CN113639985B - 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 - Google Patents
一种基于优化故障特征频谱的机械故障诊断与状态监测方法 Download PDFInfo
- Publication number
- CN113639985B CN113639985B CN202110936247.4A CN202110936247A CN113639985B CN 113639985 B CN113639985 B CN 113639985B CN 202110936247 A CN202110936247 A CN 202110936247A CN 113639985 B CN113639985 B CN 113639985B
- Authority
- CN
- China
- Prior art keywords
- fault
- spectrum
- optimized
- characteristic frequency
- monitoring
- 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
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
-
- 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
Abstract
本发明公开了一种基于优化故障特征频谱的机械故障诊断与状态监测方法,所述方法包括以下步骤:通过基于线性最优分离的优化故障特征频谱的方法,获取优化故障特征频谱;通过基于3维优化故障特征频谱的在线状态监测与故障诊断方法,实现设备的在线监测和故障诊断。本发明应用于机械故障诊断,可以在未知故障特征频率下明确故障特征频率,有助于故障机制明确;本发明提出的创新优化故障特征频谱技术,可以实现故障特征频率的自动确定与明确;基于优化故障特征频谱技术得到的3维在线更新优化故障特征频谱技术,可以实现机械装备的准确在线状态监测、早期故障时刻确定和早期故障诊断,并能够实时监测故障的演化,技术效果良好。
Description
技术领域
本发明涉及机械装备健康监测与智能运维领域,尤其涉及一种基于优化故障特征频谱的机械故障诊断与状态监测方法。
背景技术
目前,基于增强频谱故障特征的故障诊断与状态监测技术,通常都是基于信号处理的去噪方式,尚未发现结合机器学习优化技术的增强频谱故障特征的故障诊断与状 态监测技术。
机械装备故障诊断与状态监测技术是服务于设备智能运维,关系人民生活、工业生产、国防安全的关键技术。技术主要是基于信号处理和机器学习两大类算法对采集 到的传感器数据进行分析。一方面,基于信号处理的算法具有可解释性强的特点,基 于机器学习的算法则具有智能寻优的特点;另一方面,基于信号处理的算法不能够很 好的利用已经采集到的历史数据,基于机器学习的算法可解释性弱,泛化能力不强。
基于信号处理的算法因为可解释性强而更广泛的应用于实际工程。一般机械故障诊断的对象为齿轮、轴承等关键旋转零部件,这种零部件发生不同类型的故障之后, 理想情况下可以通过不同的故障特征频率进行识别,但一般收集到的数据故障特征微 弱,背景噪音强烈,难以直接识别故障特征频率。因此,基于信号处理的故障诊断与 状态监测的技术思路是:首先应用信号处理技术(如滤波技术、盲源去卷积技术)进 行去噪处理得到去噪信号,然后对去噪信号应用包络解调技术解调,再应用快速傅里 叶变换技术得到包络谱或者平方包络谱,从包络谱或者平方包络谱上根据故障特征频 率识别与判断故障类型。
基于机器学习的算法具有智能寻优的特点,其技术思路是:对采集到的历史数据和相应的健康状态标签进行特征提取、模型建立和最优模型参数学习,然后将得到的 最优模型应用于需要诊断或者监测的数据。总的来说,机器学习的方法是数据特征提 取、模型训练、模型预测的思路,由于在模型训练是强烈依赖现有数据,因此泛化能 力不强。因此,本领域的技术人员致力于开发一种新的基于优化故障特征频谱的机械 故障诊断与状态监测方法,以解决传统方法缺乏智能寻优机制、泛化能力差、可解释 性差的问题。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是:在机械故障诊断领域,如何在未知故障特征频率下明确故障特征频率;如何充分利用历史数据进行智能 寻优,进而实现故障特征频率的自动确定与明确;如何通过优化故障特征频谱技术得 到3维在线更新优化故障特征频谱技术,实现机械装备的准确在线状态监测、早期故 障时刻确定和早期故障诊断,并能够实时监测故障的演化。
为实现上述目的,本发明提供了一种基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,所述方法包括以下步骤:
