CN113295416B - 一种基于频谱的轴承故障分类方法及系统 - Google Patents

一种基于频谱的轴承故障分类方法及系统 Download PDF

Info

Publication number
CN113295416B
CN113295416B CN202110557378.1A CN202110557378A CN113295416B CN 113295416 B CN113295416 B CN 113295416B CN 202110557378 A CN202110557378 A CN 202110557378A CN 113295416 B CN113295416 B CN 113295416B
Authority
CN
China
Prior art keywords
bearing
frequency
state
fault
amplitude
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
Application number
CN202110557378.1A
Other languages
English (en)
Other versions
CN113295416A (zh
Inventor
刘育玮
吴建军
程玉强
杨述明
胡润生
崔孟瑜
戚元杰
邓凌志
石业辉
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110557378.1A priority Critical patent/CN113295416B/zh
Publication of CN113295416A publication Critical patent/CN113295416A/zh
Application granted granted Critical
Publication of CN113295416B publication Critical patent/CN113295416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (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频谱的轴承故障分类方法及系统。方法包括S1、计算轴承每个状态的振动信号的频率频谱；S2、计算轴承每种状态之间的频率差异；S3、计算每个状态频谱之间每个差异的比率K；S4、选择比率K大于设定值的频率振幅的频率；S5、按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的共同频率振幅数，R2为所有的训练集频率的全部频率振幅数；S6、从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。本发明通过较少的FFT和公共频率选择实现特征向量的选取，计算量小，便于工程实现。

