CN112857804A - 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 - Google Patents
一种滚动轴承故障诊断的方法、装置、介质及计算机设备 Download PDFInfo
- Publication number
- CN112857804A CN112857804A CN202110175492.8A CN202110175492A CN112857804A CN 112857804 A CN112857804 A CN 112857804A CN 202110175492 A CN202110175492 A CN 202110175492A CN 112857804 A CN112857804 A CN 112857804A
- Authority
- CN
- China
- Prior art keywords
- signal
- initial
- determining
- rolling bearing
- reconstructed
- 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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种滚动轴承故障诊断的方法、装置、介质及计算机设备,包括:对滚动轴承的振动信号进行截取,获得初始信号;基于初始信号创建初始Hankel矩阵,利用奇异值分解算法对初始Hankel矩阵进行重构,获得重构信号;利用1.5维对称差分解析能量算子解调算法对重构信号进行解调,获得解调信号;基于解调信号确定故障特征信号的1.5维能量谱;基于1.5维能量谱对轴承进行故障诊断;如此,利用自适应奇异值分解算法对滚动轴承原始的振动信号进行重构处理,可去除振动信号中的背景噪声,获得故障特征;再通过1.5维对称差分解析能量算子解调算法对故障特征进行处理,抑制残留噪声,提升故障特征,确保故障诊断结果的精度。
Description
技术领域
本申请属于故障诊断技术领域,尤其涉及一种滚动轴承故障诊断的方法、装置、介质及计算机设备。
背景技术
在旋转机械设备中,轴承是最常用的器件,也是最容易损坏的器件。轴承的故障能带来很大的经济损失,甚至带来人身伤害,因此对轴承进行监控和诊断十分必要。
旋转机械设备的轴承一般工作条件较为复杂,当轴承出现故障时,冲击信号往往被背景噪声所淹没,振动信号的冲击不明显,信噪比低,对故障诊断的准确性带来很大影响,因此需要对采集的信号进行信号处理,提升故障信号的特征。
目前,相关技术中主要通过对时域,频域以及时频域的信号进行分析,选取有效的信号信息进行故障信号的特征提升。常用的方法主要有信号滤波/去噪算法、信号分解方法、随机共振方法,以及其它信号解调方法等等。上述方法虽然能取得一定的滤波效果,但是均存在对应的缺点,影响滤波效果;特别是在振动信号包含有大量的背景噪声时,故障产生的冲击性信号被淹没、故障特征难以提取,导致提取的故障特征存在较大误差,影响故障诊断结果的精度。
发明内容
针对现有技术存在的问题,本申请实施例提供了一种滚动轴承故障诊断的方法、装置、介质及计算机设备,用于解决现有技术中对旋转机械设备的滚动轴承进行故障诊断时,故障产生的冲击性信号被淹没、故障特征难以提取,导致提取到的故障特征存在较大误差,进而导致故障诊断结果的精度不高的技术问题。
第一方面,本申请提供一种滚动轴承故障诊断的方法,所述方法包括:
基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fr为所述滚动轴承的转动频率,所述fs为所述振动信号的采样频率;所述所述N为所述初始信号的数量;
利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
基于所述解调信号确定所述故障特征的1.5维能量谱;
基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
可选的,所述基于预设的截取策略对所述振动信号进行截取,获得初始信号,包括:
基于所述振动信号的长度确定截取长度2L,所述截取长度2L小于所述振动信号的长度且所述截取长度2L与所述振动信号长度的差值最小;
可选的,所述利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号,包括:
利用自适应所述奇异值分解算法对所述初始Hankel矩阵进行分解,获得第一正交矩阵、第二正交矩阵及第一非负对角矩阵;
基于预设的筛选策略在所述第一非负对角矩阵中确定出有效奇异值,并将所述第一非负对角矩阵的无效奇异值置零,获得第二非负对角矩阵;
利用奇异值分解算法的逆变换策略对所述第一正交矩阵、所述第二正交矩阵及所述第二非负对角矩阵进行重构,获得重构Hankel矩阵;
利用相空间重构算法的逆变换策略对所述重构Hankel矩阵进行逆变换,获得所述重构信号。
可选的,所述基于预设的筛选策略在所述第一非负对角矩阵中确定出有效奇异值,包括:
