CN113776836A - 一种自适应同步平均的轴承故障定量诊断方法 - Google Patents

一种自适应同步平均的轴承故障定量诊断方法 Download PDF

Info

Publication number
CN113776836A
CN113776836A CN202111238120.1A CN202111238120A CN113776836A CN 113776836 A CN113776836 A CN 113776836A CN 202111238120 A CN202111238120 A CN 202111238120A CN 113776836 A CN113776836 A CN 113776836A
Authority
CN
China
Prior art keywords
fault
bearing
correlation coefficient
signal
defect
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
CN202111238120.1A
Other languages
English (en)
Other versions
CN113776836B (zh
Inventor
徐晓强
李伟明
何知义
胡宏伟
王向红
易可夫
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.)
Changsha University of Science and Technology
Original Assignee
Changsha 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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202111238120.1A priority Critical patent/CN113776836B/zh
Publication of CN113776836A publication Critical patent/CN113776836A/zh
Application granted granted Critical
Publication of CN113776836B publication Critical patent/CN113776836B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

基于自适应同步平均的轴承故障定量诊断方法，利用振动信号对轴承的缺陷宽度进行量化评估，首先通过故障特征频率划分故障切片信号，进而对故障切片信号进行两两归一化的互相关计算，求得最大互相关系数和对应的时间延迟，然后根据设定的互相关系数阈值把符合条件的切片信号按照对应的时间延迟进行平移对齐，进而叠加平均得到高分辨平均波形，实现对轴承缺陷宽度的定量诊断，本发明在提高平均波形分辨率的同时，准确提取了滚子进入缺陷和离开缺陷的时刻，有效的抑制了轴承滚子在运转过程中存在的随机滑动现象，对轴承的视情维护具有重要意义。

