CN113295420B - 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 - Google Patents
基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113295420B CN113295420B CN202110650227.0A CN202110650227A CN113295420B CN 113295420 B CN113295420 B CN 113295420B CN 202110650227 A CN202110650227 A CN 202110650227A CN 113295420 B CN113295420 B CN 113295420B
- Authority
- CN
- China
- Prior art keywords
- envelope
- noise reduction
- determining
- bearing fault
- rolling 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.)
- Active
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
本发明涉及一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统,方法包括:获取滚动轴承的振动信号;根据所述振动信号确定所述振动信号的增强包络;根据所述增强包络和所述振动信号确定增强包络自相关函数;根据所述增强包络自相关函数确定轴承故障冲击周期估计值;根据所述轴承故障冲击周期估计值构建二进制周期序列;将所述二进制周期序列嵌入弹性网作为约束条件,将L0.5范数作为惩罚函数,根据所述振动信号构建组稀疏模型;将所述振动信号输入所述组稀疏模型,确定降噪信号;对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。本发明通过对周期冲击特征的有效提取,提高滚动轴承特征的特征提取精度和故障识别的准确性。
Description
技术领域
本发明涉及机械故障诊断技术领域,特别是涉及一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统。
背景技术
滚动轴承是旋转机械传动链中的关键部件,在航空航天、风力发电等重大装备中发挥着重要作用。然而,由于重大装备通常在环境恶劣、条件苛刻的环境中长时间连续工作,滚动轴承难免发生如点蚀、磨损等局部损伤,轻则导致整个系统的停机,重则造成重大的人员伤亡事故。因此,研究有效的故障诊断方法来实时监测和识别滚动轴承的健康状态,对保障设备的安全可靠运行具有重要意义。
稀疏表示的出现为机械故障特征提取提供了新的思路,其主要思想是利用超完备字典中的少量原子来表征信号的主要特征,既可以有效剔除信号中的噪声干扰,又可以降低数据维度。因此,稀疏表示在机械故障诊断领域得到了广泛关注和研究,并取得了良好的效果。但是,目前稀疏模型中的惩罚函数的设计主要集中在L1范数和L2范数,未能充分利用L1范数和L2范数在提升特征的组内组间稀疏性方面的优势,导致稀疏表示对微弱周期冲击特征的提取性能较差。因此,有必要研究有效的稀疏表示方法以实现滚动轴承故障的微弱特征提取。
发明内容
本发明的目的是提供一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统,通过对周期冲击特征的有效提取,提高滚动轴承特征的特征提取精度和故障识别的准确性。
为实现上述目的,本发明提供了如下方案:
一种基于周期指导组稀疏模型的滚动轴承故障诊断方法,包括:
获取滚动轴承的振动信号;
根据所述振动信号确定所述振动信号的增强包络;
根据所述增强包络和所述振动信号确定增强包络自相关函数;
根据所述增强包络自相关函数确定轴承故障冲击周期估计值;
根据所述轴承故障冲击周期估计值构建二进制周期序列;
将所述二进制周期序列嵌入弹性网作为约束条件,将L0.5范数作为惩罚函数,根据所述振动信号构建组稀疏模型;
将所述振动信号输入所述组稀疏模型,确定降噪信号;
对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。
可选的,所述根据所述增强包络自相关函数确定轴承故障冲击周期估计值,具体包括:
根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值;
根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值;
根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。
可选的,所述组稀疏模型为:
其中,x*为组稀疏模型,RN表示欧式空间;y表示振动信号,x是组稀疏模型输出的降噪结果,λ为第一正则化参数,γ为第二正则化参数,ψ为索引集,ψ={1,2,...,N},θ(x,B,n)为弹性网函数,ξ是弹性网平衡参数,||·||表示范数,表示非凸罚函数,c是控制惩罚项非凸度的常数,θ(x,B,n)表示弹性网函数,K为二进制周期序列B的长度,Bk表示二进制周期序列B中的第k个数值;xn+k表示降噪结果x中的第n+k个数值。
可选的,所述将所述振动信号输入所述组稀疏模型,确定降噪信号,具体包括:
将所述振动信号输入所述组稀疏模型,利用优化最小算法对所述组稀疏模型进行迭代求解,确定降噪信号。
可选的,所述对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息,具体包括:
对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络;
对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱;
