CN113554103A - 一种列车走行部滚动轴承故障诊断算法 - Google Patents
一种列车走行部滚动轴承故障诊断算法 Download PDFInfo
- Publication number
- CN113554103A CN113554103A CN202110856057.1A CN202110856057A CN113554103A CN 113554103 A CN113554103 A CN 113554103A CN 202110856057 A CN202110856057 A CN 202110856057A CN 113554103 A CN113554103 A CN 113554103A
- Authority
- CN
- China
- Prior art keywords
- frequency
- fault
- signal
- val
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种列车走行部滚动轴承故障诊断算法,包括以下步骤:第一步:获取原始信号;第二步:对原始信号进行CEEMD降噪处理;第三步:计算轴承故障特征评率;第四步:最优调节频带的选择;本发明提出了基于CEEMD的降噪算法,在进行共振解调分析前先对信号进行降噪处理,突出信号中的高频共振成分;另一方面,针对轴承故障特征频率这一已知信息,提出了基于包络谱故障特征识别的最优解调频带选择算法,很大程度的提升了共振解调技术在列车走行部轴承故障诊断中的诊断效果。
Description
技术领域
本发明涉及轨道交通技术领域,特别涉及一种列车走行部滚动轴承故障诊断算法。
背景技术
随着我国城镇化和城市化进程的发展,人们的出行需求日益增加,对公共交通工具的需求越来越大。城市轨道交通具有运量大、速度快、价格低等优点,可以很好的满足人们的出行需求,有效缓解城市内的交通压力。近年来,城轨交通在我国得到了大力发展,截至2020年12月31日,中国内地累计45座城市开通城轨交通运行线路7978km。
对任何交通工具而言,安全是第一位的。城轨列车客流量大,还有如地铁这样运行在地下隧道的车辆,一旦发生故障,将会产生很大的影响,处理起来也很不容易。滚动轴承作为列车走行部的重要组成部件,其良好的运转状况是列车能够安全行驶的关键。随着城轨交通运行线路的增加、每日客流量的增大,定期检修已经不能满足实际需求,要对列车走行部轴承进行更加及时、有效的故障监测与诊断。列车走行部是一个复杂的振动系统,其固有特性决定了在故障发生早期即有明显的振动信号变化。因此,通过监测走行部各轴承处的振动信号,使用振动信号分析算法可以及时、有效的监测并诊断走行部轴承早期故障,有效避免重大事故的发生。并且随着加速度传感器技术以及数字通信技术的发展,可以采用更高的采用频率获得精度更高、带宽更大的振动信号,为处理算法的使用提供了更大的自由度。但是,列车的实际运行工况非常复杂,走行部轴承早期故障振动信号通常会被车厢振动、轨道焊缝冲击、电机振动及齿轮啮合振动等与轴承故障特征无关的背景噪声所掩盖,这为轴承故障特征的提取带来了很大的困难。在众多基于振动信号的轴承故障诊断方法中,共振解调技术是一种十分有效的方法,但传统共振解调技术中带通滤波器参数的选取往往依赖于使用者的经验,需要大量的尝试,效率较低,诊断效果往往也不好,如何准确的选取轴承最优故障解调频带是一个值得研究的问题。
因此,针对走行部轴承故障诊断过程中存在的两个问题:振动信号中背景噪声较多和轴承故障解调频带选取困难。
发明内容
本发明的目的是提供一种列车走行部滚动轴承故障诊断算法,可以对列车走行部轴承故障的及时发现,保证列车的运营安全;针对共振解调技术在列车走行部轴承故障诊断中存在的缺陷,从振动信号的降噪和带通滤波器参数的确定两个方面进行改进。
为了实现上述目的,本发明提供如下技术方案:
一种列车走行部滚动轴承故障诊断算法,包括以下步骤:第一步:获取原始信号;
第二步:对原始信号进行降噪处理;降噪处理包括以下步骤:对信号进行CEEMD分解;计算各IMF分量的峭度值及与原信号的互相关系数;按照IMF分量筛选准则对IMF分量进行筛选重构;
第三步:计算轴承故障特征评率;
第四步:最优调节频带的选择包括以下步骤;
步骤一:设定带宽Bw和步长Step;其中Bw设定为3至5倍的故障特征频率,Step需大于信号的频率分辨率,小于设定的带宽Bw;