Description

一种自适应同步平均的轴承故障定量诊断方法
技术领域
本发明属于轴承故障诊断和信号处理分析技术领域，特别涉及基于时域同步平均的轴承故障诊断方法。
背景技术
旋转机械动态信号随着机器运转具有周期性特点，而原始测试信号往往受多振动源和复杂环境噪声影响，信噪比低，无法在时域直接对故障位置做出准确判断。时域同步平均方法可以有效提取给定周期的周期信号，消除噪声和无关干扰，提高分析信噪比，是一种被广泛应用于旋转机械的故障特征提取方法。
时域平均方法一般是将动态信号按感兴趣的周期进行截断，然后叠加平均进行处理，由于离散采样的原因，故障周期不一定是采样周期的整数倍，由此产生的截断误差会给时域平均结果带来劣化，刘红星[1]提出了一种改进的直接时域同步平均方法大幅减小了截断误差的影响并在齿轮故障诊断中取得了良好的效果。
专利申请号为CN201210210824.2的专利基于柔性时域平均的齿轮箱故障检测方法同样针对截断误差进行了有效抑制，在达到消噪的同时，提高了信号的分辨率和齿轮箱故障诊断的正确率。但在轴承故障诊断中，轴承滚子运动过程中存在随机滑动，因此，相邻滚子通过故障位置的时间间隔不再严格相等，这时时域同步平均虽然还是能起到提高信噪比和提取故障冲击特征的效果，达到定性诊断的目的，但还原的平均波形由于受随机滑动的影响而存在较大的失真。在轴承定量诊断中，缺陷宽度的估计依赖于滚子进入缺陷和离开缺陷时刻的准确提取，平均波形的细节还原对于缺陷宽度估计十分重要，目前已提出的时域同步平均及其改进方法由于没有深入考虑随机滑动的影响而无法在低信噪比的条件下获取无失真的平均波形。
[1]刘红星,林京,屈梁生,李振武.信号时域平均处理中的若干问题探讨[J].振动工程学报,1997(04):54-58.
发明内容
为了克服上述缺点，本发明的目的在于提供一种自适应同步平均的轴承故障定量诊断方法，该方法可以对滚子随机滑动效应进行有效抑制，准确还原单个滚子通过缺陷的高分辨平均波形，基于该波形对故障缺陷的宽度进行准确估计，实现轴承故障缺陷的定量诊断。
为了达到上述目的，本发明采取的技术方案为：
基于自适应同步平均的轴承故障定量诊断方法，包括以下步骤：
步骤一：将振动加速度传感器吸附于被测试轴承安装座上，通过数据采集设备对轴承的振动信号进行采集，振动信号记为x(n),n＝0,1,…,N-1,N为数据长度，采样频率记为Fs；
步骤二：对振动信号x(n)进行希尔伯特变换和快速傅里叶变换得到包络谱，在理论故障特征频率邻近位置，通过细化谱搜索确定准确故障特征频率fBCF，故障特征周期则对应为T＝1/fBCF，所对应的采样点数M＝T×Fs；
步骤三：将信号x(n)按公式(1)顺序截成K段，
Figure BDA0003318181360000021
Figure BDA0003318181360000022
为向下取整运算，式中[]为四舍五入取整运算，每段故障切片信号记为y(k)，k＝1,2,…,K；
Figure BDA0003318181360000023
步骤四：将故障切片信号y(k)两两进行归一化的互相关计算，将y(p),p＝1,2…,K和y(q),q＝1,2…,K计算所得到的归一化互相关函数记为
Figure BDA0003318181360000024
把函数
Figure BDA0003318181360000025
中的最大互相关系数以及对应的时间延迟分别记到互相关系数矩阵C(p，q)和时间延迟矩阵L(p，q)对应位置(p，q)的值；
步骤五：将互相关系数矩阵C(p，q)中的各行互相关系数分别进行求和，得到求和最大值所对应的行序号S，将其所对应的故障切片信号y(S)作为故障基准切片信号；
步骤六：设定互相关系数阈值CR,将互相关系数矩阵C(p，q)中第S行中的互相关系数C(s，q)与阈值CR进行比较，把与故障基准切片信号y(S)互相关系数大于阈值的故障切片信号提取出来，从而剔除与故障冲击的无关故障切片信号；
步骤七：将步骤六中提取出来的故障切片信号按时间延迟矩阵中所对应的时延参数进行平移对齐后叠加平均，得到高分辨平均波形；
步骤八：基于得到的单个滚子通过缺陷的高分辨平均波形估计滚子进入和离开缺陷的时刻，利用公式(2)估计缺陷宽度，实现对轴承缺陷宽度的定量诊断；
Figure BDA0003318181360000031
式中，Δt为滚子进入和离开缺陷的时间差，α为轴承接触角，fr为旋转速度，d为滚动体直径，D为轴承节径，l为故障缺陷宽度的估计结果。
本发明具有以下有益效果：
