CN113029570A - 一种谐波轴承故障样本生成模型与诊断方法 - Google Patents

Abstract

本发明公开了一种谐波轴承故障样本生成模型与诊断的方法，包括有以下步骤：建立多自由度的谐波轴承故障仿真模型；通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据；建立保存有各故障样本数据的故障样本库；通过设定的诊断方法来验证故障诊断效果。本发明具有以下优点和效果：通过多自由度的谐波轴承故障仿真模型，生成谐波轴承内圈、外圈、滚动体的单点或多点故障样本，通过生成的故障样本数据来获取相关故障特征信息，特征数据可以以预定矩阵的形式进行存储，并为任何特征提取算法提供所需的完备故障数据集，利用这些数据集配合神经网络等算法实现故障的诊断。

Description

一种谐波轴承故障样本生成模型与诊断方法

技术领域

本发明涉及机械故障健康监测领域，特别涉及一种谐波轴承故障样本生成模型与诊断方法。

背景技术

谐波轴承作为基本传动元件广泛应用于机械设备当中，其主要功能是用于支撑旋转机构，降低转动过程中的摩擦力，保证机构运转精度。随着智能化与精密设备的应用与普及，越来越要求轴承类传动机构具有大力矩、高精度和耐用性等方面的选择性。当前高端工业机器人谐波减速器的广泛应用推动了该原理的谐波轴承的发展。

近年来，大部分研究人员针对常规轴承开发出了多种故障检测的特征提取方法，其中有支持向量学习机、人工神经网络和有限单元法等，其故障特征采集的仪器有加速度振动测试仪、红外热成像仪、声发射器和电涡流传感器等工具。但谐波轴承故障诊断又与其有所不同，其内部钢圈的柔性化设计在保障了大力矩的同时减少了自身体积，但也给传统诊断方法提出了挑战。为准确定位谐波轴承故障点的位置，可以通过优化加速度传感器的布置方式，并对接收到的振动信号进行预处理后通过滤波算法来进行相应特征的提取。有研究人员采用声发射传感器阵列布置方式结合熵算法实现了高速转动的谐波轴承故障精确定位。传统的轴承故障分类方法是对接收振动的信号进行采集后代入到特征提取算法中，通过特征提取算法用以估计故障频率和振幅，但这些特征提取算法都需要预定一些人工给予的参数信息，在本方法里将利用生成的故障样本模型来修正这些参数信息，使模型能够完全仿真出实际谐波轴承的复杂故障信息，并利用修正的诊断方法实现谐波轴承故障的诊断。

发明内容

本发明的目的是提供一种谐波轴承故障样本生成模型与诊断方法，以解决背景技术中所提出的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：一种谐波轴承故障样本生成模型与诊断的方法，包括有以下步骤：

建立多自由度的谐波轴承故障仿真模型；

通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据；

建立保存有各故障样本数据的故障样本库；

通过设定的诊断方法来验证故障诊断效果。

进一步设置是，建立多自由度的谐波轴承故障仿真模型包括有以下步骤：

利用安置于轴承周边的微位移检测信号取得轴承在空间中的三维位移量，并利用最小二乘法进行数值拟合实现轴承座和轴承内圈各自的X、Y方向等效阻尼和刚度的合成；

利用轴承座周边的加速度传感器信号进行振动的数据仿真采集并通过滤波器实现数据重构，从而得到轴座3、6、9和12点钟方向的加速度信号；

通过将仿真位移模型与振动模型等效数据结果的合成，实现用于实验数据分析的谐波轴承故障仿真模型的生成。

进一步设置是，通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据中，故障类型包括有多点内圈故障、多点外圈故障、多点滚动体故障和保持架故障。