步骤二:频带划分,根据设定的Bw和Step对原始信号频带进行划分,得到N个子频带,在N个子频带上对信号进行滤波,得到N个子信号;
步骤三:计算每一个子信号的包络谱,并使用故障特征识别方法对每一个包络谱进行分析,计算每一个包络谱的故障特征评价指标Val,选择Val值最大的包络谱对应子信号所在频带作为最优滤波频带。
进一步地,所述CEEMD分解过程为:
将一对幅值相同、方向相反的白噪声添加到待分解信号中,将此过程重复N次,每次添加的白噪声幅值相同,进而得到2N组信号;
其中:i=1,2...N;
进一步地,所述IMF分量进行筛选包括以下步骤:
步骤一:计算出各IMF分量与原始信号的互相关系数和峭度值;
步骤二:按互相关系数由大到小的顺序将IMF分量进行排序,并选取互相关系数较大的三个IMF分量进行下一步的筛选;
步骤三:对于步骤二中筛选出的IMF分量,选择峭度值大于3.5的k个分量进行重构。
进一步地,所述IMF分量从低阶到高阶,对应的频率从高到低分布,通过对不同IMF分量的选取可以构建低通滤波器、带通滤波器和高通滤波器。进一步地,所述故障特征识别方法包括以下步骤:
步骤一:计算故障特征评率;
步骤二:初始化n=1,Val=0,设定搜索宽带和误差率;
步骤三:目标频率=故障特征频率n;
步骤四:搜索最大值;
步骤五:判断对应频率在是否允许误差范围内;若为是则进入步骤六;若为否则直接输出Val;
步骤六:搜索次大值;
步骤七:计算最大值与次大值的比值Pn;
步骤八:判断P临界值C,若是则进入步骤九,若为否,则直接输出Val;
步骤九:Val=Val+Pn;
步骤十:n是否=3,若是,则进入步骤十一;若否,则n=n+1后,返回步骤三;
步骤十一:输出Val。
所述Val用于评价包络谱中故障特征的明显程度;
Val=P1+P2+P3;
其中P1、P2、P3分别表示轴承故障特征频率的一倍频、二倍频和三倍频处幅值与其附近一定范围频带内幅值的次大值之比,即Pi=Ai1/Ai2,Ai1为故障特征频率或其倍频处的幅值,Ai2为故障特征频率或其倍频附近一定范围频带内幅值的次大值,其中i=1,2,3。
进一步地,在进行Ai1和Ai2的搜索时,为了防止包络谱中与轴承故障特征无关的峰值影响,并非在全局范围内进行搜索,而是将搜索范围集中于目标频率ftar附近一定范围内,目标频率为轴承故障特征频率ffault的1到3倍频;定义W为搜索带宽,则将搜索的频带范围设定为发明有益效果为:
本发明提出了基于CEEMD的降噪算法,在进行共振解调分析前先对信号进行降噪处理,突出信号中的高频共振成分;另一方面,针对轴承故障特征频率这一已知信息,提出了基于包络谱故障特征识别的最优解调频带选择算法,很大程度的提升了共振解调技术在列车走行部轴承故障诊断中的诊断效果。
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是本发明的算法流程图;
图2是EEMD方法和CEEMD方法分解得到的前4阶IMF分量的时域波形图;
图3是EEMD方法的重构误差图;
图4是本发明CEEMD方法的重构误差图;
图5是本发明降噪方法的流程图;
图6是本发明频带划分方法方框原理图;
图7是本发明故障特征频率的谱线图;
图8是本发明故障特征频率的幅值图;
图9是本发明P=1.3时对应的谱峰的幅值图;
图10是本发明P=1.5时对应的谱峰的幅值图;
图11是本发明故障特征识别方法流程图;
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图及具体的实施方式,对本发明进行详细的介绍说明。
如图1所示的,一种列车走行部滚动轴承故障诊断算法,包括以下步骤:第一步:获取原始信号;
第二步:对原始信号进行降噪处理;降噪处理包括以下步骤:对信号进行CEEMD分解;计算各IMF分量的峭度值及与原信号的互相关系数;按照IMF分量筛选准则对IMF分量进行筛选重构;
第三步:计算轴承故障特征评率;
第四步:最优调节频带的选择包括以下步骤;
步骤一:设定带宽Bw和步长Step;其中Bw设定为3至5倍的故障特征频率,Step需大于信号的频率分辨率,小于设定的带宽Bw;
步骤二:频带划分,根据设定的Bw和Step对原始信号频带进行划分,得到N个子频带,在N个子频带上对信号进行滤波,得到N个子信号;通过确定的带宽和步长,计算每一个子频带信号包络谱的峭度值,以最大的峭度值对应的中心频率CF作为最优滤波频带的中心频率,CF=0.5Bw+i×Step。
