CN114112397A - 一种滚动轴承故障诊断方法 - Google Patents
一种滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114112397A CN114112397A CN202111404762.4A CN202111404762A CN114112397A CN 114112397 A CN114112397 A CN 114112397A CN 202111404762 A CN202111404762 A CN 202111404762A CN 114112397 A CN114112397 A CN 114112397A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- filter
- diagnosis method
- signal
- fault diagnosis
- 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
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于轴承故障诊断技术领域,具体涉及一种滚动轴承故障诊断方法。该方法首先对经典解卷积进行改进,在MED算法中D‑范数的基础上提出多点D‑范数,从而利用改进解卷积模型来提取冲击性特征信号,然后利用构造的最优带通滤波器对得到的冲击性特征信号进行滤波处理,最后对滤波后的冲击性特征信号进行分析,以确定滚动轴承是否发生故障。本发明可以准确提取出冲击性特征信号,可以准确判断滚动轴承是否发生故障,并可以检测出滚动轴承微弱故障。
Description
技术领域
本发明属于轴承故障诊断技术领域,具体涉及一种滚动轴承故障诊断方法。
背景技术
滚动轴承是旋转型机械中必不可少的零件之一,其运行状态对整个机器的综合运行有着重要影响,一旦发生故障将对机械正常运行造成严重威胁;而且,滚动轴承也是工业现场中一种常见的易损件,旋转型机械故障中约有30%是由滚动轴承故障引起的。因此,合理分析轴承振动信号,对滚动轴承进行监测和诊断对保证整个机器的安全运行、提前预警机械故障、减少机器维护成本等均具有重要意义。
振动分析法是一种广泛使用且行之有效的滚动轴承故障诊断方法,当滚动轴承出现局部损伤时,随着轴承的周期性旋转,损伤点与其配合部件之间因碰撞而产生短时且快速衰减的冲击,因此,当滚动轴承发生故障时,其振动信号往往呈现出冲击性特征。如果可以准确提取出冲击性特征信号,这将大大提高滚动轴承故障诊断的准确性,提取出微弱滚动轴承故障。现有技术中常用的方法包括利用经典解卷积模型来提取冲击性特征信号,但该方法对偶然性冲击干扰及强背景噪声的鲁棒性不强,无法提取出微弱滚动轴承故障。
发明内容
本发明的目的在于提供一种滚动轴承故障诊断方法,用以解决现有技术方法无法实现滚动轴承微弱故障诊断的问题。
为解决上述技术问题,本发明所提供的技术方案以及技术方案对应的有益效果如下:
本发明提供了一种滚动轴承故障诊断方法,包括如下步骤:
1)获取各测点的振动信号,并与设置的报警值进行比较;
2)对于超过报警值的报警测点,将报警测点的振动信号输入到改进解卷积模型中,得到冲击性特征信号;其中,所述改进解卷积模型基于经典解卷积模型改进得到,改进在于基于下式计算得到用于解卷积计算的最优滤波器:
式中,t表示目标向量,定义了解卷积目标成分的位置和权重;y表示冲击性特征信号;f表示最优滤波器;当冲击性特征信号y与目标向量t完全一致时,MDN值达到最大值,此时的滤波器为解卷积出的最优滤波器f;
3)利用构造的最优带通滤波器对步骤2)中得到的冲击性特征信号进行滤波处理,以得到滤波后的冲击性特征信号;
4)对滤波后的冲击性特征信号进行分析,以确定滚动轴承是否发生故障。
上述技术方案的有益效果为:本发明对经典解卷积进行改进,在MED算法中D-范数的基础上提出多点D-范数,利用改进解卷积模型来提取冲击性特征信号,对偶然性冲击干扰及强背景噪声的鲁棒性较强,可以准确提取出冲击性特征信号,在此基础上对冲击性特征信号进行滤波,针对滤波后的冲击性特征信号进行分析,有效提取出滚动轴承故障频率,从而可以准确判断滚动轴承是否发生故障,并可以检测出滚动轴承微弱故障。
进一步地,所述最优带通滤波器为反对称实拉普拉斯小波滤波器。
进一步地,所述滤波后的冲击性特征信号为:
WT(γ,σ)=F-1[Y(f)ψ'(f)]
ψ(t)=e-πσ|t|sin(2πγt)
式中,WT(γ,σ)表示滤波后的冲击性特征信号;σ和γ分别为反对称实拉普拉斯小波滤波器的带宽和中心频率;F-1表示傅里叶逆变换;Y(f)表示冲击性特征信号y(t)的傅里叶变换;ψ(t)表示所选的小波基函数,即反对称实拉普拉斯小波滤波器;ψ(f)表示小波基函数ψ(t)的傅里叶变换;ψ'(f)表示小波基函数的复共轭。