基于公式φk=σk-σk+1确定目标信号集合Φ,所述Φ=(φ1,φ2,…,φn-1);所述σk为所述第一非负对角矩阵中的第k个奇异值,所述σk+1为所述第一非负对角矩阵中的第k+1个奇异值,所述φk为所述第k个奇异值与第k+1个奇异值之间的差值,所述k=1,2……n-1;所述n为所述第一非负对角矩阵的列数;
基于所述目标信号集合中各目标信号的值生成对应的曲线图;
确定所述曲线图中的至少一个波峰值;
基于所述波峰值确定所述有效奇异值的数量γ;
将所述第一非负对角矩阵中前γ个奇异值确定为所述有效奇异值。
可选的,基于所述波峰值确定所述有效奇异值的数量,包括:
若确定所述曲线图中的第一个波峰值对应的信号为所述目标信号集合中的第一个信号φ1时,则获得所述第一个波峰值的下一波峰值;将所述下一波峰值的横坐标确定为所述有效奇异值的数量;
若确定所述曲线图中的第一个波峰值对应的信号不是所述目标信号集合中的第一个信号φ1时,则获得所述第一个波峰值对应的横坐标;将所述第一个波峰值对应的横坐标确定为所述有效奇异值的数量。
可选的,所述利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号,包括:
所述为第i个解调信号;所述为对信号进行Hilbert变换得到的信号;所述为第i个重构信号;所述为第i+1个重构信号;所述为第i-1个重构信号;所述i=1,2……N-1,所述N为所述初始信号中的信号数量。
可选的,所述基于所述解调信号确定所述故障特征信号的1.5维能量谱,包括:
利用公式对所述三阶累计量进行傅里叶变换,获得所述故障特征信号的1.5维能量谱C(ω);其中,所述E为均值运算符,所述τ为时延参数,ejω为频域转换运算符,所述为任一解调信号,所述i≤N-τ,所述N为所述初始信号的数量;所述为对所述解调信号进行傅里叶变换后的频域信号,所述为所述的复数共轭。
第二方面,本申请还提供一种滚动轴承故障诊断的装置,所述装置包括:
截取单元,用于基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
创建单元,用于基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fr为所述滚动轴承的转动频率,所述fs为所述振动信号的采样频率;所述所述N为所述初始信号的数量;
重构单元,用于利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
解调单元,用于利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
确定单元,用于基于所述解调信号确定所述故障特征信号的1.5维能量谱;
诊断单元,用于基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
第三方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
第四方面,本申请提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权第一方面中任一项所述方法的步骤。
本申请实施例提供了一种滚动轴承故障诊断的方法、装置、介质及计算机设备,方法包括:基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;基于所述初始信号创建初始Hankel矩阵,所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fs为所述滚动轴承的转动频率,所述fr为所述振动信号的采样频率;所述所述N为所述初始信号的数量;利用奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;基于所述解调信号确定所述故障特征信号的1.5维能量谱;基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断;如此,本申请首先利用自适应奇异值分解算法对滚动轴承原始的振动信号进行重构处理,可以有效去除振动信号中的背景噪声,获得故障特征信号;然后为了进一步提高故障特征信号的提取精度,通过1.5维对称差分解析能量算子解调算法对重构信号进行进一步处理,以抑制残留噪声,提高信噪比,增强故障信号的周期冲击特性,提升故障特征,进而可确保提取到高精度的故障特征,确保滚动轴承故障诊断结果的精度。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例提供的滚动轴承故障诊断的方法流程示意图;
图2为本申请实施例提供的目标信号集合对应的曲线图;
图3为本申请实施例提供的另一目标信号集合对应的曲线图;
图4为本申请实施例提供的滚动轴承故障诊断的装置结构示意图;
图5为本申请实施例提供的无故障轴承的振动信号的时域图;
图6为本申请实施例提供的无故障轴承的振动信号对应的包络谱示意图;
图7为本申请实施例提供的具有外圈伤的轴承对应的重构信号的时域图;
图8为本申请实施例提供的具有外圈伤的轴承对应的重构信号的包络谱示意图;
图9为本申请实施例提供的具有外圈伤的轴承对应的解调信号的时域图;
图10为本申请实施例提供的具有外圈伤的轴承对应的1.5维能量谱示意图;