步骤三:计算每一个子信号的包络谱,并使用故障特征识别方法对每一个包络谱进行分析,计算每一个包络谱的故障特征评价指标Val,选择Val值最大的包络谱对应子信号所在频带作为最优滤波频带。
列车轴承振动信号基于CEEMD的降噪方法,包括以下步骤:对信号进行CEEMD分解;计算各IMF分量的峭度值及与原信号的互相关系数;按照IMF分量筛选准则对IMF分量进行筛选重构。
本实施例采用CEEMD方法相比于EEMD方法重构误差更小并且分解速度更快。CEEMD方法与EEMD方法一样使用白噪声辅助分解,不同的是CEEMD方法在原信号中分别添加一对幅值相同、方向相反的白噪声信号,使得最终得到的IMF分量中,添加的白噪声残留更少。对于待分解信号s(t),其中CEEMD分解过程为:
(1)将一对幅值相同、方向相反的白噪声添加到待分解信号中,将此过程重复N次,每次添加的白噪声幅值相同,进而得到2N组信号;
其中:i=1,2...N;
使用EEMD和CEEMD方法分别对仿真信号x(t)进行分解,添加白噪声的幅值为原信号标准差的0.2倍,集成平均次数为100次。x(t)经两种方法分解后得到10个IMF分量,给出前4阶IMF分量的时域波形图如图2所示。
从图2中可以看到,EEMD方法和CEEMD方法都成功的将信号中包含的高频分量和低频分量进行了分离,得到符合原信号物理特征的结果。观察IMF1分量和IMF2分量可以发现,经CEEMD分解后得到的分量中残余白噪声更少。将经过EEMD方法分解和CEEMD方法分解得到的所有IMF分量以及趋势项相加,计算重构信号与原始信号之间的重构误差如图3和图4所示,其中图3为EEMD方法的重构误差,图3为CEEMD方法的重构误差。从图3和图4对比中可以看出,CEEMD方法的重构误差相较EEMD方法小很多,几乎可以忽略不计。并且对于CEEMD方法,即使减少集成平均的次数,信号中残留的白噪声也会维持在一个较低水平,这样一定程度上可以减少集成平均的次数,提高分解效率,更适合应用于工程实际中。
因此,考虑CEEMD方法能够很好的解决模态混叠问题并且相较于EEMD方法重构误差更小,因此本实施例使用CEEMD方法对原始信号进行分解。
CEEMD方法不仅可以有效的消除模态混叠问题并且相比于EEMD方法,IMF分量中的高斯白噪声残留更少,十分适用于对轴承故障振动信号这类非线性、非平稳信号进行处理。信号经CEEMD方法分解得到一系列IMF分量,并且每次分解得到的IMF分量的数量也是不同的,这取决于被分解信号的性质。经CEEMD分解得到的IMF分量从低阶到高阶,对应的频率从高到低分布,整个过程体现了多尺度的滤波过程。通过对不同IMF分量的选取可以构建低通滤波器、带通滤波器和高通滤波器:
(1)若选取前几阶频率较高的IMF分量进行信号的重构,则相当于高通滤波器。
(2)若选取后几阶频率较低的IMF分量进行信号的重构,则相当于低通滤波器。
(3)若去掉前几阶频率较高的IMF分量和后几阶频率较低的IMF分量,选取剩余的IMF分量进行信号的重构,则相当于带通滤波器。
从上述过程可以看出,与传统滤波器不同的是,由CEEMD的滤波特性构造的滤波器组的截止频率不是人为设定的,而是根据所分解信号特性的变化而变化,可以认为是一个自适应的滤波器。因此,我们可以根据信号的要求,以一定的准则对IMF分量进行筛选,将相应的IMF分量整合,进而凸显被分析信号在某一频率范围内的特点,以此来构建新型的滤波器。本文使用峭度值准则和互相关系数准则对IMF分量进行筛选,并对筛选后IMF分量重构,达到对信号降噪的目的。这种基于CEEMD的自适应滤波方式相比于传统的滤波方式可以在滤波后最大限度的保留原始信号的非线性和非平稳性的特点,有利于下一步共振解调算法的应用。
IMF分量筛选准则
准则一:峭度准则
峭度是一个无量纲参数,被广泛应用于轴承的状态监测。峭度描述了一个信号概率密度函数偏离高斯原型的程度,其定义为:
式中μ和σ分别为信号x的均值和标准差,E(t)表示变量t的期望。当轴承不存在。
