CN114199569A - 用于轴承的故障诊断方法和计算机可读介质 - Google Patents
用于轴承的故障诊断方法和计算机可读介质 Download PDFInfo
- Publication number
- CN114199569A CN114199569A CN202010979737.8A CN202010979737A CN114199569A CN 114199569 A CN114199569 A CN 114199569A CN 202010979737 A CN202010979737 A CN 202010979737A CN 114199569 A CN114199569 A CN 114199569A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- wavelet
- bearing
- diagnosis method
- 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.)
- 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
Abstract
本发明涉及一种用于轴承的故障诊断方法和计算机可读介质。该故障诊断方法包括以下步骤:采集轴承的振动信号;对振动信号进行N层小波包分解,得到2N个子带信号;对小波包分解中得到的每个子带信号分别进行包络解调,并且通过快速傅里叶变换得到相应的包络谱信号;根据包络谱信号进行故障诊断。本发明的故障诊断方法和计算机可读介质自适应性强且准确度高。
Description
技术领域
本发明涉及轴承检测技术领域。具体地,本发明涉及一种用于轴承的故障诊断方法和用于执行该方法的计算机可读介质。
背景技术
轴承是用于对轴件进行转动支撑的重要工业部件。例如,在车辆的轮毂中安装有轮毂轴承,以将车轮的轮毂以可转动的方式支撑在轮轴上。轴承主要由外圈、内圈、滚动体和保持架等部件构成。各种形式的滚动体可以在外圈与内圈之间滚动,从而允许外圈与内圈进行相对转动。由于在轴承运行时,这些部件都将承受较大的交变载荷和摩擦力,因此容易发生故障和损坏,进而导致轴承失效。轴承的常见故障形式包括点蚀、断裂等。
为了确保设备运行的安全性,需要对轴承的运行状况进行监测。通常,在轴承处安装各种类型的传感器(比如振动传感器)来采集轴承的运行信号,并通过信号分析来诊断轴承是否发生了故障以及发生了何种故障。
目前,对轴承的故障诊断通常是基于包络解调或共振解调的方法来进行的。此类方法例如见于CN 106289775 A等专利文献中。但是,对于变转速运行的车辆而言,传统的包络解调方法往往需要采集原始转速信号,然后对振动信号进行与转速信号的同步采样才能准确地进行故障识别。因此,在通过这种方法来进行故障诊断时,除了振动传感器,还需要设置转速传感器来采集轴承的原始转速信号从而实现转速跟踪的目的,以此来克服汽车运行时转速不断变化对数据分析造成的困扰。然而,由于生产成本和安装空间的限制,实际上在车辆的轮毂轴承等产品中有时无法另外安装转速传感器,因此无法获得原始的转速信号,这使得传统的包络解调方法很难准确地诊断轴承的故障。
发明内容
因此,本发明需要解决的技术问题是,提供一种自适应性强且准确度高的用于轴承的故障诊断方法和计算机可读介质。
上述技术问题通过根据本发明的一种用于轴承的故障诊断方法而得到解决。该故障诊断方法包括以下步骤:
采集轴承的振动信号;
对振动信号进行N层小波包分解,得到2N个子带信号;
对小波包分解中得到的每个子带信号分别进行包络解调,并且通过快速傅里叶变换得到相应的包络谱信号;
根据包络谱信号进行故障诊断。
通过小波包分解,可以将所采集的包含有各种噪声的振动信号分解为多个有限带宽的振动信号。如果小波包分解的层数选取恰当,则可以使得到的每个子带信号接近单频的振动信号,从而将噪声振动信号与目标故障振动信号解耦。因此,不需要根据轴承的实时转速来对原始振动信号进行同步,即可对各个子带信号进行包络谱分析,并且能够得到较为精准的分析结果。同时,对于车辆的轮毂轴承而言,这种故障诊断方法也更加适合在车辆运行时来执行。
根据本发明的一个优选实施例,采用的小波包分解可以为五层小波包分解,从而得到32个子带信号。在实践中,对于轴承而言,五层小波包分解得到的子带信号基本接近单频的振动信号,能够满足一般的分析准确性要求。
