CN113686577A - 一种基于快速非线性稀疏谱的轴承故障诊断方法 - Google Patents

一种基于快速非线性稀疏谱的轴承故障诊断方法 Download PDF

Info

Publication number
CN113686577A
CN113686577A CN202110940650.4A CN202110940650A CN113686577A CN 113686577 A CN113686577 A CN 113686577A CN 202110940650 A CN202110940650 A CN 202110940650A CN 113686577 A CN113686577 A CN 113686577A
Authority
CN
China
Prior art keywords
sparse
carrying
fault
spectrum
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
Application number
CN202110940650.4A
Other languages
English (en)
Other versions
CN113686577B (zh
Inventor
张宗振
杨祖杰
韩宝坤
王金瑞
鲍怀谦
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202110940650.4A priority Critical patent/CN113686577B/zh
Publication of CN113686577A publication Critical patent/CN113686577A/zh
Application granted granted Critical
Publication of CN113686577B publication Critical patent/CN113686577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于快速非线性稀疏谱的轴承故障诊断方法，涉及振动信号智能故障诊断技术领域。该方法包括以下步骤：预处理阶段，包括信号采集：将采集到的轴承故障振动信号作为输入样本；归一化处理：对采集的轴承故障信号y(n)进行Z‑score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用Sigmoid函数进行非线性激活；确定最大分解层数K：根据信号的谱特征确定最大分解层数K；分频谱边界，重构信号，构建稀疏谱图，故障诊断。本方法通过引入pq‑mean这一稀疏表达取代了传统的峭度稀疏表达方式，并采用Z‑score归一化和非线性Sigmoid函数对样本数据进行预处理，较已有的故障诊断方法，具有更好的可调节性和鲁棒性。