图11为本申请实施例提供的具有内圈伤的轴承对应的解调信号的时域图;
图12为本申请实施例提供的具有内圈伤的轴承对应的1.5维能量谱示意图;
图13为本申请实施例提供的具有滚动体故障的轴承对应的解调信号的时域图;
图14为本申请实施例提供的具有滚动体故障的轴承对应的1.5维能量谱示意图;
图15为本发明实施例提供的计算机设备结构示意图;
图16为本申请实施例提供的计算机存储介质结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请发明人在实际工作过程中发现,在对振动信号进行率波时,信号滤波方法虽然能够取得一定的滤波效果,但也存在一些缺点。比如:高通、低通、带通滤波需要预先得知滤波的截止频率,所选频带过宽、频带过高会对滤波信号产生很大的影响。智能滤波方法容易陷入局部最优而导致得到的结果并不是最优的信号;同时智能滤波方法在强噪声、低信噪比的情况下,滤波效果往往不佳。信号分解方法也存在一些缺点,如经验模态分解存在端点效应、模态混叠等缺点,变分模态分解方法的参数多且计算复杂度高,局部均值分解受噪声影响大,小波分解基函数的最优选择较难等缺点,这些问题常常导致提取的故障特征存在误差。随机共振算法对参数非常的敏感,参数选取不当会对结果产生很大的影响。信号解调方法要求对信号对象本身有很好的认识,信号处理的前置经验要求高,因此也带来了限制。
基于此,本申请实施例提供一种滚动轴承故障诊断的方法,如图1所示,方法包括:
S110,基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
S111,基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fs为所述滚动轴承的转动频率,所述fr为所述振动信号的采样频率;所述所述N为所述初始信号的数量;
S112,利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
S113,利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
S114,基于所述解调信号确定所述故障特征信号的1.5维能量谱;
S115,基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
下面详细介绍本申请提供的滚动轴承故障诊断的方法的执行步骤:
首先执行步骤S110,基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号。
具体来讲,在基于预设的截取策略对滚动轴承的振动信号进行截取之前,需要先获取滚动轴承的振动信号。
本实施例中在滚动轴承的X轴、Y轴及Z轴分别放置一个加速度传感器,当滚动轴承在常速下运行时,利用相应的加速度传感器以预设的采样频率fs采集滚动轴承的振动信号。然后接收各加速度传感器发送的振动信号,也即获取到滚动轴承的振动信号。此时振动信号时原始信号,振动信号包括背景噪声和故障特征。
获取到振动信号后,基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号。
具体来讲,基于振动信号的长度确定截取长度2L,截取长度2L小于振动信号的长度且截取长度2L与振动信号长度的差值最小;
基于截取长度2L对振动信号进行截取,获得所述初始信号X;其中,L为整数。初始信号为一维信号,初始信号可以为X=(x1,x2,…xN);N为初始信号的数量。
举例来说,假设振动信号的长度为130,当L取值为7时,截取长度2L为128,当L取值为8时,截取长度2L为256;此时可以确定出128与130的差值最小,因此截取长度应为128。本实施例中将截取长度设置为2L,以确保后续在进行傅里叶变换时,提高变换速度。
然后执行步骤S111,基于初始信号创建初始Hankel矩阵。
具体来讲,初始Hankel矩阵Hm×n的行数和列数的数量最终会影响到故障特征的提取精度,因此本实施例中初始Hankel矩阵的行数m基于公式确定,初始Hankel矩阵的列数n基于公式n=N-m+1确定;最终确定出的初始Hankel矩阵
这样,相比现有技术中依靠经验创建Hankel矩阵的行数和列数的方法来说,本实施例根据振动信号的转动频率及轴承的转动频率来自适应确定初始Hankel矩阵的行数和列数,能够有效地去除背景噪声,提升故障特征。
接下来,执行步骤S112,利用自适应奇异值分解算法对初始Hankel矩阵进行重构,获得重构信号。
较优的,利用自适应奇异值分解算法对初始Hankel矩阵进行重构,获得重构信号,包括:
利用自适应奇异值分解算法对初始Hankel矩阵进行分解,获得第一正交矩阵Um×m、第二正交矩阵Vn×n及第一非负对角矩阵Sm×n;其中,Hm×n=Um×mSm×nVT n×n;
基于预设的筛选策略在第一非负对角矩阵Sm×n中确定出有效奇异值,并将第一非负对角矩阵的无效奇异值置零,获得第二非负对角矩阵;有效奇异值为具有明显故障特征的奇异值(有效奇异值也可以理解为具有较多故障特征的奇异值),无效奇异值为不具有明显故障特征的奇异值(无效奇异值也可以理解为具有较少故障特征或不具有故障特征的奇异值)。