进一步设置是，通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据具体包括有以下步骤：

S11、最小二乘法数值微分对质量、阻尼和刚度的拟合；

预设轴承外圈和轴承内圈最终位移信号拟合函数为：

在式(1)中，a₀...a_m为轴承多项式系数，x为对象为内圈或外圈的振动距离量，n+1是数据点数，m是拟合次数；

通过使最小平方逼近误差最小，可得其正规方程组为：

利用四个测微计分别测量轴承外圈和轴承内圈X、Y方向位置变化值，并代入式(2)中可求得所需要的a₀、a₁…a_m的值；

S12、生成故障样本；

利用数值微分求解式(1)，可得故障位移的波动方程：

获取近似式(3)的外圈振动质量m_o、阻尼c_o、刚度k_o、内圈质量m_i、阻尼c_i、刚度k_i、谐振器质量m_r、阻尼c_r和刚度k_r；

建立多自由度振动矩阵模型

由式(4)可得，轴承外圈与谐振器四自由度模型公式：

将式(5)组合成如下式：

式(6)即为轴承外圈与谐振器综合所体现的四自由度模型故障样本的生成；

增加轴承内圈的两自由度模型

将式(6)和式(7)组合成整个滚动轴承六自由度故障模型：

通过数值求解，得到外圈、内圈和滚动体的故障数据样本。

进一步设置是，建立保存有各故障样本数据的故障样本库包括有以下步骤：

将各故障样本数据整理成阵列矩阵信号保存至故障样本库内，以提供给深度学习神经网络进行训练与测试。

进一步设置是，通过设定的诊断方法来验证故障诊断效果包括有以下步骤：

通过搭建谐波轴承测量参数测试机构来获取实验数据，并将实验数据与谐波轴承故障仿真模型拟合分析，改进及优化谐波轴承故障仿真模型参数。

本发明的有益效果在于：

本发明通过构建一种基于多自由度谐波轴承故障集中参数模型实现对谐波轴承内圈、外圈、滚动体的单点或多点故障检测方法，通过仿真模型数据得到获取相关故障特征信息，特征数据可以以预定矩阵的形式进行存储，并根据特征提取算法需求为其提供完备的故障数据集。通过该方法得到的算法模型，在实际应用中可以快速的识别故障类型，从而实现对谐波轴承的全故障信息监测。其相较于实测数据的实验更为方便简洁，可产生无限数量的不同类型的故障样本数据，节省了大量劳动力与实验成本。经验证方法生成的仿真数据训练出的神经网络分类数据对故障的辨识精度接近实际数据。

附图说明

图1为实施例中建立多自由度的谐波轴承故障仿真模型的具体技术路线图；

图2为实施例中轴承外圈与谐振器四自由度组合模型；

图3为实施例中轴承内圈两自由度与谐振器两自由度组合模型；

图4为实施例中所搭建的谐波轴承测量参数测试机构的结构示意图一；

图5为实施例中所搭建的谐波轴承测量参数测试机构的结构示意图二；

图6为实施例中轴承外圈单点故障信号时域与频率图；

图7为实施例中轴承内圈单点故障信号时域与频率图；

图8为实施例中滚动体单点故障信号时域与频率图；

图9为实施例中的轴承外圈故障模型；

图10为实施例中的轴承内圈故障模型；

图11为实施例中的滚动体故障模型；

图12为实施例中仿真数据驱动的故障识别结果；

图13为实施例中实验数据驱动的故障识别结果。

图中：1、试验台；2、伺服电机；3、轴承器；4、直轴；5、轴承内圈X方向测微计；6、轴承座；7、轴承座X方向测微计；8、绝对编码器；9、磁粉制动器；10、轴承内圈Y方向测微计；11、轴承座Y方向测微计；12、试验轴承；13、加速度检测器。

具体实施方式

以下结合附图对本发明作进一步详细说明。

一种谐波轴承故障样本生成模型与诊断的方法，包括有以下步骤：

建立多自由度的谐波轴承故障仿真模型；

通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据；

建立保存有各故障样本数据的故障样本库；

通过设定的诊断方法来验证故障诊断效果。

其中，建立多自由度的谐波轴承故障仿真模型包括有以下步骤：

利用安置于轴承周边的微位移检测信号取得轴承在空间中的三维位移量，并利用最小二乘法进行数值拟合实现轴承座和轴承内圈各自的X、Y方向等效阻尼和刚度的合成；

利用轴承座周边的加速度传感器信号进行振动的数据仿真采集并通过滤波器实现数据重构，从而得到轴座3、6、9和12点钟方向的加速度信号；

通过将仿真位移模型与振动模型等效数据结果的合成，实现用于实验数据分析的谐波轴承故障仿真模型的生成。

如附图1所示，为具体技术路线；多自由度谐波轴承故障参数模型的故障数据生成方法，利用伺服电机带动轴实现定转速周期性旋转，通过对固定于被测轴承周边的轴承座的加速度和轴位移变化量的测量，其中加速度信号即代表振动信号，用于表征轴承运行的正常特征及故障特征；位移信号代表轴承内圈和外圈的弹性阻尼综合作用下的轨迹变化。将采集到的位移信号通过最小二乘法数据进行拟合求解出轴承座和轴承内圈的等效阻尼和刚度，并与轴承座的四个方向综合得出轴承故障仿真故障类型。

其中，通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据中，故障类型包括有多点内圈故障、多点外圈故障、多点滚动体故障和保持架故障。

