CN112857806B - 一种基于移动窗口时域特征提取的轴承故障检测方法 - Google Patents

Abstract

本发明公开一种基于移动窗口时域特征提取的轴承故障检测方法，通过时域统计特征分析并结合使用移动窗口技术，实施基于轴承振动信号的轴承故障检测。具体来讲，本发明方法首先通过移动窗口将振动信号转变成由13个统计特征组成的多维特征向量。然后，本发明方法对在线实时测量到的振动信息实施相同的统计特征变换后，再使用局部异常因子来判断是否出现了故障。首先，本发明方法使用时域特征分析的手段从振动信号中提取相应的统计特征，转换过程不涉及复杂的运算，实施操作简单；其次，本发明方法使用局部异常因子来识别轴承的故障运行状态，充分利用了局部异常因子不受数据分布影响的优势，可以较好的处理轴承状态健康与故障的甄别问题。

Description

一种基于移动窗口时域特征提取的轴承故障检测方法

技术领域

本发明涉及一种轴承故障检测方法，特别涉及一种基于移动窗口时域特征提取的轴承故障检测方法。

背景技术

滚动轴承是一种精密标准机器部件，它在机械设备中应用非常广泛。然而，滚动轴承也是机器设备中最容易发生故障损坏的零件之一，这是因为滚动轴承承受冲击的能力较差，在突然的冲击荷载作用下易发生损坏。可以说，滚动轴承故障是机器设备失效的重要原因，据有关资料显示，由滚动轴承损伤造成的故障占机械故障总数的21％，因此滚动轴承的故障诊断十分重要。对滚动轴承进行有效的故障诊断不但可以防止机械工作精度下降，减少或杜绝事故发生，还可以最大限度地发挥轴承的工作潜能，确保大型机械设备系统的最大连续运行时间，节约相关维修开支。

目前，振动信号分析是滚动轴承各种故障诊断方法中最成熟和应用最为广泛的一种方法。滚动轴承振动信号是一种非线性非平稳信号，通过对振动信号的分析便可以获得大量的运行状态信息，而特征提取是其中的关键问题。故障特征直接影响故障诊断的准确性和故障的可预知性。故障特征按提取方式的不同，主要可以分为：时域特征、频域特征、时频(时间和尺度)域特征、高阶统计量特征等。当滚动轴承发生故障时，其振动信号的时域、频域特征统计参数都会发生一定的改变。相比之下，频域特征分析需要更多的测量样本数。时域特征分析的优势则在于，对滚动轴承所发生的故障十分敏感，而对信号的幅值和频率不敏感。因此，利用时域特征分析技术更有利于滚动轴承的故障诊断。

发明内容

本发明所要解决的主要技术问题是：通过时域统计特征分析并结合使用移动窗口技术，实施基于轴承振动信号的轴承故障检测。具体来讲，本发明方法首先通过对移动窗口内的振动信号进行统计特征分析，将单变量的振动信号转变成由13个统计特征组成的多维特征向量。然后，本发明方法对在线实时测量到的振动信息实施相同的统计特征变换后，再使用局部异常因子来判断是否出现了故障。

本发明方法解决上述问题所采用的技术方案为：一种基于移动窗口时域特征提取的轴承故障检测方法，包括以下所示步骤：

步骤(1)：利用加速度振动传感器采集滚动轴承在健康运行状态下的振动信号数据，记为振动信号向量z∈R^N×1，并同时记录加速度振动传感器采集信号的频率f和滚动轴承的转动频率r；其中，R^N×1表示N×1维的实数向量，N为振动信号数据的个数，频率的单位为赫兹(Hz)。