这里,第一非负对角矩阵Sm×n=diag(σ1,σ2,…σn),基于预设的筛选策略在所述第一非负对角矩阵Sm×n中确定出有效奇异值,包括:
基于公式φk=σk-σk+1确定目标信号集合Φ,Φ=(φ1,φ2,…,φn-1);σk为第一非负对角矩阵Sm×n中的第k个奇异值,σk+1为第一非负对角矩阵中的第k+1个奇异值,φk为第k个奇异值与第k+1个奇异值之间的差值,φk也为目标信号集合中第k个目标信号,k=1,2……n-1;n为第一非负对角矩阵Sm×n的列数;
基于目标信号集合中各目标信号的值生成对应的曲线图;
确定曲线图中的至少一个波峰值;
基于波峰值确定有效奇异值的数量γ;
将第一非负对角矩阵中前γ个奇异值确定为有效奇异值。
具体来讲,基于波峰值确定有效奇异值的数量,包括:
若确定曲线图中的第一个波峰值对应的信号为目标信号中的第一个信号φ1时,则获得第一个波峰值的下一波峰值;将下一波峰值的横坐标确定为有效奇异值的数量;
若确定曲线图中的第一个波峰值对应的信号不是目标信号中的第一个信号φ1时,则获得第一个波峰值对应的横坐标;将第一个波峰值对应的横坐标确定为有效奇异值的数量。
举例来说,假设第一非负对角矩阵Sm×n=diag(σ1,σ2,…σn)中的奇异值包括5个,分别为σ1=5,σ2=6,σ3=3,σ4=7,σ5=1,那么目标信号集合Φ=(-1,3,-4,6),若对目标信号集合中每个目标信号的横坐标不做限制时,目标信号集合对应的曲线图可参考图2。
从图2可以看出,曲线图中的第一个波峰值3对应的信号为目标信号集合中的第二个信号φ2,此时可以获得第一个波峰值对应的横坐标,将第一个波峰值对应的横坐标作为有效奇异值的数量。
假设第一非负对角矩阵Sm×n=diag(σ1,σ2,…σn)中的奇异值包括5个,分别为σ1=5,σ2=4,σ3=6,σ4=3,σ5=1,那么目标信号集合Φ=(1,-2,3,-,2),目标信号集合对应的曲线图可参考图3。
从图3可以看出,曲线图中的第一个波峰值1对应的信号为目标信号集合中的第一个信号φ1,此时可以获得第一个波峰值的下一波峰值,将下一波峰值3对应的横坐标作为有效奇异值的数量。
这样可最终确定出第一非负对角矩阵中的有效奇异值,并将第一非负对角矩阵中的无效奇异值置0,获得第二非负对角矩阵。
再利用自适应奇异值分解算法的逆变换策略对第一正交矩阵Um×m、第二正交矩阵Vn×n及第二非负对角矩阵进行重构,获得重构Hankel矩阵利用相空间重构算法的逆变换策略对重构Hankel矩阵进行逆变换,获得重构信号
这样,最后获得到重构信号为去除背景噪声后的振动信号,也即重构信号为振动信号中的故障特征。本申请实施例利用自适应奇异值分解算法对滚动轴承原始的振动信号进行重构处理,可以有效去除振动信号中的背景噪声,获得故障特征。
为了进一步提升故障特征,提高故障特征的提取精度,接下来执行步骤S113,利用1.5维对称差分解析能量算子解调算法对重构信号进行解调,获得解调信号。
然后执行步骤S114,基于解调信号确定故障特征信号的1.5维能量谱。
利用公式对三阶累计量C(τ)进行傅里叶变换,获得故障特征信号的1.5维能量谱C(ω);其中,E为均值运算符,τ为时延参数,ejω为频域转换运算符,为任一解调信号,i≤N-τ,N为初始信号的数量;为对解调信号进行傅里叶变换后获得的频域信号,为的复数共轭。
这里,时延参数τ可根据公式τ=2L确定,L取值可以为0~8中的任一值,通常来说,τ=1。
故障特征信号的1.5维能量谱确定出之后,可执行步骤S115,基于故障特征信号的1.5维能量谱对滚动轴承进行故障诊断。
具体来讲,先根据公式确定滚动轴承的外圈故障特征频率BPFO;根据公式确定滚动轴承的外圈故障特征频率BPFI;根据公式确定滚动轴承的滚子障特征频率BSF;其中,F为轴承的滚动体数量,d为轴承的滚动体直径,D为轴承节径,a为接触角。
然后针对每一种故障特征频率,并行确定每一种故障特征频率的一倍频、二倍频及三倍频对应的当前频率位;
针对任一当前频率位,在当前频率位的正负5%(左右5个点)范围内查找1.5维能量谱中最大谱值A对应的目标频率位;
比如,当前频率位为99Hz,那么可以在(94~104)Hz之间查找1.5维能量谱中最大谱值A对应的目标频率位。
基于目标频率位确定第一频率位及第二频率位;比如:第一频率位可以为目标频率位左边一个点(目标频率位-1)对应的频率位,第二频率位可以为目标频率位右边一个点(目标频率位+1)对应的频率位;当然,第一频率位和第二频率位也可基于实际情况进行确定,在此不做限制。
获得第一频率位对应的第一谱值及第二频率位对应的第二谱值,确定第一谱值及第二谱值的平均谱值B。
若确定3B<A<6B时,则确定滚动轴承属于警告状态,存在轻伤,无需停机。
若确定A≥6B时,则确定滚动轴承属于危险状态,需立即停机。
应说明的是,针对每一种故障特征频率,均会确定出3个平均谱值,最终会得到9个平均谱值;只要9个平均谱值中的任一平均谱值满足3B<A<6B时,即确定轴承存在轻伤;只要9个平均谱值中的任一平均谱值满足A≥6B时,即确定轴承存处于危险状态。
具体来讲,本申请实施例通过自适应奇异值分解算法对滚动轴承原始的振动信号进行重构处理,可以有效去除振动信号中的背景噪声,获得故障特征;然后为了进一步提高故障特征的提取精度,通过1.5维对称差分解析能量算子解调算法对重构信号进行进一步处理,以抑制残留噪声,提高信噪比,增强故障信号的周期冲击特性,提升故障特征,进而可确保提取到高精度的故障特征,确保滚动轴承故障诊断结果的精度。