其中，通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据具体包括有以下步骤：

S11、最小二乘法数值微分对质量、阻尼和刚度的拟合；

预设轴承外圈和轴承内圈最终位移信号拟合函数为：

在式(1)中，a₀...a_m为轴承多项式系数，x为对象为内圈或外圈的振动距离量，n+1是数据点数，m是拟合次数；

通过使最小平方逼近误差最小，可得其正规方程组为：

利用四个测微计分别测量轴承外圈和轴承内圈X、Y方向位置变化值，并代入式(2)中可求得所需要的a₀、a₁…a_m的值；

S12、生成故障样本；

利用数值微分求解式(1)，可得故障位移的波动方程：

获取近似式(3)的外圈振动质量m_o、阻尼c_o、刚度k_o、内圈质量m_i、阻尼c_i、刚度k_i、谐振器质量m_r、阻尼c_r和刚度k_r；

例以轴承座(轴承外圈)和谐振器考虑的四自由度模型，如附图2所示；

建立多自由度振动矩阵模型

由式(4)可得，轴承外圈与谐振器四自由度模型公式：

将式(5)组合成如下式：

式(6)即为轴承外圈与谐振器综合所体现的四自由度模型故障样本的生成；

增加轴承内圈的两自由度模型，如附图3所示；

将式(6)和式(7)组合成整个滚动轴承六自由度故障模型：

通过数值求解，得到外圈、内圈和滚动体的故障数据样本。

其中，建立保存有各故障样本数据的故障样本库包括有以下步骤：

将各故障样本数据整理成阵列矩阵信号保存至故障样本库内，以提供给深度学习神经网络进行训练与测试。通过仿真模型计算的故障数据样本，显示了故障数据的主要特征，与安装于轴承周边的的加速度传感器所采集的故障特征信号相符，。

其中，通过设定的诊断方法来验证故障诊断效果包括有以下步骤：

通过搭建谐波轴承测量参数测试机构来获取实验数据，并将实验数据与谐波轴承故障仿真模型拟合分析，改进及优化谐波轴承故障仿真模型参数。

在本实施例中可采用如附图4和附图5所示的现实实验台方法建立的谐波轴承测量参数测试机构。该谐波轴承测量参数测试机构包括有作为承载结构的试验台1，试验台1上设置有伺服电机2、轴承器3、直轴4、轴承内圈X方向测微计5、轴承座6、轴承座X方向测微计7、绝对编码器8、磁粉制动器9、轴承内圈Y方向测微计10、轴承座Y方向测微计11、试验轴承12和加速度检测器13。

其中，伺服电机2的作用为实现定转速、定扭矩、定距离转动；测微计的作用为可用于测量1um精度范围的实际位移偏移量；加速度检测器13的作用为用于检测谐波轴承故障的振动量；磁粉制动器9的作用为用于提供负载力矩。

具体的：首先采集轴承内外圈位移信号，该信号通过1um精度测微计进行测量，利用加速度检测器13实现环绕轴承座四周间隔90度进行振动数据采集；其次对采集到的信号做如下处理:第一步，位移信号直接通过RS232串口将数据发送到PC机软件，通过软件最小二乘法拟合实现轴承座XY轴，轴承内圈XY轴等效阻尼与等效刚度的拟合；第二步，加速度信号通过多通道数据分析仪进行数据采集与重构，其中围绕轴承座分别同时测量3点钟、6点钟、9点钟和12点钟方向的加速度信号。第三步，通过将所测数据组合起来建立多自由度的谐波轴承故障模型，通过与实验数据进行拟合分析，改进相关模型参数，使仿真数据与实际数据主要特征完全吻合。本诊断方法的任务是为验证上述所提仿真方法的可靠性进行实验验证，所采集数据通过相同算法行程进行变换并通过相同神经网络进行故障数据的训练与分类。经验证本发明的谐波轴承故障仿真模型所生成数据的方法可以精确替代实际谐波轴承故障数据，具有方便易得且特征明显的优点。

另，如附图6、附图7和附图8所示，分别提供了轴承外圈单点故障信号时域与频率图、轴承内圈单点故障信号时域与频率图和滚动体单点故障信号时域与频率图。

应用实施例

以构造六自由度谐波轴承仿真模型为例，仿真模型的信号取自轴承座圆周均匀布置多个加速度传感器阵列，传感器阵列用于接收振动信号。

如附图9、附图10和附图11所示；

(1)故障点的设置：在谐波轴承仿真模型中，增加外圈故障点，可选择矩形凹槽或者圆形缺陷槽，故障点可设置多个；同理可设计内圈、滚动体等的故障；可将故障单独使用或者混合以生成多故障特征模型。

