CN113484019A - 一种轴承的检测方法、装置及计算机可读存储介质 - Google Patents
一种轴承的检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113484019A CN113484019A CN202110846593.3A CN202110846593A CN113484019A CN 113484019 A CN113484019 A CN 113484019A CN 202110846593 A CN202110846593 A CN 202110846593A CN 113484019 A CN113484019 A CN 113484019A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- content ratio
- filter
- cyclic content
- signal
- 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.)
- Granted
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轴承的检测方法、装置及计算机可读存储介质,本发明利用循环含量比来确定第二振动信号中的循环平稳分量,而循环含量比是评价信号中二阶循环平稳分量最直接的估计器,因此,使用循环含量比可减少屏蔽频率分量等因素的干扰,从而提高收敛效果;同时,本发明还使用计算出的循环含量比反过来迭代更新滤波器的系数,从而不断的更新滤波器,直至满足迭代停止条件为止;通过上述设计,可进一步的提高循环平稳特征提取的收敛效果,从而提高检测的准确性。
Description
技术领域
本发明属于轴承检测技术领域,具体涉及一种轴承的检测方法、装置及计算机可读存储介质。
背景技术
随着轨道交通的高速发展,对车辆的安全性和可靠性提出了更高的要求,这就要求列车各个关键系统必须安全可靠,不能在出现故障或是失效状态下运行的现象;轴承是轨道交通中不可缺少的元件之一,同时也是最易损坏的元件,其有效性直接影响着列车的运行安全,复杂时变的运行环境,如载荷、轨道的平顺性以及温度等因素,均会影响着轴承的健康状态,当轴承中某一部位发生故障或失效时,会产生连锁反应,轻则导致车辆的相关系统受损,重则导致车辆停运甚至人员伤亡,因此,轴承的失效检测成为列车检测中的重中之重。
循环平稳特征是轴承失效的典型症状,以其为检测依据具有坚实的理论基础和广泛的认知,2018年,Buzzoni等人提出了基于二阶循环平稳性(ICS2)指标的BD方法,即CYCBD(基于二级循环平稳特性提取的检测方法);在CYCBD中,ICS2指数首次应用于BD法,然而,CYCBD存在以下缺陷:首先,用于计算ICS2的输入信号不是解析的,因此,在检测循环平稳分量时,会产生一些干扰和屏蔽频率分量,其次,ICS2易受无关循环平稳信号源的影响,上述缺点将导致CYCBD的收敛效果不理想,从而导致检测结果不准确。
发明内容
本发明的目的是提供一种轴承的检测方法、装置及计算机可读存储介质,以解决现有轴承检测所存在的收敛效果不理想所导致的检测结果不准确的问题。
为了实现上述目的,本发明采用以下技术方案:
本发明提供了一种轴承的检测方法,包括:
获取待检测轴承的第一振动信号;
对所述第一振动信号进行预处理,得到第二振动信号;
构建一滤波器,并将所述第二振动信号输入所述滤波器中,得到滤波信号;
d.根据所述滤波信号,得到所述第二振动信号的循环含量比,其中,所述循环含量比用于确定所述第二振动信号中的循环平稳分量;
e.利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器;
将所述第二振动信号输入所述更新后的滤波器中,以更新所述滤波信号,并循环执行前述步骤d和步骤e,直至循环达到迭代停止条件时,得到最优滤波器,以便利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果。
基于上述公开的内容,本发明利用循环含量比来确定第二振动信号中的循环平稳分量,而循环含量比是评价信号中二阶循环平稳分量最直接的估计器,因此,使用循环含量比可减少屏蔽频率分量等因素的干扰,从而提高收敛效果;同时,本发明还使用计算出的循环含量比反过来迭代更新滤波器的系数,从而不断的更新滤波器,直至满足迭代停止条件为止;通过上述设计,可进一步的提高循环平稳特征提取的收敛效果,从而提高检测的准确性。
在一个可能的设计中,利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器,包括:
对所述循环含量比进行求导,得到循环含量比导数;
利用梯度下降算法以及所述循环含量比导数,更新所述滤波器的系数,得到所述更新后的滤波器。
基于上述公开的内容,本发明公开了滤波器系数的更新方法,即先对循环含量比进行求导,然后,利用梯度下降算法以及求导的结果对系数进行不断的优化更新,从而在满足迭代停止条件时,得到最优的系数,即得到最优的滤波器,以便利用最优的滤波器来提高循环平稳特征提取的收敛效果,从而保证检测的准确性。
在一个可能的设计中:
所述迭代停止条件包括所述梯度下降算法中的梯度下降至0。
在一个可能的设计中,根据所述滤波信号,得到所述第二振动信号的循环含量比,包括:
根据所述滤波信号,得到所述第二振动信号的希尔伯特平方包络谱线;