根据所述解调包络谱确定滚动轴承故障特征信息。
一种基于周期指导组稀疏模型的滚动轴承故障诊断系统,包括:
获取模块,用于获取滚动轴承的振动信号;
增强包络确定模块,用于根据所述振动信号确定所述振动信号的增强包络;
增强包络自相关函数确定模块,用于根据所述增强包络和所述振动信号确定增强包络自相关函数;
轴承故障冲击周期估计值确定模块,用于根据所述增强包络自相关函数确定轴承故障冲击周期估计值;
二进制周期序列构建模块,用于根据所述轴承故障冲击周期估计值构建二进制周期序列;
组稀疏模型构建模块,用于将所述二进制周期序列嵌入弹性网作为约束条件,将L0.5范数作为惩罚函数,根据所述振动信号构建组稀疏模型;
降噪信号确定模块,用于将所述振动信号输入所述组稀疏模型,确定降噪信号;
滚动轴承故障特征信息确定模块,用于对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。
可选的,所述轴承故障冲击周期估计值确定模块,具体包括:
故障特征频率理论值确定单元,用于根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值;
轴承故障冲击周期理论值确定单元,用于根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值;
轴承故障冲击周期估计值确定单元,用于根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。
可选的,所述组稀疏模型为:
其中,x*为组稀疏模型,RN表示欧式空间;y表示振动信号,x是组稀疏模型输出的降噪结果,λ为第一正则化参数,γ为第二正则化参数,ψ为索引集,ψ={1,2,...,N},θ(x,B,n)为弹性网函数,ξ是弹性网平衡参数,||·||表示范数,表示非凸罚函数,c是控制惩罚项非凸度的常数,θ(x,B,n)表示弹性网函数,K为二进制周期序列B的长度,Bk表示二进制周期序列B中的第k个数值;xn+k表示降噪结果x中的第n+k个数值。
可选的,所述降噪信号确定模块,具体包括:
降噪信号确定单元,用于将所述振动信号输入所述组稀疏模型,利用优化最小算法对所述组稀疏模型进行迭代求解,确定降噪信号。
可选的,所述滚动轴承故障特征信息确定模块,具体包括:
增强包络解调单元,用于对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络;
傅里叶变换单元,用于对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱;
滚动轴承故障特征信息确定单元,用于根据所述解调包络谱确定滚动轴承故障特征信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统,通过弹性网与L0.5范数相结合作为惩罚函数,利用结合周期先验的弹性网约束可有效筛选组内高度相关的特征信息,采用非凸的L0.5范数来约束组间元素,进一步诱导估计信号在时域的稀疏性,使得所提模型具有组内组间稀疏性,更好地提取微弱周期冲击特征;采用增强包络自相关函数函数来动态估计轴承故障冲击周期,并利用轴承故障冲击周期估计值构造二进制周期序列,作为组稀疏模型的结构约束项,进一步提高了轴承故障特征的提取精度。
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,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断方法流程图;
图2为本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断方法具体工作图;
图3为本发明提供的含有噪声的周期冲击信号时域波形图;
图4为本发明提供的基于周期指导组稀疏模型得到的时域波形图;
图5为本发明提供的增强包络谱图;
图6为本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统,通过对周期冲击特征的有效提取,提高滚动轴承特征的特征提取精度和故障识别的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种基于周期指导组稀疏模型的滚动轴承故障诊断方法,包括:
步骤101:获取滚动轴承的振动信号。
步骤102:根据所述振动信号确定所述振动信号的增强包络。
步骤103:根据所述增强包络和所述振动信号确定增强包络自相关函数。
步骤104:根据所述增强包络自相关函数确定轴承故障冲击周期估计值。
步骤104,具体包括:
根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值。
根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值。
根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。
Step1计算振动信号y(n)(n=1,2,…,N)的增强包络Ey(n),并计算增强包络的自相关函数REy(τ),计算公式如下:
Ey(n)=[y2(n+1)+y2(n-1)+h2(n-1)+h2(n+1)]-2×[y(n+1)y(n-1)+h(n-1)h(n+1)]
h(n)是振动信号y(n)的离散希尔伯特变换。Ey(n)为振动信号y(n)的增强包络,y(n+1)为第n+1个振动信号,y(n-1)为第n-1个振动信号,h(n+1)为第n+1个振动信号的离散希尔伯特变换,h(n-1)为第n-1个振动信号的离散希尔伯特变换。REy(τ)为增强包络自相关函数,REy(τ)左右对称且长度为2×N-1,所以选取右半部分长度为N的序列作为自相关函数REy(τ);Ey(n-τ)为为增强包络Ey(n)延时τ的序列,N为振动信号y(n)的长度。
