CN113702044A - 一种轴承故障检测方法及系统 - Google Patents

Abstract

本发明公开了一种轴承故障检测方法及系统，该方法包括：获取N个通道的振动信号，N≥2；以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，K≥2；将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。通过对轴承多通道振动信号进行不同窗长参数下的短时傅里叶变换构造高维时频分布信号，然后采用流形学习提取低维时频流形，可以去除时频域中的噪声，凸显故障瞬态脉冲成分，从而有效检测出轴承故障。

Description

一种轴承故障检测方法及系统

技术领域

本发明属于机械动力传输领域，更具体地，涉及一种轴承故障检测方法及系统。

背景技术

轴承在机械系统的动力传输中起着关键作用，其健康状态关系到整个设备的运行性能与安全。由于长期运行在复杂工况下，轴承容易受到损坏，造成设备故障，引起重大经济损失。因此，对轴承进行准确、及时的故障诊断对于机械系统的可靠性具有重要意义。由于振动信号对机械故障敏感，当轴承发生故障时，振动信号会激发脉冲响应，呈现非平稳性，所以振动监测技术已广泛应用于机械故障诊断。

然而，复杂的工作环境也可能会引入大量的噪声，污染故障相关分量，使故障特征显得微弱而不易被识别。目前常用短时傅里叶变换(short-time Fourier transform，以下简称STFT)形成时频分布信号(time-frequency distribution,以下简称TFD)。STFT的基本思想是：利用定长窗函数截取时域信号，对其进行傅里叶变换，得到较短时间段内的局部频谱，通过窗函数沿着整个时间轴的平移，原始信号在不同时间点的频率信息最终显示在同一个时频面上，将轴承的故障瞬态脉冲信息反映在时频面上以提取故障特征。然而时频面上的故障瞬态脉冲信息依然会受到一定噪声的干扰，需结合流形学习进行降噪，其具体过程为通过单通道振动传感器采集单通道轴承振动信号，采用相空间重构方法把一维的单通道信号转化为高维信号，利用STFT计算高维信号中每一维数据的TFD，对高维TFD进行流形学习以挖掘TFD中故障瞬态脉冲的内在流形结构。虽然上述方法能够在一定程度上去除噪声的影响，但当噪声复杂多变时，仍难以提取到故障信号，故障检测的精度不高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种轴承故障检测方法及系统，其目的在于提高轴承故障检测的准确性。

为实现上述目的，按照本发明的一个方面，提供了一种轴承故障检测方法，其包括：

获取N个通道的振动信号，N≥2；

以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，K≥2；

将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；

对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；

将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。

优选地，所述窗函数为Hamming窗、Hanning窗、Kaiser窗中的任一种。

优选地，所述窗函数的窗长度满足使对应的时频分布信号中能够观察到故障瞬态脉冲信息。

优选地，所述窗函数的窗长值取值范围为[50,80]。

优选地，所述流形学习为局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法、局部保留投影算法中的任一种。

优选地，采用给定指标确定流形学习的近邻点个数，所述给定指标为Rényi熵、信息熵、峭度、光滑指数、基尼指数中的任一种。

优选地，对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，包括，利用故障瞬态脉冲在不同通道信号的发生时间一致而噪声在不同通道的分布差异较大来区分故障特征和噪声。

优选地，根据有效时频分布信号分析故障瞬态脉冲特征，包括，观测有效时频分布信号中的故障瞬态脉冲特征，计算故障瞬态脉冲的重复周期，根据故障瞬态脉冲的重复周期确定轴承的故障位置。

优选地，利用三通道的加速度传感器测取轴承的振动信号，N＝3。

按照本发明的另一方面，提供了一种轴承故障检测系统，其包括：

时频单元，用于获取N个通道的振动信号并以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，N≥2，K≥2；

转换单元，用于将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；

流形学习单元，用于对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；

重组单元，用于将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。

本申请人经分析发现，目前所采用的故障检测方法，由于单通道振动传感器只测取一个方向或一个位置的振动，故障瞬态脉冲的形态单一，通过相空间重构得到的高维数据中每一维数据的信息相似，噪声的随机性较差，不利于流形学习对故障瞬态脉冲的提取和噪声的去除。此外，对信号进行STFT时需要根据经验设定窗长参数，且参数值在整个运算中保持固定，所以对不同的机械故障振动信号缺乏自适应性，而且单一窗长参数下的STFT分析结果不够全面，会忽略其它参数下的有用故障信息。