步骤(2)：先设置移动窗口长度L等于f除以r的商，再判断L是否小于200；若是，则将移动窗口长度设置为L＝200；若否，则不改变移动窗口长度。

步骤(3)：从振动信号向量z∈R^N×1的第一个元素开始，利用移动窗口依次将z划分成n个L×1维的窗口向量x₁，x₂，…，x_n，具体的实施过程如下所示：

步骤(3.1)：初始化i＝1。

步骤(3.2)：将振动信号向量z中的第(i-1)×L+1个元素至第i×L个元素组建成第i个窗口向量x_i∈R^L×1；其中，R^L×1表示L×1维的实数向量。

步骤(3.3)：判断是否满足条件：(i+1)×L＞N；若否，则设置i＝i+1后，返回步骤(3.2)；若是，则得到n个L×1维的窗口向量x₁，x₂，…，x_n。

步骤(4)：按照表1所列的13个公式计算窗口向量x₁，x₂，…，x_n分别对应的时域特征向量y₁，y₂，…，y_n。

表1：窗口向量x_i对应的时域特征向量y_i的13个元素计算方式。

在表1中，

表示时域特征向量y_i∈R^13×1中的第j个元素，j∈{1，2，…，13}，

表示窗口向量x_i∈R^L×1中的第k个元素，k∈{1，2，…，L}，max{x_i}和min{x_i}分别表示x_i中的最大值和最小值，i∈{1，2，…，n}。

步骤(5)：计算时域特征向量y₁，y₂，…，y_n对应的局部密度指标，分别记为D(y₁)，D(y₂)，…，D(y_n)，具体的实施过程如步骤(5.1)至步骤(5.5)所示。

步骤(5.1)：从时域特征向量y₁，y₂，…，y_n中搜寻出与第i个时域特征向量y_i之间距离最小的K个时域特征向量，并按距离大小升序排列依次标记为

后，再将y_i的K阶距离记为

其中，

与y_i之间的距离为

值得说明的是，步骤(5.1)中的

是从时域特征向量y₁，y₂，…，y_n中搜寻出来的。为了方便解释说明后续的计算，因此使用了不同的标记方式。

步骤(5.2)：使用与步骤(5.1)中相同的方式，分别得到步骤(5.1)中标记的K个时域特征向量

的K阶距离，分别记为

步骤(5.3)：根据公式

计算可触距离

其中，

表示选取d(y_i)和

中的最大值，v∈{1，2，…，K}。

步骤(5.4)：根据如下所示公式计算出第i个时域特征向量y_i对应的局部密度指标D(y_i)：

步骤(5.5)：依次分别设置i＝1，2，…，n，并执行步骤(5.1)至步骤(5.4)，即可分别得到时域特征向量y₁，y₂，…，y_n对应的局部密度指标D(y₁)，D(y₂)，…，D(y_n)。

步骤(6)：根据如下所示公式分别计算时域特征向量y₁，y₂，…，y_n对应的局部异常因子φ₁，φ₂，…，φ_n，并将φ₁，φ₂，…，φ_n中的最大值记做φ_lim：

上式中，

表示时域特征向量

对应的局部密度指标。

步骤(7)：利用加速度振动传感器在线实时采集滚动轴承运行时的振动信号数据，当振动信号数据的采集个数达到L时，将这L个振动信号数据组建成窗口向量x_t∈R^L×1，并根据表1中的所列的13个公式，计算得到相应的时域特征向量y_t∈R^13×1；其中，t表示窗口向量x_t对应的采集时刻。

使用表1中所列的13个公式为窗口向量x_t计算对应的时序特征向量y_t∈R^13×1时，只需将表1中13个公式中出现的x_i和y_i分别替换成x_t与y_t。

步骤(8)：从y₁，y₂，…，y_n中搜寻出距离y_t最近的K个时域特征向量，并按照距离大小升序排列后依次标记为

并将y_t的K阶距离记为

步骤(9)：计算y_t的可触距离

其中，

表示

的K阶距离，

表示选取d(y_i)和

中的最大值。

步骤(10)：根据如下所示公式计算y_t对应的局部密度指标D(y_t)：

步骤(11)：根据如下所示公式计算局部异常因子φ_t：

上式中，

表示时域特征向量

对应的局部密度指标。

步骤(12)：判断是否满足条件：φ_t≤φ_lim；若是，则轴承运行状态健康，并返回步骤(7)继续利用新的窗口向量实施轴承故障检测；若否，则执行步骤(13)。

步骤(13)：返回步骤(7)继续利用最新采集的L个振动信号数据实施故障检测，若连续6个窗口向量对应的局部异常因子皆大于φ_lim，则触发轴承的故障警报；反之，则轴承运行状态健康。

通过以上所述实施步骤，本发明方法的优势介绍如下。

首先，本发明方法使用时域特征分析的手段从振动信号中提取相应的统计特征，转换过程不涉及复杂的运算，实施操作简单；其次，本发明方法使用局部异常因子来识别轴承的故障运行状态，充分利用了局部异常因子不受数据分布影响的优势，可以较好的处理轴承状态健康与故障的甄别问题。

附图说明

图1为本发明方法的实施流程示意图。

图2为本发明方法的故障检测结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明公开了一种基于移动窗口时域特征提取的轴承故障检测方法，下面结合一个具体应用实例来说明本发明方法的具体实施方式。

在本实施案例中，用于测试故障检测性能的轴承故障具体包括：轴承内圈缺陷和轴承外圈缺陷。轴承在正常运行状态时，加速度振动传感器的采集信号频率是f＝12800Hz，轴承的转动频率是r＝80Hz。利用这些数据来验证本发明方法用于轴承故障检测可行性，具体包括如下所示步骤。

步骤(1)：利用加速度振动传感器采集滚动轴承在健康运行状态下的振动信号数据，记为振动信号向量z∈R^N×1。

步骤(2)：先设置移动窗口长度L为不小于f除以r的最小整数，再判断L是否小于200；若是，则将移动窗口长度设置为L＝200；若否，则不改变移动窗口长度。此步骤最终确定出的移动窗口长度L等于200。

步骤(3)：从振动信号向量z∈R^N×1的第一个元素开始，利用移动窗口依次将z划分成n个L×1维的窗口向量x₁，x₂，…，x_n，具体的实施过程如步骤(3.1)至步骤(3.3)所示。

步骤(4)：按照上表1所列的13个公式计算窗口向量x₁，x₂，…，x_n分别对应的时域特征向量y₁，y₂，…，y_n。

步骤(5)：计算时域特征向量y₁，y₂，…，y_n对应的局部密度指标D(y₁)，D(y₂)，…，D(y_n)，具体的实施过程如前述步骤(5.1)至步骤(5.5)所示。

步骤(6)：根据前述公式②计算各个时域特征向量的局部异常因子φ₁，φ₂，…，φ_n，并将φ₁，φ₂，…，φ_n中的最大值记做φ_lim。

上述步骤(1)至步骤(6)为本发明方法的离线建模阶段，完成后，即可利用实时的移动窗口数据来检测轴承是否出现了故障。

步骤(7)：利用加速度振动传感器在线实时采集滚动轴承运行时的振动信号数据，当振动信号数据的采集个数达到L时，将这L个振动信号数据组建成窗口向量x_t∈R^L×1，并根据表1中的所列的13个公式，计算得到相应的时域特征向量y_t∈R^13×1。

步骤(8)：从y₁，y₂，…，y_n中搜寻出距离y_t最近的K个时域特征向量，按照距离大小升序排列后标记为

并将y_t的K阶距离记为

步骤(9)：计算y_t的可触距离

其中，

表示

的K阶距离，

表示选取d(y_i)和

中的最大值。

步骤(10)：根据上述公式③计算y_t对应的局部密度指标D(y_t)。

步骤(11)：根据前述公式④计算局部异常因子φ_t。

步骤(12)：判断是否满足条件：φ_t≤φ_lim；若是，则轴承运行状态健康，并返回步骤(7)继续利用新的窗口向量实施轴承故障检测；若否，则执行步骤(13).

步骤(13)：返回步骤(7)继续利用最新采集的L个振动信号数据实施故障检测，若连续6个窗口向量对应的局部异常因子皆大于φ_lim，则触发轴承的故障警报；反之，则轴承运行状态健康.

在图2中，本发明方法可以成功的检测出轴承内圈故障和外圈故障。由此可见，本发明方法在时域特征提取的基础上，即可实现轴承的故障检测。

Claims (1)

1.一种基于移动窗口时域特征提取的轴承故障检测方法，其特征在于，包括以下步骤：

步骤(1)：利用加速度振动传感器采集滚动轴承在健康运行状态下的振动信号数据，记为振动信号向量z∈R^N×1，并同时记录加速度振动传感器采集信号的频率f和滚动轴承的转动频率r；其中，R^N×1表示N×1维的实数向量，N为振动信号数据的个数，频率的单位为赫兹；