Description

一种基于快速非线性稀疏谱的轴承故障诊断方法
技术领域
本发明涉及振动信号智能故障诊断技术领域，具体涉及一种基于快速非线性稀疏谱的轴承故障诊断方法。
背景技术
随着科技的发展以及现代化工业水平的提高，在车辆工程、轨道交通、航空航天等领域广泛使用的机械设备中，各种机械设备正朝着高速、高精、高效方向发展，使得机械设备结构日趋复杂，产生故障的隐患也随之增多。而传动部件是机械设备正常运转的重要机构，也是机械设备中不可缺少的部分。轴承作为一种常用的传动旋转部件，其性能的好坏直接影响着整个机械系统的正常运作，然而轴承的故障信号往往被淹没在环境噪声之中，不易被察觉。因此，建立一个可靠的健康监测系统，尽早定位轴承的早期故障，对合理延长机械设备使用寿命、减少周期性维护费用以及保证设备运行的安全性都具有重要的意义。
轴承作为齿轮箱中易出现故障的部件，如何对其早期故障进行高效、准确、智能的诊断，是非常具有实际意义的。由于峭度对冲击信号具有较高的敏感度，因此，传统的轴承故障提取方法中多以峭度作为稀疏度量指标，衡量稀疏度量能力有六个评价标准，但是，峭度作为一种常用的稀疏度量方式却只满足稀疏度量标准的的其中三个，而pq-mean可以满足所有的稀疏度量标准，并且在一定pq值下，pq-mean具有和峭度一样的稀疏表现形式。
发明内容
本发明的目的是针对上述不足，提出了一种基于快速非线性稀疏谱的轴承故障诊断方法，采用pq-mean的稀疏性指标作为选择共振频带的依据，抗干扰能力及故障诊断的准确性都得以提高。
本发明具体采用如下技术方法：
一种基于快速非线性稀疏谱的轴承故障诊断方法，包括以下步骤：
步骤1，将采集到的轴承故障振动信号y(n)作为输入样本。
步骤2，对采集的轴承故障振动信号样本进行Z-score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用Sigmoid函数进行非线性激活。
步骤3，根据采集的轴承故障振动信号谱特征，选择与快速非线性稀疏谱算法拟合程度最高的分解阶数作为信号处理的分解阶数。
步骤4，按照1/3-二叉树结构结合最大分解阶数K划分频带，形成频率分割树状图。
步骤5，通过标准低通FIR滤波器构造一组低通滤波器h0(n)和高通滤波器h1(n)，在根据所划分的树状结构迭代生成滤波器组。
步骤6，用构建好的滤波器组对每层划分的频带进行滤波，依次完成信号重构。
步骤7，判断最佳pq值和归一化系数，计算每层每个分量的pq-mean值，并构建稀疏谱图表示诊断信息。
步骤8，定位最佳故障共振频带的中心频率fc和带宽Bw,以此构建带通滤波器对信号进行带通滤波，并获取冲击信号的特征。
步骤9，对提取的冲击信号进行包络解调，根据包络谱中的信息进行故障分析与诊断。
优选地，步骤2具体过程为：
将采集到的振动信号y(n)进行Z-score归一化处理，即y＝(y-uy)/σy，其中uy为待处理样本数据的均值，σy为待处理样本数据的标准差；故障数据都被归一化到均值为0，标准差为1的分布中；然后通过激活函数y＝1/(1+e-y)进行非线性激活；Z-score归一化的系数会对故障诊断结果产生影响。
优选地，步骤7中，pq-mean是有别于峭度的稀疏表达方式，其满足稀疏度量方式的六个理想标准，而峭度只满足其中三个标准，并且在一定pq值下，pq-mean具有和峭度一样的稀疏表现形式，所述pq-mean是对传统峭度作为稀疏表达方式的延伸；pq-mean值计算公式为：
Figure BDA0003214719520000021
其中，N表示输入样本的个数，i表示第i个样本，p q表示可调节变量(对应的指数信息)，y表示输入样本。
优选地，步骤8中，最佳共振频带是指pq-mean值最大的频带，并根据此频带的中心频率fc和带宽Bw以及频带所在层的层数Ki对预处理后的振动信号进行带通滤波，获取故障特征信息。
本发明具有如下有益效果：
本发明记载的方法通过引入pq-mean这一稀疏表达取代了传统的峭度稀疏表达方式，同时采用Z-score归一化和非线性激活函数对样本数据进行预处理，与已有的故障诊断方法相比，具有更好的准确性和鲁棒性。
附图说明
图1为基于快速非线性稀疏谱的轴承故障诊断方法的流程示意图；
图2为基于本发明记载的方法的不同条件下的轴承故障分析结果示意图，其中，(a)为原始信号，(b)为SNR＝-10dB p＝3,q＝2归一化系数为0.9诊断结果，(c)为SNR＝-10dB p＝10,q＝2归一化系数为0.9诊断结果，(d)为SNR＝-10dB p＝10,q＝2归一化系数为1.2诊断结果。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
结合图1，基于快速非线性稀疏谱的轴承故障诊断方法，包括以下步骤：
步骤1，将采集到的轴承故障振动信号y(n)作为输入样本。
步骤2，对采集的轴承故障振动信号样本进行Z-score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用Sigmoid函数进行非线性激活，具体过程为：
将采集到的振动信号y(n)进行Z-score归一化处理，即y＝(y-uy)/σy，其中uy为待处理样本数据的均值，σy为待处理样本数据的标准差；故障数据都被归一化到均值为0，标准差为1的分布中；然后通过激活函数y＝1/(1+e-y)进行非线性激活；Z-score归一化的系数会对故障诊断结果产生影响。
步骤3，根据采集的轴承故障振动信号谱特征，选择与快速非线性稀疏谱算法拟合程度最高的分解阶数作为信号处理的分解阶数。
步骤4，按照1/3-二叉树结构结合最大分解阶数K划分频带，形成频率分割树状图。