基于上述分析，本申请人所提出的以上技术方案，与现有技术相比，通过采集多通道振动信号，信号脉冲的形态多样，噪声的随机性较好。而且，在同一时刻采集多个通道的振动信号分别进行STFT，形成对应不同通道振动信号的TFD，由于不同通道TFD中故障特征的脉冲特性保持一致，而噪声的差异性较大，结合不同通道的TFD图像可以有效区分故障特征和噪声，有利于在流形学习中去除噪声并提取故障特征。同时，本方案中，以具有不同窗长的多个窗函数分别对同一通道的振动信号进行STFT，每一通道形成对应不同窗长窗函数下的多个TFD，不同的窗长可适应不同的机械故障信号，由此提高对不同振动信号的自适应性，进一步提高故障信号检测的准确度。

附图说明

图1是本申请一实施例中的轴承故障检测方法的步骤流程图；

图2是本发明一实施例提供的内圈故障轴承的三通道振动信号的波形图和频谱图；

图3是本发明一实施例提供的对图2所述信号进行变参STFT处理后得到的多个TFD结果；

图4为本发明一实施例提供的对图2所述信号进行处理后得到的有效时频分布信号。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示为本申请一实施例中的轴承故障检测方法的步骤流程图，该方法包括：

步骤S100：获取N个通道的振动信号，N≥2。

在一实施例中，可以通过传感器从N个不同的角度或位置对轴承进行检测，在同一时刻形成N个不同通道的振动信号。

在一具体的实施例中，利用三通道的加速度传感器测取轴承三个方向的振动信号，采样频率为12.8kHz，轴的旋转速度是800rpm，轴承型号为6205，计算可得轴承内圈故障的重复周期是0.0209s。图2是本发明实施例提供的内圈故障轴承的三通道振动信号的波形图和频谱图，即N＝3,一共获取三通道振动信号，分别对应通道1、通道2、通道3。其中，波形图中有些故障瞬态脉冲被噪声污染，不同通道的故障瞬态脉冲形态不一样，在频谱图中，不同通道的频率内容差异较大，故障共振带被噪声污染，不能确定其位置。

步骤S200：以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，K≥2。

在一实施例中，所述窗函数包括但不限于Hamming窗、Hanning窗、Kaiser窗等可进行STFT变换的窗函数。不同的窗函数具有不同的形状，而同一窗函数的窗长值会影响TFD中的时间和频率分辨率。每个TFD都是时间和频率的函数，故障瞬态脉冲信息会在特定的频带内周期性的出现，但是会被噪声污染。不同通道振动信号的TFD中噪声的分布差异较大，而故障瞬态脉冲的形态虽有差异，但故障瞬态脉冲的发生的时间点一致，发生的频带位置有重叠。

由于窗函数的窗长越长，截取的信号越长，傅里叶变换后频率分辨率越高，时间分辨率越差；反之亦然。由于海森堡不确定性原理，STFT的时间和频率分辨率不能同时达到最优，所以需要为窗长参数确定一个合适的值以较好显示原始信号中包含的时频特征信息。在一实施例中，窗函数的窗长的取值范围的下限和上限应使对应的TFD中能够观察到故障瞬态脉冲信息。同一通道振动信号在不同窗长下的TFD中，故障瞬态脉冲和噪声的形态都会有差异。具体的，所述窗函数的窗长值取值范围为[50,80]。

如图3是本发明实施例提供的对图2所述信号进行变参STFT处理后得到的多个TFD结果。在本实施例中，窗函数选取Hamming窗，窗长的取值范围为[50,80]，取4个窗长值，窗长1至窗长4分别为50、58、66、74，对3通道振动信号进行STFT处理，得到12个TFD，其中每列的四个TFD对应同一个通道。故障瞬态脉冲在不同通道信号的TFD中的形态不一样，但发生的时间点一致，发生的频带位置有重叠，而噪声在不同通道信号的TFD中的分布差异较大，有些通道的振动信号的噪声较大由此可以区分噪声和故障瞬态脉冲。且同一通道的振动信号在不同窗长参数下的TFD在时间和频率分辨率上有一定的差异，但这些差异有利于流形学习对固有结构的提取和噪声的去除。

步骤S300：将每组二维时频分布信号转换为一维数据，形成N*K维矩阵。

由于每个TFD都是二维矩阵，需要转化为一维数据，才能把多个TFD构造成高维矩阵。将每组二维时频分布信号转换为一维数据后，将每个通道的TFD的数据首尾相接，构成一个列向量，所有TFD的列向量组成一个N*K维的矩阵。

步骤S400：对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据。

流形学习是一种非线性维数约简方法，可用于提取嵌入在高维数据中的内在低维流形结构。所述高维矩阵中，每一维TFD数据均包含故障瞬态脉冲和噪声。由于传感器通道和窗长不同，不同TFD在同一时间点的幅值各不相同，但是故障脉冲特征存在于每一个TFD中，具有稳定的结构，可以看成是高维数据的内在流形结构，会在流形学习结果中得到保留，而噪声在每一个TFD中的形态各不相同，不具有稳定的结构，会在流形学习结果中被剔除，即，在流形学习中，利用故障瞬态脉冲在不同通道信号的发生时间一致而噪声在不同通道的分布差异较大来区分故障特征和噪声。因此，所述高维矩阵经过给定流形学习方法进行降维之后，得到的多源变参时频流形是信噪比高的TFD。

