CN112964470A - 一种基于轴承健康指标检测滚动轴承早期故障的方法 - Google Patents

一种基于轴承健康指标检测滚动轴承早期故障的方法 Download PDF

Info

Publication number
CN112964470A
CN112964470A CN202110329028.XA CN202110329028A CN112964470A CN 112964470 A CN112964470 A CN 112964470A CN 202110329028 A CN202110329028 A CN 202110329028A CN 112964470 A CN112964470 A CN 112964470A
Authority
CN
China
Prior art keywords
kurtosis
mean square
root mean
signal
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.)
Pending
Application number
CN202110329028.XA
Other languages
English (en)
Inventor
向家伟
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202110329028.XA priority Critical patent/CN112964470A/zh
Publication of CN112964470A publication Critical patent/CN112964470A/zh
Pending legal-status Critical Current

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

本发明公开了一种基于轴承健康指标检测滚动轴承早期故障的方法，包括以下步骤：S1:针对滚动轴承振动信号的峭度和均方根分别建立故障识别模型，根据该模型明确对应峭度和均方根的正常范围区间；S2:按照信号采集的先后顺序逐个计算每次采样到的待检滚动轴承振动信号的峭度值和均方根值，并记录；S3:按照峭度指标模型和均方根指标模型分别对当前信号中是否出现故障做出判断；S4:如果峭度指标模型和均方根指标模型的判定结果都是轴承信号中含有故障，则认为轴承出现故障，否则为轴承是健康无故障。本发明能有效的识别滚动轴承的早期故障信号，可用于实时监测也可以用于时候检测，检测准确，快速，具有一定的工程应用价值。