根据本发明的另一优选实施例,在小波包分解中,可以选取与轴承的目标故障冲击具有相似波形的母小波函数来进行小波包分解。这使得小波包分解具有一定的降噪作用,从而进一步确保诊断结果的准确性。优选地,母小波函数可以为Morlet函数或Symlet函数,或者也可以为MATLAB程序中的其他可用函数。
根据本发明的另一优选实施例,在对振动信号进行小波包分解之前,故障诊断方法还包括对所采集的振动信号进行降噪处理的步骤。优选地,该降噪处理可以是基于小波软阈值收缩技术的降噪处理,其包括以下步骤:
对振动信号进行小波分解,得到分解后的小波系数;
应用软阈值函数来对分解后的小波系数进行降噪处理;
对降噪处理后的小波系数进行小波重构,从而得到降噪后的振动信号。
在轴承的运行环境中常常存在各种环境噪声。例如,对于轮毂轴承而言,车辆在行驶过程中会产生各种来自路面的宽频噪声。由于小波分解后的信号对这些噪声不敏感,因此在进行小波包分解之前,首先通过小波分解对原始振动信号降噪处理,使得含有噪声的子带信号的幅值衰减,从而有效地去除了原始信号中与有用信号无关的噪声成分。
根据本发明的另一优选实施例,根据包络谱信号进行故障诊断可以包括以下步骤:
在每个子带信号的包络谱信号中提取前五阶峰值来进行累加计算并取平均值,将平均值作为包络谱信号的特征值;和
根据特征值来对轴承进行故障诊断。
在实践中,每个子带信号的包络谱信号中的前五阶峰值是主要的峰值,取前五阶峰值的均值一般足以较为准确地反映子带信号的特征值。
根据本发明的另一优选实施例,根据包络谱信号进行故障诊断还可以包括根据轴承的不同部件的故障频率来提取对应于目标部件的特征值从而对目标部件的进行故障诊断的步骤。因此,可以分别诊断出轴承的各个部件(例如,外圈、内圈、滚子等)的典型故障。
根据本发明的另一优选实施例,在根据特征值来对轴承进行故障诊断时,可以通过比较特征值与预定的特征值范围来进行故障诊断。因此,可以较为准确并且快速地诊断轴承的故障,并且便于通过计算机来自动执行诊断。
上述技术问题还通过根据本发明的一种计算机可读介质而得到解决。该计算机可读介质存储有计算机程序,其中,该计算机程序被计算机执行时实现具有上述特征的故障诊断方法。
附图说明
以下结合附图进一步描述本发明。图中以相同的附图标记来代表功能相同的元件。其中:
图1示出根据本发明的第一实施例的故障诊断方法的流程图;
图2示出根据本发明的第一实施例的故障诊断方法的多层小波包分解的小波包树模型;
图3示出根据本发明的第一实施例的故障诊断方法的故障诊断步骤的流程图;
图4示出根据本发明的第二实施例的故障诊断方法的流程图;和
图5示出根据本发明的第二实施例的故障诊断方法的降噪处理步骤的流程图。
具体实施方式
以下将结合附图描述根据本发明的用于轴承的故障诊断方法和计算机可读介质的具体实施方式。下面的详细描述和附图用于示例性地说明本发明的原理,本发明不限于所描述的优选实施例,本发明的保护范围由权利要求书限定。
根据本发明的实施例,提供了一种用于轴承的故障诊断方法。该故障诊断方法通过对振动传感器所采集的轴承振动信号进行处理和分析,可以直接诊断轴承的各个部件的故障。下面通过根据本发明的实施例,来对这种故障诊断方法进行详细介绍。
图1示出了根据本发明的第一实施例的故障诊断方法的流程图。如图1所示,该故障诊断方法包括:采集信号的步骤S1、小波包分解的步骤S2、包络谱分析的步骤S3和故障诊断的步骤S4。
首先,在采集信号的步骤S1中,通过安装在轴承上的振动传感器来采集原始的轴承振动信号。这种振动传感器直接测量的参量可以是轴承振动的加速度,通过这种加速度可以表示出轴承的振动状态。
在采集到原始的振动信号后,在步骤S2中对振动信号进行N层小波包分解,从而将轴承的振动信号分解成2N个子带信号。这些子带信号建立了2N点小波包树模型。小波包分解的层数优选地可以选取为五层,从而可以由原始的振动信号得到32个分解的子带信号。图2示意性地示出了五层小波包分解的小波包树模型。在实践中,经过五层小波包分解后的各个子带信号基本是接近单频的振动信号,并且都具有有限带宽,便于进行下一步的分析。在进行小波包分解时,需要适当地选取母小波函数的类型。在MATLAB程序中,提供了多种可用的母小波函数。优选地,可以采用其中的Morlet函数、Symlet函数或其他合适的函数。由于上述选取的母小波函数具有与轴承的目标故障冲击较为相似的波形,因此采用这些母小波函数进行的小波包分解过程也对振动信号起到了一定的降噪作用。
接下来,在步骤S3中,对小波包分解后的每个子带信号依次进行包络谱分析。包络谱分析的具体方法是,首先对小波包分解中得到的每个子带信号分别进行包络解调,然后通过快速傅里叶变换(FFT)得到每个子带信号相应的包络谱信号。在该步骤中,由于通过小波包分解得到的每个子带信号都是有限带宽的信号,因此可以直接对这些子带信号进行包络谱分析,而不需要再使用带通滤波器或低通滤波器来进行数据前处理。
最后,在步骤S4中,可以根据步骤S3中得到的包络谱信号来进行故障诊断。在该步骤中,基于每个子带信号的包络谱信号图像,本领域技术人员可以根据经验而直接分析和判断出轴承的各种故障。但是,为了便于故障诊断方法的自动化,优选地,该步骤也可以具有图3所示的细分步骤。具体而言,在步骤S4中,可以首先在每个子带信号的相应包络谱信号中提取与轴承故障相关的前N阶峰值;然后将该包络谱信号的这N个峰值进行累加计算并取平均值,将得到的平均值作为该包络谱信号的特征值;最后根据该特征值来对轴承进行故障诊断。在实践中,前五阶峰值足以表现出包络谱信号的真实特征,因此优选地可以提取前五阶峰值。在步骤S4中,可以根据轴承的不同部件的不同故障频率来提取对应于目标部件的特征值,这里的目标部件例如为轴承的外圈和/或内圈和/或滚动体和/或保持架等。因此,可以根据需要分别对不同的目标部件进行故障诊断。
根据进一步优选的实施例,在根据特征值来对轴承进行故障诊断时,可以通过比较包络谱信号的特征值与预定的特征值范围来进行故障诊断。这种预定的特征值范围可以是根据经验和/或计算得到的,如果特征值落入该预定范围内,则说明发生了相应的故障。该预定范围可以存储在相应的系统中,因此有利于通过计算机来自动实现故障诊断过程。
图4示出了根据本发明的第二实施例的故障诊断方法的流程图。如图4所示,第二实施例与第一实施例的差别在于,在进行小波包分解之前,还增加了对原始振动信号进行降噪处理的步骤。
在步骤S1'处,根据第二实施例的故障诊断方法与第一实施例同样地采集轴承的原始振动信号。在步骤S2'处,根据第二实施例的故障诊断方法对所采集的原始振动信号进行了降噪处理,然后将降噪后的振动信号在步骤S3'处进行N层小波包分解,接着在步骤S4'处进行包络谱分析,最后在步骤S5'处根据包络谱信号进行故障诊断。在第二实施例中,采集信号、小波包分解、包络谱分析和故障诊断的步骤均与第一实施例相同,在此不再赘述。下面仅对降噪处理的步骤进行详细描述。
在本实施例中,降噪处理优选为基于小波软阈值收缩技术的降噪处理过程。图5示出了降噪处理的步骤的流程图。如图5所示,首先对所采集的原始振动信号进行小波分解,获得分解后的小波系数。然后应用软阈值函数来对分解后的小波系数进行降噪处理。最后,对降噪处理后的小波系数进行小波重构,从而得到降噪后的振动信号。其中,所应用的软阈值函数表示如下:
其中,δ(x)表示软阈值函数,x表示所采集的振动信号,T表示阈值。软阈值函数的具体原理和使用方式是本领域已知的,在此不再赘述。
在汽车行驶过程中会产生各种来自路面的宽频噪声,这些噪声会与轴承的振动信号混合在一起而被传感器采集。由于小波分解后的信号对其中包含的噪声不敏感,含有噪声的子带信号的幅值将会衰减,因此应用软阈值函数能够有效地去除与有用信号无关的噪声成分。因此,增加降噪处理的步骤可以有效提高故障诊断结果的准确性。
根据上述各个实施例的故障诊断方法例如可以在数字信号处理器(DSP)等处理装置上执行,并且可以作为程序存储在各种计算机可读介质中。相应地,根据本发明的另外的实施例,还提供了一种计算机可读介质,其中存储有相应的计算机程序,该计算机程序在被计算机执行时可以实现根据上述实施例的故障诊断方法中的一种或多种。
根据本发明的故障诊断方法通过小波包分解实现了噪声振动信号与目标故障振动信号的解耦,因此可以在不使用轴承的实时转速对原始振动信号进行重采样的情况下对各个子带信号进行包络谱分析,并且能够得到较为精准的分析结果。因此,这种故障诊断方法不必在车轴上增加另外的传感器来检测转速,仅通过现有的振动传感器和车载提供的转速(RPM)信号即可完成故障诊断。这使得这种故障诊断方法特别适用于车辆轮毂轴承等空间有限的应用场景,并且便于在车辆运行时执行。同时,这种方法也可以有效地提取轴承各个部件的故障特征值,并且可以实现全频带、多尺度的信号分析,从而准确地分析和诊断轴承的故障。
虽然在上述说明中示例性地描述了可能的实施例,但是应当理解到,仍然通过所有已知的和此外技术人员容易想到的技术特征和实施方式的组合存在大量实施例的变化。此外还应该理解到,示例性的实施方式仅仅作为一个例子,这种实施例绝不以任何形式限制本发明的保护范围、应用和构造。通过前述说明更多地是向技术人员提供一种用于转化至少一个示例性实施方式的技术指导,其中,只要不脱离权利要求书的保护范围,便可以进行各种改变,尤其是关于所述部件的功能和结构方面的改变。
