输出信噪比与输入信噪比之间的比值SNRI;
步骤六:计算SNRI对应的γ值,如果γ没有超过预先设定的阈值范围,则按步长增大势阱函数参数a和b,然后返回步骤五;如果γ超过阈值,则将此γ作为最大的阻尼因子γmax,再根据γmax和势阱函数参数a和b的关系,反推出对应的势阱函数参数a和b,并将此参数作为最优的势阱函数参数aopt和bopt,对应的模型为最优的随机共振模型,然后进入步骤七;
步骤七:以采集的原振动信号为输入,改进四阶龙格库塔法计算得到经过最优随机共振系统后的输出信号;
步骤八,对输出信号进行时域和频域分析,提取故障特征,以此判断有无故障和故障种类。
3.根据权利要求1中所述的基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法,其特征在于,步骤六中的最大阻尼因子γmax的确定方法为:设置γ的阈值范围[γstart,γend],在不超过阈值的前提下一直迭代更改a,b的值计算SNRI,再由SNRI计算γ,直到γ超过阈值,然后将γ作为系统最大的阻尼因子γmax,其对应的随机共振系统参数a和b作为最优参数,对应的模型作为最优随机共振模型。
4.根据权利要求1中所述的基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法,其特征在于,步骤七中所提到的四阶龙格库塔法针对于二阶随机共振系统进行了改进,除了针对普通随机共振系统的所需的四个参数外,,改进后的龙格库塔法增加了状态变量参数y,此参数根据输入信号x的迭代而动态变化,随机共振系统的输出更加平滑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532530.2A CN112747926B (zh) | 2020-12-22 | 2020-12-22 | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532530.2A CN112747926B (zh) | 2020-12-22 | 2020-12-22 | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112747926A true CN112747926A (zh) | 2021-05-04 |
CN112747926B CN112747926B (zh) | 2022-04-15 |
Family
ID=75645816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011532530.2A Active CN112747926B (zh) | 2020-12-22 | 2020-12-22 | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112747926B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5786735A (en) * | 1980-11-20 | 1982-05-29 | Agency Of Ind Science & Technol | Forecasting method for failure in rolling bearing |
CN102226740A (zh) * | 2011-04-18 | 2011-10-26 | 中国计量学院 | 基于外加周期信号控制随机共振的轴承故障检测方法 |
DE102012220713A1 (de) * | 2011-11-28 | 2013-05-29 | International Business Machines Corporation | Verhindern von durch Störungen verursachte Ausfällen in einem Computersystem |
CN105893690A (zh) * | 2016-04-18 | 2016-08-24 | 中国矿业大学 | 基于周期势系统自适应随机共振的微弱特征信息提取方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN107702921A (zh) * | 2017-09-04 | 2018-02-16 | 西安交通大学 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
CN108760310A (zh) * | 2018-07-02 | 2018-11-06 | 中国矿业大学 | 基于新型信噪比指标的随机共振滚动轴承故障诊断方法 |
US20190250067A1 (en) * | 2016-12-27 | 2019-08-15 | South China University Of Technology | Fault diagnosis and life testing machine for flexible precision thin-wall bearing |
EP3550278A1 (en) * | 2018-04-06 | 2019-10-09 | United Technologies Corporation | Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing |
US20190383700A1 (en) * | 2018-06-19 | 2019-12-19 | Palo Alto Research Center Incorporated | Model-based diagnosis in frequency domain |
CN111507305A (zh) * | 2020-04-30 | 2020-08-07 | 电子科技大学 | 基于wcsnr分数阶自适应随机共振轴承故障诊断方法 |
-
2020
- 2020-12-22 CN CN202011532530.2A patent/CN112747926B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5786735A (en) * | 1980-11-20 | 1982-05-29 | Agency Of Ind Science & Technol | Forecasting method for failure in rolling bearing |
CN102226740A (zh) * | 2011-04-18 | 2011-10-26 | 中国计量学院 | 基于外加周期信号控制随机共振的轴承故障检测方法 |
DE102012220713A1 (de) * | 2011-11-28 | 2013-05-29 | International Business Machines Corporation | Verhindern von durch Störungen verursachte Ausfällen in einem Computersystem |
CN105893690A (zh) * | 2016-04-18 | 2016-08-24 | 中国矿业大学 | 基于周期势系统自适应随机共振的微弱特征信息提取方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
US20190250067A1 (en) * | 2016-12-27 | 2019-08-15 | South China University Of Technology | Fault diagnosis and life testing machine for flexible precision thin-wall bearing |