Step2根据滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率计算得到故障特征频率理论值fc,再结合采样频率fs计算得到轴承故障冲击周期理论值τ=fs/fc;从自相关函数REx(τ)的中间部分选择一个长度为round(k×τ)的区间,其中,round()表示四舍五入运算,k是大于2的整数,且满足round(k×τ)<N/2;在该区间内寻找自相关函数的极大值点pki,(i=1,2,…,m;m为极大值点的数量),并对得到的全部极大值点进行降序排列得到集合ppk;选取集合ppk中的最大值记为max_ppk,选取集合ppk中前k个极大值中的最小值记为min_ppk;利用如下公式计算上阈值Upper_th和下阈值Lower_th:
Upper_th=max_ppk+1.4826×median(||pk-median(pk)||)
Lower_th=min_ppk-1.4826×median(||pk-median(pk)||)
式中,median(·)表示中位数。
Step3利用上阈值Upper_th和下阈值Lower_th对自相关函数的极大值点pki进行筛选;当Lower_th≤pki≤Upper_th,则记录第i个极大值点pki对应的横坐标Dj(j=1,2,…,J;J表示极大值点位于上阈值和下阈值之间的极大值点的数量);计算相邻极大值点间距的平均值为轴承故障冲击周期估计值轴承故障冲击周期估计值为轴承故障冲击周期的最佳估计,计算公式为:
步骤105:根据所述轴承故障冲击周期估计值构建二进制周期序列。
步骤106:将所述二进制周期序列嵌入弹性网作为约束条件,将L0.5范数作为惩罚函数,根据所述振动信号构建组稀疏模型。其中,所述组稀疏模型为:
其中,x*为组稀疏模型,RN表示欧式空间;y表示振动信号,x是组稀疏模型输出的降噪结果,λ为第一正则化参数,γ为第二正则化参数,ψ为索引集,ψ={1,2,...,N},θ(x,B,n)为弹性网函数,ξ是弹性网平衡参数,||·||表示范数,表示非凸罚函数,c是控制惩罚项非凸度的常数,θ(x,B,n)表示弹性网函数,K为二进制周期序列B的长度,Bk表示二进制周期序列B中的第k个数值;xn+k表示降噪结果x中的第n+k个数值。
步骤107:将所述振动信号输入所述组稀疏模型,确定降噪信号。步骤107,具体包括:将所述振动信号输入所述组稀疏模型,利用优化最小算法对所述组稀疏模型进行迭代求解,确定降噪信号。
将振动信号的时域信号输入构造的组稀疏模型,并采用优化最小算法对模型进行迭代求解,得到降噪后的信号,具体包括:
Step1设定算法迭代次数Niter和组稀疏模型中的参数λ,γ和ξ,并初始化迭代信号x(i)=y,其中i表示迭代次数,初始值为i=0。
其中,i表示迭代次数,n表示数据x的索引值,取值范围为[1,N],j表示二进制周期序列B的索引值,取值范围为[1,K]。
式中,x表示输入,δ表示阈值。
Step5终止条件判定:当迭代次数达到设定值Niter时,输出降噪后的信号x;反之,i=i+1,返回Step2。
步骤108:对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。
步骤108,具体包括:
对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络。
对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱。
根据所述解调包络谱确定滚动轴承故障特征信息。
对得到的降噪信号x进行增强包络解调,利用解调包络谱实现滚动轴承故障的有效识别,具体包括:
计算降噪信号x(n)(n=1,2,…,N)的增强包络Ex(n),计算公式如下:
Ex(n)=[x2(n+1)+x2(n-1)+h2(n-1)+h2(n+1)]-2×[x(n+1)x(n-1)+h(n-1)h(n+1)]
式中,N为振动信号x(n)的长度,h(n)是振动信号x(n)的离散希尔伯特变换;然后,利用离散傅里叶变换计算增强包络Ex(n)的频谱,得到解调包络谱,从而实现滚动轴承故障识别。
如图6所示,本发明提供的基于周期指导组稀疏模型的滚动轴承故障诊断系统,包括:
获取模块601,用于获取滚动轴承的振动信号。
增强包络确定模块602,用于根据所述振动信号确定所述振动信号的增强包络。
增强包络自相关函数确定模块603,用于根据所述增强包络和所述振动信号确定增强包络自相关函数。
轴承故障冲击周期估计值确定模块604,用于根据所述增强包络自相关函数确定轴承故障冲击周期估计值。
其中,所述轴承故障冲击周期估计值确定模块604,具体包括:
故障特征频率理论值确定单元,用于根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值。
轴承故障冲击周期理论值确定单元,用于根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值。
轴承故障冲击周期估计值确定单元,用于根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值。
二进制周期序列构建模块605,用于根据所述轴承故障冲击周期估计值构建二进制周期序列;
组稀疏模型构建模块606,用于将所述二进制周期序列嵌入弹性网作为约束条件,将L0.5范数作为惩罚函数,根据所述振动信号构建组稀疏模型;其中,所述组稀疏模型为:
其中,x*为组稀疏模型,RN表示欧式空间;y表示振动信号,x是组稀疏模型输出的降噪结果,λ为第一正则化参数,γ为第二正则化参数,ψ为索引集,ψ={1,2,...,N},θ(x,B,n)为弹性网函数,ξ是弹性网平衡参数,||·||表示范数,表示非凸罚函数,c是控制惩罚项非凸度的常数,θ(x,B,n)表示弹性网函数,K为二进制周期序列B的长度,Bk表示二进制周期序列B中的第k个数值;xn+k表示降噪结果x中的第n+k个数值。