Description

一种基于轴承健康指标检测滚动轴承早期故障的方法
技术领域
本发明属于机械设备故障诊断领域，具体是指一种基于轴承健康指标检测滚动轴承早期故障的方法。
背景技术
滚动轴承是旋转机械的重要组成部件，是现代化机械装置上不可或缺的重要部件。滚动轴承种类繁多、样式结构复杂被广泛地应用于各种先进的工业生产设备、交通运输工具、水电、风电等等大型重要设备上面。滚动轴承的工作环境往往十分复杂，其多见于高转速、高负载的条件下持续运转，因此滚动轴承的故障时有发生。为了保证安装了滚动轴承的各种旋转机械系统的健康状态，就必须对轴承的工作状态进行严格的监测，最好做到实时的在线检测以防止滚动轴承故障引发事故。
滚动轴承的健康状态监测和故障诊断是保证旋转机械系统稳定运作的重要环节。滚动轴承在服役过程中其健康状态随着故障的加剧逐渐恶化，直到故障严重到一定程度时就会引发旋转机械事故。如图1所示是一个典型的轴承退化过程中振动信号的变化曲线，我们可以发现在轴承刚开始服役后的一段时间里，轴承工作状态稳定，直到某个时刻轴承上出现故障后，轴承的振动幅度逐渐变大，而且变大的趋势随时间加剧。这是因为，一旦轴承上出现一个故障之后，轴承的“免疫力”下降，导致轴承上再次出现新故障的几率增加，而且随着故障的增多，出现新故障的几率不断增加。因此，一旦轴承上出现故障后，轴承的健康状态恶化到能够导致旋转机械系统出现严重故障的时间是难以预测的，最好的做法就是尽早检测到故障，及时更换掉故障轴承，因此越早期的检测到故障对于保证旋转机械系统的安全意义越大。但是，再实际地监测和诊断任务中往往面临各种环境噪声，这些噪声会淹没轴承的故障信号，使得诊断无法进行，尤其是对早期的微弱故障信号检测带来了挑战。因此，单纯的依靠滚动轴承振动信号的频谱来识别早期故障的方法几乎是不可能的，滚动轴承健康监测和故障诊断领域亟需可靠的早期故障识别方法。
滚动轴承振动信号的峭度(Kurtosis)和均方根(root mean square，RMS)是两个反应不同故障特征的指标，可以在轴承由开始服役到出现严重故障而退役这个完整的退化过程中反应轴承在不同时期的不同严重程度的故障信息，在滚动轴承服役的初期健康状态良好峭度指标和均方根指标都在某一较小范围内波动，该范围就是对应健康指标的正常区间。其中，峭度指标对振动信号的早期故障敏感，因此是一种常用的识别早期故障的特征。但是，峭度指标对环境中的噪声同样非常敏感，一次为检测早期轴承故障带来了困难。另一方面，均方根指标则对噪声具有很好的鲁棒性，它可以反应故障的严重程度，但是它的缺点就是无法对故障信号做出及时反应。
现有技术中还没有根据上述峭度(Kurtosis)和均方根(root mean square，RMS)结合解决滚动轴承早期故障识别的方案。
发明内容
本发明实施例所要解决的技术问题在于，提供一种准确、快速的滚动轴承早期故障检测方法。
为实现上述目的，本发明的技术方案是包括以下步骤：
S1:针对滚动轴承振动信号的峭度和均方根这两个指标分别建立故障识别模型，分别为峭度指标模型和均方根指标模型，根据该模型明确对应峭度和均方根的正常范围区间；
S2:按照信号采集的先后顺序逐个计算每次采样到的待检滚动轴承振动信号的峭度值和均方根值，并记录；
S3:按照峭度指标模型和均方根指标模型分别对当前信号中是否出现故障做出判断；
S4:如果峭度指标模型和均方根指标模型的判定结果都是轴承信号中含有故障，则认为轴承出现故障，否则为轴承是健康无故障。
进一步设置是所述的步骤S1包括：
(1)使用加速度传感器采集滚动轴承的振动信号，每隔10秒采集一次数据，每次采集数据的采样时间为0.1秒，采样频率为25600Hz；
(2)将采集得到的滚动轴承振动的数字信号上传到计算机，然后对每次采样得到的滚动轴承振动信号计算其峭度和均方根；
其中峭度的计算方法被表示成：
Figure BDA0002995705640000031
Figure BDA0002995705640000032
其中，xi代表滚动轴承的振动信号(t)中的第i个数据点，μ代表信号(t)的均值，信号(t)总共有n个数据点，k(t)代表信号(t)对应的峭度；
其中，均方根的计算方法被表示成：
Figure BDA0002995705640000033
其中，xi代表滚动轴承的振动信号(t)中的第i个数据点，信号(t)总共有n个数据点，rms(t)代表信号(t)对应的均方根；
(3)记录第t次采样信号对应的峭度和均方根，即k(t)和rms(t)；
(4)根据前t次采样信号的峭度k和均方根rms，计算峭度指标和均方根指标分别对应的正常范围区间，记峭度指标或均方根指标为特征X，则前t次采样信号的特征X被标示成{X1，X2，…}，第t次采样信号的特征X对应的正常范围由前t次采样信号的观察值{X1，X2，…，Xt}确定，计算的方法如下：
Figure BDA0002995705640000034
Figure BDA0002995705640000035
Range(t)＝[μ(t)-s*σ(t)，μ(t)+s*σ(t)]#(6)其中，Xi代表特征X的第i次观察值，i＝{1，2，…,t}；μ(t)表示前t次采样信号对应特征X的平均值；σ(t)表示前t次采样信号对应特征X的标准差；s是控制正常范围大小的阈值，它是一个正数由实验所得。
本发明的创新机理和有益效果是：
本申请的技术方案针对峭度和均方根两种特征设计出了一种既能对早期故障敏感，又对噪声鲁棒的故障识别方案。实际应用表明，该方法可以降低环境噪声对诊断结果的影响，增强故障特征，最终达到对滚动轴承早期故障的准确、快速检测。
如果待检测的滚动轴承信号k(t)和r(t)同时超过正常范围，则确定本次采样信号中检测到了故障。这是因为，峭度指标虽然对故障信号敏感但是同样对噪声敏感，如果只用峭度指标来确定故障，就会因为环境中的噪声而误判。另一方面，均方根指标对噪声的鲁棒性更好，它反应的是振动信号幅值的整体上升或下降趋势，而不是某一次特征值的波动。但是仅使用均方根指标检测故障时，对故障不够敏感。因此，综合使用峭度指标和均方根指标来检测滚动轴承的早期故障信号，可以实现鲁棒且准确的效果。