步骤5，通过标准低通FIR滤波器构造一组低通滤波器h0(n)和高通滤波器h1(n)，在根据所划分的树状结构迭代生成滤波器组。
步骤6，用构建好的滤波器组对每层划分的频带进行滤波，依次完成信号重构。
步骤7，判断最佳pq值和归一化系数，计算每层每个分量的pq-mean值，并构建稀疏谱图表示诊断信息。
pq-mean是有别于峭度的稀疏表达方式，其满足稀疏度量方式的六个理想标准，而峭度只满足其中三个标准，并且在一定pq值下，pq-mean具有和峭度一样的稀疏表现形式，所述pq-mean是对传统峭度作为稀疏表达方式的延伸；pq-mean值计算公式为：
Figure BDA0003214719520000031
其中，N表示输入样本的个数，i表示第i个样本，p q表示可调节变量(对应的指数信息)，y表示输入样本。
步骤8，定位最佳故障共振频带的中心频率fc和带宽Bw,以此构建带通滤波器对信号进行带通滤波，并获取冲击信号的特征。
步骤8中，最佳共振频带是指pq-mean值最大的频带，并根据此频带的中心频率fc和带宽Bw以及频带所在层的层数Ki对预处理后的振动信号进行带通滤波，获取故障特征信息。
步骤9，对提取的冲击信号进行包络解调，根据包络谱中的信息进行故障分析与诊断。
为了说明不同pq值对轴承故障信号诊断结果的影响，验证阶段，分别在p＝3,q＝2和p＝10,q＝2下做了两组测试(其他条件相同)，故障分析结果如图2(b)和图2(c)所示，结果可以看出，本申请记载的方法在不同p、q值下依然具有较好的故障提取能力。
为了说明不同归一化系数对轴承故障信号诊断结果的影响，验证阶段，分别在归一化系数为0.9和归一化系数为1.2下做了两组测试(其他条件相同)，故障分析结果如图2(c)和图2(d)所示，结果可以看出，改变归一化系数会影响本申请所述轴承故障诊断的结果。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.一种基于快速非线性稀疏谱的轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1，将采集到的轴承故障振动信号y(n)作为输入样本；
步骤2，对采集的轴承故障振动信号样本进行Z-score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用Sigmoid函数进行非线性激活；
步骤3，根据采集的轴承故障振动信号谱特征，选择与快速非线性稀疏谱算法拟合程度最高的分解阶数作为信号处理的分解阶数；
步骤4，按照1/3-二叉树结构结合最大分解阶数K划分频带，形成频率分割树状图；
步骤5，通过标准低通FIR滤波器构造一组低通滤波器h0(n)和高通滤波器h1(n)，在根据所划分的树状结构迭代生成滤波器组；
步骤6，用构建好的滤波器组对每层划分的频带进行滤波，依次完成信号重构；
步骤7，判断最佳pq值和归一化系数，计算每层每个分量的pq-mean值，并构建稀疏谱图表示诊断信息；
步骤8，定位最佳故障共振频带的中心频率fc和带宽Bw,以此构建带通滤波器对信号进行带通滤波，并获取冲击信号的特征；
步骤9，对提取的冲击信号进行包络解调，根据包络谱中的信息进行故障分析与诊断。
2.如权利要求1所述的一种基于快速非线性稀疏谱的轴承故障诊断方法，其特征在于，步骤2具体过程为：
将采集到的振动信号y(n)进行Z-score归一化处理，即y＝(y-uy)/σy，其中uy为待处理样本数据的均值，σy为待处理样本数据的标准差；故障数据都被归一化到均值为0，标准差为1的分布中；然后通过激活函数y＝1/(1+e-y)进行非线性激活；Z-score归一化的系数会对故障诊断结果产生影响。
3.如权利要求1所述的一种基于快速非线性稀疏谱的轴承故障诊断方法，其特征在于，步骤7中，pq-mean是有别于峭度的稀疏表达方式，其满足稀疏度量方式的六个理想标准，而峭度只满足其中三个标准，并且在一定pq值下，pq-mean具有和峭度一样的稀疏表现形式，所述pq-mean是对传统峭度作为稀疏表达方式的延伸；pq-mean值计算公式为：
Figure FDA0003214719510000011
其中，N表示输入样本的个数，i表示第i个样本，p、q表示可调节变量(对应的指数信息)，y表示输入样本。
4.如权利要求1所述的一种基于快速非线性稀疏谱的轴承故障诊断方法，其特征在于，步骤8中，最佳共振频带是指pq-mean值最大的频带，并根据此频带的中心频率fc和带宽Bw以及频带所在层的层数Ki对预处理后的振动信号进行带通滤波，获取故障特征信息。
CN202110940650.4A 2021-08-17 2021-08-17 一种基于快速非线性稀疏谱的轴承故障诊断方法 Active CN113686577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940650.4A CN113686577B (zh) 2021-08-17 2021-08-17 一种基于快速非线性稀疏谱的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940650.4A CN113686577B (zh) 2021-08-17 2021-08-17 一种基于快速非线性稀疏谱的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN113686577A true CN113686577A (zh) 2021-11-23
CN113686577B CN113686577B (zh) 2024-06-11

