CN114004256A

CN114004256A - 基于数字孪生体的制造装备主轴承的故障诊断方法

Info

Publication number: CN114004256A
Application number: CN202111285812.1A
Authority: CN
Inventors: 杨文安; 绳远远
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2021-11-01
Filing date: 2021-11-01
Publication date: 2022-02-01

Abstract

公开了基于数字孪生体的制造装备主轴承的故障诊断方法和系统，包括物理实体模块和数字孪生体模块。在物理实体模块，基于数据采集装置实时采集获取轴承振动信号，将采集的振动信号输入实体诊断模型来获得轴承早期故障特征频率，通过和数字孪生体模块中计算得到的理论故障特征频率对比来确定轴承早期故障的发生位置。此外，基于数据采集装置获取实时工况下轴承的工况参数并结合轴承材料性能参数构建同步工况下轴承工作状态的模拟仿真模型。通过模拟仿真结果辅助验证故障发生位置，同时基于实体诊断模型诊断结果对模拟仿真模型进行优化调整。通过引入数字孪生体实现对实体诊断模型诊断结果的辅助验证，从而实现对轴承早期故障的快速捕捉及准确定位。

Description

基于数字孪生体的制造装备主轴承的故障诊断方法

技术领域

本申请属于智能制造装备的智能运维与健康管理领域，具体涉及到基于数字孪生体的制造装备主轴承的故障诊断方法。

背景技术

随着工业技术的不断发展，机械设备趋向于大型化和智能化。滚动轴承作为工业旋转设备中不可缺少的关键部件，在旋转机械中起着重要的作用。由于恶劣的工作环境和繁重的工作量，轴承在长时间的工作后不可避免地遭受损坏。如果不及时发现轴承故障，可能会造成一系列机械损坏，甚至导致灾难性的生产事故。相反，如果能在轴承故障的初期就诊断出来，通过及时的维修就可以避免事故的发生，这对设备的健康和维修具有重要的意义和价值。然而，早期失效意味着轴承的磨损不明显，轴承缺陷产生的循环脉冲信号相对较弱。此外，工业场景采集的振动信号中包含背景噪声和环境噪声的干扰，增加了轴承故障特征提取的难度。因此，强噪声干扰使得轴承的早期故障诊断成为一个巨大的挑战。

轴承故障激发的循环脉冲信号是轴承健康的重要载体。实际工作环境中，当采集到的振动信号中的噪声强度增大时，故障信息会被噪声淹没，传统方法在过滤噪声成分的同时，将可用信息的能量削弱。因此，在强噪声干扰下提取早期故障特征时，其滤波效果并不理想。数字孪生是能够实现将物理实体和虚拟模型进行交互融合的技术，具有高度同步，实时映射的特性。在智能运维与健康管理领域(PHM)，数字孪生基于物理设备与虚拟设备的同步映射与实时交互以及精准的PHM服务，形成的设备健康管理新模式。发明专利“基于数字孪生模型的设备故障诊断方法、装置及系统”(CN110442936B)通过建立物理系统和数字孪生系统的深度关联，从而实现对目标设备故障的定量分析和精准定位。

通过分析现有主流故障诊断方法，尽管各种信号处理技术被用于机械故障检测，如小波变换、奇异谱分解、集成经验模态分解、谱峰度等在故障诊断领域得到了一定的理论成果，但算法的基本特点约束，使得它们在处理实际工况下采集的低信噪比振动信号时表现出来的效果有限。本发明提出的基于数字孪生体的制造装备主轴承的故障诊断方法，建立基于频率加权能量算子和功率谱融合的故障诊断模型，能够在频域信号中有效滤除噪声干扰并最大程度保留真实信号，因此能够及时有效地诊断出轴承早期故障。此外，通过引入数字孪生技术，同步映射轴承工作状态从而为故障的准确识别和快速定位提供辅助验证。

发明内容

有鉴于此，本申请的实施例提出了基于数字孪生体的制造装备主轴承的故障诊断方法，基于频率加权能量算子的功率谱融合建立的实体诊断模型不仅能够准确的诊断出强噪声干扰下各类型的轴承微弱故障且具有更高的有效性和鲁棒性。此外，该模型仅依靠实时采集信号本身进行诊断而不需要额外的辅助手段，因此解决了现有的故障诊断模型对信号滤波以及专家经验过度依赖的问题。

进一步的，引入数字孪生体实现对实体诊断模型诊断结果的同步映射，从而实现对轴承早期故障的快速捕捉及准确定位。

为了实现上述目的，本申请采用如下技术方案：

一种基于数字孪生体的制造装备主轴承的故障诊断方法，包括物理实体模块和数字孪生体模块。

优选的，所述物理实体模块包含实体诊断模型，包括以下步骤：

S1，基于数据采集装置获取轴承的实时振动信号，基于滑动窗函数对振动信号进行分割得到待融合的样本信号，并基于分割的样本信号构造出时域片段的汉克尔矩阵；

S2，针对汉克尔矩阵中每一行表示的样本信号计算出对应信号的功率谱，并构造出频域的汉克尔矩阵，采用均值融合的方法对样本信号的功率谱矩阵进行融合，得到重构的功率谱信号；