故障时,其振动信号数据点的概率分布服从高斯分布,此时峭度值为3左右。当轴承发生故障时,振动信号中会包含更多的冲击成分,因此会有更多的数据点偏离信号的均值,此时峭度值会大于3,可以用峭度值衡量信号中包含冲击性成分的多少。因此,可以推断,当某些IMF分量的峭度值大于3时,表明这些IMF分量中存在较多的冲击性成分,即这些IMF分量包含更多的轴承故障信息。因此,在对原始信号进行CEEMD分解之后,计算每一个IMF分量的峭度值,选择峭度值较大的IMF分量进行重构,得到的重构信号峭度值较原始信号会有显著的提高,故障越明显,提高的程度越大。
准则二:互相关系数准则
信号经CEEMD分解后,由于插值误差、边界效应及过分解等因素,在分解得到的IMF分量中会存在虚假分量[12]。虚假分量与原信号无关,但虚假分量所含有的频率成分存在与特征频带重合的可能,所以应该予以剔除。可以通过分析分解后各IMF分量与原信号的相关性来找出虚假分量。
对于任意信号x(t),可以认为它是由n个基本模式分量ci(t)组成,即
信号x(t)经过CEEMD分解后,理想情况是能够分解出n个基本模式分量ci(t)。但是由于分解误差的存在,会分解出n个基本模式分量和m个虚假分量si(t),而且和ci(t)并不完全相同,m个虚假分量si(t)就是二者的差值形成的。
对于两个离散信号x(t)和y(t),它们的互相关定义如下:
根据式3.17,式3.18可以改写为:
信号经过EMD分解后得到的各个基本模式分量是正交的,则信号经过CEEMD分解后得到的各个基本模式分量同样是正交的。并且认为和ci(t)近似相等,因此式3.19的后半部分约等于零。则式3.19可以进一步改写为:
同理,计算分解得到的模式分量中虚假模式分量与信号x(t)的相关性:
通过式3.20和式3.21可知,信号x(t)分解得到的各基本模式分量t与x(t)的互相关约等于x(t)中包含的基本模式分量ci(t)的自相关,而虚假分量sj(t)与x(t)的互相关约等于零。因此,从分解后各分量与原始信号的相关性分析中,可以找出虚假分量。
定义分解出的各IMF分量与原始信号的互相关系数为:
式中,为各IMF分量与原始信号的互相关,Rx(t)为原始信号的自相关。因此可以通过判断信号x(t)经过CEEMD分解后得到的IMF分量与信号x(t)的互相关系数的大小作为衡量各IMF分量是否为虚假分量的指标。
对于信号的降噪处理,不仅希望能够突出信号中的冲击成分,还希望能够保留信号的原始特征,便于下一步共振解调方法的分析。因此,对于IMF分量筛选的两个准则,应该同时考虑,使得重构信号既能突出信号中的高频共振成分也能保留原始信号足够多的特征。本文按以下方法对IMF分量进行筛选,并对信号进行重构以达到降噪的目的。
步骤一:计算出各IMF分量与原始信号的互相关系数和峭度值;
步骤二:按互相关系数由大到小的顺序将IMF分量进行排序,并选取互相关系数较大的三个IMF分量进行下一步的筛选;
步骤三:对于步骤二中筛选出的IMF分量,选择峭度值大于3.5的k个分量进行重构。
经过上文分析,本文提出基于CEEMD的降噪算法。首先对信号进行CEEMD分解,然后计算各IMF分量的峭度值及与原信号的互相关系数,最后按照IMF分量筛选准则对IMF分量进行筛选重构。降噪算法的流程图如图5所示。
一种基于包络谱故障特征识别的最优滤波频带选择方法,包括以下步骤:
步骤一:设定带宽Bw和步长Step;其中Bw设定为3至5倍的故障特征频率,Step需大于信号的频率分辨率,小于设定的带宽Bw;
步骤二:频带划分,根据设定的Bw和Step对原始信号频带进行划分,得到N个子频带,在N个子频带上对信号进行滤波,得到N个子信号;
划分时,参考Protrugram方法,通过固定的带宽Bw和迭代步长Step对原信号进行频带的划分,则每个子频带的中心频率cfi为:
其中i=1,2,…,N,并且N为不超过(fs-2Bw)/(2Step)的最大整数。使用以上频带划分方法,原信号被划分为N个子频带,对应N个子信号,如图6所示。
步骤三:计算每一个子信号的包络谱,并使用故障特征识别方法对每一个包络谱进行分析,计算每一个包络谱的故障特征评价指标Val,选择Val值最大的包络谱对应子信号所在频带作为最优滤波频带。
最优滤波频带可以理解为:原始信号在此频带上滤波后,滤波信号的包络谱中可以观察到最明显的轴承故障特征,即包络谱具有故障频率谱线清晰,倍频成分衰减明显的特点。考虑在对轴承进行故障诊断时,故障特征频率是一个已知信息,因此,对于原始信号经频带划分后得到的N个子信号,分别计算它们的包络谱,并从中找出反映轴承故障特征最明显的包络谱,则此包络谱对应的子信号所在频带即为最优滤波频带。考虑人工神经网络等智能故障特征识别方法需要故障训练样本、识别准确率不够高等因素,在工程应用上难以普及。