进一步地,步骤3)中,在构造反对称实拉普拉斯小波滤波器时,需确定滤波参数,滤波参数包括中心频率σ和带宽γ。
进一步地,步骤4)中确定滚动轴承是否发生故障的手段为:对滤波后的冲击性特征信号进行全频段包络解调分析,根据包络谱谱线分布中是否有滚动轴承故障特征频率以判断滚动轴承是否发生故障。
进一步地,所述全频段包络解调分析包括方波包络以及方波包络谱分析:
SEx(γ,σ)=|WT(γ,σ)|2
SESx(γ,σ)=F|SEx(γ,σ)|
式中,WT(γ,σ)表示滤波后的冲击性特征信号;SEx(γ,σ)表示方波包络;SESx(γ,σ)表示方波包络谱结果;F表示傅里叶变换。
进一步地,为了解决人为经验选取最优带通滤波器中心频率所造成的偶然性较强而使最优带通滤波器的滤波效果不佳的问题,确定滤波参数时,将基于SE和SES计算结果的综合指标作为最优带通滤波器滤波参数选取的指标,且所述综合指标为:
式中,ISE表示时域方波包络指标;ISES表示频域方波包络谱指标;n示分段数据个数;N表示数据总长度;θ表示循环频率;L表示循环频率个数。
进一步地,步骤1)中,通过在各测点布置加速度传感器,并对加速度传感器检测信号进行积分得到所述各测点的振动信号。
附图说明
图1是本发明的滚动轴承故障诊断方法的流程图;
图2是齿轮箱中故障滚动轴承时域信号图;
图3是将图2所示信号输入至IMED模型中得到的结果图;
图4是为图3所示信号基于最优带通滤波关键参数选取计算结果图;
图5是对图3所示信号进行最优带通滤波后得到的结果图;
图6是对图5所示信号进行全频段包络解调分析的结果图。
具体实施方式
本发明从多方面来进行改进以对滚动轴承故障进行诊断,第一方面为,使用改进解卷积(Improved minimum entropy de-convolution,IMED)模型来得到冲击性特征信号,改进解卷积是在经典解卷积算法中D-范数的基础上提出多点D-范数;第二方面为,最优带通滤波器选择反对称实拉普拉斯小波滤波器(Anti-symmetric real Laplace waveletfilter,ARLW),以对得到的冲击性特征信号进行滤波;第三方面为,将基于SE和SES计算结果的综合指标作为最优带通滤波器参数选取的指标。从多方面进行改进,实现滚动轴承的微弱故障诊断。
方法实施例:
本发明的一种滚动轴承故障诊断方法实施例,对齿轮箱中滚动轴承进行故障诊断,其整个流程如图1所示,具体如下:
步骤一,对齿轮箱中滚动轴承进行振动测点布置,传感器类型选为加速度传感器,监测的振动信号为加速度值积分后的速度值,依据国标设置报警值,此时判断各测点监测的振动信号是否超过报警值(即是否振动超标):若振动超标,则执行步骤二,以确定是否发生滚动轴承故障;若振动没有超标,则说明滚动轴承正常。
步骤二,对振动超标的报警测点进行振动信号采集,将采集的振动信号x输入到改进解卷积模型中,以提取得到冲击性特征信号y。具体的:
在滚动轴承发生故障时,其振动信号往往呈现出冲击性特征。因而,本步骤需要提取得到准确的冲击性特征信号。设故障信号用下式表示:
x=h*y+e
式中,x表示采集的振动信号;y表示冲击性特征信号;e表示背景噪音;h表示信号采集路径以及信号衰减等因素对冲击性特征信号y的影响。
同经典解解卷积(Minimum entropy de-convolution,MED)一样,改进解卷积的基本思路就是通过一种非迭代的方式寻找一个最优滤波器f以恢复出原始的冲击性特征信号y。其过程可以用下式表示:
式中,k=1,2,…,N-L。针对滚动轴承发生故障时振动信号呈现出的周期性冲击特征,在MED算法中D-范数的基础上提出多点D-范数(Multiple D Norms,MDN),即:
式中,目标向量t定义了解卷积目标冲击成分的位置和权重。当原始冲击性特征信号y与目标向量t完全一致时,IMED达到最佳效果,此时,MDN值达到最大值,此时的滤波器即为解卷积出的最优滤波器f。
将上式(3)转化为下式以对进行求解:
式中,f=f1,f2,f3,…,fL;t=t1,t2,t3,…,tN-L。
联立以上相关式子可得:
式中,k=1,2,…,N-L。
令X0=[M1,M2,…,Mk],则可将上式简化为:
||y||-1X0t-||y||-3tTyX0y=0 (6)
整理得:
取其特解作为一组最优滤波器,记为:
步骤三,选取最优带通滤波器的最优参数,利用选取的最有参数构造最优带通滤波器,进而利用构建的最优带通滤波器对步骤二输出的冲击性特征信号y进行滤波处理,得到滤波后的冲击性特征信号WT(γ,σ)。本实施例中,最优带通滤波器选择反对称实拉普拉斯小波滤波器,相应的,需要选优的参数包括反对称实拉普拉斯小波滤波器的带宽σ和中心频率γ。
具体的:
小波变换被广泛应用于信号处理,其表达式如下:
式中,ψ表示所选的小波基函数;a和b分别为尺度参数和平移参数;y(t)为待分析信号,ψ'为小波基函数的复共轭。则式(10)的频域表达式如下:
式中,F-1表示傅里叶逆变换;y(t)和ψ(t)的傅里叶变换分别用Y(f)和ψ(f)表示。
母函数的选择对小波变换的分解结果有着重要影响,所选小波基函数与待分析信号时域波形越接近,分解效果就越好;反之亦然。因此,本实施例选择非常适合滚动轴承冲击性信号分析的反对称实拉普拉斯小波滤波器ARLW,其时域和频域计算分别如下:
ψ(t)=e-πσ|t|sin(2πγt) (12)
式中,σ和γ分别为反对称实拉普拉斯小波滤波器的带宽和中心频率,这两个参数的选取ARLW的构造至关重要,下面会具体介绍。
则待分析信号(即步骤二中得到的冲击性特征信号y)经过ARLW滤波的表达式如下:
WT(γ,σ)=F-1[Y(f)ψ'(f)] (14)
在已有的研究中,一些基于SE式或者SES的指标被用来进行最优参数的选取,以便构造最优小波滤波器。然而,如上所述,基于单个指标不能保证最佳结果的获取,因此应设计基于多目标优化的指标以平衡滚动轴承发生故障时信号的冲击性特征及循环平稳特征的提取。因此,将基于SE和SES的计算结果的综合指标(如下式所示)作为最优带通滤波器参数选取的指标:
式中,ISE表示时域方波包络指标;ISES表示频域方波包络谱指标;n示分段数据个数;N表示数据总长度;θ表示循环频率;L表示循环频率个数;SEx(γ,σ)表示方波包络;SESx(γ,σ)表示方波包络谱结果(参数SEx(γ,σ)和SESx(γ,σ)会在下个段落中进行介绍)。
步骤四,对步骤四得到的滤波后的冲击信号进行全频段包络解调分析,根据包络谱谱线分布中是否有明显的滚动轴承故障特征频率判断滚动轴承是否发生故障。其中,分别对滤波后的冲击信号进行方波包络以及方波包络谱分析的公式如下式所示:
SEx(γ,σ)=|WT(γ,σ)|2 (17)
SESx(γ,σ)=F|SEx(γ,σ)| (18)
式中,SEx(γ,σ)表示方波包络;SESx(γ,σ)表示方波包络谱结果;F表示傅里叶变换。
至此便可完成滚动轴承故障诊断。下面将该方法应用于具体的实例中以说明其有效性。如图2所示为齿轮箱中故障滚动轴承时域信号,将图2所示信号输入到改进解卷积模型(IMED)中,图3为其相应的输出信号。如图4所示为图3所示信号基于最优带通滤波关键参数选取计算结果图,根据图4结果构建最优带通滤波器对图3所示信号进行滤波,滤波后信号如图5所示,对图5所示信号进行全频段包络解调分析,最终结果如图6所示,可以看出,本发明方法可有效提取出滚动轴承故障特征频率。
综上,本发明具有如下特点:1)本发明使用多点D-范数来改进经典解卷积模型,有效解决经典解卷积模型对偶然性冲击干扰及强背景噪声的鲁棒性不强的问题,有效提取出微弱滚动轴承故障。2)基于多指标的ARLW最优带通带通滤波方法可以有效解决传统包络谱分析方法人为经验选取带通滤波器中心频率所造成的偶然性。
Claims (8)
1.一种滚动轴承故障诊断方法,其特征在于,包括如下步骤:
1)获取各测点的振动信号,并与设置的报警值进行比较;
2)对于超过报警值的报警测点,将报警测点的振动信号输入到改进解卷积模型中,得到冲击性特征信号;其中,所述改进解卷积模型基于经典解卷积模型改进得到,改进在于基于下式计算得到用于解卷积计算的最优滤波器:
式中,t表示目标向量,定义了解卷积目标成分的位置和权重;y表示冲击性特征信号;f表示最优滤波器;当冲击性特征信号y与目标向量t完全一致时,MDN值达到最大值,此时的滤波器为解卷积出的最优滤波器f;
3)利用构造的最优带通滤波器对步骤2)中得到的冲击性特征信号进行滤波处理,以得到滤波后的冲击性特征信号;
4)对滤波后的冲击性特征信号进行分析,以确定滚动轴承是否发生故障。
2.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,步骤3)中,所述最优带通滤波器为反对称实拉普拉斯小波滤波器。
4.根据权利要求2所述的滚动轴承故障诊断方法,其特征在于,步骤3)中,在构造反对称实拉普拉斯小波滤波器时,需确定滤波参数,滤波参数包括中心频率σ和带宽γ。
5.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,步骤4)中确定滚动轴承是否发生故障的手段为:对滤波后的冲击性特征信号进行全频段包络解调分析,根据包络谱谱线分布中是否有滚动轴承故障特征频率以判断滚动轴承是否发生故障。
6.根据权利要求5所述的滚动轴承故障诊断方法,其特征在于,所述全频段包络解调分析包括方波包络以及方波包络谱分析:
SEx(γ,σ)=|WT(γ,σ)|2
SESx(γ,σ)=F|SEx(γ,σ)|
式中,WT(γ,σ)表示滤波后的冲击性特征信号;SEx(γ,σ)表示方波包络;SESx(γ,σ)表示方波包络谱结果;F表示傅里叶变换。
8.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,步骤1)中,通过在各测点布置加速度传感器,并对加速度传感器检测信号进行积分得到所述各测点的振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404762.4A CN114112397A (zh) | 2021-11-24 | 2021-11-24 | 一种滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404762.4A CN114112397A (zh) | 2021-11-24 | 2021-11-24 | 一种滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114112397A true CN114112397A (zh) | 2022-03-01 |
Family
ID=80372237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111404762.4A Pending CN114112397A (zh) | 2021-11-24 | 2021-11-24 | 一种滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112397A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN103616252A (zh) * | 2013-12-19 | 2014-03-05 | 武汉科技大学 | 一种低速重载机械的早期故障检测系统 |
CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
CN108694298A (zh) * | 2018-07-04 | 2018-10-23 | 温州大学 | 一种轴向柱塞泵轴承内圈与外圈故障诊断方法 |
CN109033719A (zh) * | 2018-09-12 | 2018-12-18 | 温州大学苍南研究院 | 一种风力涡轮机轴承故障诊断方法 |
CN109101936A (zh) * | 2018-08-21 | 2018-12-28 | 北京工业大学 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
US20190145856A1 (en) * | 2016-05-24 | 2019-05-16 | Nuovo Pignone Tecnologie Srl | Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system |
CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学(保定) | 滚动轴承复合故障确定的方法及终端设备 |
CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
-
2021
- 2021-11-24 CN CN202111404762.4A patent/CN114112397A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN103616252A (zh) * | 2013-12-19 | 2014-03-05 | 武汉科技大学 | 一种低速重载机械的早期故障检测系统 |
US20190145856A1 (en) * | 2016-05-24 | 2019-05-16 | Nuovo Pignone Tecnologie Srl | Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system |
CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
CN108694298A (zh) * | 2018-07-04 | 2018-10-23 | 温州大学 | 一种轴向柱塞泵轴承内圈与外圈故障诊断方法 |
CN109101936A (zh) * | 2018-08-21 | 2018-12-28 | 北京工业大学 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
CN109033719A (zh) * | 2018-09-12 | 2018-12-18 | 温州大学苍南研究院 | 一种风力涡轮机轴承故障诊断方法 |
CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学(保定) | 滚动轴承复合故障确定的方法及终端设备 |
CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
XIAO GU等: "Multi-objective Informative Frequency Band Selection Based on Negentropy-induced Grey Wolf Optimizer for Fault Diagnosis of Rolling Element Bearings", SENSORS * |
王兴龙;郑近德;潘海洋;童靳于;刘庆运;丁克勤;: "基于MED与自相关谱峭度图的滚动轴承故障诊断方法", 振动与冲击 * |
祝小彦等: "基于 MOMEDA 与 Teager 能量算子的滚动轴承故障诊断", 振动与冲击 * |
陈祥龙;冯辅周;张兵志;江鹏程;: "基于平方包络谱相关峭度的最优共振解调诊断滚动轴承故障", 机械工程学报 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110160791B (zh) | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 | |
CN108195587B (zh) | 一种电机滚动轴承故障诊断方法及其诊断系统 | |
Singh et al. | Rolling element bearing fault diagnosis based on over-complete rational dilation wavelet transform and auto-correlation of analytic energy operator | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN105865794B (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
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 | |
CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
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 | |
CN112557038A (zh) | 多重降噪处理的轴承早期故障诊断方法 | |
CN101403684A (zh) | 基于盲源分析技术的旋转机械复合故障的诊断方法 | |
CN110991564B (zh) | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 | |
CN109946081A (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN113033304B (zh) | 一种克服频域重叠干扰的多共振频带幅值解调分析方法 | |
CN114112397A (zh) | 一种滚动轴承故障诊断方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
Chen et al. | Rolling Bearing Fault Feature Extraction Method Using Adaptive Maximum Cyclostationarity Blind Deconvolution | |
Buzzoni et al. | Development of an indicator for the assessment of damage level in rolling element bearings based on blind deconvolution methods | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
CN106767986A (zh) | 基于噪声分析的仪表故障在线诊断方法 |
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 |