Claims (10)
1.一种用于轴承的故障诊断方法,其特征在于,
所述故障诊断方法包括以下步骤:
采集所述轴承的振动信号;
对所述振动信号进行N层小波包分解,得到2N个子带信号;
对所述小波包分解中得到的每个子带信号分别进行包络解调,并且通过快速傅里叶变换得到相应的包络谱信号;
根据所述包络谱信号进行故障诊断。
2.根据权利要求1所述的故障诊断方法,其特征在于,
所述小波包分解为五层小波包分解,从而得到32个子带信号。
3.根据权利要求1所述的故障诊断方法,其特征在于,
在所述小波包分解中,选取与所述轴承的目标故障冲击具有相似波形的母小波函数来进行所述小波包分解。
4.根据权利要求3所述的故障诊断方法,其特征在于,
所述母小波函数为Morlet函数或Symlet函数。
5.根据权利要求1所述的故障诊断方法,其特征在于,
在对所述振动信号进行所述小波包分解之前,所述故障诊断方法还包括以下步骤:
对所采集的所述振动信号进行降噪处理。
6.根据权利要求5所述的故障诊断方法,其特征在于,
所述降噪处理是基于小波软阈值收缩技术的降噪处理,其包括以下步骤:
对所述振动信号进行小波分解,得到分解后的小波系数;
应用软阈值函数来对分解后的所述小波系数进行降噪处理;
对降噪处理后的所述小波系数进行小波重构,从而得到降噪后的所述振动信号。
7.根据权利要求1至6中任一项所述的故障诊断方法,其特征在于,
根据所述包络谱信号进行故障诊断包括以下步骤:
在每个子带信号的所述包络谱信号中提取前五阶峰值来进行累加计算并取平均值,将所述平均值作为所述包络谱信号的特征值;和
根据所述特征值来对所述轴承进行故障诊断。
8.根据权利要求7所述的故障诊断方法,其特征在于,
根据所述包络谱信号进行故障诊断还包括以下步骤:
根据所述轴承的不同部件的故障频率来提取对应于目标部件的所述特征值,从而对所述目标部件的进行故障诊断。
9.根据权利要求7所述的故障诊断方法,其特征在于,
在根据所述特征值来对所述轴承进行故障诊断时,通过比较所述特征值与预定的特征值范围来进行故障诊断。
10.一种计算机可读介质,其存储有计算机程序,其特征在于,所述计算机程序被计算机执行时实现根据权利要求1至9中任一项所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979737.8A CN114199569A (zh) | 2020-09-17 | 2020-09-17 | 用于轴承的故障诊断方法和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979737.8A CN114199569A (zh) | 2020-09-17 | 2020-09-17 | 用于轴承的故障诊断方法和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114199569A true CN114199569A (zh) | 2022-03-18 |
Family
ID=80644681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010979737.8A Pending CN114199569A (zh) | 2020-09-17 | 2020-09-17 | 用于轴承的故障诊断方法和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114199569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
-
2020
- 2020-09-17 CN CN202010979737.8A patent/CN114199569A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
CN117708574B (zh) * | 2024-02-02 | 2024-04-12 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108195587B (zh) | 一种电机滚动轴承故障诊断方法及其诊断系统 | |
WO2019179340A1 (zh) | 基于eemd和msb的滚动轴承故障特征提取方法 | |