步骤1:通过基于线性最优分离的优化故障特征频谱的方法,获取优化故障特征频谱,具体包括以下步骤:
步骤11:对采集到的健康和故障状态下的振动信号应用希尔伯特变换和快速傅里叶变换得到标准化平方包络谱;
步骤12:对生成的标准化平方包络谱截断仅保留低频部分,截断方式及参数确定:首先确定最大的可能故障特征频率ffault,然后按照仅保留标准化平方包络谱中[0,Xffault]Hz的部分,其中X是表示故障特征频率的倍数,一般取X>3;此步骤将得到健 康状态下的信号标准化平方包络谱的低频部分的样本,和故障状态下的信号标准化平 方包络谱的低频部分的样本;
步骤13:应用线性分离模型最优分离健康和故障状态下信号的标准化平方包络谱,得到相应的最优分离参数ω,ω作为优化增强故障特征频谱;
步骤14:将步骤13中的所述最优分离参数ω与输入标准化平方包络谱的频率轴坐标相联系,即可以得到优化故障特征频谱;
步骤2:通过基于3维优化故障特征频谱的在线状态监测与故障诊断方法,实现 设备的在线监测和故障诊断,具体包括以下步骤:
步骤21:利用被监测设备在健康状态下的历史振动信号,生成标准化平方包络谱NSESH样本集合;
步骤22:对设备实时健康监测,采集实时的振动信号,认为目前的设备处于“异 常状态”,得到“异常状态”下的标准化平方包络谱NSESF样本集合;
步骤23:通过应用步骤1,对当前的“异常状态”下的标准化平方包络谱NSESF样 本集合和健康状态下的标准化平方包络谱样本集合进行最佳线性分类,得到初始的实 时优化故障特征频谱;
步骤24:下一监测时刻,认为当前监测时刻设备处于“异常状态”,收集当前时 刻下的一段实时振动信号,生成新的“异常状态”下的标准化平方包络谱样本集合 NSESF;
步骤25:通过应用步骤1,对当前的“异常状态”下的标准化平方包络谱NSESF样 本集合和健康状态下的标准化平方包络谱样本集合进行最佳线性分类,得到更新的实 时优化增强故障特征频谱;在此步骤,通过对求解迭代步数的监控以监测早期故障的 发生与否;
步骤26:按照计算的时间顺序组装历史的优化增强故障特征频谱和当前实时的优化故障特征频谱,得到实时更新的3维优化增强故障特征频谱;如果步骤25已经判断 发生了早期故障,则在此步骤从实时更新的3维优化增强故障特征频谱上根据故障特 征频率诊断故障类型,并观察故障特征频率的演化趋势以得到故障演化的趋势信息;
步骤27:重复步骤24,以实现设备的在线状态监测和故障诊断,直到设备停机维修。
进一步地,在步骤11中,对采集到的所述振动信号在生成所述标准化平方包络谱之前先做信号去噪预处理,去噪后的振动信号x∈RN×1(N为信号的采样点数,符号黑 体表示是向量),应用希尔伯特变换H(·)解调得到包络信号E=|x[n]+jH(x[n])|,对包 络信号的每个元素取平方后得到平方包络信号SE=E2,再应用快速傅里叶变换fft(·) 对平方包络信号SE处理得到平方包络谱SES=fft(SE);对于故障信号,则可以通过 在平方包络谱上识别故障特征频率的方式判断故障类型。
进一步地,将所述平方包络谱替换为包络谱,所述包络谱是指没有对包络信号平方处理而直接应用快速傅里叶变换得到的频谱。
进一步地,在步骤12中,如果信号的采样频率较高,对应得到的标准化平方包络谱的频谱范围较大;由于标准化平方包络谱的有效信息集中在低频部分,且维数过高 会增大计算量,因此在采样频率较高时,对标准化平方包络谱进行截断处理并仅保留 低频部分,然后再在线性分类模型中进行最优分类求解。
进一步地,在步骤13中,对所述最优分离参数ω进行求解时,求解方法采用基 于线性支持向量机的凸优化方法进行求解。
进一步地,在步骤13中,对所述最优分离参数ω进行求解时,求解方法采用基 于最大似然估计的方法进行求解。
进一步地,在步骤21中,所述历史振动信号是指所述被监测设备在健康状态下收集的一段振动信号。
进一步地,在步骤22中,当开始对所述设备健康状态进行监测时,初始收集到的振动信号被认为处于“异常状态”,相应得到的标准化平方包络谱是“异常状态”下的 标准化平方包络谱。
进一步地,在步骤25中,使用上一次生成优化故障特征频谱得到的最优参数作为迭代求解的初始参数。
进一步地,在步骤26中,所述3维优化增强故障特征频谱,其3个轴线的坐标分 别是监测时刻、频谱和优化增强故障特征频谱的幅值。
本发明提出一种基于优化故障特征频谱的机械故障诊断与状态监测方法,应用于机械故障诊断,可以在未知故障特征频率下明确故障特征频率,有助于故障机制明确; 本发明解决基于信号处理的旋转机械故障诊断与状态监测技术不能充分利用历史数 据、不能智能寻优的问题,提出的创新优化故障特征频谱技术,可以达到有效增强故 障频率特征的目的,进而实现故障特征频率的自动确定与明确;基于优化故障特征频 谱技术得到的3维在线更新优化故障特征频谱技术,可以实现机械装备的准确在线状 态监测、早期故障时刻确定和早期故障诊断,并能够实时监测故障的演化,技术效果 良好。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的基于3维优化增强包络频谱在线状态监测与故障诊断方法路线图;
