CN112749366B - 一种基于相干噪声抑制的电机故障特征提取方法 - Google Patents
一种基于相干噪声抑制的电机故障特征提取方法 Download PDFInfo
- Publication number
- CN112749366B CN112749366B CN202011524342.5A CN202011524342A CN112749366B CN 112749366 B CN112749366 B CN 112749366B CN 202011524342 A CN202011524342 A CN 202011524342A CN 112749366 B CN112749366 B CN 112749366B
- Authority
- CN
- China
- Prior art keywords
- signals
- signal
- omega
- vibration
- motor
- 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
- 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
-
- 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
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于信号相干噪声抑制的电机故障信号特征提取方法。首先收集待测电机机座及滚动轴承附近的振动信号。然后对两个振动信号进行加窗和傅立叶变换,得到各自的自功率谱密度和两个信号之间的互功率谱密度。然后基于自功率谱密度与互功率谱密度求取两个信号所包含的故障信号的空间相干转移矩阵。之后在频域利用相干转移矩阵对电机滚动轴承处振动信号中的背景信号噪声进行滤除,得到噪声抑制后的信号,再通过傅立叶反变换得到时域信号;最后对噪声抑制后的信号进行带通滤波和包络解调分析,将包络谱的频率和幅值作为提取到电机滚动轴承的故障特征。
Description
技术领域
本发明属于电机故障诊断领域,涉及一种基于信号相干噪声抑制的电机故障特征提取的方法研究。
背景技术
电机故障诊断技术是建立在故障诊断技术上的一个分支,常见的电机故障有机械故障和电气故障等,而电机的机械故障一般包括定子异常,偏心故障以及轴承故障等,这些故障都可以由振动信号反映出来。
常用的电机故障诊断方法可以分为以下三类:基于模型的故障诊断方法,基于信号的故障诊断方法,以及基于数据驱动的故障诊断方法。其中,基于信号的方法可以通过处理传感器采集到的电机信号,从中提取一些关键信息作为判别的依据,然后与正常的电机信号进行对比,基于经验或者知识来判断。信号处理方法一般有时域方法,频域方法和时频分析方法,其中频域分析的经典方法是快速傅里叶变换,它可以清楚地显示信号的频率分布,不同的故障的谐波频率以及幅值都不同。常用的频域分析方法还有短时傅里叶变换,小波变换,希尔伯特-黄变换等。
发明内容
本发明的目的在于提供一种基于信号相干噪声抑制的电机故障特征提取方法,采集待测信号和参考信号并计算其自功率谱密度及两个信号之间的互功率谱密度,通过功率密度谱计算两个传感器测得的信号之间的空间相干转移矩阵,进而对背景信号进行抑制和滤除。
本发明公开了一种基于信号相干噪声抑制的电机故障特征提取方法,具体步骤包括:
步骤一:采用两个振动信号传感器,一个安装于待诊断电机滚动轴承附近,一个安装于电机机座,两个传感器同步测量振动信号;
步骤二,对测得的两个传感器的振动信号进行加窗处理和傅立叶变换,并计算两个振动信号的自功率谱密度Sx(ω)和Sy(ω);
步骤三,计算两个振动信号的互功率谱密度Gxy(ω)。
步骤四,根据计算得到的自功率谱密度Sx(ω)和Sy(ω)以及互功率谱密度Gxy(ω),计算两个信号的空间相干转移矩阵H(ω);
步骤五,对两个振动信号分别进行傅立叶变换得到的结果表示为X(ω)和Y(ω),再根据X(ω),Y(ω)和转移矩阵H(ω)计算得到消噪处理后的频域信号,然后再对频域信号进行傅立叶反变换得到噪声抑制后的时域信号;
步骤六,对噪声抑制后的信号进行带通滤波,然后对滤波后的信号进行包络解调分析,得到调制信号的频率和幅值信息,作为电机滚动轴承的故障特征。
2.根据权利要求1所述的一种基于相干噪声抑制的电机故障特征提取方法,其特征在于,步骤四计算空间相干转移矩阵H(ω)的具体方法如下:设电机机座的振动信号为e(n),滚动轴承附近的振动信号为b(n),则两个传感器所测得的滚动轴承处振动信号x(n)以及机座处振动信号y(n)表示如下::
x(n)=e(n)+b(n)
y(n)=e(n)+b(n)*h(n)
设X(ω,k),Y(ω,k)为两个振动信号的傅里叶变换结果,则两个传感器的信号在频域表示为:
X(ω,k)=E(ω,k)+B(ω,k)
Y(ω,k)=E(ω,k)+B(ω,k)×H(ω,k)
根据两个振动信号的自谱与互谱关系,转移矩阵H(ω,k)的计算公式为:
3.根据权利要求1所述的一种基于相干噪声抑制的电机故障特征提取方法,其特征在于,步骤五得到噪声抑制后的故障信号的公式为:
其中F-1表示傅里叶反变换,H(ω)表示计算得到的空间转移矩阵,X(ω)和Y(ω)表示两个信号的傅里叶变换。
附图说明
图1为本发明故障信号提取方法流程图;
图2为实验收集的电机机座振动信号和滚动轴承处的振动信号。
图3为采集的信号的自功率谱密度;
图4为信号的互功率谱密度图;
图5为噪声抑制后的信号时域图;
图6为提取的故障信号包络谱。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
参见图1流程图所示,本实施案例提供的开关磁阻电机的故障信号特征提取方法包括以下步骤:
步骤一,用两个压电式加速度互感器振动传感器采集待测电机机座部位以及电机滚动轴承附近的振动信号;