降噪信号确定模块607,用于将所述振动信号输入所述组稀疏模型,确定降噪信号;其中,所述降噪信号确定模块607,具体包括:降噪信号确定单元,用于将所述振动信号输入所述组稀疏模型,利用优化最小算法对所述组稀疏模型进行迭代求解,确定降噪信号。
滚动轴承故障特征信息确定模块608,用于对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。
其中,所述滚动轴承故障特征信息确定模块608,具体包括:
增强包络解调单元,用于对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络。
傅里叶变换单元,用于对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱。
滚动轴承故障特征信息确定单元,用于根据所述解调包络谱确定滚动轴承故障特征信息。
本发明实施例的效果分析:
首先利用原始信号的增强包络自相关估计故障冲击周期估计值并构造二进制周期序列B,并作为结构先验信息嵌入所提模型,约束每个稀疏组内原子的周期性;然后,利用优化最小算法求解稀疏模型,并对降噪信号计算增强包络,通过解调包络谱得到故障特征频率及其倍频成分,实现滚动轴承故障诊断。
1)根据滚动轴承的故障机理及振动响应特点,利用如下公式构造含有噪声的周期冲击信号来模拟滚动轴承的振动响应,信号波形如图3。
式中,n(t)为噪声标准差为0.3的高斯白噪声,采样频率fs=12800Hz,故障频率fc=90Hz,即冲击周期T=1/fc(=fs/fc个数据点),系统共振频率fn=3200Hz,信号长度为12800个数据点。
4)将离散信号y(n)作为所构造的周期指导组稀疏模型的输入,设定模型参数分别为λ=0.15,ξ=0.7和γ=0.07,非凸罚参数c=1/(16λ),算法迭代次数Niter=100;利用最小优化算法求解周期指导的组稀疏模型,得到的降噪信号如图4所示;可以看出,降噪后信号的周期冲击特征非常明显。对图4所示的时域信号进行增强包络解调,得到的解调包络谱如图5所示;从解调包络谱中可以清晰地观察到故障特征频率及其倍频分量。
本发明利用滚动轴承故障脉冲在时域的结构稀疏特性,构造了一个由弹性网和L0.5范数相结合的罚函数,综合利用L1范数和L2范数对稀疏特征的表征能力;利用原始信号的增强包络自相关函数来估计轴承故障冲击周期来构造二进制周期序列,通过将二进制周期序列嵌入罚函数,增加了稀疏模型对故障特征提取精度。一方面利用结合周期先验的弹性网约束可有效筛选组内高度相关的特征信息,另一方面采用非凸的L0.5范数来约束组间元素,进一步诱导估计信号在时域的稀疏性,使得所提模型具有组内组间稀疏性,更好地提取微弱周期冲击特征;采用了增强包络自相关函数函数来动态估计轴承故障冲击周期,并利用该周期构造二进制周期序列,作为组稀疏模型的结构约束项,进一步提高了轴承故障特征的提取精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于周期指导组稀疏模型的滚动轴承故障诊断方法,其特征在于,包括:
获取滚动轴承的振动信号;
根据所述振动信号确定所述振动信号的增强包络;
根据所述增强包络和所述振动信号确定增强包络自相关函数;
根据所述增强包络自相关函数确定轴承故障冲击周期估计值;所述根据所述增强包络自相关函数确定轴承故障冲击周期估计值,具体包括:根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值;根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值;根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值;
根据所述轴承故障冲击周期估计值构建二进制周期序列;
将所述二进制周期序列嵌入弹性网作为约束条件,将L0.5范数作为惩罚函数,根据所述振动信号构建组稀疏模型;所述组稀疏模型为:
其中,x*为组稀疏模型,RN表示欧式空间;y表示振动信号,x是组稀疏模型输出的降噪结果,λ为第一正则化参数,γ为第二正则化参数,ψ为索引集,ψ={1,2,...,N},θ(x,B,n)为弹性网函数,ξ是弹性网平衡参数,||·||表示范数,表示非凸罚函数,c是控制惩罚项非凸度的常数,K为二进制周期序列B的长度,Bk表示二进制周期序列B中的第k个数值;xn+k表示降噪结果x中的第n+k个数值,n表示数据x的索引值;
将所述振动信号输入所述组稀疏模型,确定降噪信号;
对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。
2.根据权利要求1所述的基于周期指导组稀疏模型的滚动轴承故障诊断方法,其特征在于,所述将所述振动信号输入所述组稀疏模型,确定降噪信号,具体包括:
将所述振动信号输入所述组稀疏模型,利用优化最小算法对所述组稀疏模型进行迭代求解,确定降噪信号。
3.根据权利要求1所述的基于周期指导组稀疏模型的滚动轴承故障诊断方法,其特征在于,所述对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息,具体包括:
对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络;
对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱;
根据所述解调包络谱确定滚动轴承故障特征信息。
4.一种基于周期指导组稀疏模型的滚动轴承故障诊断系统,其特征在于,包括:
获取模块,用于获取滚动轴承的振动信号;
增强包络确定模块,用于根据所述振动信号确定所述振动信号的增强包络;
增强包络自相关函数确定模块,用于根据所述增强包络和所述振动信号确定增强包络自相关函数;