图2是本发明的一个较佳实施例的3维优化故障特征频谱中求解一次优化故障特征频谱的内部逻辑图;
图3是本发明的一个较佳实施例的振动信号的时域波形、频域波形、平方包络谱波形及平方包络谱低频部分放大图;
图4是本发明的一个较佳实施例的分别使用第一组数据集和第二组数据集生成的优化故障特征频谱;
图5是本发明的一个较佳实施例的轴承全生命周期数据采集测试平台;
图6是本发明的一个较佳实施例的3维在线更新的优化故障特征频谱。
图7是本发明的一个较佳实施例的前第2次到第60次的迭代次数的频次直方图;和使用3西格玛原则监测早期故障时刻的示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非 仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有 限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的 厚度。
实施例一:
在本实施例中主要说明包络解调技术的实施步骤,具体如下:
对采集到的原始离散振动信号或者信号处理去噪后的振动信号x∈RN×1(N为信号的采样点数,符号黑体表示是向量),应用希尔伯特变换H(·)解调得到包络信号 E=|x[n]+jH(x[n])|,对包络信号的每个元素取平方后得到平方包络信号SE=E2,再 应用快速傅里叶变换fft(·)对平方包络信号SE处理得到平方包络谱SES=fft(SE)(没 有对包络信号平方处理而直接应用快速傅里叶变换得到的频谱称为包络谱)。对于故障 信号,则可以通过在平方包络谱(或者包络谱)上识别故障特征频率的方式判断故障 类型。
实施例二:
在本实施例中主要说明一种基于线性最优分离的优化故障特征频谱方法的实施步 骤,具体如下:
本方法的基本思想是在高维空间构造一个超平面,以实现健康和故障状态的标准化平方包络谱的最优线性分离;随后将在最优线性分离条件下得到的超平面参数(即 超平面的法向量)解释为优化平方包络谱,并进一步用于机械状态监测和故障诊断。
步骤1:
信号预处理,对原始振动信号或者信号处理去噪后的振动信号x通过包络解调技术可以得到平方包络谱信号SES(或包络谱信号,包络谱信号亦可实现后续技术,此 处以平方包络谱信号作为示例),然后对平方包络谱进行标准化处理(标准化处理为平 方包络谱的每个分量除以平方包络谱的幅值和),得到标准化平方包络谱 NSES=SES/∑SES。
步骤2:
基于标准化平方包络谱的最佳分离模型建立,考虑真实工况下健康状态和故障状态下的归一化平方包络谱数据集NSESH={NSESH1,…,NSESHP}和 NSESF={NSESF1,…,NSESFQ},其中下标H和F分别表示健康和故障状态,P和Q表 示对应的数据集样本个数,NSES∈RN×1。在N维空间中,NSESH和NSESF实际上是存 在于N维空间的P+Q个数据点。由于健康和故障状态下分别得到的标准化平方包络谱 的主要区别在于故障状态下的标准化平方包络谱中对应于故障特征频率的分量较大, 因此有希望通过如下的线性分离模型实现健康和故障状态下的标准化平方包络谱的分 离:
ωTNSES+b=0
其中ω==[ω[1],…,ω[N]]∈RN×1,b是标量。最佳分离模型可以理解为寻找一个最佳超 平面可以使得两类点的分离距离最大。因为N维空间的距离公式为:
其中ωTNSES是ω和NSES的向量内积,即ω中的元素分量和NSES 中元素分量的一一对应乘积之和。在实现最优分离时,向量ω的不同分量应该满足如下条件:(1)为使得距离最大,ω中对应NSES中的故障特征频率的分量应该尽可能大, 这样可以使得距离d尽量大;(2)为使得距离最大,ω中对应NSES中的非故障特征频 率的分量应该尽可能小,这样可以使得距离d尽量大;(3)结合(1)、(2),可知,数 据充足情况下得到的最终模型求解ω中,实际上反映了故障特征频率,而其他干扰频 率成分能够被消除,因此可以在最优分类健康和故障状态下的标准化平方包络谱的同 时,得到故障特征频率的有关信息。
如果信号x的采样频率较高,对应得到的标准化平方包络谱NSES的频谱范围较大。由于标准化平方包络谱的有效信息集中在低频部分,且维数过高会增大计算量, 因此在采样频率较高时,可以对标准化平方包络谱进行截断处理并仅保留低频部分, 然后再在线性分类模型中进行最优分类求解。
步骤3:
对线性分类模型进行求解,得到最优的线性分类参数ω,求解方法可以采用基于线性支持向量机的凸优化求解或者最大似然估计求解。基于最大似然估计的求解方法 如下所示:
其中π(NSES)表示y=1的条件概率密度分布。当P(y=1|NSESi)>P(y=0|NSESi)时,可认 为NSESi的状态标签是yi=1;反之,若P(y=1|NSESi)≤P(y=0|NSESi),可认为NSESi的状态标签是yi=0。如果找到了最优参数ω和b,则有 P(y=1|NSESFq)>0.5>P(y=0|NSESFq),即NSESFq可以被正确分类到故障类;同理有 P(y=0|NSESHp)>0.5>P(y=1|NSESHp),NSESHp能够被正确的分类到健康类别。为估计参 数ω,建立最大似然估计模型如下:
通过对数运算,可以将目标函数转换成如下形式:
公式中引入1/2(P+Q)是为了避免目标函数值过大。为表述方便,ωTNSES+b重写为ωTNSES+b=[ωT b][NSEST 1]T=βTx,其中β=[ωT b]T,x=[NSEST 1]T。因此,公式2.5中的目标函数重新表述为如下形式:
其中xi=[(NSESi)T 1]T。如果数据集不能够严格的线性分离,可引入L2范数正则项到 目标函数中,得到新的目标函数如下所示:
其中λ是一个非负的正则项系数。进而可以推导目标函数关于β的雅可比梯度矩阵如 下:
其中矩阵X,H,Y分别如下:
X=[x1 … xi … xP+Q]∈R(N+1)×(P+Q),
Y=[y1 … yi … yP+Q]T∈RP+Q,
因此,添加正则项后的最小化问题可以通过目标函数下降法或者拟牛顿法求解。而梯度下降法的迭代框架如下所示:
即表示给定学习率α时,在第k步βk求解βk+1。迭代求解的终止条件可以设置为 |L(βk+1)-L(βk)|<eps,其中eps是给定的终止精度。
步骤4:
在求解得到的最优化问题中将得到的最优参数ω与输入标准化平方包络谱的频率 轴坐标相联系,即可以得到优化故障特征频谱。
实施例三:
在本实施例中主要说明一种基于3维优化故障特征频谱的在线机械状态监测与故障诊断方法的实施步骤,其基本思路是:基于实施例二的优化故障特征频谱方法,利 用实时采集到的运转设备的实时振动信号进行状态监测和故障诊断。本方法的详细技 术方案路线图如图1所示,具体步骤如下:
步骤1:
生成健康状态下的标准化平方包络谱NSESH。当机械设备在健康状态下工作时,收集一段振动信号以生成健康状态下的标准化平方包络谱;
步骤2:
生成初始的“异常状态”下的标准化平方包络谱NSESF。当开始对设备健康状态 进行监测时,初始收集到的振动信号被认为处于“异常状态”,相应得到的标准化平方 包络谱是“异常状态”下的标准化平方包络谱;
步骤3:
生成初始的优化故障特征频谱。使用实施例二得到初始的优化故障特征频谱;
步骤4:
更新“异常状态”下的标准化平方包络谱NSESF。在下一监测时刻,收集一段新 的实时振动信号通过实施例一得到标准化的平方包络谱;
步骤5:
计算新的实时优化增强故障特征频谱:使用实施例二得到新的实时优化增强故障特征频谱。为了加快计算,使用上一次生成优化故障特征频谱得到的最优参数作为迭 代求解的初始参数。此外,通过迭代精度控制实现早期故障时刻的监测,逻辑流程图 如图2所示,在应用优化求解技术计算优化增强故障特征频谱的时候,当计算精度达 到eps1时,记录当前使用梯度下降法的迭代求解次数si+1和可行解βi+1,k(i+1表示第i+1次 计算优化故障特征频谱,k表示计算当前优化故障特征频谱时的梯度下降法的求解迭 代次数);继续求解,当计算精度达到eps2时,以当前的可行解为最优解,并得到相应 的优化增强故障特征频谱ωi+1。
对于计算精度达到eps1时记录的迭代求解次数si+1和可行解βi+1,k,可行解βi+1,k作为 下一次迭代更新计算优化增强故障特征频谱的初始解βi+2,0,迭代求解次数si+1与历史记录的第2次到第O次(O<i+1)迭代求解次数形成的序列s=[s2 … sj … sO]的正态 分布进行比较,如果当前迭代求解次数显著偏离历史迭代求解次数的分布(可以用3σ 判断),则认为设备出现了早期故障。
当判断设备出现了早期故障后,从得到的实时优化故障特征频谱中根据故障特征频率诊断故障类型;并根据故障特征频率的演变确定设备故障的类型和严重程度的演 变趋势。
步骤6:
组装和更新3维优化故障特征频谱。将得到的优化故障特征频谱按照时间顺序排列组装,得到3维的优化故障特征频谱,其3个轴线的坐标分别是监测时刻、频谱和 优化故障特征频谱的幅值。
步骤7:
回到步骤4,不断重复上述循环步骤,对被监测设备进行在线状态监测和故障诊断,直到设备停机维修。
实施例四:
本实施案例是实际工程项目案例。在某实际轴承(此轴承为重要装备轴承,造价昂贵)的故障诊断项目中,发现生产的部分轴承存在掉粉故障,由于轴承掉粉故障故 障特征微弱,传统的故障特征技术失效,不能有效实时故障诊断,也不能明确用以诊 断某单个轴承产品是否存在掉粉故障的轴承故障特征频率。
根据轴承的尺寸结构,可以计算出一些基本的故障特征频率如表1所示。
表1空间轴承理论故障特征频率