在一实施例中，流形学习算法包括但不限于局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法、局部保留投影算法等具有维数约简功能的方法。

在一实施例中，采用给定指标确定流形学习的近邻点个数，所述给定指标包括但不限于Rényi熵、信息熵、峭度、光滑指数、基尼指数以及它们的组合等能够评估第一维流形故障脉冲特性的指标。

步骤S500：将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。

低维数据的第一维数据在流形学习中的误差最小，能够代表流形结构，需要将它转化为二维的TFD才能观察时频面上的故障瞬态脉冲特征，计算故障瞬态脉冲的重复周期，根据故障瞬态脉冲的重复周期确定轴承的故障位置。

如图4所示为对图2所述信号进行处理后得到的结果。给定流形学习算法是局部切空间排列算法，给定近邻点选取指标是Rényi熵。图中，噪声几乎被全部清除，使得故障瞬态脉冲的周期性更加明显，通过计算得出故障瞬态脉冲的重复周期为0.0203s，与轴承内圈故障特征周期十分接近，因此可以认定测试轴承的内圈存在缺陷。因此，本发明公开的技术可以增强时频域中的故障瞬态脉冲特征，去除时频域中的噪声，从而准确地检测出轴承的微弱故障。

综上所述，通过对轴承多通道振动信号进行不同窗长参数下的STFT构造高维TFD，然后采用流形学习提取低维时频流形，可以去除时频域中的噪声，凸显故障瞬态脉冲成分，从而有效检测出轴承内圈故障。该方法克服了现有技术缺乏对不同信号的自适应性和噪声污染问题，能够综合考虑不同通道振动数据和不同窗长参数下的故障特征，具有无需优化STFT的窗长参数、具有对不同信号的自适应性、可以获得更高的信噪比等优点，对轴承微弱故障的有效检测具有重要意义。

本发明还涉及一种轴承故障检测系统，用于实现上述轴承故障检测方法，具体的，该系统包括：

时频单元，用于获取N个通道的振动信号并以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，N≥2，K≥2；

转换单元，用于将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；

流形学习单元，用于对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；

重组单元，用于将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。

上述轴承故障检测系统用于对应实现上述故障检测方法，其中，故障检测方法中的各个步骤已经在上文中详细介绍，轴承故障检测系统中的各个单元用于实现故障检测方法中的各个步骤，在此不再赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种轴承故障检测方法，其特征在于,包括：

获取N个通道的振动信号，N≥2；

以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，K≥2；

将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；

对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；

将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。

2.如权利要求1所述的轴承故障检测方法，其特征在于，所述窗函数为Hamming窗、Hanning窗、Kaiser窗中的任一种。

3.如权利要求1所述的轴承故障检测方法，其特征在于，所述窗函数的窗长度满足使对应的时频分布信号中能够观察到故障瞬态脉冲信息。

4.如权利要求3所述的轴承故障检测方法，其特征在于，所述窗函数的窗长值取值范围为[50,80]。

5.如权利要求1所述的轴承故障检测方法，其特征在于，所述流形学习为局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法、局部保留投影算法中的任一种。

6.如权利要求1所述的轴承故障检测方法，其特征在于，采用给定指标确定流形学习的近邻点个数，所述给定指标为Rényi熵、信息熵、峭度、光滑指数、基尼指数中的任一种。

7.如权利要求1所述的轴承故障检测方法，其特征在于，对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，包括，利用故障瞬态脉冲在不同通道信号的发生时间一致而噪声在不同通道的分布差异较大来区分故障特征和噪声。

8.如权利要求1所述的轴承故障检测方法，其特征在于，根据有效时频分布信号分析故障瞬态脉冲特征，包括，观测有效时频分布信号中的故障瞬态脉冲特征，计算故障瞬态脉冲的重复周期，根据故障瞬态脉冲的重复周期确定轴承的故障位置。

9.如权利要求1所述的轴承故障检测方法，其特征在于，利用三通道的加速度传感器测取轴承的振动信号，N＝3。

10.一种轴承故障检测系统，其特征在于，包括：

时频单元，用于获取N个通道的振动信号并以具有不同窗长值的K个窗函数分别对每个通道的振动信号进行短时傅里叶变换，得到N*K组二维时频分布信号，N≥2，K≥2；

转换单元，用于将每组二维时频分布信号转换为一维数据，形成N*K维矩阵；

流形学习单元，用于对所述N*K维矩阵进行流形学习以去除噪声并提取故障特征，降低矩阵维度，得到低维数据；

重组单元，用于将低维数据的第一维数据转换为有效时频分布信号，根据有效时频分布信号分析故障瞬态脉冲特征。

Images