本发明能有效的识别滚动轴承的早期故障信号，可用于实时监测也可以用于时候检测，检测准确，快速，具有一定的工程应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1典型的轴承退化过程中振动信号的变化曲线图；
图2本发明的故障检测原理图；
图3本发明的检测流程图；
图4为振动加速度信号的采样设置示意图；
图5为弱噪声背景下的轴承服役过程及早期故障检测的实验例；
图6为强噪声背景下的轴承服役过程及早期故障检测的实验例。
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，下面将结合附图对本发明作进一步地详细描述。
如图2至图3所示，为本发明实施例中包括以下步骤：
S1:针对滚动轴承振动信号的峭度和均方根这两个指标分别建立故障识别模型，分别为峭度指标模型和均方根指标模型，根据该模型明确对应峭度和均方根的正常范围区间；
S2:按照信号采集的先后顺序逐个计算每次采样到的待检滚动轴承振动信号的峭度值和均方根值，并记录；
S3:按照峭度指标模型和均方根指标模型分别对当前信号中是否出现故障做出判断；
S4:如果峭度指标模型和均方根指标模型的判定结果都是轴承信号中含有故障，则认为轴承出现故障，否则为轴承是健康无故障。
作为具体地，本发明具体的步骤如下：
(1)使用加速度传感器采集滚动轴承的振动信号。每隔10秒采集一次数据，每次采集数据的采样时间为0.1秒，采样频率为25600Hz，因此每次采样2560个数据点。滚动轴承振动信号的数据采集实验设置如图所示。
(2)将数据采集器得到的滚动轴承振动的数字信号(记为“信号(t)”，即第t次采样到的2560个数据点组成的数字信号)上传到电脑，然后对每次采样得到的滚动轴承振动信号计算其峭度和均方根，分别记为“峭度(t)”和“均方根(t)”。
峭度的计算方法可以被表示成：
Figure BDA0002995705640000061
Figure BDA0002995705640000062
其中，xi代表滚动轴承的振动信号(t)中的第i个数据点，μ代表信号(t)的均值，信号(t)总共有n个数据点，k(t)代表信号(t)对应的峭度。
均方根的计算方法可以被表示成：
Figure BDA0002995705640000063
其中，xi代表滚动轴承的振动信号(t)中的第i个数据点，信号(t)总共有n个数据点，rms(t)代表信号(t)对应的均方根。
(3)记录第t次采样信号对应的峭度和均方根，即k(t)和rms(t)。
(4)根据前t次采样信号的峭度k和均方根rms，计算峭度指标和均方根指标分别对应的正常范围区间。记峭度指标或均方根指标为特征X，则前t次采样信号的特征X可以被标示成{X1，X2，…}，第t次采样信号的特征X对应的正常范围由前t次采样信号的观察值{X1，X2，…，Xt}确定，计算的方法如下：
Figure BDA0002995705640000064
Figure BDA0002995705640000065
Range(t)＝[μ(t)-s*σ(t)，μ(t)+s*σ(t)]#(6)
其中，Xi代表特征X的第i次观察值，i＝{1，2，…,t}；μ(t)表示前t次采样信号对应特征X的平均值；σ(t)表示前t次采样信号对应特征X的标准差；s是控制正常范围大小的阈值，它是一个正数由实验所得。
(5)如果k(t)和r(t)同时超过正常范围，则确定本次采样信号中检测到了故障。这是因为，峭度指标虽然对故障信号敏感但是同样对噪声敏感，如果只用峭度指标来确定故障，就会因为环境中的噪声而误判。另一方面，均方根指标对噪声的鲁棒性更好，它反应的是振动信号幅值的整体上升或下降趋势，而不是某一次特征值的波动。但是仅使用均方根指标检测故障时，对故障不够敏感。因此，综合使用峭度指标和均方根指标来检测滚动轴承的早期故障信号，可以实现鲁棒且准确的效果。
(6)如果步骤(5)中如果没检测到故障，则回到步骤(1)继续检测。
实验例1
如图5所示，该轴承在开始服役后的一段时间内，轴承振动的加速度很小，基本保持在零附近。因此，振动信号的峭度和均方根也基本没有波动，保持在很低的水平。在10850秒，峭度突然增加，这说明轴承上出现了故障引起的冲击。在出现故障后，轴承振动的加速度逐渐增加，因此其均方根也随着增加，但是在峭度逐渐减小，说明在第一次冲击之后再未出现明显严重的冲击信号。根据我们的方法可以在轴承退化的过程中及时发现故障引起的冲击信号，精确的检测到了故障。
实验例2
实验例1所示的轴承退化过程中，环境噪声相较于出现的故障信号微弱很多，因此检测的难度较低，但是有时轴承会工作在嘈杂的环境中，这种条件下检测轴承退化时的故障难度很高。如图6所示，就和案例1中的轴承一样，该轴承在服役后的很长一段时间内的振动加速度信号都保持在较低水平。不同点在于，该轴承的振动信号的峭度一直变化剧烈，且在部分时刻的峭度都超过了20，如果仅使用峭度指标来判断轴承故障，就无法识别出峭度突然增加的原因。根据轴承振动加速度信号的均方根我们可以知道，在前期即使峭度变化剧烈，但是轴承整体的振动加速度水平保持在较低水平，因此判断出这是由环境噪声引起冲击信号，而不是真正的故障信号。直到16810秒，轴承振动加速度信号的峭度和均方根指标均超过了正常范围，即轴承上出现了故障。
本申请中使用了两个具体的案例来展示了本发明的原理和检测效果，这些案例可以帮助理解本发明的思想和使用方法。这些案例不应视为对发明的限制，不过所有基于本发明的思想而作的修改，都应在本发明的保护范围之内。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (2)