根据所述希尔伯特平方包络谱线,得到所述希尔伯特平方包络谱线中所有谱线的幅值、所述第二振动信号在所述希尔伯特平方包络谱线中的故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值;
利用所述希尔伯特平方包络谱线中所有谱线的幅值、所述故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值,得到所述循环含量比。
基于上述公开的内容,本发明公开了循环含量比的计算方法,即利用滤波信号得到第二振动信号的希尔伯特平方包络谱线,从而利用希尔伯特平方包络谱线,得出循环含量比;通过上述设计,本发明使用第二振动信号的希尔伯特平方包络谱线来得出循环含量比,从而利用循环含量比来检测循环平稳分量,而不是使用信号的平方来检测循环平稳分量,因此,检测结果相比于CYCBD具有更好的鲁棒性。
在一个可能的设计中,利用所述希尔伯特平方包络谱线中所有谱线的幅值、所述故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值,得到所述循环含量比,包括:
计算所述故障特征频率的平方,以及所述故障特征频率的倍频层相对应谱线的幅值的平方,并进行求和,得到第一计算值;
计算所述希尔伯特平方包络谱线中所有谱线的幅值的平方,并进行求和,得到第二计算值;
使用所述第一计算值除以所述第二计算值,得到所述循环含量比。
在一个可能的设计中,对所述第一振动信号进行预处理,得到第二振动信号,包括:
对所述第一振动信号进行去噪处理,得到所述第二振动信号。
基于上述公开的内容,通过对待检测轴承的第一振动信号进行去噪处理,可避免噪声干扰后续的后续循环含量比的计算过程,进一步的提高了检测的准确性。
在一个可能的设计中,利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果,包括:
将所述第二振动信号输入所述最优滤波器中,得到卷积结果;
根据所述卷积结果得到所述待检测轴承的检测结果。
第二方面,本发明提供了一种轴承的检测装置,包括:获取单元、预处理单元、滤波单元、循环含量比计算单元、更新单元以及循环单元;
所述获取单元,用于获取待检测轴承的第一振动信号;
所述预处理单元,用于对所述第一振动信号进行预处理,得到第二振动信号;
所述滤波单元,用于构建一滤波器,并将所述第二振动信号输入所述滤波器中,得到滤波信号;
所述循环含量比计算单元,用于执行步骤d,其中,步骤d为根据所述滤波信号,得到所述第二振动信号的循环含量比,所述循环含量比用于确定所述第二振动信号中的循环平稳分量;
所述更新单元,用于执行步骤e,其中,步骤e为利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器;
所述循环单元,用于将所述第二振动信号输入所述更新后的滤波器中,以更新所述滤波信号,并循环执行前述步骤d和步骤e,直至循环达到迭代停止条件时,得到最优滤波器,以便利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果。
在一个的可能的设计中:
所述更新单元,具体用于对所述循环含量比进行求导,得到循环含量比导数;
所述更新单元,还具体用于利用梯度下降算法以及所述循环含量比导数,更新所述滤波器的系数,得到所述更新后的滤波器。
在一个可能的设计中,所述循环含量比计算单元包括:平方包络谱生成子单元、参数获取自动纳元以及计算子单元;
所述平方包络谱生成子单元,用于根据所述滤波信号,得到所述第二振动信号的希尔伯特平方包络谱线;
所述参数获取子单元,用于根据所述希尔伯特平方包络谱线,得到所述希尔伯特平方包络谱线中所有谱线的幅值、所述第二振动信号在所述希尔伯特平方包络谱线中的故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值;
所述计算子单元,用于利用所述希尔伯特平方包络谱线中所有谱线的幅值、所述故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值,得到所述循环含量比。
在一个可能的设计中:
所述计算子单元,具体用于计算所述故障特征频率的平方,以及所述故障特征频率的倍频层相对应谱线的幅值的平方,并进行求和,得到第一计算值;
所述计算子单元,具体用于计算所述希尔伯特平方包络谱线中所有谱线的幅值的平方,并进行求和,得到第二计算值;
所述计算子单元,还具体用于使用所述第一计算值除以所述第二计算值,得到所述循环含量比。
在一个可能的设计中:
所述预处理单元对所述第一振动信号进行去噪处理,得到所述第二振动信号。
在一个可能的设计中,所述装置还包括:检测单元;
所述检测单元,用于将所述第二振动信号输入所述最优滤波器中,得到卷积结果;
所述检测单元,还用于根据所述卷积结果得到所述待检测轴承的检测结果。
第三方面,本发明提供了第二种轴承的检测装置,以装置为计算机主设备为例,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述轴承的检测方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所述轴承的检测方法。
第五方面,本发明供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述轴承的检测方法。
附图说明
图1为本发明提供的轴承的检测方法的步骤流程示意图;
图2为本发明提供的轴承的检测装置的结构示意图;
图3为本发明提供的计算机主设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例
目前,对于轴承的失效检测,大多都是采用基于二级循环平稳特性提取的检测方法(即CYCBD);然而,在使用CYCBD检测时,二阶循环平稳性指标易受无关循环平稳信号源的影响以及容易产生屏蔽频率分量等干扰;因此,采用CYCBD方法进行检测存在收敛效果不理想的问题,从而导致轴承的检测结果不准确;为此,本实施例第一方面则提供一种轴承的检测方法,以解决前述收敛效果不理想的问题。
本实施例第一方面所提供的轴承的检测方法,通过利用循环含量比来确定第二振动信号中的循环平稳分量,而循环含量比则是评价信号中二阶循环平稳分量最直接的估计器,因此,在检测过程中,可减少屏蔽频率分量等因素的干扰;同时,本方法还利用循环含量比来不断的迭代更新滤波器,以得到最优的滤波器,从而保证第二振动信号经过滤波器后,得到的循环含量比收敛(即达到最大),因此,可从上述两方面提高循环平稳特征提取的收敛效果,从而提高检测的准确性。
如图1所示,本实施例第一方面所提供的项目的打包方法,可以但不限于包括如下步骤a~f。
a.获取待检测轴承的第一振动信号。
步骤a则是获取待检测轴承的原始振动信号,即待检测轴承未进行任何处理的振动信号;在本实施例中,第一振动信号的获取可以但不限于采用:在列车的轴承上安装振动传感器,从而获取轴承的原始振动信号。
而本实施例所提供检测方法,则是利用待检测轴承的振动信号,来构建一个目标滤波器(即后续步骤f中的最优滤波器),从而使待检测轴承的振动信号经过该目标滤波器后,得出的循环含量比收敛(即代表第二振动信号的循环平稳分量达到最大),进而来提高收敛效果,从而提高检测的准确性。
在本实施例中,将第一振动信号输入构建的滤波器前,还需要对第一振动信号进行预处理,即如下步骤b所示。
b.对所述第一振动信号进行预处理,得到第二振动信号;在本实施例中,举例对第一振动信号进行预处理,可以但不限于为:对所述第一振动信号进行去噪处理,得到所述第二振动信号;通过前述设计,可避免信号中的噪声对后续循环含量比的获取造成干扰,从而降低循环含量比收敛的效果。
在本实施例中,举例去噪处理可以但不限于采用:小波分析的空域相关法去噪、阈值法去噪、平移不变量小波去噪或模极大值法去噪等。
在对第一振动信号进行去噪处理后,即可将得到的第二振动信号输入构建的滤波器中,以实现对第二振动信号的滤波,从而基于滤波信号对构建的滤波器的系数进行更新,如以下步骤c~f所示。
c.构建一滤波器,并将所述第二振动信号输入所述滤波器中,得到滤波信号。
在本实施例中,举例滤波器的构建可以但不限于采用延时脉冲函数实现。
而将第二振动信号输入滤波器中,实质则为将第二振动信号与滤波器进行卷积运算,从而得出一个新的信号,而该新的信号则为滤波信号。
下述以一个实例来阐述前述滤波器与第二振动信号的卷积运算:
假设第二振动信号用X表示;构建的滤波器用h表示,那么,滤波信号S则可表示为:
S=x*h
前述式中,*则代表卷积运算;而前述卷积运算还可以重写为:
在得到滤波信号后,即可根据滤波信号,得出第二振动信号的循环含量比,从而根据循环含量比确定出第二振动信号中的循环平稳分量,如以下步骤d所示。
d.根据所述滤波信号,得到所述第二振动信号的循环含量比,其中,所述循环含量比用于确定所述第二振动信号中的循环平稳分量。
在本实施例中,举例循环含量比是根据滤波信号的希尔伯特平方包络谱线得到的,如以下步骤所示:
d1.根据所述滤波信号,得到所述第二振动信号的希尔伯特平方包络谱线。
d2.根据所述希尔伯特平方包络谱线,得到所述希尔伯特平方包络谱线中所有谱线的幅值、所述第二振动信号在所述希尔伯特平方包络谱线中的故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值。
d3.利用所述希尔伯特平方包络谱线中所有谱线的幅值、所述故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值,得到所述循环含量比。
即本实施例是根据第二振动信号的希尔伯特平方包络谱来计算第二振动信号的循环含量比,从而根据循环含量比来确定出第二振动信号中的循环平稳分量;其实质为:获取第二振动信号的希尔伯特平方包络谱线中的各个参数指标,从而利用获取的参数指标计算得出循环含量比。
而获取的参数指标则是步骤d2中的希尔伯特平方包络谱线中所有谱线的幅值、故障特征频率以及故障特征频率的倍频层相对应谱线的幅值;因此,在本实施例中,利用前述参数计算循环含量比则可以但不限于采用以下步骤:
第一步:计算所述故障特征频率的平方,以及所述故障特征频率的倍频层相对应谱线的幅值的平方,并进行求和,得到第一计算值。
第二步:计算所述希尔伯特平方包络谱线中所有谱线的幅值的平方,并进行求和,得到第二计算值。
第三步:使用所述第一计算值除以所述第二计算值,得到所述循环含量比。
即通过前述三个步骤,可将循环含量比(用RCC表示)定义为:
RCC=(第二振动信号对应的希尔伯特平方包络谱线中的故障特征频率以及其倍频层相对应的谱线幅值的平方的和)/(整个希尔伯特平方包络谱线中所有谱线幅值的平方的和)。
由上可知,循环含量比可作为希尔伯特平方包络谱线中的评价指标,其可评价希尔伯特平方包络谱线中二阶循环平稳分量,因此,得出了循环含量比也相当于得出第二振动信号的循环平稳分量;而本实施例通过RCC指标确定第二振动信号中的循环平稳分量,具有如下优点:由于RCC不仅考虑了其它干扰信号对目标循环平稳信号的影响,而且使用第二振动信号的希尔伯特平方包络谱线来检测循环平稳分量,而不是使用第二振动信号的平方来检测循环平稳分量,因此,本实施提供的检测方法相比于CYCBD具有更好的鲁棒性。
同时,下述基于上述举例的基础上,来阐述循环含量比的计算过程:
在前述得到滤波信号S后,可将经过滤波信号得出的第二振动信号的希尔伯特平方包络谱线用如下表达式进行定义:
同时,为了实现低计算复杂度的希尔伯特变化,本实施例采用时域滤波器合成虚分量,从而使滤波信号的相位平移-π/2,这个时域滤波器是一个准线性相位FIR滤波器,它可以通过Parks-McClellan algorithm算法(滤波器设计算法)得到。
假设准线性相位FIR滤波器为W,那么前述滤波信号的希尔伯特变换可以用如下表达式进行定义:
而该公式又可以改写为:
而上述式中C表示为:
因此,前述希尔伯特平方包络谱线的表达式可重新改写为:
εx=|s+j·Ws|2=|s|2+|Ws|2
同时,目标高斯循环平稳(也就是第二振动信号中的循环平稳分量)对应的平方包络谱谱线可以表示为:
而傅里叶矩阵可表示为如下:
Ti=Fs/θ(i)是第i频率点θ(i)对应的周期(即样本数)。
而由于傅里叶变换可以分为余弦变换和正弦变换,因此目标高斯循环平稳对应的平方包络谱谱线可以重写为:
因此,ECGS的平方可以定义为:
Ep=|ECGS|2=|pc|2+|ps|2
综上所述,即可通过前述ECGS的平方以及希尔伯特平方包络谱线定义出循环含量比的计算公式,如以下表示:
另外,前述式中除了循环含量比的定义公式外,剩余表达式则作为循环含量比的约束条件,即前述εx和Ep等参数的约束公式。
通过前述详细的阐述,即可得出第二振动信号的循环含量比的表达式,以便通过循环含量比进行前述构建的滤波器系数的更新,如以下步骤e和f所示。
e.利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器。
f.将所述第二振动信号输入所述更新后的滤波器中,以更新所述滤波信号,并循环执行前述步骤d和步骤e,直至循环达到迭代停止条件时,得到最优滤波器,以便利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果。
步骤e和步骤f的原理则为:在得出一个循环含量比后,则利用循环含量比反过来更新滤波器的系数,以便更新滤波器;然后再将第二振动信号输入更新后的滤波器中,得到新的滤波信号;接着根据新的滤波信号得到新的循环含量比,然后再反过来更新滤波器的系数,以此循环,直到循环满足迭代停止条件时,即可表示第二振动信号经过滤波器后的循环含量比达到最大,进而达到最佳的收敛效果;而达到最大对应的滤波器则为最优的滤波器。
在本实施例中,举例可以但不限于利用梯度下降法实现滤波器系数的更新,可以但不限于包括如下步骤e1和e2。
e1.对所述循环含量比进行求导,得到循环含量比导数。
e2.利用梯度下降算法以及所述循环含量比导数,更新所述滤波器的系数,得到所述更新后的滤波器。
梯度下降法的目的是通过迭代找到目标函数的最小值,或者收敛到最小值,即不断的迭代更新,找到滤波器的最优系数,从而使第二振动信号经过滤波器后的循环含量比达到最大,进而达到最佳的收敛效果,以提高检测的准确性。
下述在前述举例的基础上,详细阐述更新细节:
在本实施例中,举例可以但不限于使用链式法则对循环含量比进行求导,即对前述循环含量比的表达式求导:
首先,对前述循环表达式中的分子进行求导,得到分子导数,表达式如下:
而上述表达式化简为:
前述式中:
前述式中,H表示转置运算符。
同理,对循环含量比中的分母进行求导可得,得出分母导数的表达式为:
同理,对前述式中进行化简可得:
前述式中:
因此,最后结合前述分子导数公式以及分母导数公式,可得出梯度下降算法中的梯度公式:
由此,该梯度公式的结果,即可作为每次进行梯度下降所求得的系数,即滤波器的系数,以便完成构建的滤波器的更新。
在本实施例中,利用梯度下降法迭代更新滤波器的系数的停止条件可以但不限于为:所述梯度下降算法中的梯度下降至0;即梯度下降算法中的梯度下降至0,则表示而第二振动信号经更新后的滤波器得到的循环含量比达到最大,也就是第二振动信号中的循环平稳分量达到最大;此时,则可将梯度下降至0时对应的滤波器,作为最优滤波器,从而利用该最优滤波器以及第二振动信号完成待检测轴承的检测;例如,在第20次迭代时,梯度下降算法中的梯度下降至0,那么则将第20次对应的滤波器作为最优滤波器。
由此通过前述步骤a~f所详细描述的轴承的检测方法,本发明利用循环含量比来确定第二振动信号中的循环平稳分量,而循环含量比是评价信号中二阶循环平稳分量最直接的估计器,因此,使用循环含量比可减少屏蔽频率分量等因素的干扰,从而提高收敛效果;同时,本发明还使用计算出的循环含量比反过来迭代更新滤波器的系数,从而不断的更新滤波器,直至满足迭代停止条件为止;通过上述设计,可进一步的提高循环平稳特征提取的收敛效果,从而提高检测的准确性。
在本实施例中,得到最优滤波器后,即可利用最优滤波器对第二振动信号进行处理,从而得出待检测轴承的检测结果;举例处理过程可以但不限于为以下步骤:
g.将所述第二振动信号输入所述最优滤波器中,得到卷积结果。
h.根据所述卷积结果得到所述待检测轴承的检测结果。
即在本实施例中,使用最优滤波器对第二振动信号进行卷积,从而得出待检测轴承的检测结果;当然,本实施例不限定于使用最优滤波器对第二振动信号进行卷积得出检测结果,其余利用最优滤波器进行检测的方法均在本发明的保护范围内。
如图2所示,本实施例第二方面提供了一种实现实施例第一方面中所述的轴承的检测方法的硬件装置,包括:获取单元、预处理单元、滤波单元、循环含量比计算单元、更新单元以及循环单元。
所述获取单元,用于获取待检测轴承的第一振动信号。
所述预处理单元,用于对所述第一振动信号进行预处理,得到第二振动信号。
所述滤波单元,用于构建一滤波器,并将所述第二振动信号输入所述滤波器中,得到滤波信号。
所述循环含量比计算单元,用于执行步骤d,其中,步骤d为根据所述滤波信号,得到所述第二振动信号的循环含量比,所述循环含量比用于确定所述第二振动信号中的循环平稳分量。
所述更新单元,用于执行步骤e,其中,步骤e为利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器。
所述循环单元,用于将所述第二振动信号输入所述更新后的滤波器中,以更新所述滤波信号,并循环执行前述步骤d和步骤e,直至循环达到迭代停止条件时,得到最优滤波器,以便利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果。
在一个的可能的设计中:
所述更新单元,具体用于对所述循环含量比进行求导,得到循环含量比导数。
所述更新单元,还具体用于利用梯度下降算法以及所述循环含量比导数,更新所述滤波器的系数,得到所述更新后的滤波器。
在一个可能的设计中,所述循环含量比计算单元包括:平方包络谱生成子单元、参数获取自动纳元以及计算子单元。
所述平方包络谱生成子单元,用于根据所述滤波信号,得到所述第二振动信号的希尔伯特平方包络谱线。
所述参数获取子单元,用于根据所述希尔伯特平方包络谱线,得到所述希尔伯特平方包络谱线中所有谱线的幅值、所述第二振动信号在所述希尔伯特平方包络谱线中的故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值。
所述计算子单元,用于利用所述希尔伯特平方包络谱线中所有谱线的幅值、所述故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值,得到所述循环含量比。
在一个可能的设计中:
所述计算子单元,具体用于计算所述故障特征频率的平方,以及所述故障特征频率的倍频层相对应谱线的幅值的平方,并进行求和,得到第一计算值。
所述计算子单元,具体用于计算所述希尔伯特平方包络谱线中所有谱线的幅值的平方,并进行求和,得到第二计算值。
所述计算子单元,还具体用于使用所述第一计算值除以所述第二计算值,得到所述循环含量比。
在一个可能的设计中:
所述预处理单元对所述第一振动信号进行去噪处理,得到所述第二振动信号。
在一个可能的设计中,所述装置还包括:检测单元。
所述检测单元,用于将所述第二振动信号输入所述最优滤波器中,得到卷积结果。
所述检测单元,还用于根据所述卷积结果得到所述待检测轴承的检测结果。
本实施例提供的硬件装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图3所示,本实施例第三方面提供了一种计算机主设备,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的轴承的检测方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory image,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction set computer,RSIC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的计算机主设备的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的轴承的检测方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面所述的轴承的检测方法。
其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述轴承的检测方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轴承的检测方法,其特征在于,包括:
获取待检测轴承的第一振动信号;
对所述第一振动信号进行预处理,得到第二振动信号;
构建一滤波器,并将所述第二振动信号输入所述滤波器中,得到滤波信号;
d.根据所述滤波信号,得到所述第二振动信号的循环含量比,其中,所述循环含量比用于确定所述第二振动信号中的循环平稳分量;
e.利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器;
将所述第二振动信号输入所述更新后的滤波器中,以更新所述滤波信号,并循环执行前述步骤d和步骤e,直至循环达到迭代停止条件时,得到最优滤波器,以便利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果。
2.如权利要求1所述的方法,其特征在于,利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器,包括:
对所述循环含量比进行求导,得到循环含量比导数;
利用梯度下降算法以及所述循环含量比导数,更新所述滤波器的系数,得到所述更新后的滤波器。
3.如权利要求2所述的方法,其特征在于,所述迭代停止条件包括所述梯度下降算法中的梯度下降至0。
4.如权利要求1所述的方法,其特征在于,根据所述滤波信号,得到所述第二振动信号的循环含量比,包括:
根据所述滤波信号,得到所述第二振动信号的希尔伯特平方包络谱线;
根据所述希尔伯特平方包络谱线,得到所述希尔伯特平方包络谱线中所有谱线的幅值、所述第二振动信号在所述希尔伯特平方包络谱线中的故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值;
利用所述希尔伯特平方包络谱线中所有谱线的幅值、所述故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值,得到所述循环含量比。
5.如权利要求4所述的方法,其特征在于,利用所述希尔伯特平方包络谱线中所有谱线的幅值、所述故障特征频率以及所述故障特征频率的倍频层相对应谱线的幅值,得到所述循环含量比,包括:
计算所述故障特征频率的平方,以及所述故障特征频率的倍频层相对应谱线的幅值的平方,并进行求和,得到第一计算值;
计算所述希尔伯特平方包络谱线中所有谱线的幅值的平方,并进行求和,得到第二计算值;
使用所述第一计算值除以所述第二计算值,得到所述循环含量比。
6.如权利要求1所述的方法,其特征在于,对所述第一振动信号进行预处理,得到第二振动信号,包括:
对所述第一振动信号进行去噪处理,得到所述第二振动信号。
7.如权利要求1所述的方法,其特征在于,利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果,包括:
将所述第二振动信号输入所述最优滤波器中,得到卷积结果;
根据所述卷积结果得到所述待检测轴承的检测结果。
8.一种轴承的检测装置,其特征在于,包括:获取单元、预处理单元、滤波单元、循环含量比计算单元、更新单元以及循环单元;
所述获取单元,用于获取待检测轴承的第一振动信号;
所述预处理单元,用于对所述第一振动信号进行预处理,得到第二振动信号;
所述滤波单元,用于构建一滤波器,并将所述第二振动信号输入所述滤波器中,得到滤波信号;
所述循环含量比计算单元,用于执行步骤d,其中,步骤d为根据所述滤波信号,得到所述第二振动信号的循环含量比,所述循环含量比用于确定所述第二振动信号中的循环平稳分量;
所述更新单元,用于执行步骤e,其中,步骤e为利用所述循环含量比,更新所述滤波器的系数,得到更新后的滤波器;
所述循环单元,用于将所述第二振动信号输入所述更新后的滤波器中,以更新所述滤波信号,并循环执行前述步骤d和步骤e,直至循环达到迭代停止条件时,得到最优滤波器,以便利用所述最优滤波器对所述第二振动信号进行信号处理,以得出所述待检测轴承的检测结果。
9.一种轴承的检测装置,其特征在于,包括:依次相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7任意一项所述的轴承的检测方法。
10.一种计算机可读存储介质,其特征在于,包括:所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7任意一项所述的轴承的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846593.3A CN113484019B (zh) | 2021-07-26 | 2021-07-26 | 一种轴承的检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846593.3A CN113484019B (zh) | 2021-07-26 | 2021-07-26 | 一种轴承的检测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113484019A true CN113484019A (zh) | 2021-10-08 |
CN113484019B CN113484019B (zh) | 2023-05-26 |
Family
ID=77943786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110846593.3A Active CN113484019B (zh) | 2021-07-26 | 2021-07-26 | 一种轴承的检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113484019B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707537A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于自适应vmd和优化cycbd的旋转机械故障特征提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001008296A1 (en) * | 1999-07-13 | 2001-02-01 | Pmc-Sierra, Inc. | Amplifier measurement and modeling processes for use in generating predistortion parameters |