Song et al. | A fault diagnosis method for roller bearing based on empirical wavelet transform decomposition with adaptive empirical mode segmentation | |
Guo et al. | Fault feature extraction for rolling element bearing diagnosis based on a multi-stage noise reduction method | |
Wu et al. | Continuous wavelet transform technique for fault signal diagnosis of internal combustion engines | |
Park et al. | Early fault detection in automotive ball bearings using the minimum variance cepstrum | |
EP3611489B1 (en) | State monitoring device, state monitoring system, and state monitoring method | |
US20210063276A1 (en) | Method and device for monitoring a bearing equipping a rotary device | |
Zhou et al. | Using frequency domain analysis techniques for diagnosis of planetary bearing defect in a CH-46E helicopter aft gearbox | |
Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
Zhang et al. | A two-step denoising strategy for early-stage fault diagnosis of rolling bearings | |
Jena et al. | Radial ball bearing inner race defect width measurement using analytical wavelet transform of acoustic and vibration signal | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
CN117836599A (zh) | 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 | |
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 | |
Elasha et al. | A novel condition indicator for bearing fault detection within helicopter transmission | |
Fong et al. | Mean shift clustering-based analysis of nonstationary vibration signals for machinery diagnostics | |
EP4234927A2 (en) | State monitoring device, state monitoring system, and state monitoring method | |
Xin et al. | A new fault feature extraction method for non-stationary signal based on advanced synchrosqueezing transform | |
CN114199569A (zh) | 用于轴承的故障诊断方法和计算机可读介质 | |
CN113449630A (zh) | 一种改进调制双谱的轴承故障诊断方法、系统及介质 | |
CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 |
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 |