本发明提出了一种包络谱故障特征识别方法,与人工神经网络方法不同,该故障特征识别方法使用计算机模拟人眼“观察”包络谱图,判断轴承故障特征频率及其一倍频和二倍频处谱线的突起程度,故障特征频率处的谱线越突起,则表明此包络谱反映的轴承故障特征越清晰,以此来寻找能观察到最明显轴承故障特征的包络谱。
首先定义指标Val用于评价包络谱中故障特征的明显程度;
Val=P1+P2+P3;
其中P1、P2、P3分别表示轴承故障特征频率的一倍频、二倍频和三倍频处幅值与其附近一定范围频带内幅值的次大值之比,即Pi=Ai1/Ai2,Ai1为故障特征频率或其倍频处的幅值,Ai2为故障特征频率或其倍频附近一定范围频带内幅值的次大值,其中i=1,2,3。
在进行Ai1和Ai2的搜索时,为了防止包络谱中与轴承故障特征无关的峰值影响,并非在全局范围内进行搜索,而是将搜索范围集中于目标频率ftar附近一定范围内,目标频率为轴承故障特征频率ffault的1到3倍频;定义W为搜索带宽,则将搜索的频带范围设定为
搜索带宽取得越大,包络谱中的故障特征越明显,本文取
搜索带宽为50Hz。对于搜索频带范围的上下界有两点需要注意:
(1)当ftar较小时,可能会出现搜索频带的下界ftar-w/2<0的情况,因此,在每次搜索的过程中需要判断搜索下界与0的大小关系,取搜索下界为Max(0,ftar-w/2);
在确定了搜索频带后,搜索该频带范围内幅值最大的谱线,这根谱线所对应的幅值即为Ai1,假定这根谱线对应的频率为当满足 时,即认为搜索到的幅值Ai1代表的是故障特征频率处的幅值,其中α为允许的误差率,误差率的设定需要参考轴承参数手册中给出的尺寸误差值、信号频率分辨率以及轴承的运行时间和运行环境等历史运行状况进行决定,本实施例中的α为0.05。
当满足式时,继续搜索Ai2的值。否则认为此包络谱中观察不到清晰的目标频率成分谱线,记Pi=0并停止搜索。由于实际工况下的故障冲击信号并非严格的周期性信号以及受频率分辨率的影响,Ai1所在的谱线并不是由单一点组成的。如图7所示,对于框内标出的三个点,它们同样位于Ai1所在的谱线上,在搜索次大值Ai2时需要将它们避开,否则会影响对于故障特征的判断。根据实验验证,在搜索Ai2时,可忽略左右两侧各2个点。
在搜到到Ai1和Ai2的值后,即可计算出Pi的值。
分别以故障特征频率的一倍频、二倍频和三倍频为目标频率,根据以上方法可以分别得到P1、P2、P3。另外,如图8所示,即使故障特征频率处的幅值是局部最大值,此包络谱也不能反映出故障特征。因此,需定义临界值C,只有当Pi的值大于临界值时,才进行Pi+1的计算,否则将Pi和Pi+1均记为零(i+j≤3)。临界值的设定决定了故障特征频率处谱线的突起程度,临界值的大小与谱线的突起程度成正相关。如图9和图10所示为P=1.3和P=1.5时对应的谱峰,可见当P=1.5时谱峰已经相当明显,因此本发明设定临界值C为1.5,并规定当P值大于临界值C时,P值为其原值,当P值小于临界值C时,认为在包络谱中没有提取到轴承故障特征,并将P记为零,这样可以节约计算资源,提升计算效率。
因此,在搜索到幅值最大和次大两条谱线后,判断是否从包络谱中提取到了故障特征需要同时满足以下两条原则:
(1)最大值所在谱线的频率与理论故障特征频率的差值满足设定的误差率。
(2)最大值与次大值的比值P大于等于设定的临界值C。
本发明提出的故障特征识别方法不仅考虑故障特征频率处谱线的清晰程度,还对其二倍频和三倍频对应的谱线进行了考虑。因为对于反映轴承故障特征最清晰的包络谱,不仅可以看见故障特征频率处有明显突起,并且在故障特征频率的二倍频、三倍频处也应存在明显突起。因此,在计算得到P1后,以故障特征频率的二倍频和三倍频为目标频率,分别计算得到P2和P3。虽然存在故障振动信号高次谐波的振幅可能已经衰减到小于或等于背景噪声的情况,以至于P2或P3的值较小甚至小于设定的临界值,不过,这一步的目的是为了从已经提取到故障特征的包络谱中选取故障特征更加明显的包络谱,P2和P3用于辅助选择,而不通过P2和P3的值来判断是否在包络谱中提取到了轴承故障特征。综上,本发明提出的故障特征识别方法流程图如图11所示。
本发明的故障特征识别方法包括以下步骤:
步骤一:计算故障特征评率;
