CN113670611A - 一种轴承早期退化评估方法、系统、介质及电子设备 - Google Patents

一种轴承早期退化评估方法、系统、介质及电子设备 Download PDF

Info

Publication number
CN113670611A
CN113670611A CN202110838753.XA CN202110838753A CN113670611A CN 113670611 A CN113670611 A CN 113670611A CN 202110838753 A CN202110838753 A CN 202110838753A CN 113670611 A CN113670611 A CN 113670611A
Authority
CN
China
Prior art keywords
index
bearing
sequence
early
degradation
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
Application number
CN202110838753.XA
Other languages
English (en)
Inventor
李苏
李鲁亚
刘海涛
张文涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Atomhorizon Electric Jinan Co ltd
Original Assignee
Atomhorizon Electric Jinan Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Atomhorizon Electric Jinan Co ltd filed Critical Atomhorizon Electric Jinan Co ltd
Priority to CN202110838753.XA priority Critical patent/CN113670611A/zh
Publication of CN113670611A publication Critical patent/CN113670611A/zh
Pending legal-status Critical Current

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)

Abstract

本公开提供了一种轴承早期退化评估方法、系统、介质及电子设备，获取轴承振动信号；将获取的振动信号按时间序列分段，从每个分段中提取多个包含原始振动信号信息的指标，将同一指标按时间顺序重新组合，得到多维指标序列；将得到的多维指标序列进行指标融合后得到综合指标，对得到的综合指标进行基于高斯模型的假设检验，根据假设检验结果与预设阈值范围的对比，进行轴承早期退化评估；本公开对轴承振动信号进行时间序列的分解后再加权融合得到综合指标，对得到的综合指标进行基于高斯模型的假设检验后得到评估结果，提高了轴承早期退化评估的精度。