步骤(2)：先设置移动窗口长度等于f除以r的商，再判断L是否小于200；若是，则将移动窗口长度设置为L＝200；若否，则不改变移动窗口长度；

步骤(3)：从振动信号向量z∈R^N×1的第一个元素开始，利用移动窗口依次将z划分成n个L×1维的窗口向量x₁，x₂，…，x_n，具体的实施过程如步骤(3.1)至步骤(3.3)所示：

步骤(3.1)：初始化i＝1；

步骤(3.2)：将振动信号向量z中的第(i-1)×L+1个元素至第i×L个元素组建成第i个窗口向量x_i∈R^L×1；其中，R^L×1表示L×1维的实数向量；

步骤(3.3)：判断是否满足条件：(i+1)×L＞N；若否，则设置i＝i+1后，返回步骤(3.2)；若是，则得到n个L×1维的窗口向量x₁，x₂，…，x_n；

步骤(4)：按照表1所列的13个公式分别计算窗口向量x₁，x₂，…，x_n对应的时域特征向量y₁，y₂，…，y_n；

表1：时域特征向量的13个元素计算方式

在表1中，

表示时域特征向量y_i∈R^13×1中的第j个元素，j∈{1，2，…，13}，

表示窗口向量x_i∈R^L×1中的第k个元素，k∈{1，2，…，L}，max{x_i}和min{x_i}分别表示x_i中的最大值和最小值，i∈{1，2，…，n}；

步骤(5)：分别计算时域特征向量y₁，y₂，…，y_n对应的局部密度指标D(y₁)，D(y₂)，…，D(y_n)，具体的实施过程如步骤(5.1)至步骤(5.5)所示；

步骤(5.1)：从时域特征向量y₁，y₂，…，y_n中搜寻出与第i个时域特征向量y_i之间距离最小的K个时域特征向量，并按距离大小升序排列依次标记为

后，再将y_i的K阶距离记为

其中，

与y_i之间的距离为

下标号v∈{1，2，…，K}；

步骤(5.2)：使用与步骤(5.1)中相同的方式，分别得到步骤(5.1)中标记的K个时域特征向量

的K阶距离，分别记为

步骤(5.3)：根据公式

计算得到可触距离

其中，

表示选取d(y_i)和

中的最大值；

步骤(5.4)：根据如下所示公式计算出第i个时域特征向量y_i对应的局部密度指标D(y_i)：

步骤(5.5)：依次分别设置i＝1，2，…，n，并执行步骤(5.1)至步骤(5.4)，即可分别得到时域特征向量y₁，y₂，…，y_n对应的局部密度指标D(y₁)，D(y₂)，…，D(y_n)；

步骤(6)：根据如下所示公式分别计算时域特征向量y₁，y₂，…，y_n对应的局部异常因子φ₁，φ₂，…，φ_n，并将φ₁，φ₂，…，φ_n中的最大值记做φ_lim：

上式中，

表示时域特征向量

对应的局部密度指标；

步骤(7)：利用加速度振动传感器在线实时采集滚动轴承运行时的振动信号数据，当振动信号数据的采集个数达到L时，将这L个振动信号数据组建成窗口向量x_t∈R^L×1，并根据表1中的所列的13个公式，计算得到相应的时域特征向量y_t∈R^13×1；其中，t表示窗口向量x_t对应的采集时刻；

步骤(8)：从y₁，y₂，…，y_n中搜寻出与y_t之间距离最小的K个时域特征向量，并按照距离大小升序排列后依次标记为

并将y_t的K阶距离记为

步骤(9)：计算y_t的可触距离

其中，

表示

的K阶距离，

表示选取d(y_i)和

中的最大值；

步骤(10)：根据如下所示公式计算y_t对应的局部密度指标D(y_t)：

步骤(11)：根据如下所示公式计算局部异常因子φ_t：

上式中，

表示时域特征向量

对应的局部密度指标；

步骤(12)：判断是否满足条件：φ_t≤φ_lim；若是，则轴承运行状态健康，并返回步骤(7)继续利用新的窗口向量实施轴承故障检测；若否，则执行步骤(13)；

步骤(13)：返回步骤(7)继续利用最新采集的L个振动信号数据实施故障检测，若连续6个窗口向量对应的局部异常因子皆大于φ_lim，则触发轴承的故障警报；反之，则轴承运行状态健康。

Images