步骤二:初始化n=1,Val=0,设定搜索宽带和误差率;
步骤三:目标频率=故障特征频率×n;
步骤四:搜索最大值;
步骤五:判断对应频率在是否允许误差范围内;若为是则进入步骤六;若为否则直接输出Val;
步骤六:搜索次大值;
步骤七:计算最大值与次大值的比值Pn;
步骤八:判断P是否≥临界值C,若是则进入步骤九,若为否,则直接输出Val;
步骤九:Val=Val+Pn;
步骤十:n是否=3,若是,则进入步骤十一;若否,则n=n+1后,返回步骤三;
步骤十一:输出Val。
进一步地,所述步骤三中的目标频率为轴承故障特征频率的1~3倍频。
本发明的频带划分方法会被划分为N个子频带,计算每个子频带上信号的包络谱,并使用故障特征识别方法对每一个包络谱进行分析,找到显示轴承故障特征最清晰的包络谱,则此包络谱对应子信号所在频带即为最优滤波频带。脉冲性噪声因不具有循环平稳性,基本不会在包络谱中产生谱峰,而与轴承故障特征无关的循环平稳噪声的特征频率与轴承故障特征频率不同,在包络谱中产生的谱峰与反映轴承故障特征的谱峰位置不同,因此通过对包络谱故障特征的识别可以最大限度的排除信号中脉冲性噪声和与轴承故障特征无关的循环平稳性噪声的干扰。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理,可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种列车走行部滚动轴承故障诊断算法,其特征在于:包括以下步骤:
第一步:获取原始信号;
第二步:对原始信号进行降噪处理;降噪处理包括以下步骤:对信号进行CEEMD分解;计算各IMF分量的峭度值及与原信号的互相关系数;按照IMF分量筛选准则对IMF分量进行筛选重构;
第三步:计算轴承故障特征评率;
第四步:最优调节频带的选择包括以下步骤;
步骤一:设定带宽Bw和步长Step;其中Bw设定为3至5倍的故障特征频率,Step需大于信号的频率分辨率,小于设定的带宽Bw;
步骤二:频带划分,根据设定的Bw和Step对原始信号频带进行划分,得到N个子频带,在N个子频带上对信号进行滤波,得到N个子信号;
步骤三:计算每一个子信号的包络谱,并使用故障特征识别方法对每一个包络谱进行分析,计算每一个包络谱的故障特征评价指标Val,选择Val值最大的包络谱对应子信号所在频带作为最优滤波频带。
3.根据权利要求1所述的一种列车走行部滚动轴承故障诊断算法,其特征在于:所述IMF分量进行筛选包括以下步骤:
步骤一:计算出各IMF分量与原始信号的互相关系数和峭度值;
步骤二:按互相关系数由大到小的顺序将IMF分量进行排序,并选取互相关系数较大的三个IMF分量进行下一步的筛选;
步骤三:对于步骤二中筛选出的IMF分量,选择峭度值大于3.5的k个分量进行重构。
4.根据权利要求1所述的一种列车走行部滚动轴承故障诊断算法,其特征在于:所述IMF分量从低阶到高阶,对应的频率从高到低分布,通过对不同IMF分量的选取可以构建低通滤波器、带通滤波器和高通滤波器。
5.根据权利要求1所述的一种列车走行部滚动轴承故障诊断算法,其特征在于:所述故障特征识别方法包括以下步骤:
步骤一:计算故障特征评率;
步骤二:初始化n=1,Val=0,设定搜索宽带和误差率;
步骤三:目标频率=故障特征频率n;
步骤四:搜索最大值;
步骤五:判断对应频率在是否允许误差范围内;若为是则进入步骤六;若为否则直接输出Val;
步骤六:搜索次大值;
步骤七:计算最大值与次大值的比值Pn;
步骤八:判断P临界值C,若是则进入步骤九,若为否,则直接输出Val;
步骤九:Val=Val+Pn;
步骤十:n是否=3,若是,则进入步骤十一;若否,则n=n+1后,返回步骤三;
步骤十一:输出Val。
6.根据权利要求5所述的一种列车走行部滚动轴承故障诊断算法,其特征在于:所述Val用于评价包络谱中故障特征的明显程度;
Val=P1+P2+P3;