(2)加速度信号预处理：利用时频变换，对振动波的传播时域信号进行处理，找到能够直观反应故障特征的信号。

(3)故障模型的拟合算法：获取所有样本点的仿真矩阵数据库之后，进行数据保存处理，将待定故障点的信号同样经过以上方法处理过后可得到待定故障点的特征信号分类矩阵，将该点信号特征矩阵与样本点的分类矩阵数据库使用深度学习算法得出结果。

(4)结果实验验证：利用谐波轴承测量实验台得到结果后，以时域图和频域图的形式表示，频域图清晰的把各故障区域所有样本点展示出来，根据频域的倍数确定待定故障点的参考位置区域，用同仿真同样的数据处理方法，在时域图和频率图中进行获得故障样本数据的转换。通过多个神经网络进行训练与分类，如附图12和附图13得到所利用仿真数据所得故障分类精度优于实验测得数据，完全可以实现预设样本数据的仿真生成的方法替代现实谐波轴承故障数据。

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 (6)

1.一种谐波轴承故障样本生成模型与诊断的方法，其特征在于，包括有以下步骤：

建立多自由度的谐波轴承故障仿真模型；

通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据；

建立保存有各故障样本数据的故障样本库；

通过设定的诊断方法来验证故障诊断效果。

2.根据权利要求1所述的一种谐波轴承故障样本生成模型与诊断的方法，其特征在于，建立多自由度的谐波轴承故障仿真模型包括有以下步骤：

利用安置于轴承周边的微位移检测信号取得轴承在空间中的三维位移量，并利用最小二乘法进行数值拟合实现轴承座和轴承内圈各自的X、Y方向等效阻尼和刚度的合成；

利用轴承座周边的加速度传感器信号进行振动的数据仿真采集并通过滤波器实现数据重构，从而得到轴座3、6、9和12点钟方向的加速度信号；

通过将仿真位移模型与振动模型等效数据结果的合成，实现用于实验数据分析的谐波轴承故障仿真模型的生成。

3.根据权利要求2所述的一种谐波轴承故障样本生成模型与诊断的方法，其特征在于，通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据中，故障类型包括有多点内圈故障、多点外圈故障、多点滚动体故障和保持架故障。

4.根据权利要求3所述的一种谐波轴承故障样本生成模型与诊断的方法，其特征在于，通过对谐波轴承故障仿真模型的拟合算法来得到故障样本数据具体包括有以下步骤：

S11、最小二乘法数值微分对质量、阻尼和刚度的拟合；

预设轴承外圈和轴承内圈最终位移信号拟合函数为：

在式(1)中，a₀...a_m为轴承多项式系数，x为对象为内圈或外圈的振动距离量，n+1是数据点数，m是拟合次数；

通过使最小平方逼近误差最小，可得其正规方程组为：

利用四个测微计分别测量轴承外圈和轴承内圈X、Y方向位置变化值，并代入式(2)中可求得所需要的a₀、a₁…a_m的值；

S12、生成故障样本；

利用数值微分求解式(1)，可得故障位移的波动方程：

获取近似式(3)的外圈振动质量m_o、阻尼c_o、刚度k_o、内圈质量m_i、阻尼c_i、刚度k_i、谐振器质量m_r、阻尼c_r和刚度k_r；

建立多自由度振动矩阵模型

由式(4)可得，轴承外圈与谐振器四自由度模型公式：

将式(5)组合成如下式：

式(6)即为轴承外圈与谐振器综合所体现的四自由度模型故障样本的生成；

增加轴承内圈的两自由度模型

将式(6)和式(7)组合成整个滚动轴承六自由度故障模型：

通过数值求解，得到外圈、内圈和滚动体的故障数据样本。

5.根据权利要求1所述的一种谐波轴承故障样本生成模型与诊断的方法，其特征在于，建立保存有各故障样本数据的故障样本库包括有以下步骤：

将各故障样本数据整理成阵列矩阵信号保存至故障样本库内，以提供给深度学习神经网络进行训练与测试。

6.根据权利要求1所述的一种谐波轴承故障样本生成模型与诊断的方法，其特征在于，通过设定的诊断方法来验证故障诊断效果包括有以下步骤：

通过搭建谐波轴承测量参数测试机构来获取实验数据，并将实验数据与谐波轴承故障仿真模型拟合分析，改进及优化谐波轴承故障仿真模型参数。

Images