通过实验,收集到了足够的健康状态和故障状态下的轴承振动信号数据集(具体健康状态和故障状态的振动信号可以由试验后的元件拆解确定),信号的采样频率为25.6kHz。如图3所示,(a)-(c)是健康状态信号的时域波形、频域波形、平方包络谱 波形及平方包络谱低频部分放大;(e)-(g)是故障状态信号的时域波形、频域波形、平 方包络谱波形及平方包络谱低频部分放大。由此可以看出,健康和故障状态的振动信 号在时域波形差别不大,在频域和平方包络谱展现出现频谱十分复杂,难以确定有效 的信息。工程技术人员应用经典的快速谱峭图算法(Fast Kurtogram)也不能够提取有 效的故障信息。
含充分数量的健康和故障状态下的振动信号样本。然后对两个子数据集分别应用此技术进行分析以实现交叉验证。
根据实施步骤,首先对数据集在不进行任何信号预处理的前提下,应用希尔伯特变换和快速傅里叶变换得到标准化平方包络谱;进一步地,设置的目标故障特征频率 是200Hz,标准化故障特征频率的截断频谱为6倍目标故障特征频率6fspace,这个设置 已经能够有效的分析标准化平方包络谱的低频部分(因为有效信息主要集中在低频部 分)。再次,应用最优线性分离模型求解以实现最优的健康和故障状态下的标准化平方 包络谱的线性分离,两个子数据集分别得到的两组优化增强故障特征频谱如图4所示。
如图4所示,对两组子数据集得到优化故障特征频谱进行分析,所得到的故障特征频率完全一致,即为2fci、fball、2fci、k×fball和k×fball±2fci(k=1,2,…),可以确定此为掉粉故障的故障特征频率。通过和项目需求方进行沟通,项目需求方也表明他们的 工程师从经验上一定程度的认为是这些故障特征频率和掉粉故障相关联。
因此,总的来说,本方法实现了在未知故障特征频率下的故障特征频率自动明确和科学确定,对故障诊断实施具有极大的推动作用。
实施例五:
本实施案例是基于美国航空航天局的公开轴承全生命周期数据集的实施案例。
对轴承进行加速退化实验,并采集相应的振动数据。数据的采集试验台如图5所示,在轴承的全生命周期实验中,信号的采样频率是20kHz,每间隔10分钟采集一次 振动数据,每个振动数据包含20480个数据点。轴承从运行到失效的全过程中,共采 集到984个数据文件,最终开机检查发现,出现了外圈故障,相应的故障特征频率是 f0=236.4Hz,现有的数据集研究已经确认早期故障时刻出现在第533个文件附近。
对轴承数据集进行故障诊断与状态监测如下所示:受限于数据集的数据形式,首先选定数据集中的前30个振动信号数据作为健康状态下的数据以生成健康状态下的 标准化平方包络谱。对于“异常状态”下的数据,首先选定第31-40个振动信号数据 作为初始“异常状态”下的数据,然后后续采用步长为1的滑动窗更新“异常数据”, 即第二次的“异常数据”为第32-41号信号,第三次为第33-42号信号。如此确定了 健康状态和实时更新的“异常状态”下的振动数据。
设置目标故障特征频率为ft=300Hz,标准化平方包络谱的截断频率设置为5倍目标 故障特征频率。
应用3维优化故障特征频谱进行状态监测和故障诊断,在每一时刻,应用优化故障特征频谱对健康状态和每一监测时刻更新的“异常状态”下的标准化平方包络谱进 行最优分类,得到单个时刻的优化故障特征频谱,并监测相应的求解迭代参数实现早 期故障时刻监测。
得到的3维在线更新优化故障特征频谱如图6所示(已监和更新测到最后时刻)。根据每次计算优化故障特征频谱的迭代计算次数进行早期故障监测,相应的早期故障 监测图如图7所示。
首先,从图7(a)可以看出,第2次至第60次求解优化故障特征频谱的迭代此处 是服从正态分布,用此迭代求解次数向量建立正态分布和相应的三西格玛原则监测, 由图7(b)可知,监测到在535时刻出现了早期故障(从535时刻开始,求解优化故 障特征频谱时,达到精度eps1的迭代次数连续多次违反了三西格玛原则)。从3维在线 更新优化故障特征频谱上可以看到,从535时刻开始,3维优化故障特征频谱上开始 出现外圈故障特征频率,因此可以说,从3维优化故障特征频谱能够同时监测早期故 障的出现和根据故障特征频率诊断故障类型。此外,后续不断更新的优化故障特征频 率反映了故障的演化趋势。总的来说,3维优化故障特征频谱的信息十分丰富。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中 技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可 以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,所述方法包括以下步骤:
步骤1:通过基于线性最优分离的优化故障特征频谱的方法,获取优化故障特征频谱,具体包括以下步骤:
步骤11:对采集到的健康和故障状态下的振动信号应用希尔伯特变换和快速傅里叶变换得到标准化平方包络谱;