其中P1、P2、P3分别表示轴承故障特征频率的一倍频、二倍频和三倍频处幅值与其附近一定范围频带内幅值的次大值之比,即Pi=Ai1/Ai2,Ai1为故障特征频率或其倍频处的幅值,Ai2为故障特征频率或其倍频附近一定范围频带内幅值的次大值,其中i=1,2,3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110856057.1A CN113554103B (zh) | 2021-07-28 | 2021-07-28 | 一种列车走行部滚动轴承故障诊断算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110856057.1A CN113554103B (zh) | 2021-07-28 | 2021-07-28 | 一种列车走行部滚动轴承故障诊断算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554103A true CN113554103A (zh) | 2021-10-26 |
CN113554103B CN113554103B (zh) | 2022-05-27 |
Family
ID=78104787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110856057.1A Active CN113554103B (zh) | 2021-07-28 | 2021-07-28 | 一种列车走行部滚动轴承故障诊断算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554103B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120095756A1 (en) * | 2010-10-18 | 2012-04-19 | Samsung Electronics Co., Ltd. | Apparatus and method for determining weighting function having low complexity for linear predictive coding (LPC) coefficients quantization |
CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
CN106936469A (zh) * | 2017-03-01 | 2017-07-07 | 北京理工大学 | 一种抗单音干扰的统一载波测控信号捕获方法 |
CN109724802A (zh) * | 2019-03-05 | 2019-05-07 | 西安交通大学 | 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法 |
CN109948286A (zh) * | 2019-03-29 | 2019-06-28 | 华北理工大学 | 基于改进经验小波分解的信号分解方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
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
- 2021-07-28 CN CN202110856057.1A patent/CN113554103B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120095756A1 (en) * | 2010-10-18 | 2012-04-19 | Samsung Electronics Co., Ltd. | Apparatus and method for determining weighting function having low complexity for linear predictive coding (LPC) coefficients quantization |
US20170358309A1 (en) * | 2010-10-18 | 2017-12-14 | Samsung Electronics Co., Ltd. | Apparatus and method for determining weighting function having for associating linear predictive coding (lpc) coefficients with line spectral frequency coefficients and immittance spectral frequency coefficients |