基于与前述实施例同一发明构思,本申请实施例还提供一种滚动轴承故障诊断的装置,如图4所示,装置包括:
截取单元41,用于基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
创建单元42,用于基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fr为所述滚动轴承的转动频率,所述fs为所述振动信号的采样频率;所述所述N为所述初始信号的数量;
重构单元43,用于利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
解调单元44,用于利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
确定单元45,用于基于所述解调信号确定所述故障特征信号的1.5维能量谱;
诊断单元46,用于基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
需要说明的是,该装置可以为计算机、服务器等有计算或存储功能的设备装置。该装置也可以为独立的服务器,在此不做限制。
由于本申请实施例所介绍的装置,为实施本发明实施例的方法所采用的装置,故而基于本发明实施例所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本申请实施例的方法所采用的装置都属于本发明所欲保护的范围。
为验证申请实施例提供的故障诊断方法是有效可行的,这里,利用本实施例提供的故障诊断方法分别对具有外圈伤的轴承、具有内圈伤的轴承以及具有滚动体故障的轴承进行验证,具体实施如下:
针对没有故障的滚动轴承来说,振动信号的时域图如图5所示,振动信号的包络谱如图6所示。
针对具有外圈伤的轴承来说,振动信号的采样频率为100kHz,采样时间为20s;基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;信号截取长度为65536;
基于初始信号创建初始Hankel矩阵,构建的Hankel矩阵的行数为28,列数为65509;
利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号,其中,在构建重构信号时,选取的有效奇异值为4~17。重构信号的时域图如图7所示,重构信号的包络谱如图8所示。
利用1.5维对称差分解析能量算子解调算法对重构信号进行解调,获得解调信号;基于解调信号确定故障特征信号的1.5维能量谱;其中,解调信号的时域图如图9所示,1.5维能量谱如图10所示。最后确定具有外圈伤滚动轴承的故障特征频率为100.71Hz。
针对具有内圈伤的轴承来说,振动信号的采样频率为100kHz,采样时间为20s;
基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;信号截取长度为65536;
基于初始信号创建初始Hankel矩阵,构建的Hankel矩阵的行数为28,列数为65509;
利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号,其中,在构建重构信号时,选取的有效奇异值为3~17。
利用1.5维对称差分解析能量算子解调算法对重构信号进行解调,获得解调信号;基于解调信号确定故障特征信号的1.5维能量谱;其中,解调信号的时域图如图11所示,1.5维能量谱如图12所示。
针对具有滚动体故障的轴承来说,振动信号的采样频率为100kHz,采样时间为20s;
基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;信号截取长度为65536;
基于初始信号创建初始Hankel矩阵,构建的Hankel矩阵的行数为28,列数为65509;
利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号,其中,在构建重构信号时,选取的有效奇异值为3~17。
利用1.5维对称差分解析能量算子解调算法对重构信号进行解调,获得解调信号;基于解调信号确定故障特征信号的1.5维能量谱;其中,解调信号的时域图如图13所示,1.5维能量谱如图14所示。
从图6可以看出,处于无故障状态的轴承的包络谱中并没有明显的故障特征;从图10、图12及图14中可以看出,无论是何种类型的故障,提取出的故障特征均较为明显,说明可以有效地提取出振动信号中的故障特征,因此本申请实施例提供的故障诊断方式是可行且有效的,并且故障特征的精度也可以得到确保。
基于同一发明构思,本实施例提供一种计算机设备1500,如图15所示,包括存储器1510、处理器1520及存储在存储器1510上并可在处理器1520上运行的计算机程序1511,处理器1520执行计算机程序1511时实现以下步骤:
基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fr为所述滚动轴承的转动频率,所述fs为所述振动信号的采样频率;所述所述N为初始信号的数量;