步骤12:对生成的标准化平方包络谱截断仅保留低频部分,截断方式及参数确定:首先确定最大的可能故障特征频率ffault,然后按照仅保留标准化平方包络谱中[0,Xffault]Hz的部分,其中X是表示故障特征频率的倍数,一般取X>3;此步骤将得到健康状态下的信号标准化平方包络谱的低频部分的样本,和故障状态下的信号标准化平方包络谱的低频部分的样本;
步骤13:应用线性分离模型最优分离健康和故障状态下信号的标准化平方包络谱,得到相应的最优分离参数ω,ω作为优化增强故障特征频谱;
步骤14:将步骤13中的所述最优分离参数ω与输入标准化平方包络谱的频率轴坐标相联系,即可以得到优化故障特征频谱;
步骤2:通过基于3维优化故障特征频谱的在线状态监测与故障诊断方法,实现设备的在线监测和故障诊断,具体包括以下步骤:
步骤21:利用被监测设备在健康状态下的历史振动信号,生成标准化平方包络谱NSESH样本集合;
步骤22:对设备实时健康监测,采集实时的振动信号,认为目前的设备处于“异常状态”,得到“异常状态”下的标准化平方包络谱NSESF样本集合;
步骤23:通过应用步骤1,对当前的“异常状态”下的标准化平方包络谱NSESF样本集合和健康状态下的标准化平方包络谱样本集合进行最佳线性分类,得到初始的实时优化故障特征频谱;
步骤24:下一监测时刻,认为当前监测时刻设备处于“异常状态”,收集当前时刻下的一段实时振动信号,生成新的“异常状态”下的标准化平方包络谱样本集合NSESF;
步骤25:通过应用步骤1,对当前的“异常状态”下的标准化平方包络谱NSESF样本集合和健康状态下的标准化平方包络谱样本集合进行最佳线性分类,得到更新的实时优化增强故障特征频谱;在此步骤,通过对求解迭代步数的监控以监测早期故障的发生与否;
步骤26:按照计算的时间顺序组装历史的优化增强故障特征频谱和当前实时的优化故障特征频谱,得到实时更新的3维优化增强故障特征频谱;如果步骤25已经判断发生了早期故障,则在此步骤从实时更新的3维优化增强故障特征频谱上根据故障特征频率诊断故障类型,并观察故障特征频率的演化趋势以得到故障演化的趋势信息;
步骤27:重复步骤24,对被监测设备进行在线状态监测和故障诊断,直到设备停机维修。
2.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤11中,对采集到的所述振动信号在生成所述标准化平方包络谱之前先做信号去噪预处理,去噪后的振动信号x∈RN×1(N为信号的采样点数,符号黑体表示是向量),应用希尔伯特变换H(·)解调得到包络信号E=|x[n]+jH(x[n])|,对包络信号的每个元素取平方后得到平方包络信号SE=E2,再应用快速傅里叶变换fft(·)对平方包络信号SE处理得到平方包络谱SES=fft(SE);对于故障信号,则可以通过在平方包络谱上识别故障特征频率的方式判断故障类型。
3.如权利要求2所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,将所述平方包络谱替换为包络谱,所述包络谱是指没有对包络信号平方处理而直接应用快速傅里叶变换得到的频谱。
4.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤12中,如果信号的采样频率较高,对应得到的标准化平方包络谱的频谱范围较大;由于标准化平方包络谱的有效信息集中在低频部分,且维数过高会增大计算量,因此在采样频率较高时,对标准化平方包络谱进行截断处理并仅保留低频部分,然后再在线性分类模型中进行最优分类求解。
5.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤13中,对所述最优分离参数ω进行求解时,求解方法采用基于线性支持向量机的凸优化方法进行求解。
6.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤13中,对所述最优分离参数ω进行求解时,求解方法采用基于最大似然估计的方法进行求解。
7.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤21中,所述历史振动信号是指所述被监测设备在健康状态下收集的一段振动信号。
8.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤22中,当开始对所述设备健康状态进行监测时,初始收集到的振动信号被认为处于“异常状态”,相应得到的标准化平方包络谱是“异常状态”下的标准化平方包络谱。
9.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤25中,使用上一次生成优化故障特征频谱得到的最优参数作为迭代求解的初始参数。