轴承故障冲击周期估计值确定模块,用于根据所述增强包络自相关函数确定轴承故障冲击周期估计值;所述轴承故障冲击周期估计值确定模块,具体包括:故障特征频率理论值确定单元,用于根据所述滚动轴承的节圆直径、滚动体数量、滚动体直径、接触角和旋转频率确定故障特征频率理论值;轴承故障冲击周期理论值确定单元,用于根据采样频率和所述故障特征频率理论值确定轴承故障冲击周期理论值;轴承故障冲击周期估计值确定单元,用于根据所述轴承故障冲击周期理论值和所述增强包络自相关函数的极大值点确定轴承故障冲击周期估计值;
二进制周期序列构建模块,用于根据所述轴承故障冲击周期估计值构建二进制周期序列;
组稀疏模型构建模块,用于将所述二进制周期序列嵌入弹性网作为约束条件,将L0.5范数作为惩罚函数,根据所述振动信号构建组稀疏模型;所述组稀疏模型为:
其中,x*为组稀疏模型,RN表示欧式空间;y表示振动信号,x是组稀疏模型输出的降噪结果,λ为第一正则化参数,γ为第二正则化参数,ψ为索引集,ψ={1,2,...,N},θ(x,B,n)为弹性网函数,ξ是弹性网平衡参数,||·||表示范数,表示非凸罚函数,c是控制惩罚项非凸度的常数,K为二进制周期序列B的长度,Bk表示二进制周期序列B中的第k个数值;xn+k表示降噪结果x中的第n+k个数值,n表示数据x的索引值;
降噪信号确定模块,用于将所述振动信号输入所述组稀疏模型,确定降噪信号;
滚动轴承故障特征信息确定模块,用于对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。
5.根据权利要求4所述的基于周期指导组稀疏模型的滚动轴承故障诊断系统,其特征在于,所述降噪信号确定模块,具体包括:
降噪信号确定单元,用于将所述振动信号输入所述组稀疏模型,利用优化最小算法对所述组稀疏模型进行迭代求解,确定降噪信号。
6.根据权利要求4所述的基于周期指导组稀疏模型的滚动轴承故障诊断系统,其特征在于,所述滚动轴承故障特征信息确定模块,具体包括:
增强包络解调单元,用于对所述降噪信号进行增强包络解调确定所述降噪信号的增强包络;
傅里叶变换单元,用于对所述降噪信号的增强包络进行傅里叶变换确定所述降噪信号的解调包络谱;
滚动轴承故障特征信息确定单元,用于根据所述解调包络谱确定滚动轴承故障特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650227.0A CN113295420B (zh) | 2021-06-10 | 2021-06-10 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650227.0A CN113295420B (zh) | 2021-06-10 | 2021-06-10 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113295420A CN113295420A (zh) | 2021-08-24 |
CN113295420B true CN113295420B (zh) | 2022-04-08 |
Family
ID=77328032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110650227.0A Active CN113295420B (zh) | 2021-06-10 | 2021-06-10 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113295420B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113758708B (zh) * | 2021-09-14 | 2024-03-26 | 北京化工大学 | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 |
CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805059A (zh) * | 2018-05-29 | 2018-11-13 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
CN109632310A (zh) * | 2019-01-18 | 2019-04-16 | 北京化工大学 | 一种基于特征增强的轴承故障诊断方法 |
CN109670485A (zh) * | 2019-01-23 | 2019-04-23 | 华南理工大学 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
CN110779724A (zh) * | 2019-11-20 | 2020-02-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
KR20200082896A (ko) * | 2018-12-31 | 2020-07-08 | 주식회사 일진글로벌 | 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155108B (zh) * | 2014-07-21 | 2017-07-07 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN109406148B (zh) * | 2018-12-11 | 2020-06-05 | 中原工学院 | 一种基于改进量子进化算法的滚动轴承故障特征提取方法 |
-
2021
- 2021-06-10 CN CN202110650227.0A patent/CN113295420B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805059A (zh) * | 2018-05-29 | 2018-11-13 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