S3，对融合后的功率谱进行解调处理，消除调制现象的同时进一步放大由于轴承故障引起的周期性冲击特征；

S4，使用逆傅立叶变换将解调后的功率谱转换到时域，并对时间信号进行平方包络谱分析来诊断轴承状态。

例如，所述方法还可以包括：S5，对获得的振动信号的平方包络谱的进行评估来判断是当前样本数量下的诊断结果的有效性。

例如，若不满足结束条件则循环S1到S5。

优选的，所述数字孪生体模块包含理论计算模型和模拟仿真模型。

优选的，所述理论计算模型包括以下步骤：

S11，确认被监测轴承型号并查找对应型号轴承的尺寸参数；

S12，根据轴承故障特征频率理论公式计算得到轴承不同部位故障特征频率理论值。

优选的，所述模拟仿真模型包括以下步骤：

S21，基于数据采集装置获取实时工况下轴承的工况信息；例如，所述工况信息包括轴承的转速、负载等信息，以及轴承的工作环境参数；

S22，查找被监测轴承的密度、硬度、泊松比等材料性能参数，并建立与轴承工作状态一致的三维仿真模型；例如，轴承工作状态包括轴承的装配啮合、受力驱动等工作状态。

S23，基于S21和S22获得的参数以及三维仿真模型构建与轴承真实工作状态同步映射的模拟仿真模型。

S24，通过数据采集装置实时获取物理实体轴承的工况信息，将实时获取的物理实体轴承的工况信息输入所述模拟仿真模型中，以模拟出轴承损伤。

优选的，所述S1中，采用滑动窗函数对振动信号f(x)进行分割得到待融合的样本信号的分割表达式为：

式中，S(l，iτ)为滑动窗函数，l为窗口的长度，τ为窗口函数的滑动长度，i为滑动次数，

为获得的样本信号。

基于样本信号构造的汉克尔矩阵表示为：

优选的，所述S2中，基于样本信号构造的频域汉克尔矩阵表示为：

式中，

表示样本信号的功率谱。所述采用融合的方法重构的功率谱信号的具体表达式为：

式中，

表示重构的功率谱信号。

优选的，所述S3中，对重构的功率谱进行解调的具体方式为频率加权能量算子，其表达式为：

式中，S_y(f)表示处理后的功率谱，Γ表示频率加权能量算子处理过程，F(f)表示待处理的功率谱信号，H(f)为F(f)的希尔伯特变换。

优选的，所述S4中，将解调后的功率谱信号转换为时域信号并进行功率谱分析的具体过程为：

C_p(n)＝|ζ^-1{S_y(f)}| (6)

式中，ζ和ζ^-1分别表示傅里叶变换及其逆变换，C_p(n)表示转换得到的时域信号，SES(f)表示获得的平方包络谱，N为数据的长度。

优选的，所述S5中，对平方包络谱进行评估之前需要先对其归一化。

优选的，所述S5中，平方包络谱的评估方法为，通过计算平方包络谱的基尼指数来量化诊断结果。

优选的，所述S5中，当平方包络谱的基尼指数大于0.65时表示诊断结果满足要求，当平方包络谱的基尼指数小于0.65时诊断结果不满足要求，当诊断结果不满足要求时则循环S1到S5。

优选的，通过将实体诊断模型获得的故障特征频率于数字孪生体中理论计算模型得到的故障特征频率比较，确定轴承故障类型和位置。此外，将模拟仿真模型产生的故障位置和类型用于辅助验证实体诊断模型的诊断结果。

经由上述的技术方案可知，与现有技术相比，本申请提供了基于数字孪生体的制造装备主轴承的故障诊断方法，具有如下有益效果：

(1)本申请所提出的基于数字孪生体的制造装备主轴承的故障诊断方法所诊断的振动信号为数控机床主轴承的实时采集信号，并不依赖同工况下轴承的历史故障数据与经验知识，仅针对实时采集数据进行处理分析即可识别轴承的早期故障，对于监测轴承健康状态、保障轴承稳定运行具有较高的实用意义。

(2)本申请所提出的基于数字孪生体的制造装备主轴承的故障诊断方法具有极强的抗噪声性能，即使轴承故障强度较弱且采集的信号被强噪声污染，该方法依然能够提取出轴承的故障特征并诊断出微弱的轴承故障，这对于及时、准确掌握设备健康状态具有重要意义。