利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
基于所述解调信号确定所述故障特征信号的1.5维能量谱;
基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
在具体实施过程中,处理器1520执行计算机程序1511时,可以实现上述任一实施方式。
由于本实施例所介绍的计算机设备为实施本申请实施例一种滚动轴承故障诊断的方法所采用的设备,故而基于本申请上述实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的计算机设备的具体实施方式以及其各种变化形式,所以在此对于该服务器如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
基于同一发明构思,本实施例提供一种计算机可读存储介质1600,如图16所示,其上存储有计算机程序1611,该计算机程序1611被处理器执行时实现以下步骤:
基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fr为所述滚动轴承的转动频率,所述fs为所述振动信号的采样频率;所述所述N为所述初始信号的数量;
利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
基于所述解调信号确定所述故障特征信号的1.5维能量谱;
基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
在具体实施过程中,该计算机程序1411被处理器执行时,可以实现上述实施例中任一实施方式。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种滚动轴承故障诊断的方法,其特征在于,所述方法包括:
基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fr为所述滚动轴承的转动频率,所述fs为所述振动信号的采样频率;所述所述N为所述初始信号的数量;
利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
基于所述解调信号确定所述故障特征信号的1.5维能量谱;
基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
3.如权利要求1所述的方法,其特征在于,所述利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号,包括:
利用自适应所述奇异值分解算法对所述初始Hankel矩阵进行分解,获得第一正交矩阵、第二正交矩阵及第一非负对角矩阵;
基于预设的筛选策略在所述第一非负对角矩阵中确定出有效奇异值,并将所述第一非负对角矩阵的无效奇异值置零,获得第二非负对角矩阵;
利用奇异值分解算法的逆变换策略对所述第一正交矩阵、所述第二正交矩阵及所述第二非负对角矩阵进行重构,获得重构Hankel矩阵;
利用相空间重构算法的逆变换策略对所述重构Hankel矩阵进行逆变换,获得所述重构信号。
4.如权利要求3所述的方法,其特征在于,所述基于预设的筛选策略在所述第一非负对角矩阵中确定出有效奇异值,包括:
基于公式φk=σk-σk+1确定目标信号集合Φ,所述Φ=(φ1,φ2,…,φn-1);所述σk为所述第一非负对角矩阵中的第k个奇异值,所述σk+1为所述第一非负对角矩阵中的第k+1个奇异值,所述φk为所述第k个奇异值与第k+1个奇异值之间的差值,所述k=1,2……n-1;所述n为所述第一非负对角矩阵的列数;
基于所述目标信号集合中各目标信号的值生成对应的曲线图;
确定所述曲线图中的至少一个波峰值;
基于所述波峰值确定所述有效奇异值的数量γ;
将所述第一非负对角矩阵中前γ个奇异值确定为所述有效奇异值。
5.如权利要求4所述的方法,其特征在于,基于所述波峰值确定所述有效奇异值的数量,包括:
若确定所述曲线图中的第一个波峰值对应的信号为所述目标信号集合中的第一个信号φ1时,则获得所述第一个波峰值的下一波峰值;将所述下一波峰值的横坐标确定为所述有效奇异值的数量;
若确定所述曲线图中的第一个波峰值对应的信号不是所述目标信号集合中的第一个信号φ1时,则获得所述第一个波峰值对应的横坐标;将所述第一个波峰值对应的横坐标确定为所述有效奇异值的数量。
8.一种滚动轴承故障诊断的装置,其特征在于,所述装置包括:
截取单元,用于基于预设的截取策略对滚动轴承的振动信号进行截取,获得初始信号;
创建单元,用于基于所述初始信号创建初始Hankel矩阵;所述初始Hankel矩阵的行数m基于公式确定,所述初始Hankel矩阵的列数n基于公式n=N-m+1确定;所述fr为所述滚动轴承的转动频率,所述fs为所述振动信号的采样频率;所述所述N为所述初始信号的数量;
重构单元,用于利用自适应奇异值分解算法对所述初始Hankel矩阵进行重构,获得重构信号;所述重构信号为故障特征信号;
解调单元,用于利用1.5维对称差分解析能量算子解调算法对所述重构信号进行解调,获得解调信号;