10.如权利要求1所述的基于优化故障特征频谱的机械故障诊断与状态监测方法,其特征在于,在步骤26中,所述3维优化增强故障特征频谱,其3个轴线的坐标分别是监测时刻、频谱和优化增强故障特征频谱的幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936247.4A CN113639985B (zh) | 2021-08-16 | 2021-08-16 | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936247.4A CN113639985B (zh) | 2021-08-16 | 2021-08-16 | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113639985A CN113639985A (zh) | 2021-11-12 |
CN113639985B true CN113639985B (zh) | 2022-04-12 |
Family
ID=78421940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936247.4A Active CN113639985B (zh) | 2021-08-16 | 2021-08-16 | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113639985B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933044B (zh) * | 2023-09-15 | 2023-11-24 | 深圳高新区信息网有限公司 | 一种供电数据智能处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390780A (zh) * | 2014-11-25 | 2015-03-04 | 沈阳化工大学 | 一种基于盲源分离的齿轮箱故障诊断方法 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN108827671A (zh) * | 2018-03-21 | 2018-11-16 | 南京航空航天大学 | 一种机械设备故障诊断方法 |
CN109029993A (zh) * | 2018-06-20 | 2018-12-18 | 中国计量大学 | 结合遗传算法优化参数和机器视觉的轴承故障检测算法 |
CN109030001A (zh) * | 2018-10-08 | 2018-12-18 | 电子科技大学 | 一种基于改进hht的滚动轴承故障诊断方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN112098088A (zh) * | 2020-08-19 | 2020-12-18 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
CN113139361A (zh) * | 2020-01-19 | 2021-07-20 | 上海复旦微电子集团股份有限公司 | 一种用于2.5d封装fpga的全局布局方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7555033B2 (en) * | 2004-06-22 | 2009-06-30 | The Aerospace Corporation | Binary offset carrier M-code envelope detector |
-
2021
- 2021-08-16 CN CN202110936247.4A patent/CN113639985B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390780A (zh) * | 2014-11-25 | 2015-03-04 | 沈阳化工大学 | 一种基于盲源分离的齿轮箱故障诊断方法 |
CN108827671A (zh) * | 2018-03-21 | 2018-11-16 | 南京航空航天大学 | 一种机械设备故障诊断方法 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN109029993A (zh) * | 2018-06-20 | 2018-12-18 | 中国计量大学 | 结合遗传算法优化参数和机器视觉的轴承故障检测算法 |
CN109030001A (zh) * | 2018-10-08 | 2018-12-18 | 电子科技大学 | 一种基于改进hht的滚动轴承故障诊断方法 |