US20150134270A1 (en) * | 2013-11-12 | 2015-05-14 | Aero Systems Engineering, Inc. | Systems and methods for improved accuracy |
CN108168891A (zh) * | 2018-02-26 | 2018-06-15 | 成都昊铭科技有限公司 | 滚动轴承微弱故障信号特征的提取方法及设备 |
CN109211568A (zh) * | 2018-09-19 | 2019-01-15 | 四川大学 | 基于条件经验小波变换的滚动轴承故障诊断方法 |
CN110426191A (zh) * | 2019-08-14 | 2019-11-08 | 四川大学 | 一种抗干扰旋转机械的故障诊断方法 |
CN110763464A (zh) * | 2019-09-23 | 2020-02-07 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于循环平稳分析的滚动轴承故障特征提取方法 |
CN111024398A (zh) * | 2019-12-25 | 2020-04-17 | 西安交通大学 | 一种无需周期的最大相关峭度解卷积方法 |
CN111238812A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种滚动轴承保持架故障的自诊断方法 |
CN111855211A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于故障特征增强的最优解调频带确定方法 |
-
2021
- 2021-07-26 CN CN202110846593.3A patent/CN113484019B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001008296A1 (en) * | 1999-07-13 | 2001-02-01 | Pmc-Sierra, Inc. | Amplifier measurement and modeling processes for use in generating predistortion parameters |
US20150134270A1 (en) * | 2013-11-12 | 2015-05-14 | Aero Systems Engineering, Inc. | Systems and methods for improved accuracy |
CN108168891A (zh) * | 2018-02-26 | 2018-06-15 | 成都昊铭科技有限公司 | 滚动轴承微弱故障信号特征的提取方法及设备 |
CN109211568A (zh) * | 2018-09-19 | 2019-01-15 | 四川大学 | 基于条件经验小波变换的滚动轴承故障诊断方法 |
CN110426191A (zh) * | 2019-08-14 | 2019-11-08 | 四川大学 | 一种抗干扰旋转机械的故障诊断方法 |
CN110763464A (zh) * | 2019-09-23 | 2020-02-07 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于循环平稳分析的滚动轴承故障特征提取方法 |
CN111024398A (zh) * | 2019-12-25 | 2020-04-17 | 西安交通大学 | 一种无需周期的最大相关峭度解卷积方法 |
CN111238812A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种滚动轴承保持架故障的自诊断方法 |
CN111855211A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于故障特征增强的最优解调频带确定方法 |
Non-Patent Citations (4)
Title |
---|
倪清: "基于最优解调频带选择的滚动轴承故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》》 * |
聂永辉 等: "基于多小波和峭度准则的风力发电机滚动轴承故障检测", 东北电力大学学报 * |
赵杰 等: "基于改进VMD和Hilbert包络谱分析的滚动轴承故障诊断方法研究", 《北京建筑大学学报》 * |
陈祥龙 等: "基于平方包络谱相关峭度的最优共振解调诊断滚动轴承故障", 机械工程学报 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707537A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于自适应vmd和优化cycbd的旋转机械故障特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113484019B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tary et al. | Analysis of time-varying signals using continuous wavelet and synchrosqueezed transforms | |