a)本发明相比于传统时域同步平均方法能够有效的克服轴承中随机滑动对平均波形的影响，还原单个滚子通过缺陷的高分辨平均波形，进而实现对轴承缺陷宽度的准确估计。
b)本发明可以提高原始信号的信噪比，有利于故障冲击波形的提取，对滚动轴承早期故障进行有效诊断，具有重要的工程应用价值。
c)本发明能够有效量化滚动轴承的剥落损伤程度，有助于建立基于实际物理损伤参数的轴承健康检测体系并对轴承进行全寿命周期管理。
附图
图1为本发明的流程图。
图2为本发明实施列的轴承振动信号时域波形图。
图3为本发明实施列的轴承振动信号频谱。
图4为本发明实施例中切片序号S＝31时的故障基准切片信号。
图5为本发明实施例中S＝31时的互相关系数C(s，q)结果。
图6为本发明实施例中S＝31时的时间延迟L(s，q)结果。
图7为本发明实施例的自适应同步平均结果。
图8为实施例振动信号采用刘红星提出的直接时域同步平均结果。
具体实施方式
下面结合附图和实施例对本发明做详细描述。
具体参数如下：1)轴承故障为沿滚道方向4mm的外圈局部剥落；2)施加的载荷重量为15kg；3)故障轴承SKF6306结构参数：a)滚子直径：12.3mm，b)节径：52mm，c)接触角：0°，d)滚子数：8；4)信号采样频率Fs为50kHz；
应用本发明方法对信号进行分析和轴承故障诊断，如图1所示，一种自适应同步平均的轴承故障定量诊断方法，包括以下步骤：
步骤一：选择SKF6306深沟球轴承作为研究对象，在试验台上给故障轴承施加径向载荷(15kg)，同时让电机在600RPM的转速下匀速旋转，将振动加速度传感器吸附于被测试轴承安装座上，通过数据采集设备对轴承的振动信号进行采集，采集的原始振动波形如图2所示，将振动信号记为x(n),n＝0,1,…,N-1,N为数据长度，采样频率记为Fs，Fs＝50kHz；
步骤二：对振动信号x(n)进行希尔伯特变换和快速傅里叶变换得到包络谱，在理论故障特征频率邻近位置通过细化谱搜索确定准确故障特征频率,如图3所示,fBCF＝30.574Hz,故障特征周期对应为T＝1/fBCF，由此确定同步平均周期所对应的采样点数M＝T×Fs；
步骤三：将信号x(n)按公式(1)顺序截成K段，
Figure BDA0003318181360000041
Figure BDA0003318181360000042
为向下取整运算，每段故障切片信号记为y(k)，k＝1,2,…,K；
步骤四：将故障切片信号y(k)两两进行归一化的互相关计算，将y(p),p＝1,2…,K和y(q),q＝1,2…,K计算所得到的归一化互相关函数记为
Figure BDA0003318181360000043
把函数
Figure BDA0003318181360000044
中的最大互相关系数以及对应的时间延迟分别记到互相关系数矩阵C(p，q)和时间延迟矩阵L(p，q)对应位置(p，q)的值；
步骤五：将互相关系数矩阵C中的各行互相关系数分别进行求和，得到求和最大值所对应的行序号S＝31，将其所对应的故障切片信号y(S)作为基准故障切片信号，如图4所示，图5、图6分别为S＝31时的互相关系数C(s，q)和时间延迟L(s，q)结果；
步骤六：设定互相关系数阈值CR＝0.55,将互相关系数矩阵C中第S行中的互相关系数与阈值CR进行比较，把与故障基准切片信号y(S)互相关系数大于阈值的故障切片信号提取出来，从而剔除与故障冲击的无关故障切片信号；
步骤七：将步骤六中提取出来的故障切片信号按时间延迟矩阵中所对应的时延参数进行平移对齐，进而叠加平均得到高分辨平均波形，如图7所示；
步骤八：基于图7的单个滚子通过缺陷的高分辨平均波形，估计滚子进入和离开缺陷的时刻差Δt＝0.0051s，根据公式
Figure BDA0003318181360000051
求得缺陷宽度l＝3.93mm，与实际故障缺陷宽度4mm高度一致，估计误差为1.7％，图8为刘红星提出的直接时域同步平均方法得到的平均波形，相比图7，整体故障冲击的幅值较小，滚子进入缺陷的响应也更弱，由此估计滚子进入和离开缺陷的时刻差Δt＝0.0049s，所求得的故障宽度的误差达到了5.2％。
本发明提出的一种自适应同步平均的轴承故障定量诊断方法，有效的抑制了轴承滚子在运转过程中存在的随机滑动现象，准确的还原出单个滚子通过故障的时间段，相比传统方法，本发明专利方法所得到的高分辨平均波形具有更高的信噪比，基于此波形进行缺陷宽度估计的结果也更加准确，对轴承的量化评估具有重要的意义。