步骤二,对两个振动信号进行加窗和傅里叶变换处理,并计算两个振动信号的自功率谱密度。根据信号自相关函数的定义:
自相关函数作傅里叶变换可求得自功率谱密度函数:
得到的两个信号的自功率谱密度如图3所示。
步骤三,计算两个振动信号的互功率谱密度。根据互相关函数定义,信号x(t)与y(t)的互相关函数为:
得到的两个信号的互功率谱密度如图4所示。
步骤四,根据计算得到的自功率谱密度Sx(ω)和Sy(ω)以及互功率谱密度Gxy(ω)计算两个信号的空间相干转移矩阵H(ω);
步骤五,对两个振动信号分别进行傅立叶变换得到的结果表示为X(ω)和Y(ω),再根据X(ω),Y(ω)和转移矩阵H(ω)计算得到消噪处理后的频域信号,然后再对频域信号进行傅立叶反变换得到噪声抑制后的时域信号;
对电机滚动轴承处信号进行噪声抑制后的波形如图5所示。
步骤六,对噪声抑制后的信号进行带通滤波以及包络解调分析,得到调制信号的频率和幅值信息,作为提取到的故障特征,提取的特征信号如图6所示。
以上实例仅仅用于帮助理解本发明的方法和核心思想,不能认定本发明只限于上述实施例。在具体实践时,根据本发明的思想,在具体实施方式及应用范围上均会有改变之处,对本发明的各种等价形式的修改和替换都应落入本发明的保护范围内。
Claims (3)
1.一种基于相干噪声抑制的电机故障特征提取方法,其特征在于,包括以下步骤:
步骤一:采用两个振动信号传感器,一个安装于待诊断电机滚动轴承附近,一个安装于电机机座,两个传感器同步测量振动信号;
步骤二:对测得的两个传感器的振动信号进行加窗处理和傅立叶变换,并计算两个振动信号的自功率谱密度Sx(ω)和Sy(ω);
步骤三:计算两个振动信号的互功率谱密度Gxy(ω);
步骤四:根据自功率谱密度Sx(ω)和Sy(ω)以及互功率谱密度Gxy(ω),计算两个振动信号的空间相干转移矩阵H(ω);
步骤五:对两个振动信号分别进行傅立叶变换得到的结果表示为X(ω)和Y(ω),再根据X(ω),Y(ω)和转移矩阵H(ω)计算得到消噪处理后的频域信号,然后再对频域信号进行傅立叶反变换得到噪声抑制后的时域信号;
步骤六:对噪声抑制后的信号进行带通滤波,然后对滤波后的信号进行包络解调分析,得到调制信号的频率和幅值信息,作为电机滚动轴承的故障特征。
2.根据权利要求1所述的一种基于相干噪声抑制的电机故障特征提取方法,其特征在于,步骤四计算空间相干转移矩阵H(ω)的具体方法为:设电机机座的振动信号为e(n),滚动轴承附近的振动信号为b(n),则两个传感器所测得的滚动轴承处振动信号x(n)以及机座处振动信号y(n)表示如下:
x(n)=e(n)+b(n)
y(n)=e(n)+b(n)*h(n)
设X(ω,k),Y(ω,k)为两个振动信号的傅里叶变换结果,则两个传感器的信号在频域表示为:
X(ω,k)=E(ω,k)+B(ω,k)
Y(ω,k)=E(ω,k)+B(ω,k)×H(ω,k)
根据两个振动信号的自谱与互谱关系,转移矩阵H(ω,k)的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524342.5A CN112749366B (zh) | 2020-12-22 | 2020-12-22 | 一种基于相干噪声抑制的电机故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524342.5A CN112749366B (zh) | 2020-12-22 | 2020-12-22 | 一种基于相干噪声抑制的电机故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749366A CN112749366A (zh) | 2021-05-04 |
CN112749366B true CN112749366B (zh) | 2023-03-07 |
Family
ID=75648164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524342.5A Active CN112749366B (zh) | 2020-12-22 | 2020-12-22 | 一种基于相干噪声抑制的电机故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749366B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113405753B (zh) * | 2021-05-10 | 2022-01-11 | 中山大学 | 一种基于振动传感器的地面振动噪声共模抑制方法及系统 |
CN114441174A (zh) * | 2022-02-09 | 2022-05-06 | 上海电气集团股份有限公司 | 滚动轴承复合故障的诊断方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106468774A (zh) * | 2016-09-09 | 2017-03-01 | 北京航空航天大学 | 一种应用于星基增强系统的星历星钟改正参数及空间信号完好性参数方法 |
CN108168891A (zh) * | 2018-02-26 | 2018-06-15 | 成都昊铭科技有限公司 | 滚动轴承微弱故障信号特征的提取方法及设备 |
EP3637209A1 (en) * | 2018-10-11 | 2020-04-15 | Palo Alto Research Center Incorporated | Motion-insensitive features for condition-based maintenance of factory robots |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
-
2020
- 2020-12-22 CN CN202011524342.5A patent/CN112749366B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106468774A (zh) * | 2016-09-09 | 2017-03-01 | 北京航空航天大学 | 一种应用于星基增强系统的星历星钟改正参数及空间信号完好性参数方法 |
CN108168891A (zh) * | 2018-02-26 | 2018-06-15 | 成都昊铭科技有限公司 | 滚动轴承微弱故障信号特征的提取方法及设备 |
EP3637209A1 (en) * | 2018-10-11 | 2020-04-15 | Palo Alto Research Center Incorporated | Motion-insensitive features for condition-based maintenance of factory robots |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
Non-Patent Citations (2)
Title |
---|
Renping Shao等.The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform.2014,第54卷第118-132页. * |
孙苗钟 等.振动信号处理与多功能时频分析系统的研究.2020,第35卷(第4期),第58-64,74页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112749366A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
CN112749366B (zh) | 一种基于相干噪声抑制的电机故障特征提取方法 | |
Guo et al. | Envelope order tracking for fault detection in rolling element bearings | |
CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
CN106052849B (zh) | 一种汽车车内非平稳异常噪声源识别方法 | |
CN101221066B (zh) | 工程非线性振动检测方法 | |
Yan et al. | Harmonic wavelet-based data filtering for enhanced machine defect identification | |
Li et al. | Multi-scale autocorrelation via morphological wavelet slices for rolling element bearing fault diagnosis | |
Yan et al. | Energy-based feature extraction for defect diagnosis in rotary machines | |
CN102288285A (zh) | 一种单通道振动信号的盲源分离方法 | |
CN102840907A (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 | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN104215456A (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN109684898A (zh) | 航空发动机及其振动信号盲分离方法和装置 | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
Zheng et al. | Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement | |
CN109029999A (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
Li et al. | A piecewise nonlinear stochastic resonance method and its application to incipient fault diagnosis of machinery | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
CN106980722B (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
Gong et al. | Fault detection for rolling element bearing based on repeated single-scale morphology and simplified sensitive factor algorithm | |
CN116361733A (zh) | 一种故障诊断方法、装置、系统以及存储介质 | |
Huang et al. | Short-time kurtogram for bearing fault feature extraction under time-varying speed conditions | |
Zhu et al. | Extraction of periodic signal without external reference by time-domain average scanning |
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 |