Description

一种轴承早期退化评估方法、系统、介质及电子设备
技术领域
本公开涉及滚动轴承状态监测技术领域，特别涉及一种轴承早期退化评估方法、系统、介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
滚动轴承广泛应用于现代机械设备中，被称为“工业的关节”，其运行状态会直接影响到整机的精度、可靠性及寿命等，同时滚动轴承的故障也是机械设备中最常见的故障源之一。作为一种自然现象，滚动轴承在长期的使用时间内会导致其运行性能下降。当退化过程达到临界水平时，就会形成故障，从而导致不可预测的意外后果。因此，有必要对滚动轴承的性能进行监测，以确保其在后续运行中的可靠性和稳定性。
发明人发现，传统的健康指标如峭度、均方根(RMS)等在处理非线性非平稳性信号时往往存在大量误报，且受噪声影响大。同时，单一指标对轴承健康度评价不够全面，例如：RMS能够捕捉到平稳信号的结构变化，但在分析非线性和非平稳振动信号方面有一定的局限性；峭度能较好地反映瞬态冲击，但受冲击噪声影响较大，且无法检测到周期性瞬态冲击。
发明内容
为了解决现有技术的不足，本公开提供了一种轴承早期退化评估方法、系统、介质及电子设备，对轴承振动信号进行时间序列的分解后再加权融合得到综合指标，对得到的综合指标进行基于高斯模型的假设检验后得到评估结果，提高了轴承早期退化评估的精度。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种轴承早期退化评估方法。
一种轴承早期退化评估方法，包括以下过程：
获取轴承振动信号；
将获取的振动信号按时间序列分段，从每个分段中提取多个包含原始振动信号信息的指标，将同一指标按时间顺序重新组合，得到多维指标序列；
将得到的多维指标序列进行指标融合后得到综合指标，对得到的综合指标进行基于高斯模型的假设检验，根据假设检验结果与预设阈值范围的对比，进行轴承早期退化评估。
进一步的，包含原始振动信号信息的指标包括时域指标、频域指标和时频域指标。
更进一步的，时域指标、频域指标和时频域指标均至少包括标准差、方差、均方根、偏度、峭度和形状因子。
进一步的，利用图模型对得到的各个维度的指标序列进行优化。
更进一步的，对任一个维度的指标序列，将其中连续的多个值当做图模型的节点，两两连接，每一组节点构成边，计算每一组节点之间的欧氏距离，根据欧式距离，得到指标序列分段的图模型；
根据指标序列分段的图模型，得到原始振动信号的图模型表示；
根据得到的图模型表示，得到中值图；
根据得到的中值图和指标序列分段的图模型，得到指标序列分段的相似度分数；
根据得到的相似度分数得到优化后的原始振动信号的指标序列。
更进一步的，对多维指标序列进行自适应加权融合。
更进一步的，对得到的相似度分数进行最大最小归一化；
计算归一化后各优化指标的方差；
根据方差自适应的计算每一维优化指标的权重；
利用得到的权重将所有优化后的指标序列进行融合。
本公开第二方面提供了一种轴承早期退化评估系统。
一种轴承早期退化评估系统，包括：
数据获取模块，被配置为：获取轴承振动信号；
数据处理模块，被配置为：将获取的振动信号按时间序列分段，从每个分段中提取多个包含原始振动信号信息的指标，将同一指标按时间顺序重新组合，得到多维指标序列；
退化评估模块，被配置为：将得到的多维指标序列进行指标融合后得到综合指标，对得到的综合指标进行基于高斯模型的假设检验，根据假设检验结果与预设阈值范围的对比，进行轴承早期退化评估。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如本公开第一方面所述的轴承早期退化评估方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的轴承早期退化评估方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开提供的方法、系统、介质及电子设备，对轴承振动信号进行时间序列的分解后再加权融合得到综合指标，对得到的综合指标进行基于高斯模型的假设检验后得到评估结果，提高了轴承早期退化评估的精度。
2、本公开提供的方法、系统、介质及电子设备，通过图模型的增强，提高了单一健康指标的鲁棒性，降低了误报率和漏报率；融合后的综合动态健康指标弥补了单一指标无法全面评价轴承健康度的劣势，此综合动态健康指标的实时性好，稳定性强，开放性强，在实际应用中具有较高的应用潜力。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的综合指标获取方法的结构框图。
图2为本公开实施例1提供的图模型构建示意图。
图3为本公开实施例1提供的滚动轴承的原始信号及评估结果示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1、图2和图3,所示，本公开实施例1提供了一种轴承早期退化评估方法，包括以下过程：
获取轴承振动信号；
将获取的振动信号按时间序列分段，从每个分段中提取多个包含原始振动信号信息的指标，将同一指标按时间顺序重新组合，得到多维指标序列；
将得到的多维指标序列进行指标融合后得到综合指标，对得到的综合指标进行基于高斯模型的假设检验，根据假设检验结果与预设阈值范围的对比，进行轴承早期退化评估。
具体的，包括以下内容：
S1：将原始振动信号分段，每一段包含的数据长度受采样频率和实验设置影响，并根据经验设置。
假设原始振动信号表示为χ，将原始信号分段表示为{X1,X2,…,Xn},其中n为分段数。随后可以从每个分段中提取一组指标，然后将提取的指标排列为一个时间序列来描述原始信号，即
Figure BDA0003178094580000051
其中T为单一指标，m为提取的指标数。
本实施例中选取了{标准差，方差，均方根(RMS)，偏度，峭度，形状因子}共六个指标为例，即m＝{1,2,…,6}.指标计算如下：
Figure BDA0003178094580000061
特别注意的是此方法并不局限于以上指标，由于较好的开放性，能够从时序上表征原始信号的所有时域，频域，时频域指标及其组合经验证后均可以运用到此方法中。
S2：Tm为第m维指标序列，将其中连续的i个值当做图模型的节点，两两连接每一组节点构成边l{a,b}，并计算出其欧氏距离d{a,b}，得到此指标序列分段的图模型
Figure BDA0003178094580000062
并将其表示为矩阵：
Figure BDA0003178094580000063
本实施例中，i＝10，即单一指标序列中每十个值作为节点构造图模型，并且有90％的窗口重叠。通过图建模，原始振动信号可由一系列图模型表示，即
Figure BDA0003178094580000071
S3：计算中值图，对每一维图模型{Gm},中值图
Figure BDA0003178094580000072