确定单元,用于基于所述解调信号确定所述故障特征信号的1.5维能量谱;
诊断单元,用于基于所述故障特征信号的1.5维能量谱对所述滚动轴承进行故障诊断。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175492.8A CN112857804B (zh) | 2021-02-09 | 2021-02-09 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175492.8A CN112857804B (zh) | 2021-02-09 | 2021-02-09 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112857804A true CN112857804A (zh) | 2021-05-28 |
CN112857804B CN112857804B (zh) | 2022-06-17 |
Family
ID=75989381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175492.8A Active CN112857804B (zh) | 2021-02-09 | 2021-02-09 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112857804B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486256A (zh) * | 2021-08-22 | 2022-05-13 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN114548151A (zh) * | 2022-01-12 | 2022-05-27 | 广东海洋大学 | 一种提升故障特征信号的方法、装置、介质及设备 |
CN116448428A (zh) * | 2023-06-16 | 2023-07-18 | 通达电磁能股份有限公司 | 电机轴承故障诊断方法、装置、电子设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103810394A (zh) * | 2014-02-28 | 2014-05-21 | 东北电力大学 | 旋转设备故障信号奇异值分解降噪的设计方法 |
CN105258947A (zh) * | 2015-11-06 | 2016-01-20 | 北京航空航天大学 | 一种基于压缩感知的工况扰动条件下的滚动轴承故障诊断方法 |
CN106845010A (zh) * | 2017-02-16 | 2017-06-13 | 西南交通大学 | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 |
CN109187023A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学激光与光电智能制造研究院 | 一种汽车发电机轴承故障诊断方法 |
CN109374298A (zh) * | 2018-11-06 | 2019-02-22 | 石家庄铁道大学 | 基于互相关奇异值的轴承故障诊断方法 |
CN109632312A (zh) * | 2019-01-22 | 2019-04-16 | 北京化工大学 | 基于多约束非负矩阵分解算法的轴承复合故障诊断方法 |
CN111089726A (zh) * | 2020-01-16 | 2020-05-01 | 东南大学 | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 |
-
2021
- 2021-02-09 CN CN202110175492.8A patent/CN112857804B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103810394A (zh) * | 2014-02-28 | 2014-05-21 | 东北电力大学 | 旋转设备故障信号奇异值分解降噪的设计方法 |
CN105258947A (zh) * | 2015-11-06 | 2016-01-20 | 北京航空航天大学 | 一种基于压缩感知的工况扰动条件下的滚动轴承故障诊断方法 |
CN106845010A (zh) * | 2017-02-16 | 2017-06-13 | 西南交通大学 | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 |
CN109187023A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学激光与光电智能制造研究院 | 一种汽车发电机轴承故障诊断方法 |
CN109374298A (zh) * | 2018-11-06 | 2019-02-22 | 石家庄铁道大学 | 基于互相关奇异值的轴承故障诊断方法 |