Claims (1)

1.基于时域同步平均的轴承故障诊断方法，包括以下步骤：
步骤一：将振动加速度传感器吸附于被测试轴承安装座上，通过数据采集设备对轴承的振动信号进行采集，振动信号记为x(n)，n＝0，1，...，N-1，N为数据长度，采样频率记为Fs；
步骤二：对振动信号x(n)进行希尔伯特变换和快速傅里叶变换得到包络谱，在理论故障特征频率邻近位置，通过细化谱搜索确定准确故障特征频率fBCF，故障特征周期则对应为T＝1fBCF，所对应的采样点数M＝T×Fs；
步骤三：将信号x(n)按公式(1)顺序截成K段，
Figure FDA0003318181350000012
Figure FDA0003318181350000013
为向下取整运算，式中[]为四舍五入取整运算，每段故障切片信号记为y(k)，k＝1，2，...，K；
Figure FDA0003318181350000011
步骤四：将故障切片信号y(k)两两进行归一化的互相关计算，将y(p)，p＝1，2...，K和y(q)，q＝1，2...，K计算所得到的归一化互相关函数记为
Figure FDA0003318181350000014
把函数
Figure FDA0003318181350000015
中的最大互相关系数以及对应的时间延迟分别记到互相关系数矩阵C（p，q)和时间延迟矩阵L(p，q)对应位置(p，q)的值；
步骤五：将互相关系数矩阵C(p，q)中的各行互相关系数分别进行求和，得到求和最大值所对应的行序号S，将其所对应的故障切片信号y(S)作为故障基准切片信号；
步骤六：设定互相关系数阈值CR，将互相关系数矩阵C(p，q)中第S行中的互相关系数C(s，q)与阈值CR进行比较，把与故障基准切片信号y(S)互相关系数大于阈值的故障切片信号提取出来，从而剔除与故障冲击的无关故障切片信号；
步骤七：将步骤六中提取出来的故障切片信号按时间延迟矩阵中所对应的时延参数进行平移对齐后叠加平均，得到高分辨平均波形；
步骤八：基于得到的单个滚子通过缺陷的高分辨平均波形估计滚子进入和离开缺陷的时刻，利用公式(2)估计缺陷宽度，实现对轴承缺陷宽度的定量诊断；
Figure FDA0003318181350000021
式中，Δt为滚子进入和离开缺陷的时间差，α为轴承接触角，fr为旋转速度，d为滚动体直径，D为轴承节径，l为故障缺陷宽度的估计结果。
CN202111238120.1A 2021-10-25 2021-10-25 一种自适应同步平均的轴承故障定量诊断方法 Active CN113776836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111238120.1A CN113776836B (zh) 2021-10-25 2021-10-25 一种自适应同步平均的轴承故障定量诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111238120.1A CN113776836B (zh) 2021-10-25 2021-10-25 一种自适应同步平均的轴承故障定量诊断方法

Publications (2)

Publication Number Publication Date
CN113776836A true CN113776836A (zh) 2021-12-10
CN113776836B CN113776836B (zh) 2024-01-02

Family

ID=78956732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111238120.1A Active CN113776836B (zh) 2021-10-25 2021-10-25 一种自适应同步平均的轴承故障定量诊断方法

Country Status (1)