CN104198186A (zh) * | 2014-08-29 | 2014-12-10 | 南京理工大学 | 基于小波包与谱峭度结合的齿轮故障诊断方法及装置 |
CN106936469A (zh) * | 2017-03-01 | 2017-07-07 | 北京理工大学 | 一种抗单音干扰的统一载波测控信号捕获方法 |
CN109724802A (zh) * | 2019-03-05 | 2019-05-07 | 西安交通大学 | 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法 |
CN109948286A (zh) * | 2019-03-29 | 2019-06-28 | 华北理工大学 | 基于改进经验小波分解的信号分解方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
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 (2)
Title |
---|
任学平,李攀,乔海懋: "基于CEEMD与MCKD的滚动轴承早期故障诊断", 《测量与仪器》 * |
彭飞宇: "基于信号分解的滚动轴承复合故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113554103B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Complete ensemble local mean decomposition with adaptive noise and its application to fault diagnosis for rolling bearings | |
CN102607845B (zh) | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 | |
CN108801630B (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
CN111507221B (zh) | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 | |
CN110806315B (zh) | 一种基于倒位编辑的齿轮箱复合故障诊断方法 | |
CN107121285B (zh) | 一种滚动轴承振动信号故障特征提取方法 | |
CN101482617A (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
CN101882442A (zh) | 历史音频噪声检测与消除方法 | |
CN106199532A (zh) | 基于混合傅立叶‑小波分析的探地雷达信号降噪方法 | |
CN104849757A (zh) | 消除地震信号中随机噪声系统及方法 | |
CN101634589A (zh) | 一种设备振动信号的处理方法 | |
CN113702037B (zh) | 基于子带重排与集合双树复小波包变换的重加权谱峭度方法 | |
Klein et al. | Non-stationary signals: Phase-energy approach—Theory and simulations | |
CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
CN109630908B (zh) | 一种多次降噪的管道泄漏定位方法 | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN113554103B (zh) | 一种列车走行部滚动轴承故障诊断算法 | |
CN111308555B (zh) | 一种基于频间相似性低频重构的面波干扰消除方法 | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、系统和存储介质 | |
CN116150585A (zh) | 基于乘积包络谱的旋转机械故障诊断方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |