CN114235413B - 多路信号三阶张量模型构建方法 - Google Patents
多路信号三阶张量模型构建方法 Download PDFInfo
- Publication number
- CN114235413B CN114235413B CN202111625508.7A CN202111625508A CN114235413B CN 114235413 B CN114235413 B CN 114235413B CN 202111625508 A CN202111625508 A CN 202111625508A CN 114235413 B CN114235413 B CN 114235413B
- Authority
- CN
- China
- Prior art keywords
- tensor
- time
- signals
- order
- bearing
- 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.)
- Active
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明属于故障诊断信号处理技术领域,具体涉及一种多路信号三阶张量模型构建方法,该方法首先采用多个振动加速度传感器同步获取轴承多个方向振动加速度信号;再采用广义Warblet变换方法将每路信号处理为时频矩阵S;再将多路信号的时频矩阵构建为一个具有全域信息的三阶张量模型X,该模型包含了时域及频域的多域信息,并含有通道信息;最后,对建立的三阶张量模型进行张量分解,得到降噪后的张量及其各路的时域波形。本发明的多路信号三阶张量模型构建方法,可对轴承多路信号进行同时降噪,可保留和挖掘多路信号之间的特征,最终可用于轴承故障诊断和智能诊断上,为滚动轴承故障诊断提供基础支撑,具有重要的实用应用价值。
Description
技术领域
本发明属于轴承信号处理及故障诊断技术领域,具体涉及一种多路信号三阶张量模型构建方法。
背景技术
滚动轴承是机械传动设备中采用最广泛也是最易发生故障的零部件之一。而故障轴承发展到一定的程度很容易导致严重的生产安全事故,从而造成一定的经济损失甚至是人员伤亡。由此可见轴承故障诊断的重要性。
信号处理方法是用于辅助判定轴承是否发生故障的一种有效方法。它主要是处理振动信号中的噪声进而实现轴承的故障诊断。目前,大部分的轴承信号处理方法只能单独对一路振动信号进行降噪,不能同时处理多路信号,这不利于保留多路信号之间的特征。因此,迫切需要开发一种能同时处理多路信号的信号处理方法。而三阶张量模型的构建就是能有效实现这一研究目的的基础和支撑。
发明内容
本发明要解决的技术问题是:现有技术中大部分的轴承信号处理方法只能单独对一路振动信号进行降噪,不能同时处理多路信号,这不利于保留多路信号之间的特征的技术问题。本发明的目的是提供一种多路信号三阶张量模型构建方法,旨在为滚动轴承状态监测和高效处理多路振动信号提供基础支撑,实现轴承故障诊断,避免因噪声干扰而导致误诊问题,从而防止因轴承故障引起重大经济损失。
本发明解决其技术问题所采用的技术方案是:一种多路信号三阶张量模型构建方法,该方法包括以下步骤:
S1、获取多路振动加速度信号:
在待诊断的轴承上安装多个振动加速度传感器,采集时长为t、数据点数为N的振动加速度信号a1(t)和a2(t),采样频率为Fs,转速设置为fs;
S2、将多路信号转换为时频矩阵:
将测取的多路振动加速度信号a1(t)和a2(t)都采用广义Warblet变换进行预处理,窗宽设置为σ,数据长度设置为N,得到大小为σ×N的广义Warblet时频矩阵S1w和S2w;
S3、将多路信号构建为多域三阶张量模型:
将步骤S2中,变换多路信号得到的广义Warblet时频矩阵S1w和S2w以前后面排列的方式构建为一个频率×时间×通道的三阶张量模型其中,I1为张量的第一阶维数,I2为张量的第二阶维数,I3为张量的第三阶维数;三阶张量的正面切片与时频矩阵S1w和S2w的关系为
S4、对三阶张量模型张量分解:
其中,a1r和a2r等为向量ar中的元素;b1r和b2r等为向量br中的元素;c1r和c2r等为向量cr中的元素;且ar=[a1r a2r … aIr]T,br=[b1r b2r … bJr],cr=[c1r c2r];对于时频矩阵,水平数据为时域信息,垂直数据为频域信息,则SS1w中每个行向量都是一个时域波形,由公式(2)可知每个行向量的时域波形是由向量c1rbr与元素aIr相乘得到的,所以每个行向量之间的幅值及时域波形都是有很大区别的;因此,由时频矩阵构建的张量,其三阶数据阵列分别对应于信号的频率矢量、时间矢量和通道;
找出时频矩阵SS1w中最大值所在的列和行位置(aa,bb),然后将时频矩阵SS1w中第bb行所有的数据进行绘制得到其对应的时域波形图并对该行的信号进行希尔伯特包络分析,在频谱图中寻找是否有轴承外圈故障特征频率fo值,内圈故障特征频率fi值和滚动体故障特征频率fb值,若有fo,则该轴承存在外圈故障,若有fi,则该轴承存在内圈故障,若有fb,则该轴承存在滚动体故障。
本发明具有以下优点及突出性的技术效果:本发明基于大部分轴承信号处理方法只能单独处理一路信号的局限性及对多路振动信号同时和高效处理的需求,提出了一种多路信号三阶张量模型构建方法,使用这一建模方法可对轴承多路信号进行同时降噪,可保留和挖掘多路信号之间的特征,最终可用于轴承故障诊断和智能诊断上,即确定轴承有无故障及故障类型,这为机电装备滚动轴承状态监测和故障预测提供基础支撑,防止因轴承故障引起的重大事故发生,具有重要的实用性和工程价值。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的多路信号三阶张量模型构建方法的流程图;
图2为本发明的测取的两路振动加速度信号时域波形图;
图3为本发明构建的三阶张量模型展开图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,本发明提供多路信号三阶张量模型构建方法,包括以下步骤:
S1、获取多路振动加速度信号:
在待诊断的轴承上安装多个振动加速度传感器,采集时长为t、数据点数为N的振动加速度信号a1(t)和a2(t),采样频率为Fs,转速设置为fs;
在一个轴承实验台进行测取,转速设置为fs=420rad/s;采用2个振动加速度传感器,采集时长为t=0.144s、数据点数为N=9460的待测算轴承的2个方向振动加速度信号a1(t)和a2(t);绘制振动加速度信号a1(t)和a2(t)的时域波形图,如图2所示。
S2、将多路信号转换为时频矩阵:
将测取的两路振动加速度信号a1(t)和a2(t)都采用广义Warblet变换进行预处理,窗宽σ设置为256,数据长度N设置为9460,得到大小为256×9460的广义Warblet时频矩阵S1w和S2w。
S3、将多路信号构建为多域三阶张量模型:
将步骤S2变换多路信号得到的广义Warblet时频矩阵S1w和S2w以前后面排列的方式构建为一个频率×时间×通道的三阶张量模型其中I1为张量的第一阶维数,I2为张量的第二阶维数,I3为张量的第三阶维数;三阶张量的正面切片与时频矩阵S1w和S2w的关系为
本实例构建的张量模型的第一阶维数I1为256,第二阶维数I2为9460,第三阶维数I2为2,其展开的第1个正面切片和第2个正面切片,如图3所示。
S4、对三阶张量模型张量分解:
其中,a1r和a2r等为向量ar中的元素;b1r和b2r等为向量br中的元素;c1r和c2r等为向量cr中的元素;且ar=[a1r a2r … aIr]T,br=[b1r b2r … bJr],cr=[c1r c2r];对于时频矩阵,水平数据为时域信息,垂直数据为频域信息,则SS1w中每个行向量都是一个时域波形,由公式(2)可知每个行向量的时域波形是由向量c1rbr与元素aIr相乘得到的,所以每个行向量之间的幅值及时域波形都是有很大区别的;因此,由时频矩阵构建的张量,其三阶数据阵列分别对应于信号的频率矢量、时间矢量和通道;
找出时频矩阵SS1w中最大值所在的列和行位置(aa,bb),然后将时频矩阵SS1w中第bb行所有的数据进行绘制得到其对应的时域波形图并对该行的信号进行希尔伯特包络分析,在频谱图中寻找是否有轴承外圈故障特征频率fo值,内圈故障特征频率fi值和滚动体故障特征频率fb值,若有fo,则该轴承存在外圈故障,若有fi,则该轴承存在内圈故障,若有fb,则该轴承存在滚动体故障。
采用CP分解对本实施例构建的三阶张量模型进行分解,得到降噪后的结果张量。根据步骤S3构建模型的方式和顺序逆展开结果张量/>得到两路信号对应的时频矩阵SS1w和SS2w,找出时频矩阵SS1w中最大值所在的位置(963,12),然后绘制时频矩阵SS1w中第12行信号的时域波形图,在时域图中看到3个周期性的冲击,且冲击之间的时间间隔0.0467秒等于轴承外圈故障特征频率fo值的倒数/>因此,可判断该轴承为故障轴承。
本发明具有以下优点及突出性的技术效果:本发明基于大部分轴承信号处理方法只能单独处理一路信号的局限性及对多路振动信号同时和高效处理的需求,提出了一种多路信号三阶张量模型构建方法,使用这一建模方法可对轴承多路信号进行同时降噪,可保留和挖掘多路信号之间的特征,最终可用于轴承故障诊断和智能诊断上,即确定轴承有无故障及故障类型,这为机电装备滚动轴承状态监测和故障预测提供基础支撑,防止因轴承故障引起的重大事故发生,具有重要的实用性和工程价值。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (1)
1.一种多路信号三阶张量模型构建方法,其特征在于,该方法包括以下步骤:
S1、获取多路振动加速度信号:
在待诊断的轴承上安装多个振动加速度传感器,采集时长为t、数据点数为N的振动加速度信号a1(t)和a2(t),采样频率为Fs,转速设置为fs;
S2、将多路信号转换为时频矩阵:
将测取的多路振动加速度信号a1(t)和a2(t)都采用广义Warblet变换进行预处理,窗宽设置为σ,数据长度设置为N,得到大小为σ×N的广义Warblet时频矩阵S1w和S2w;
S3、将多路信号构建为多域三阶张量模型:
将步骤S2中,变换多路信号得到的广义Warblet时频矩阵S1w和S2w以前后面排列的方式构建为一个频率×时间×通道的三阶张量模型其中,I1为张量的第一阶维数,I2为张量的第二阶维数,I3为张量的第三阶维数;三阶张量的正面切片与时频矩阵S1w和S2w的关系为
S4、对三阶张量模型张量分解:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625508.7A CN114235413B (zh) | 2021-12-28 | 2021-12-28 | 多路信号三阶张量模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111625508.7A CN114235413B (zh) | 2021-12-28 | 2021-12-28 | 多路信号三阶张量模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114235413A CN114235413A (zh) | 2022-03-25 |
CN114235413B true CN114235413B (zh) | 2023-06-30 |
Family
ID=80763993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111625508.7A Active CN114235413B (zh) | 2021-12-28 | 2021-12-28 | 多路信号三阶张量模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114235413B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115127813B (zh) * | 2022-06-30 | 2023-04-07 | 上海理工大学 | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981292A (zh) * | 2017-05-16 | 2017-07-25 | 北京理工大学 | 一种基于张量建模的多路空间音频信号压缩和恢复方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108267311A (zh) * | 2018-01-22 | 2018-07-10 | 北京建筑大学 | 一种基于张量分解的机械多维大数据处理方法 |
CN109214469A (zh) * | 2018-10-24 | 2019-01-15 | 西安交通大学 | 一种基于非负张量分解的多源信号分离方法 |
CN110045337A (zh) * | 2019-05-10 | 2019-07-23 | 武汉大学 | 基于张量子空间投影的高频地波雷达射频干扰抑制方法 |
CN110457979A (zh) * | 2018-05-08 | 2019-11-15 | 西北农林科技大学 | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 |
CN111537910A (zh) * | 2020-04-17 | 2020-08-14 | 江苏大学 | 基于振动信号的定子绕组匝间短路故障诊断方法与装置 |
WO2021134253A1 (zh) * | 2019-12-30 | 2021-07-08 | 江苏南高智能装备创新中心有限公司 | 基于数控机床上传感器数据的故障预测系统及其方法 |
CN113435259A (zh) * | 2021-06-07 | 2021-09-24 | 吉林大学 | 基于张量分解的卫星磁场数据融合地震异常提取方法 |
-
2021
- 2021-12-28 CN CN202111625508.7A patent/CN114235413B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106981292A (zh) * | 2017-05-16 | 2017-07-25 | 北京理工大学 | 一种基于张量建模的多路空间音频信号压缩和恢复方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108267311A (zh) * | 2018-01-22 | 2018-07-10 | 北京建筑大学 | 一种基于张量分解的机械多维大数据处理方法 |
CN110457979A (zh) * | 2018-05-08 | 2019-11-15 | 西北农林科技大学 | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 |
CN109214469A (zh) * | 2018-10-24 | 2019-01-15 | 西安交通大学 | 一种基于非负张量分解的多源信号分离方法 |
CN110045337A (zh) * | 2019-05-10 | 2019-07-23 | 武汉大学 | 基于张量子空间投影的高频地波雷达射频干扰抑制方法 |
WO2021134253A1 (zh) * | 2019-12-30 | 2021-07-08 | 江苏南高智能装备创新中心有限公司 | 基于数控机床上传感器数据的故障预测系统及其方法 |
CN111537910A (zh) * | 2020-04-17 | 2020-08-14 | 江苏大学 | 基于振动信号的定子绕组匝间短路故障诊断方法与装置 |