1.一种基于轴承健康指标检测滚动轴承早期故障的方法，其特征在于包括以下步骤：
S1:针对滚动轴承振动信号的峭度和均方根这两个指标分别建立故障识别模型，分别为峭度指标模型和均方根指标模型，根据该模型明确对应峭度和均方根的正常范围区间；
S2:按照信号采集的先后顺序逐个计算每次采样到的待检滚动轴承振动信号的峭度值和均方根值，并记录；
S3:按照峭度指标模型和均方根指标模型分别对当前信号中是否出现故障做出判断；
S4:如果峭度指标模型和均方根指标模型的判定结果都是轴承信号中含有故障，则认为轴承出现故障，否则为轴承是健康无故障。
2.根据权利要求1所述的一种基于轴承健康指标检测滚动轴承早期故障的方法，其特征在于所述的步骤S1包括：
(1)使用加速度传感器采集滚动轴承的振动信号，每隔10秒采集一次数据，每次采集数据的采样时间为0.1秒，采样频率为25600Hz；
(2)将采集得到的滚动轴承振动的数字信号上传到计算机，然后对每次采样得到的滚动轴承振动信号计算其峭度和均方根；
其中峭度的计算方法被表示成：
Figure FDA0002995705630000011
Figure FDA0002995705630000012
其中，xi代表滚动轴承的振动信号(t)中的第i个数据点，μ代表信号(t)的均值，信号(t)总共有n个数据点，k(t)代表信号(t)对应的峭度；
其中，均方根的计算方法被表示成：
Figure FDA0002995705630000021
其中，xi代表滚动轴承的振动信号(t)中的第i个数据点，信号(t)总共有n个数据点，rms(t)代表信号(t)对应的均方根；
(3)记录第t次采样信号对应的峭度和均方根，即k(t)和rms(t)；
(4)根据前t次采样信号的峭度k和均方根rms，计算峭度指标和均方根指标分别对应的正常范围区间，记峭度指标或均方根指标为特征X，则前t次采样信号的特征X被标示成{X1，X2，…}，第t次采样信号的特征X对应的正常范围由前t次采样信号的观察值{X1，X2，…，Xt}确定，计算的方法如下：
Figure FDA0002995705630000022
Figure FDA0002995705630000023
Range(t)＝[μ(t)-s*σ(t)，μ(t)+s*σ(t)]#(6)
其中，Xi代表特征X的第i次观察值，i＝{1，2，…,t}；μ(t)表示前t次采样信号对应特征X的平均值；σ(t)表示前t次采样信号对应特征X的标准差；s是控制正常范围大小的阈值，它是一个正数由实验所得。
CN202110329028.XA 2021-03-27 2021-03-27 一种基于轴承健康指标检测滚动轴承早期故障的方法 Pending CN112964470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329028.XA CN112964470A (zh) 2021-03-27 2021-03-27 一种基于轴承健康指标检测滚动轴承早期故障的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329028.XA CN112964470A (zh) 2021-03-27 2021-03-27 一种基于轴承健康指标检测滚动轴承早期故障的方法