(3)本申请所提出的基于数字孪生体的制造装备主轴承的故障诊断方法在对强噪声干扰下轴承早期故障进行诊断时并不需要额外的参数输入和滤波处理，因此避免了人为因素以及滤波效果对诊断结果的影响，具有较高的自主性。

(4)本申请所提出的基于数字孪生体的制造装备主轴承的故障诊断方法充分利用噪声信号的随机特性，通过功率谱融合的方式在降低噪声干扰的同时保留微弱故障信息，因此大大提高了轴承早期故障诊断准确性和有效性。

(5)本申请所提出的基于数字孪生体的制造装备主轴承的故障诊断方法除了能够诊断出轴承内圈和轴承外圈的早期故障，并且对于强噪声干扰下轴承滚动体故障的早期诊断具有良好的效果，而大多数故障诊断方法难以适用于轴承滚动体故障诊断。

(6)本申请所提出的基于数字孪生体的制造装备主轴承的故障诊断方法除了构建基于实际采集振动信号的实体诊断模型以外，还建立智能制造装备主轴承的数字孪生模型，通过模拟真实工作状况来获得轴承损伤的模拟仿真结果，以此来作为实体诊断模型的辅助验证，从而实现对轴承早期故障的快速捕捉及准确定位。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的基于数字孪生体的制造装备主轴承的故障诊断方法的流程图；

图2(a)为轴承外圈故障信号时域图；

图2(b)为轴承外圈故障信号的希尔伯特频谱图；

图2(c)为添加高斯噪声后轴承外圈故障信号时域图；

图2(d)为添加高斯噪声后轴承外圈故障信号的希尔伯特频谱图；

图3为本申请的实施例提出的方法对添加噪声后轴承外圈故障信号的诊断结果；

图4(a)为轴承内圈故障信号时域图；

图4(b)为轴承内圈故障信号的希尔伯特频谱图；

图4(c)为添加高斯噪声后轴承内圈故障信号时域图；

图4(d)为添加高斯噪声后轴承内圈故障信号的希尔伯特频谱图；

图5为本申请的实施例提出的方法对添加噪声后轴承内圈故障信号的诊断结果；

图6(a)为轴承滚动体故障信号时域图；

图6(b)为轴承滚动体故障信号的希尔伯特频谱图；

图6(c)为添加高斯噪声后轴承滚动体故障信号时域图；

图6(d)为添加高斯噪声后轴承滚动体故障信号的希尔伯特频谱图；

图7为本申请的实施例提出的方法对添加噪声后轴承滚动体故障信号的诊断结果；

图8为本申请实施例提供的基于数字孪生体的制造装备主轴承的故障诊断系统的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅作为本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1：轴承外圈故障。

参见附图1所示，本申请实施例公开了基于数字孪生体的制造装备主轴承的故障诊断方法，包括：

S1，基于数据采集装置获取轴承的实时振动信号，如图2(a)所示为轴承外圈故障信号，由于故障冲击较为明显，因此可以从图2(b)所示的包络谱中检测到轴承外圈故障特征频率。为了验证本申请的突出优势，对采集的信号添加高斯白噪声干扰，加入噪声后的信号时域和频域分别如图2(c)和图2(d)所示，图中可以看出原始信号已经被噪声完全覆盖，且包络谱中也无法观察到轴承外圈故障特征频率，这表明故障诊断的难度大大增加。

在此实例中基于滑动窗函数对振动信号进行分割得到待融合的样本信号，并基于分割的样本信号构造出时域片段的汉克尔矩阵，从而获得信号中噪声的不同表现形式。分割过程以及构造的汉克尔矩阵如式(1)和(2)所示：

为获得的样本信号。

S2，针对汉克尔矩阵中每一行表示的样本信号计算出对应信号的功率谱，并构造出频域的汉克尔矩阵，采用均值融合的方法对样本信号的功率谱矩阵进行融合，得到重构的功率谱信号。其中频域汉克尔矩阵以及重构的功率谱信号如式(3)和(4)所示：

式中，

表示样本信号的功率谱，

表示重构的功率谱信号。

S3，采用频率加权能量算子对融合后的功率谱进行解调处理，消除调制现象的同时进一步放大由于轴承故障引起的周期性冲击特征。其中频率加权能量算子表达式为：

S4，使用逆傅立叶变换将解调后的功率谱转换到时域，并对时间信号进行平方包络谱分析来诊断轴承状态，具体过程分别式(6)和(7)所示：

C_p(n)＝|ζ^-1{S_y(f)}| (6)

