CN113390640A - 基于vmd与多重分形相结合的轴承故障识别方法 - Google Patents
基于vmd与多重分形相结合的轴承故障识别方法 Download PDFInfo
- Publication number
- CN113390640A CN113390640A CN202110550089.9A CN202110550089A CN113390640A CN 113390640 A CN113390640 A CN 113390640A CN 202110550089 A CN202110550089 A CN 202110550089A CN 113390640 A CN113390640 A CN 113390640A
- Authority
- CN
- China
- Prior art keywords
- fault
- fractal
- vmd
- signal
- analysis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 230000001747 exhibiting effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
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)
Abstract
本发明公开了基于VMD与多重分形相结合的轴承故障识别方法，包括如下步骤：滚动轴承故障信号的采集的步骤；对信号进行去噪预处理的步骤，采用VMD法对故障信号进行预处理；对预处理后的信号进行特征提取的步骤，采用以多重分形去趋势波动分析法为主的分形维数方法对预处理后的故障信号进行特征提取，从谱分析、波形分析、瞬时信息特征方面对非线性信号进行有效识别；选取适当的分类器对故障信号仿真求取准确率的步骤。能够清晰地获得故障信号特征频率，从而诊断故障的类型，对传统的机械故障诊断技术加以改进，提高诊断精度。
Description
技术领域
本发明涉及轴承故障诊断技术领域，具体来说，是一种轴承故障识别方法。
背景技术
滚动轴承的故障主要发生在轴承滚道和滚动体中，其产生原因主要为轴承工作中的异常侵袭、载荷冲击以及润滑故障等。除了正常状态，还存着三种典型的故障状态：内圈故障、外圈故障和滚动体故障，在产生故障时，会产生高频率的机械振动，往往这些高频率机械振动的波形并不规则，且较为复杂。随着现代设备精密性和复杂性的不断增加，传统的机械故障诊断技术面临着故障的特征信息提取不完全、分类器识别精度不高的问题。
发明内容
本发明的目的是提供基于VMD与多重分形相结合的轴承故障识别方法，能够清晰地获得故障信号特征频率，从而诊断故障的类型，对传统的机械故障诊断技术加以改进，提高诊断精度。
本发明的目的是这样实现的：基于VMD与多重分形相结合的轴承故障识别方法，包括如下步骤：
滚动轴承故障信号的采集的步骤S1；
对信号进行去噪预处理的步骤S2，在步骤S2中，采用VMD法对故障信号进行预处理；
对预处理后的信号进行特征提取的步骤S3，在步骤S3中，采用以多重分形去趋势波动分析法为主的分形维数方法对预处理后的故障信号进行特征提取，从谱分析、波形分析、瞬时信息特征方面对非线性信号进行有效识别；
选取适当的分类器对故障信号仿真求取准确率的步骤S4；
其中，上述步骤S1-S4均在分析软件系统中进行。
进一步地，在步骤S4中，采用随机森林分类器仿真方法对特征向量进行分类，求取其仿真时间和识别准确率，以区分不同轴承故障状态。
进一步地，在步骤S2中，使用VMD法时，通过迭代更新模型中的最优解来确定每个模态分量的中心频率和带宽，从而自适应地实现将各个分量从频域分离。
进一步地，在步骤S4中，由分析软件系统生成关系图，根据广义Hurst指数Hq(q)随q增大而减小的趋势展示出故障信号的多重分形特征。
本发明的有益效果在于：
1、能够清晰地获得故障信号特征频率，从而诊断故障的类型，对传统的机械故障诊断技术加以改进，提高诊断精度；
2、对于滚动轴承故障信号具有良好的去噪效果和较强的关键特征信号提取能力，极大地改善了模态混叠问题，提高了对噪声的鲁棒性。
附图说明
图1是本发明的方法流程图。
图2是不同故障下广义赫斯特指数Hq(q)与q的关系图。
具体实施方式
下面结合附图和具体实施例对本发明进一步说明。
如图1所示，基于VMD与多重分形相结合的轴承故障识别方法，包括如下步骤：
滚动轴承故障信号的采集的步骤S1；
对信号进行去噪预处理的步骤S2，在步骤S2中，采用VMD法对故障信号进行预处理；
对预处理后的信号进行特征提取的步骤S3，在步骤S3中，采用以多重分形去趋势波动分析法为主的分形维数方法对预处理后的故障信号进行特征提取，从谱分析、波形分析、瞬时信息特征方面对非线性信号进行有效识别；
选取适当的分类器对故障信号仿真求取准确率的步骤S4；
其中，上述步骤S1-S4均在分析软件系统中进行，诊断人员可以通过整体分析来准确地找出故障发生的位置。
在步骤S2中，使用VMD法时，通过迭代更新模型中的最优解来确定每个模态分量的中心频率和带宽，从而自适应地实现将各个分量从频域分离，极大地改善了模态混叠问题，提高了对噪声的鲁棒性。
在步骤S4中，采用随机森林分类器仿真方法对特征向量进行分类，求取其仿真时间和识别准确率，以区分不同轴承故障状态；如图2所示，由分析软件系统生成关系图，根据广义Hurst指数Hq(q)随q增大而减小的趋势展示出故障信号的多重分形特征，轴承状态不同，产生的振动信号也有所不同，进而导致不同状态下的广义Hurst指数具有极大差异；如图2所示可知，四种轴承的故障信号具有不同的状态。
以上是本发明的优选实施例，本领域普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本发明总的构思的前提下，这些变换或改进都应当属于本发明要求保护范围之内。
Claims (4)
1.基于VMD与多重分形相结合的轴承故障识别方法，其特征在于，包括如下步骤：
滚动轴承故障信号的采集的步骤S1；
对信号进行去噪预处理的步骤S2，在步骤S2中，采用VMD法对故障信号进行预处理；
对预处理后的信号进行特征提取的步骤S3，在步骤S3中，采用以多重分形去趋势波动分析法为主的分形维数方法对预处理后的故障信号进行特征提取，从谱分析、波形分析、瞬时信息特征方面对非线性信号进行有效识别；
选取适当的分类器对故障信号仿真求取准确率的步骤S4；
其中，上述步骤S1-S4均在分析软件系统中进行。
2.根据权利要求1所述的基于VMD与多重分形相结合的轴承故障识别方法，其特征在于：在步骤S4中，采用随机森林分类器仿真方法对特征向量进行分类，求取其仿真时间和识别准确率，以区分不同轴承故障状态。
3.根据权利要求2所述的基于VMD与多重分形相结合的轴承故障识别方法，其特征在于：在步骤S2中，使用VMD法时，通过迭代更新模型中的最优解来确定每个模态分量的中心频率和带宽，从而自适应地实现将各个分量从频域分离。