Country Link
CN (1) CN113776836B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030106375A1 (en) * 2001-12-11 2003-06-12 Itt Manufacturing Enterprises, Inc. Bearing defect detection using time synchronous averaging (TSA) of an enveloped accelerometer signal
CN101458158A (zh) * 2009-01-06 2009-06-17 长沙理工大学 基于声发射检测的汽轮机滑动轴承故障诊断方法及其装置
US20110224917A1 (en) * 2010-03-12 2011-09-15 Honeywell International Inc. Method and system for detecting incipient bearing failures
US20130116937A1 (en) * 2010-10-08 2013-05-09 Keith Calhoun System and method for detecting fault conditions in a drivetrain using torque oscillation data
CN106644483A (zh) * 2017-02-24 2017-05-10 成都柏森松传感技术有限公司 一种齿轮箱轴承故障检测方法及系统
CN108572074A (zh) * 2017-03-10 2018-09-25 神华集团有限责任公司 轴承故障的检测方法及装置、风力发电机组
US20190310129A1 (en) * 2015-02-23 2019-10-10 Machinesense, Llc Detecting faults in rotor driven equipment
CN110595764A (zh) * 2019-05-24 2019-12-20 北京安达维尔测控技术有限公司 一种基于振动特征提取的直升机传动系统故障诊断方法
CN111898556A (zh) * 2020-08-01 2020-11-06 华东交通大学 基于ck指标一致的轴承瞬态冲击特征提取方法
CN112067297A (zh) * 2020-09-23 2020-12-11 昆明理工大学 一种轴承故障特征提取方法
CN112507769A (zh) * 2020-08-10 2021-03-16 北京化工大学 一种基于仿真传感器谐振增强特征的轴承故障诊断方法
CN112597969A (zh) * 2020-11-10 2021-04-02 长沙理工大学 一种滚动轴承故障诊断方法、系统及介质
CN113449630A (zh) * 2021-06-25 2021-09-28 北京信息科技大学 一种改进调制双谱的轴承故障诊断方法、系统及介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030106375A1 (en) * 2001-12-11 2003-06-12 Itt Manufacturing Enterprises, Inc. Bearing defect detection using time synchronous averaging (TSA) of an enveloped accelerometer signal
CN101458158A (zh) * 2009-01-06 2009-06-17 长沙理工大学 基于声发射检测的汽轮机滑动轴承故障诊断方法及其装置
US20110224917A1 (en) * 2010-03-12 2011-09-15 Honeywell International Inc. Method and system for detecting incipient bearing failures
US20130116937A1 (en) * 2010-10-08 2013-05-09 Keith Calhoun System and method for detecting fault conditions in a drivetrain using torque oscillation data
US20190310129A1 (en) * 2015-02-23 2019-10-10 Machinesense, Llc Detecting faults in rotor driven equipment
CN106644483A (zh) * 2017-02-24 2017-05-10 成都柏森松传感技术有限公司 一种齿轮箱轴承故障检测方法及系统
CN108572074A (zh) * 2017-03-10 2018-09-25 神华集团有限责任公司 轴承故障的检测方法及装置、风力发电机组
CN110595764A (zh) * 2019-05-24 2019-12-20 北京安达维尔测控技术有限公司 一种基于振动特征提取的直升机传动系统故障诊断方法
CN111898556A (zh) * 2020-08-01 2020-11-06 华东交通大学 基于ck指标一致的轴承瞬态冲击特征提取方法
CN112507769A (zh) * 2020-08-10 2021-03-16 北京化工大学 一种基于仿真传感器谐振增强特征的轴承故障诊断方法
CN112067297A (zh) * 2020-09-23 2020-12-11 昆明理工大学 一种轴承故障特征提取方法
CN112597969A (zh) * 2020-11-10 2021-04-02 长沙理工大学 一种滚动轴承故障诊断方法、系统及介质
CN113449630A (zh) * 2021-06-25 2021-09-28 北京信息科技大学 一种改进调制双谱的轴承故障诊断方法、系统及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BRANDON VAN HECKE: "A New Spectral Average-Based Bearing Fault Diagnostic Approach", 《JOURNAL OF FAILURE ANALYSIS AND PREVENTION》, vol. 14, pages 354 *
C.MISHRA: "Rolling element bearing defect diagnosis under variable speed operation through angle synchronous averaging of wavelet de-noised estimate", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, no. 72, pages 206 - 222, XP029382960, DOI: 10.1016/j.ymssp.2015.10.019 *
周福昌: "基于循环平稳信号处理的滚动轴承故障诊断方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 04, pages 029 - 8 *
黎琦: "基于自适应时变滤波分析的风电传动齿轮箱故障特征提取方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 07, pages 042 - 186 *

Also Published As

Publication number Publication date
CN113776836B (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CN105784366A (zh) 一种变转速下的风电机组轴承故障诊断方法
CN111521400B (zh) 一种基于edm及谱峭度的轴承早期故障诊断方法
CN110987438B (zh) 水轮发电机变转速过程周期性振动冲击信号检测的方法
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
CN108362492B (zh) 一种适用于低转速下行星轮系故障诊断的振动分离方法
CN106338385A (zh) 一种基于奇异谱分解的旋转机械故障诊断方法
CN109187023B (zh) 一种汽车发电机轴承故障诊断方法
CN114636556A (zh) 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质
CN114659790B (zh) 一种变转速风电高速轴轴承故障的识别方法
Jena et al. Radial ball bearing inner race defect width measurement using analytical wavelet transform of acoustic and vibration signal
CN104596766A (zh) 一种轴承早期故障确定方法
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN110108487A (zh) 轴承滚滑行为检测用的保持架转速检测结构及检测方法
CN114486263B (zh) 一种旋转机械滚动轴承振动信号降噪解调方法
CN108106838B (zh) 一种机械故障精密诊断的整周期时域回归及报警方法
CN113776836B (zh) 一种自适应同步平均的轴承故障定量诊断方法
Tse et al. Enhanced eigenvector algorithm for recovering multiple sources of vibration signals in machine fault diagnosis
CN117109923A (zh) 一种滚动轴承故障诊断方法及系统
CN110146292A (zh) 一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法
CN116361733A (zh) 一种故障诊断方法、装置、系统以及存储介质
CN116026591A (zh) 张量奇异谱分解方法
CN113758708B (zh) 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法
CN114923689A (zh) 一种基于局部特征尺度分解的滚动轴承故障诊断方法
CN112595515A (zh) 一种动力轴系轴承故障检测方法及系统

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