CN113435259A (zh) * | 2021-06-07 | 2021-09-24 | 吉林大学 | 基于张量分解的卫星磁场数据融合地震异常提取方法 |
Non-Patent Citations (2)
Title |
---|
基于张量分解的滚动轴承复合故障多通道信号降噪方法研究;胡超凡;机械工程学报;第55卷(第12期);第50-57页 * |
基于张量子空间的信号参数估计算法;韩峰;周新鹏;魏国华;吴嗣亮;;宇航学报(11);第2425-2431页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114235413A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
Zhang et al. | Adaptive maximum second-order cyclostationarity blind deconvolution and its application for locomotive bearing fault diagnosis | |
CN109376330B (zh) | 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法 | |
Sung et al. | Locating defects of a gear system by the technique of wavelet transform | |
Ding et al. | Fast time-frequency manifold learning and its reconstruction for transient feature extraction in rotating machinery fault diagnosis | |
Ou et al. | A new rolling bearing fault diagnosis method based on GFT impulse component extraction | |
CN114235413B (zh) | 多路信号三阶张量模型构建方法 | |
Yinfeng et al. | Analysis of earthquake ground motions using an improved Hilbert–Huang transform | |
Jiang et al. | Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis | |
CN110926594B (zh) | 一种旋转机械信号时变频率特征提取方法 | |
CN108107475A (zh) | 一种基于经验小波变换和多阈值函数的井中微地震去噪方法 | |
Boustany et al. | Blind extraction of a cyclostationary signal using reduced-rank cyclic regression—a unifying approach | |
Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
CN104407328A (zh) | 基于空间脉冲响应匹配的封闭空间声源定位方法及系统 | |
Spiridonakos et al. | An FS-TAR based method for vibration-response-based fault diagnosis in stochastic time-varying structures: experimental application to a pick-and-place mechanism | |
CN110501158A (zh) | 针刺机传动机构振动信号特征提取方法 | |
CN111504640B (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
CN116399588A (zh) | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 | |
CN103954353B (zh) | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 | |
CN103064821A (zh) | 一种动态信号分析方法及装置 | |
CN111143927B (zh) | 一种基于结构响应线性组合的约束模态分解与频率识别方法 | |
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 | |
CN113984387B (zh) | 一种变转速工况下轴承故障特征提取的广义自相关方法 | |
CN114077850B (zh) | 一种变工况下的基于图数据的旋转机械设备状态监测方法 | |
Zhao et al. | TQWT-based multi-scale dictionary learning for rotating machinery fault diagnosis |
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 |