计算如下：
Figure BDA0003178094580000073
M(·,·)是一种距离度量，此处选择DEWV距离度量，即：
Figure BDA0003178094580000074
Figure BDA0003178094580000075
其中，Δ{a,b},计算如下：
Figure BDA0003178094580000076
S4：计算相似度分数，即优化指标，对图模型
Figure BDA0003178094580000077
相似度分数计算如下：
Figure BDA0003178094580000078
原始振动信号即可用优化指标表示，即
Figure BDA0003178094580000079
S5：对得到的多维优化指标进行融合，以自适应加权融合为例，对
Figure BDA00031780945800000710
进行最大最小归一化：
Figure BDA00031780945800000711
其中
Figure BDA00031780945800000712
表示
Figure BDA00031780945800000713
中的最大/最小值，j＝{1,2,…,n,…}。
S6：计算归一化后各优化指标的方差：
Figure BDA00031780945800000714
其中，
Figure BDA00031780945800000715
是第m个优化指标序列的平均值，计算如下：
Figure BDA00031780945800000716
S7：根据方差自适应的计算每一维优化指标的权重：
Figure BDA0003178094580000081
此处所有权重值的和应满足定义，即：
Figure BDA0003178094580000082
S8：利用以上权重将所有优化指标融合：
Figure BDA0003178094580000083
至此得到综合的指标序列：
Figure BDA0003178094580000084
S9：采用基于高斯分布的±6准则进行假设检验，用控制上限(UCL)和控制下限(LCL)来定义置信区间，超出置信域范围的点则视为异常发生，即：
Figure BDA0003178094580000085
其中，A＝[μn-6σn,μn+6σn]为置信区间，μn和σn分别为综合指标序列的平均值和标准差，计算如下：
Figure BDA0003178094580000086
Figure BDA0003178094580000087
实施例2：
本公开实施例2提供了一种轴承早期退化评估系统，包括：
数据获取模块，被配置为：获取轴承振动信号；
数据处理模块，被配置为：将获取的振动信号按时间序列分段，从每个分段中提取多个包含原始振动信号信息的指标，将同一指标按时间顺序重新组合，得到多维指标序列；
退化评估模块，被配置为：将得到的多维指标序列进行指标融合后得到综合指标，对得到的综合指标进行基于高斯模型的假设检验，根据假设检验结果与预设阈值范围的对比，进行轴承早期退化评估。
所述系统的工作方法与实施例1提供的轴承早期退化评估方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如本公开实施例1所述的轴承早期退化评估方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的轴承早期退化评估方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种轴承早期退化评估方法，其特征在于：包括以下过程：
获取轴承振动信号；
将获取的振动信号按时间序列分段，从每个分段中提取多个包含原始振动信号信息的指标，将同一指标按时间顺序重新组合，得到多维指标序列；
将得到的多维指标序列进行指标融合后得到综合指标，对得到的综合指标进行基于高斯模型的假设检验，根据假设检验结果与预设阈值范围的对比，进行轴承早期退化评估。
2.如权利要求1所述的轴承早期退化评估方法，其特征在于：
包含原始振动信号信息的指标包括时域指标、频域指标和时频域指标。
3.如权利要求2所述的轴承早期退化评估方法，其特征在于：
时域指标、频域指标和时频域指标均至少包括标准差、方差、均方根、偏度、峭度和形状因子。
4.如权利要求1所述的轴承早期退化评估方法，其特征在于：
利用图模型对得到的各个维度的指标序列进行优化。
5.如权利要求4所述的轴承早期退化评估方法，其特征在于：
对任一个维度的指标序列，将其中连续的多个值当做图模型的节点，两两连接，每一组节点构成边，计算每一组节点之间的欧氏距离，根据欧式距离，得到指标序列分段的图模型；
根据指标序列分段的图模型，得到原始振动信号的图模型表示；
根据得到的图模型表示，得到中值图；
根据得到的中值图和指标序列分段的图模型，得到指标序列分段的相似度分数；
根据得到的相似度分数得到优化后的原始振动信号的指标序列。
6.如权利要求5所述的轴承早期退化评估方法，其特征在于：
对多维指标序列进行自适应加权融合。
7.如权利要求6所述的轴承早期退化评估方法，其特征在于：
对得到的相似度分数进行最大最小归一化；
计算归一化后各优化指标的方差；
根据方差自适应的计算每一维优化指标的权重；
利用得到的权重将所有优化后的指标序列进行融合。
8.一种轴承早期退化评估系统，其特征在于：包括：
数据获取模块，被配置为：获取轴承振动信号；
数据处理模块，被配置为：将获取的振动信号按时间序列分段，从每个分段中提取多个包含原始振动信号信息的指标，将同一指标按时间顺序重新组合，得到多维指标序列；
退化评估模块，被配置为：将得到的多维指标序列进行指标融合后得到综合指标，对得到的综合指标进行基于高斯模型的假设检验，根据假设检验结果与预设阈值范围的对比，进行轴承早期退化评估。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的轴承早期退化评估方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的轴承早期退化评估方法中的步骤。
CN202110838753.XA 2021-07-23 2021-07-23 一种轴承早期退化评估方法、系统、介质及电子设备 Pending CN113670611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110838753.XA CN113670611A (zh) 2021-07-23 2021-07-23 一种轴承早期退化评估方法、系统、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110838753.XA CN113670611A (zh) 2021-07-23 2021-07-23 一种轴承早期退化评估方法、系统、介质及电子设备

Publications (1)

Publication Number Publication Date
CN113670611A true CN113670611A (zh) 2021-11-19

Family

ID=78540039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110838753.XA Pending CN113670611A (zh) 2021-07-23 2021-07-23 一种轴承早期退化评估方法、系统、介质及电子设备

Country Status (1)

Country Link
CN (1) CN113670611A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114528704A (zh) * 2022-02-16 2022-05-24 中国船舶重工集团公司第七一九研究所 热力系统的重构方法及系统
CN114705432A (zh) * 2022-06-06 2022-07-05 新黎明科技股份有限公司 防爆电机轴承健康状态评估方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN111678699A (zh) * 2020-06-18 2020-09-18 山东大学 一种面向滚动轴承早期故障监测与诊断方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN111678699A (zh) * 2020-06-18 2020-09-18 山东大学 一种面向滚动轴承早期故障监测与诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李苏 等: "基于统计特征加权融合和图模型的滚动轴承早期故障监测方法", 机电工程技术, vol. 50, no. 5, 20 May 2021 (2021-05-20), pages 227 - 231 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114528704A (zh) * 2022-02-16 2022-05-24 中国船舶重工集团公司第七一九研究所 热力系统的重构方法及系统
CN114528704B (zh) * 2022-02-16 2023-05-02 中国船舶重工集团公司第七一九研究所 基于功能与结构映射的热力系统重构方法及系统
CN114705432A (zh) * 2022-06-06 2022-07-05 新黎明科技股份有限公司 防爆电机轴承健康状态评估方法及系统
CN114705432B (zh) * 2022-06-06 2022-09-02 新黎明科技股份有限公司 防爆电机轴承健康状态评估方法及系统

Similar Documents

Publication Publication Date Title
Wang et al. A two-stage data-driven-based prognostic approach for bearing degradation problem
CN106104496B (zh) 用于任意时序的不受监督的异常检测
US20150219530A1 (en) Systems and methods for event detection and diagnosis
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN113670611A (zh) 一种轴承早期退化评估方法、系统、介质及电子设备
CN107003992B (zh) 用于神经语言行为识别系统的感知联想记忆
CN113177537B (zh) 一种旋转机械设备的故障诊断方法及系统
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN114167838B (zh) 一种伺服系统多尺度健康评估与故障预测方法
JP2015011027A (ja) 時系列データにおける異常を検出する方法
CN105577440A (zh) 一种网络故障时间定位方法和分析设备
CN113095402B (zh) 一种基于编码输入的生成对抗网络故障检测方法及系统
CN110703214A (zh) 一种气象雷达状态评估和故障监测方法
Folmer et al. Detection of temporal dependencies in alarm time series of industrial plants
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN116955092B (zh) 基于数据分析的多媒体系统监控方法及系统
CN115454778A (zh) 大规模云网络环境下的时序指标异常智能监控系统
CN111291918B (zh) 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
Janczura et al. Machine condition change detection based on data segmentation using a three-regime, α-stable Hidden Markov Model
CN112463564B (zh) 确定影响主机状态的关联指标的方法及装置
CN115705413A (zh) 异常日志的确定方法及装置
CN113269327A (zh) 一种基于机器学习的流量异常预测方法
CN112016800A (zh) 一种基于有效性指标的特征选择方法与系统
CN108761250B (zh) 一种基于工控设备电压电流的入侵检测方法

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