Description

一种基于频谱的轴承故障分类方法及系统
技术领域
本发明涉及轴承故障分类领域，更具体地说，特别涉及一种基于频谱的轴承故障分类方法及系统。
背景技术
装备日益趋于大型化，在故障诊断和故障检测领域中越来越多的研究表明，健康检测和故障诊断对设备的安全运行起着至关重要的作用。轴承是设备中连接转动件和支撑件的重要部件，已经有大量的故障检测手段。
目前，应用于轴承故障分类的方法包括频域中的特征频率分析方法、包络分析方法等，时域中的统计分析方法，神经网络分析方法等。其中，特征频率分析方法是最简单的分析方法，但是在噪音较大，故障早期的时候，并不能及时有效的分析出故障；神经网络方法，能够较为准确的分辨出故障，但是需要准确的特征输入或者大量的数据。这样就导致了神经网络的方法一般较为复杂。因此，需要一种简便准确的、可用于工业上的轴承故障分类方法及系统。
发明内容
本发明的目的在于提供一种基于频谱的轴承故障分类方法及系统，以克服现有技术所存在的缺陷。
为了达到上述目的，本发明采用的技术方案如下：
一种基于频谱的轴承故障分类方法及系统，包括以下步骤：
S1、计算轴承每个状态的振动信号的频率频谱；
S2、计算轴承每种状态之间的频率差异；
S3、计算每个状态频谱之间每个差异的比率K；
S4、选择比率K大于设定值的频率振幅的频率；
S5、按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的共同频率振幅数，R2为所有的训练集频率的全部频率振幅数；
S6、从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。
进一步地，所述轴承状态包括正常工况轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承。
进一步地，所述步骤S1的具体步骤为：
S10、以设定采样率且在同一恒定转速下分别对正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的振动信号进行采样；
S11、将得到的数据点划分为2n个点为一个状态样本；
S12、将划分好的状态样本进行快速傅里叶变换，得到每个状态的频率频谱，正常工况轴承的振动信号的频率频谱由矢量normal表示、内圈故障轴承的振动信号频谱由矢量inne表示、外圈故障轴承的振动信号频率由矢量outer表示、滚动体故障轴承的振动信号频率由矢量rolling表示。
进一步地，所述步骤S11中的2n优选为32768。
进一步地，所述步骤S3中的K＝100％*Ai/Amax，Ai是表示频谱中第i个频率所对应的振幅，Amax是频谱中的最大振幅
进一步地，所述步骤S2中的计算轴承每种状态之间的频率差异具体为：|normal-inner|、|normal-outer|、|normal-rolling|、|inner-outer|、|inner-rolling|、|outer-rolling|。
进一步地，所述步骤S4中的设定值为0.33。
本发明还提供一种实现上述的基于频谱的轴承故障分类方法的系统，包括：
第一计算模块，用于计算轴承每个状态的振动信号的频率频谱，轴承状态包括正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承；
第二计算模块，用于计算轴承每种状态之间的频率差异；
第三计算模块，用于计算每个状态频谱之间每个差异的比率K，K＝100％*Ai/Amax，Ai是表示频谱中第i个频率所对应的振幅，Amax是频谱中的最大振幅；
选择模块，用于选择比率K大于设定值的频率振幅的频率；
设置模块，用于按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的共同频率振幅数，R2为所有的训练集频率的全部频率振幅数；
特征向量模块，用于从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。
与现有技术相比，本发明的优点在于：本发明针对具有不同状态的轴承的振动频率频谱之间的差异，选择公共频率，再将选取出来的公共频率的振幅形成特征向量，再使用K邻近值分类、K均值聚类和线性支持向量机进行故障分类。本发明只需要对原始的振动信号进行快速傅里叶变换，能够简单方便的分析出早期故障类型；与传统的方法相比，本发明通过较少的FFT和公共频率选择实现特征向量的选取，计算量小，便于工程实现。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于频谱的轴承故障分类方法的流程图。
图2是正常工况轴承状态与内圈故障轴承状态之间频率频谱差异。
图3是正常工况轴承状态与外圈故障轴承状态之间频率频谱差异。
图4是正常工况轴承状态与滚动体故障轴承状态之间频率频谱差异。
图5是内圈故障轴承状态与外圈故障轴承状态之间频率频谱差异。
图6是内圈故障轴承状态与滚动体故障轴承状态之间频率频谱差异。
图7是外圈故障轴承状态与滚动体故障轴承状态之间频率频谱差异。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
参阅图1所示，本实施例公开了一种基于频谱的轴承故障分类方法及系统，包括以下步骤：
步骤S1、计算轴承每个状态的振动信号的频率频谱，轴承状态包括正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承，具体包括：步骤S10、以设定采样率(本实施例选择12000个点每秒)且在同一恒定转速下分别对正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的振动信号进行采样；步骤S11、将得到的数据点划分为2n(本实施例选取32768)个点为一个状态样本；步骤S12、将划分好的状态样本进行快速傅里叶变换，得到每个状态的频率频谱，正常工况轴承的振动信号的频率频谱由矢量normal＝[normal1，normal2，…，normal16384]表示、内圈故障轴承的振动信号频谱由矢量inne＝[inner1，inner2，…，inner16384]表示、外圈故障轴承的振动信号频率由矢量outer＝[outer1，outer2，…，outer16384]表示、滚动体故障轴承的振动信号频率由矢量rolling＝[rolling1，rolling2，…，rolling16384]表示。
步骤S2、计算轴承每种状态之间的频率差异，具体为：|normal-inner|、|normal-outer|、|normal-rolling|、|inner-outer|、|inner-rolling|、|outer-rolling|；
步骤S3、计算每个状态频谱之间每个差异的比率K，K＝100％*Ai/Amax，Ai、Amax是来自4个状态振动信号频谱之间的差异，Ai是表示频谱中第i个频率所对应的振幅，i＝1，2，…，16384，Amax是频谱中的最大振幅。
本实施例中，K的值分别为0.064583，0.06448，0.064526，0.037303，0.031378，0.026377。
步骤S4、选择比率K大于设定值(优选为0.33)的频率振幅的频率；本实施例中，参照附图2-7，对应着第一个训练集中的频率频谱差异，振幅值大于K的频率都需要选取出来。
步骤S5、按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的共同频率振幅数，R2为所有的训练集频率的全部频率振幅数。
本实例中，共4个训练集，每个训练集都有1个正常工况轴承状态的训练样本，1个内圈故障轴承状态的训练样本，1个外圈故障轴承状态的训练样本和1个滚动体故障状态的训练样本。计算了24个频谱差异，每个训练集由6个频谱差异。根据实验，选取R＝0.36<10/24＝0.41，故需要选取24个频率中的10个来决定公共频率的选择。选择1685Hz，2994Hz，3173Hz，3615Hz，5741Hz，7194Hz，7522Hz，7653Hz，7866Hz，9796Hz。
步骤S6、从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类，具体为：分别从正常工况轴承状态、内圈故障轴承状态、外圈故障轴承状态、滚动体轴承状态中选取公共频率的振幅形成特征向量。接下来将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。
本实施例中，如采用欧式距离的k邻近值分类方法，结果如表1所示。
Figure GDA0003115695560000041
本发明还提供一种实现上述的基于频谱的轴承故障分类方法的系统，包括：第一计算模块，用于计算轴承每个状态的振动信号的频率频谱，轴承状态包括正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承；第二计算模块，用于计算轴承每种状态之间的频率差异；第三计算模块，用于计算每个状态频谱之间每个差异的比率K，K＝100％*Ai/Amax，Ai是表示频谱中第i个频率所对应的振幅，Amax是频谱中的最大振幅；选择模块，用于选择比率K大于设定值的频率振幅的频率；设置模块，用于按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的共同频率振幅数，R2为所有的训练集频率的全部频率振幅数；特征向量模块，用于从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。
本发明针对具有不同状态的轴承的振动频率频谱之间的差异，选择公共频率，再将选取出来的公共频率的振幅形成特征向量，再使用K邻近值分类、K均值聚类和线性支持向量机进行故障分类。本发明只需要对原始的振动信号进行快速傅里叶变换，能够简单方便的分析出早期故障类型；与传统的方法相比，本发明通过较少的FFT和公共频率选择实现特征向量的选取，计算量小，便于工程实现。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (6)

1.一种基于频谱的轴承故障分类方法，其特征在于，包括以下步骤：
S1、计算轴承每个状态的振动信号的频率频谱；
S2、计算轴承每种状态之间的频率差异；
S3、计算每个状态频谱之间每个差异的比率K；
S4、选择比率K大于设定值的频率振幅的频率；
S5、按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的公共频率振幅数，R2为所有的训练集频率的全部频率振幅数；
S6、从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类；
所述步骤S1的具体步骤为：
S10、以设定采样率且在同一恒定转速下分别对正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的振动信号进行采样；
S11、将得到的数据点划分为2n个点为一个状态样本；
S12、将划分好的状态样本进行快速傅里叶变换，得到每个状态的频率频谱，正常工况轴承的振动信号的频率频谱由矢量normal表示、内圈故障轴承的振动信号频率频谱由矢量inner表示、外圈故障轴承的振动信号频率频谱由矢量outer表示、滚动体故障轴承的振动信号频率频谱由矢量rolling表示；
所述步骤S2中的计算轴承每种状态之间的频率差异具体为：|normal-inner|、|normal-outer|、|normal-rolling|、|inner-outer|、|inner-rolling|、|outer-rolling|。
2.根据权利要求1所述的基于频谱的轴承故障分类方法，其特征在于，所述轴承状态包括正常工况轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承。
3.根据权利要求1所述的基于频谱的轴承故障分类方法，其特征在于，所述步骤S11中的2n为32768。
4.根据权利要求1所述的基于频谱的轴承故障分类方法，其特征在于，所述步骤S3中的K＝100％*Ai/Amax，Ai是表示频谱中第i个频率所对应的振幅，Amax是频谱中的最大振幅。
5.根据权利要求1所述的基于频谱的轴承故障分类方法，其特征在于，所述步骤S4中的设定值为0.33。
6.一种实现权利要求1-5任意一项所述的基于频谱的轴承故障分类方法的系统，其特征在于，包括：
第一计算模块，用于计算轴承每个状态的振动信号的频率频谱，轴承状态包括正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承；
第二计算模块，用于计算轴承每种状态之间的频率差异；
第三计算模块，用于计算每个状态频谱之间每个差异的比率K，K＝100％*Ai/Amax，Ai是表示频谱中第i个频率所对应的振幅，Amax是频谱中的最大振幅；
选择模块，用于选择比率K大于设定值的频率振幅的频率；
设置模块，用于按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的公共频率振幅数，R2为所有的训练集频率的全部频率振幅数；
特征向量模块，用于从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。
CN202110557378.1A 2021-05-21 2021-05-21 一种基于频谱的轴承故障分类方法及系统 Active CN113295416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110557378.1A CN113295416B (zh) 2021-05-21 2021-05-21 一种基于频谱的轴承故障分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110557378.1A CN113295416B (zh) 2021-05-21 2021-05-21 一种基于频谱的轴承故障分类方法及系统