Publications (1)

Publication Number Publication Date
CN112964470A true CN112964470A (zh) 2021-06-15

Family

ID=76279510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329028.XA Pending CN112964470A (zh) 2021-03-27 2021-03-27 一种基于轴承健康指标检测滚动轴承早期故障的方法

Country Status (1)

Country Link
CN (1) CN112964470A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114778114A (zh) * 2022-04-01 2022-07-22 西南交通大学 一种基于信号冲击性和周期性的轴承健康指标构建方法
WO2023185827A1 (zh) * 2022-03-30 2023-10-05 阿里巴巴（中国）有限公司 机械故障检测方法、装置、服务端设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
CN111504645A (zh) * 2020-04-30 2020-08-07 西安交通大学 一种基于频域多点峭度的滚动轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
CN111504645A (zh) * 2020-04-30 2020-08-07 西安交通大学 一种基于频域多点峭度的滚动轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨纪珂: "《数理统计方法在医学科学中的应用[M]》", 31 December 1964 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023185827A1 (zh) * 2022-03-30 2023-10-05 阿里巴巴（中国）有限公司 机械故障检测方法、装置、服务端设备及存储介质
CN114778114A (zh) * 2022-04-01 2022-07-22 西南交通大学 一种基于信号冲击性和周期性的轴承健康指标构建方法
CN114778114B (zh) * 2022-04-01 2022-11-22 西南交通大学 一种基于信号冲击性和周期性的轴承健康指标构建方法

Similar Documents

Publication Publication Date Title
CN108181105B (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
CN107843426B (zh) 轴承剩余寿命的监测方法及监测装置
KR102040179B1 (ko) 제조 설비의 이상 감지 및 진단 방법
CN109469896B (zh) 一种基于时间序列分析工业锅炉故障的诊断方法及系统
CN112964470A (zh) 一种基于轴承健康指标检测滚动轴承早期故障的方法
JP7558418B2 (ja) 機械装置又は機械部品における異常を同定するための方法及び装置
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
CN115046764B (zh) 一种滚动轴承早期故障诊断方法
CN116304848B (zh) 一种滚动轴承故障诊断系统及方法
CN108982106B (zh) 一种快速检测复杂系统动力学突变的有效方法
CN114813124A (zh) 一种轴承故障的监测方法及装置
Kecik et al. Diagnosis of angular contact ball bearing defects based on recurrence diagrams and quantification analysis of vibration signals
CN112330615B (zh) 一种转动部件高强度螺栓状态监测方法及系统
CN112486722B (zh) 一种系统故障检测方法及相关装置
CN112326246A (zh) 基于周期数据及核密度估计的轴承安全状态在线监测方法
Ma et al. Research on condition monitoring of bearing health using vibration data
Sassi et al. TALAF and THIKAT as innovative time domain indicators for tracking BALL bearings
CN106586841A (zh) 起重装备减速机运行状态监测方法及系统
CN108982132B (zh) 一种转向架传感器的故障检测方法
CN105197260A (zh) 一种基于休哈特控制图的卫星动量轮早期异常检测方法
CN113487141B (zh) 一种多源信息聚类融合的轴承状态评估方法
CN113049251B (zh) 一种基于噪声的轴承故障诊断方法
JP2004279056A (ja) 回転機械の診断方法及びそのプログラム
Byington et al. False alarm mitigation of vibration diagnostic systems
CN113804388A (zh) 基于时域分析的机械设备旋转冲击故障检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210615

RJ01 Rejection of invention patent application after publication