KR20200082896A (ko) * | 2018-12-31 | 2020-07-08 | 주식회사 일진글로벌 | 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링 |
CN109632310A (zh) * | 2019-01-18 | 2019-04-16 | 北京化工大学 | 一种基于特征增强的轴承故障诊断方法 |
CN109670485A (zh) * | 2019-01-23 | 2019-04-23 | 华南理工大学 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
CN110779724A (zh) * | 2019-11-20 | 2020-02-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
Non-Patent Citations (3)
Title |
---|
冲击特征受控极小化通用稀疏表示及其在机械故障诊断中的应用;贺王鹏等;《西安交通大学学报》;20160430;第50卷(第04期);全文 * |
基于优化最小算法的齿轮箱复合故障特征稀疏表示;石娟娟等;《振动工程学报》;20171231;第30卷(第6期);全文 * |
机械故障特征提取的拓扑集分形稀疏字典;曹新城等;《振动与冲击》;20200328(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113295420A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113295420B (zh) | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统 | |
CN108507789B (zh) | 滚动轴承故障稀疏诊断方法 | |
CN110550518A (zh) | 一种基于稀疏去噪自编码的电梯运行异常检测方法 | |
CN110376575B (zh) | 一种基于阻尼参数匹配随机共振的低频线谱检测方法 | |
CN113642508B (zh) | 基于参数自适应vmd与优化svm的轴承故障诊断方法 | |
He et al. | An optimal filter length selection method for MED based on autocorrelation energy and genetic algorithms | |
CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
CN115146687B (zh) | 基于二阶变尺度参数自匹配随机共振的故障特征提取方法 | |
CN107340055A (zh) | 一种基于多测度融合的随机共振微弱信号检测方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
Zhang et al. | Research on the fault diagnosis method for rolling bearings based on improved VMD and automatic IMF acquisition | |
Li et al. | A periodic potential underdamped stochastic resonance method and its application for gear fault diagnosis | |
Pan et al. | Adaptive multi-layer empirical Ramanujan decomposition and its application in roller bearing fault diagnosis | |
CN109507292A (zh) | 一种信号提取方法 | |
Ma et al. | Sparse low-rank matrix estimation with nonconvex enhancement for fault diagnosis of rolling bearings | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN111507305A (zh) | 基于wcsnr分数阶自适应随机共振轴承故障诊断方法 | |
CN111380680A (zh) | 一种基于改进排列熵的单向阀故障特征提取方法 | |
CN113657268B (zh) | 一种应用于风电机组齿轮箱故障诊断的信号自动分解方法 | |
CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
CN115470829A (zh) | 基于imvo优化mckd去噪的滚动轴承故障诊断方法 | |
Wang et al. | Mill load identification method for ball milling process based on grinding signal | |
Murai et al. | A Basic Study on the Effect of Deep Learning to Determine the Control Force to Maximize the Power Generation of PA-WEC in Irregular Waves |
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 |