Li et al. | Research on bearing fault diagnosis based on spectrum characteristics under strong noise interference | |
JIA et al. | Micro-seismic signal denoising method based on empirical mode decomposition and independent component analysis | |
Burdzik | Monitoring system of vibration propagation in vehicles and method of analysing vibration modes | |
Cong et al. | Research of singular value decomposition based on slip matrix for rolling bearing fault diagnosis | |
CN105116442A (zh) | 岩性油气藏弱反射地震信号的重构方法 | |
CN109060350A (zh) | 一种基于字典学习的滚动轴承故障特征提取方法 | |
CN113792585B (zh) | 一种管道振动信号监测方法、系统、电子设备及介质 | |
Liu et al. | A general-purpose signal processing algorithm for biological profiles using only first-order derivative information | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
Tao et al. | Empirical wavelet transform method for GNSS coordinate series denoising | |
CN113484019A (zh) | 一种轴承的检测方法、装置及计算机可读存储介质 | |
Wang et al. | Fault feature extraction of hydraulic pump based on CNC de-noising and HHT | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
Zhao et al. | Application of empirical mode decomposition and fuzzy entropy to high-speed rail fault diagnosis | |
Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
Zhou et al. | Multi-node feature learning network based on maximum spectral harmonics-to-noise ratio deconvolution for machine condition monitoring | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
Zhang et al. | An Efficient Porcine Acoustic Signal Denoising Technique Based on EEMD‐ICA‐WTD | |
Gu et al. | Evaluation on filter performance of variational mode decomposition and its application in separating closely spaced modes | |
Du et al. | Improved multi-bandwidth mode manifold for enhanced bearing fault diagnosis | |
Sun et al. | An Efficient Noise Elimination Method for Non‐stationary and Non‐linear Signals by Averaging Decomposed Components | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 | |
Zhang et al. | Restraining EMI of Displacement Sensors Based on Wavelet Fuzzy Threshold Denoising | |
Aburakhia et al. | On the Intersection of Signal Processing and Machine Learning: A Use Case-Driven Analysis Approach |
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 |