Publications (2)

Publication Number Publication Date
CN113295416A CN113295416A (zh) 2021-08-24
CN113295416B true CN113295416B (zh) 2022-04-15

Family

ID=77323572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110557378.1A Active CN113295416B (zh) 2021-05-21 2021-05-21 一种基于频谱的轴承故障分类方法及系统

Country Status (1)

Country Link
CN (1) CN113295416B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4616243B2 (ja) * 2006-12-05 2011-01-19 シャープ株式会社 不良工程推定方法、不良工程推定装置、プログラム、および記録媒体
JP5574363B2 (ja) * 2010-03-05 2014-08-20 Ｎｔｎ株式会社 軸受の異常検出装置および異常検出方法
CN102175409B (zh) * 2011-02-01 2012-08-29 华北电力大学 汽轮发电机组油膜涡动故障实时辨识方法
CN104833510A (zh) * 2015-05-25 2015-08-12 山东钢铁股份有限公司 加速度四个阶段频率轴承故障诊断法
CN106595850A (zh) * 2016-12-21 2017-04-26 潘小胜 一种机械振动信号的故障分析方法
CN107665337B (zh) * 2017-09-21 2020-04-14 中国人民解放军国防科技大学 一种轴承滚动体故障增强诊断方法
KR102624536B1 (ko) * 2018-12-31 2024-01-15 주식회사 일진글로벌 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링
CN110991004A (zh) * 2019-11-06 2020-04-10 安徽大学 一种轴承故障诊断方法、终端设备及计算机存储介质

Also Published As

Publication number Publication date
CN113295416A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN110243603B (zh) 基于Welch转换-径向基神经网的滚动轴承故障诊断方法
Wu et al. Induction machine fault detection using SOM-based RBF neural networks
Chow et al. Three phase induction machines asymmetrical faults identification using bispectrum
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN109520738B (zh) 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
CN111307438B (zh) 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN110987438B (zh) 水轮发电机变转速过程周期性振动冲击信号检测的方法
US20230273093A1 (en) Method and device for fault diagnosis of wind turbine pitch bearing based on neural network
CN104596766B (zh) 一种轴承早期故障确定方法及装置
Qi et al. Diagnosis of misalignment faults by tacholess order tracking analysis and RBF networks
CN108572075A (zh) 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法
CN111220373A (zh) 一种离心泵转子系统故障诊断的方法
CN110044610A (zh) 齿轮故障诊断方法
CN103048133A (zh) 一种基于贝叶斯网络的滚动轴承故障诊断方法
CN109813547A (zh) 基于稀疏分解优化算法的旋转机械局部型故障诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN113776835B (zh) 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
CN109029999A (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
CN111707472B (zh) 基于fft和全连接层-svm的滚动轴承故障诊断方法
CN114755017A (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
Zhang et al. Compound fault diagnosis of aero-engine rolling element bearing based on CCA blind extraction
CN113295416B (zh) 一种基于频谱的轴承故障分类方法及系统
CN115165365A (zh) 一种轴承零件特征频率的估算方法和系统
CN109934136A (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
Jiang et al. A novel rolling-element bearing faults classification method combines lower-order moment spectra and support vector machine

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