CN109632312A (zh) * | 2019-01-22 | 2019-04-16 | 北京化工大学 | 基于多约束非负矩阵分解算法的轴承复合故障诊断方法 |
CN111089726A (zh) * | 2020-01-16 | 2020-05-01 | 东南大学 | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
崔伟成等: "基于SVD-LCD与1.5维谱的滚动轴承故障诊断", 《轴承》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486256A (zh) * | 2021-08-22 | 2022-05-13 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN114486256B (zh) * | 2021-08-22 | 2023-10-31 | 北京燃气绿源达清洁燃料有限公司 | 一种cng压缩机滚动轴承故障特征提取方法 |
CN114548151A (zh) * | 2022-01-12 | 2022-05-27 | 广东海洋大学 | 一种提升故障特征信号的方法、装置、介质及设备 |
CN114548151B (zh) * | 2022-01-12 | 2024-04-16 | 广东海洋大学 | 一种提升故障特征信号的方法、装置、介质及设备 |
CN116448428A (zh) * | 2023-06-16 | 2023-07-18 | 通达电磁能股份有限公司 | 电机轴承故障诊断方法、装置、电子设备及可读存储介质 |
CN116448428B (zh) * | 2023-06-16 | 2023-09-08 | 通达电磁能股份有限公司 | 电机轴承故障诊断方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112857804B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yan et al. | Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis | |
Guo et al. | Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition | |
Ding et al. | Detection of faults in rotating machinery using periodic time-frequency sparsity | |
Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
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 | |
CN111521400B (zh) | 一种基于edm及谱峭度的轴承早期故障诊断方法 | |
CN103499445A (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
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 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN104136896B (zh) | 用于获取旋转马达的振动信号的系统 | |
Zheng et al. | A group sparse representation method in frequency domain with adaptive parameters optimization of detecting incipient rolling bearing fault | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN112597958B (zh) | 一种滚动轴承故障自动识别方法及系统 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
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 | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
Huang et al. | Short-time kurtogram for bearing fault feature extraction under time-varying speed conditions | |
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 | |
Shang et al. | Rolling bearing fault diagnosis method based on MOMEDA and IEWT |
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 |