S5，对获得的振动信号的平方包络谱归一化，然后计算其基尼指数来判断是当前样本数量下的诊断结果的有效性。

基尼指数可以表示为：

式中，SE[x]表示需要评估的数据，||SE[x]||_L1表示SE[x]的L1范数，SER[x]表示SE[x]从最小值到最大值的排列，N为数据的长度。

例如，当平方包络谱的基尼指数大于0.65时，表示诊断结果满足要求。

当平方包络谱的基尼指数小于0.65时，表示诊断结果不满足要求，当诊断结果不满足要求时则循环S1到S5。

图8为本申请实施例提供的基于数字孪生体的制造装备主轴承的故障诊断系统的框图。结合参照图1和图8，本申请的实施例提供了一种基于数字孪生体的制造装备主轴承的故障诊断系统。所述系统包括物理实体模块和数字孪生体模块。所述物理实体模块包含实体诊断模型。所述数字孪生体模块包含理论计算模型和模拟仿真模型。

例如，所述物理实体模块可以用于执行上述的步骤S1至S5。

在本申请的实施例中，所述数字孪生体模块可以执行下面的步骤。

例如，在所述数字孪生体模块中，可以利用所述理论计算模型，执行步骤S11和S12。

在S11中，确认被监测轴承型号并查找对应型号轴承的尺寸参数。

在S12中，根据轴承故障特征频率理论公式计算得到轴承不同部位故障特征频率理论值。

例如，在所述数字孪生体模块中，可以利用所述模拟仿真模型，执行步骤S21和S24。

在S21中，基于数据采集装置获取实时工况下轴承转速、负载等工况信息以及工作环境参数。

在S22中，查找被监测轴承的密度、硬度、泊松比等材料性能参数，并建立与轴承工作状态一致的三维仿真模型。

在S23中，基于S21和S22获得的参数以及三维仿真模型构建与轴承真实工作状态同步映射的模拟仿真模型。

在S24中，通过数据采集装置实时获取相关数据驱动数字孪生体中的模拟仿真模型与物理实体轴承同步运行，从而模拟出轴承损伤。

在本申请的实施例中，通过将实体诊断模型获得的故障特征频率与数字孪生体中理论计算模型得到的故障特征频率比较，确定轴承故障类型和位置。此外，将模拟仿真模型产生的故障位置和类型用于辅助验证实体诊断模型的诊断结果。

本实例中，在算法循环7次以后获得满足要求的诊断结果。如图3所示，从诊断结果中能够明显识别出轴承外圈故障特征频率及其谐波并与理论计算的外圈故障特征频率一致，表明本申请的实施例提出的基于数字孪生体的制造装备主轴承的故障诊断方法是显著有效的。

实施例2：轴承内圈故障。

S1，基于数据采集装置获取轴承的实时振动信号，如图4(a)所示为轴承内圈故障信号，由于故障冲击较为明显，因此可以从图4(b)所示的包络谱中检测到轴承内圈故障特征频率。为了验证本申请的突出优势，对采集的信号添加高斯白噪声干扰，加入噪声后的信号时域和频域分别如图4(c)和图4(d)所示，图中可以看出原始信号已经被噪声完全覆盖，且包络谱中也无法观察到轴承内圈故障特征频率，这表明故障诊断的难度大大增加。

为获得的样本信号。

式中，

表示样本信号的功率谱，

表示重构的功率谱信号。

C_p(n)＝|ζ^-1{S_y(f)}| (6)

S5，对获得的振动信号的平方包络谱归一化，然后计算其基尼指数来判断是当前样本数量下的诊断结果的有效性，若不满足结束条件则循环S1到S5。

本实例中，在算法循环7次以后获得满足要求的诊断结果。如图5所示，从诊断结果中能够明显识别出轴承内圈故障特征频率及其谐波并与理论计算的内圈故障特征频率一致，表明本申请的实施例提出的基于数字孪生体的制造装备主轴承的故障诊断方法是显著有效的。

实施例3：轴承滚动体故障。

S1，基于数据采集装置获取轴承的实时振动信号，如图6(a)所示为轴承滚动体故障信号，由于故障冲击较为明显，因此可以从图6(b)所示的包络谱中检测到轴承滚动体故障特征频率。为了验证本申请的突出优势，对采集的信号添加高斯白噪声干扰，加入噪声后的信号时域和频域分别如图6(c)和图6(d)所示，图中可以看出原始信号已经被噪声完全覆盖，且包络谱中也无法观察到轴承滚动体故障特征频率，这表明故障诊断的难度大大增加。

为获得的样本信号。

式中，

表示样本信号的功率谱，

表示重构的功率谱信号。

C_p(n)＝|ζ^-1{S_y(f)}| (6)

本实例中，在算法循环4次以后获得满足要求的诊断结果。如图7所示，从诊断结果中能够明显识别出轴承滚动体故障特征频率及其谐波并与理论计算的轴承滚动体故障特征频率一致，表明本申请的实施例提出的基于数字孪生体的制造装备主轴承的故障诊断方法是显著有效的。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。