Family

ID=78580194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940650.4A Active CN113686577B (zh) 2021-08-17 2021-08-17 一种基于快速非线性稀疏谱的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN113686577B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115524150A (zh) * 2022-09-13 2022-12-27 西安交通大学 基于稀疏时域同步平均的旋转机械故障检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104316323A (zh) * 2014-10-24 2015-01-28 西安交通大学 基于周期靶向的最优共振频带确定方法
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN109992872A (zh) * 2019-03-27 2019-07-09 西安交通大学 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法
CN111307460A (zh) * 2020-03-14 2020-06-19 中国石化销售股份有限公司华南分公司 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法
CN111521400A (zh) * 2020-06-24 2020-08-11 北京航空航天大学 一种基于edm及谱峭度的轴承早期故障诊断方法
CN111813084A (zh) * 2020-07-10 2020-10-23 重庆大学 一种基于深度学习的机械装备故障诊断方法
CN111833371A (zh) * 2020-09-17 2020-10-27 领伟创新智能系统(浙江)有限公司 一种基于pq-mean稀疏测度的图像边缘检测方法
CN112197964A (zh) * 2020-12-07 2021-01-08 领伟创新智能系统(浙江)有限公司 一种基于谱pq-mean的局部冲击信号定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104316323A (zh) * 2014-10-24 2015-01-28 西安交通大学 基于周期靶向的最优共振频带确定方法
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN109992872A (zh) * 2019-03-27 2019-07-09 西安交通大学 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法
CN111307460A (zh) * 2020-03-14 2020-06-19 中国石化销售股份有限公司华南分公司 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法
CN111521400A (zh) * 2020-06-24 2020-08-11 北京航空航天大学 一种基于edm及谱峭度的轴承早期故障诊断方法
CN111813084A (zh) * 2020-07-10 2020-10-23 重庆大学 一种基于深度学习的机械装备故障诊断方法
CN111833371A (zh) * 2020-09-17 2020-10-27 领伟创新智能系统(浙江)有限公司 一种基于pq-mean稀疏测度的图像边缘检测方法
CN112197964A (zh) * 2020-12-07 2021-01-08 领伟创新智能系统(浙江)有限公司 一种基于谱pq-mean的局部冲击信号定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘帅: "基于实时监测数据挖掘的风电机组故障预警方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, pages 67 *
赵见龙: "矿井主通风机滚动轴承故障诊断方法的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 05, pages 18 - 40 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115524150A (zh) * 2022-09-13 2022-12-27 西安交通大学 基于稀疏时域同步平均的旋转机械故障检测方法
CN115524150B (zh) * 2022-09-13 2024-04-05 西安交通大学 基于稀疏时域同步平均的旋转机械故障检测方法

Also Published As

Publication number Publication date
CN113686577B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
Yang et al. Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey
CN111238814B (zh) 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
CN109827777B (zh) 基于偏最小二乘法极限学习机的滚动轴承故障预测方法
CN112052712B (zh) 一种电力设备状态监测与故障识别方法及系统
CN109855874B (zh) 一种声音辅助振动微弱信号增强检测的随机共振滤波器
CN111307438B (zh) 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
CN109655266B (zh) 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法
CN107506710A (zh) 一种滚动轴承复合故障提取方法
CN112378660A (zh) 一种基于数据驱动的航空发动机轴承智能故障诊断方法
CN112182490B (zh) 一种电抗器状态诊断方法及系统
Jie et al. Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis
CN112069962B (zh) 一种基于图像识别强噪声背景下振动频谱的方法
CN108398260B (zh) 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法
CN113686577B (zh) 一种基于快速非线性稀疏谱的轴承故障诊断方法
CN117909668B (zh) 基于卷积神经网络的轴承故障诊断方法及系统
CN110987431A (zh) 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法
CN117828447A (zh) 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法
CN111623968B (zh) 一种基于自适应形态滤波的故障特征提取方法
CN117571316A (zh) 一种复合故障诊断方法及系统
CN112380782A (zh) 一种基于混合指标和神经网络的旋转设备故障预测方法
CN117109923A (zh) 一种滚动轴承故障诊断方法及系统
CN116910645A (zh) 基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法
Pang et al. The evolved kurtogram: a novel repetitive transients extraction method for bearing fault diagnosis
CN115791159A (zh) 一种基于振动信号的齿轮故障在线实时诊断方法

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
GR01 Patent grant
GR01 Patent grant