CN107702921A (zh) * | 2017-09-04 | 2018-02-16 | 西安交通大学 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
EP3550278A1 (en) * | 2018-04-06 | 2019-10-09 | United Technologies Corporation | Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing |
US20190383700A1 (en) * | 2018-06-19 | 2019-12-19 | Palo Alto Research Center Incorporated | Model-based diagnosis in frequency domain |
CN108760310A (zh) * | 2018-07-02 | 2018-11-06 | 中国矿业大学 | 基于新型信噪比指标的随机共振滚动轴承故障诊断方法 |
CN111507305A (zh) * | 2020-04-30 | 2020-08-07 | 电子科技大学 | 基于wcsnr分数阶自适应随机共振轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
CHANGBO HE 等: "Incipient rolling element bearing weak fault feature extraction based on adaptive second-order stochastic resonance incorporated by mode decomposition", 《MEASUREMENT》 * |
CHENGDONG WANG 等: "Study on The Application of Ambiguity Function to Bearing Fault Diagnosis", 《2009 8TH INTERNATIONAL CONFERENCE ON RELIABILITY, MAINTAINABILITY AND SAFETY》 * |
YONGQIANG DUAN 等: "Improving the Accuracy of Fault Frequency by Means of Local Mean Decomposition and Ratio Correction Method for Rolling Bearing Failure", 《APPLIED SCIENCES》 * |
苑宇 等: "基于二阶非对称随机共振的轴承故障特征提取", 《大连交通大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112747926B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178318B (zh) | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 | |
CN107832525B (zh) | 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用 | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN102323518B (zh) | 一种基于谱峭度的局部放电信号识别方法 | |
Tu et al. | Generalized horizontal synchrosqueezing transform: Algorithm and applications | |
CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
CN1679083A (zh) | 不利环境中的多信道语音检测 | |
Liao et al. | An automatic filtering method based on an improved genetic algorithm—with application to rolling bearing fault signal extraction | |
CN111044902A (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
Qin et al. | Maximum correlation Pearson correlation coefficient deconvolution and its application in fault diagnosis of rolling bearings | |
Wang et al. | A new blind fault component separation algorithm for a single-channel mechanical signal mixture | |
Yao et al. | Weak fault feature extraction of rotating machinery based on double-window spectrum fusion enhancement | |
Hua et al. | The methodology of modified frequency band envelope kurtosis for bearing fault diagnosis | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
CN112747926B (zh) | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 | |
Deng et al. | Adaptive bandwidth Fourier decomposition method for multi-component signal processing | |
Chen et al. | Rolling bearing fault feature extraction method using adaptive maximum cyclostationarity blind deconvolution | |
CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
Lv et al. | Generalized synchroextracting-based stepwise demodulation transform and its application to fault diagnosis of rotating machinery | |
Lv et al. | High-order synchroextracting chirplet transform for accurate instantaneous frequency estimation and its application in fault diagnosis of rotary machinery | |
CN111611832A (zh) | 基于加速度信号获取车辆响应位移的方法及其系统 | |
Die et al. | Rolling bearing fault feature extraction method based on VMD and fast-kurtogram | |
CN102680080B (zh) | 一种基于改进的自适应形态滤波的非稳态信号检测方法 | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 |
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 |