4.根据权利要求3所述的基于VMD与多重分形相结合的轴承故障识别方法，其特征在于：在步骤S4中，由分析软件系统生成关系图，根据广义Hurst指数Hq(q)随q增大而减小的趋势展示出故障信号的多重分形特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110550089.9A CN113390640A (zh) | 2021-05-20 | 2021-05-20 | 基于vmd与多重分形相结合的轴承故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110550089.9A CN113390640A (zh) | 2021-05-20 | 2021-05-20 | 基于vmd与多重分形相结合的轴承故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113390640A true CN113390640A (zh) | 2021-09-14 |
Family
ID=77618052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110550089.9A Pending CN113390640A (zh) | 2021-05-20 | 2021-05-20 | 基于vmd与多重分形相结合的轴承故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113390640A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994517A (zh) * | 2022-07-04 | 2022-09-02 | 哈尔滨理工大学 | 一种用于模拟电路的软故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
| CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
| CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
-
2021
- 2021-05-20 CN CN202110550089.9A patent/CN113390640A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
| CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
| CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 张西宁等: "《基于多维缩放和随机森林的轴承故障诊断方法》", 《西安交通大学学报》 * |
| 李涛等: "《数据挖掘的应用与实践 大数据时代的案例分析》", 31 October 2013, 厦门大学出版社 * |
| 许子非等: "基于改进变分模态分解与支持向量机的风力机轴承故障诊断", 《热能动力工程》 * |
| 郑日晖等: "《基于经验模态分解与随机森林的轴承故障诊断》", 《广东技术师范学院学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994517A (zh) * | 2022-07-04 | 2022-09-02 | 哈尔滨理工大学 | 一种用于模拟电路的软故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110160791B (zh) | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 | |
| CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
| CN103868690B (zh) | 基于多种特征提取和选择的滚动轴承状态自动预警方法 | |
| CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| CN101726413A (zh) | 通过综合分析对炼钢转炉耳轴轴承进行故障诊断的方法 | |
| CN109708907B (zh) | 一种基于包络信息的设备故障特征提取方法 | |
| CN102840907A (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
| CN113390640A (zh) | 基于vmd与多重分形相结合的轴承故障识别方法 | |
| CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
| CN113656915A (zh) | 一种基于深度注意力网络的轴承剩余寿命预测方法 | |
| Wang et al. | Rotating machine fault detection based on HOS and artificial neural networks | |
| CN110987433B (zh) | 一种基于高频信号特征幅值的轴承故障预警方法 | |
| CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
| Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
| CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
| CN111220388B (zh) | 一种基于时域分析的滚动轴承故障诊断方法 | |
| CN111380680A (zh) | 一种基于改进排列熵的单向阀故障特征提取方法 | |
| CN115712822A (zh) | 基于ceemdan-omeda的轴承故障诊断方法、系统及介质 | |
| CN112665704B (zh) | 一种拆分动设备振动频谱峰频的方法 | |
| CN113822565A (zh) | 一种风机监测数据时频特征分级细化分析的方法 | |
| CN116090140A (zh) | 真空管道磁浮交通系统故障诊断方法及系统 | |
| CN113436645A (zh) | 复杂噪声环境下的机电系统故障在线监测声学处理方法 | |
| CN107884188B (zh) | 一种基于模式转换的变转速/变负载滚动轴承故障诊断方法 |
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: 20210914 |
|
| RJ01 | Rejection of invention patent application after publication |