CN113139361A (zh) * | 2020-01-19 | 2021-07-20 | 上海复旦微电子集团股份有限公司 | 一种用于2.5d封装fpga的全局布局方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN112098088A (zh) * | 2020-08-19 | 2020-12-18 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
An Improved Method for 3D Shape Estimation Using Active Shape Model;Van Thanh Hoang 等;《IEEE论文》;20171231;第230-233页 * |
MILP and NLP Techniques for Centralized Trajectory Planning of Multiple Unmanned Air Vehicles;Francesco Borrelli 等;《Proceedings of the 2006 American Control Conference》;20060616;第5763-5768页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113639985A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | An automatic and robust features learning method for rotating machinery fault diagnosis based on contractive autoencoder | |
Li et al. | Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
Yiakopoulos et al. | Rolling element bearing fault detection in industrial environments based on a K-means clustering approach | |
Frei et al. | Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
Udmale et al. | A bearing data analysis based on kurtogram and deep learning sequence models | |
CN112200244A (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
Peng et al. | Fault feature extractor based on bootstrap your own latent and data augmentation algorithm for unlabeled vibration signals | |
CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN112257530A (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Medina et al. | Vibration signal analysis using symbolic dynamics for gearbox fault diagnosis | |
CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
CN116226646A (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
CN112985809A (zh) | 基于信号多维度精细画像的滚动轴承故障诊断方法 | |
CN113639985B (zh) | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
Kong et al. | Enhanced dictionary learning based sparse classification approach with applications to planetary bearing fault diagnosis | |
Liu et al. | Rotating machinery fault diagnosis under time-varying speeds: A review | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform |
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 |