CN114486256B - 一种cng压缩机滚动轴承故障特征提取方法 - Google Patents
一种cng压缩机滚动轴承故障特征提取方法 Download PDFInfo
- Publication number
- CN114486256B CN114486256B CN202110964450.2A CN202110964450A CN114486256B CN 114486256 B CN114486256 B CN 114486256B CN 202110964450 A CN202110964450 A CN 202110964450A CN 114486256 B CN114486256 B CN 114486256B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- sub
- spectrum
- amplitude
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 title claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种CNG压缩机滚动轴承故障特征提取方法，对于采集到的复杂轴承信号，根据其频谱，构造出频谱趋势，以趋势的极小值点为边界对频谱进行划分，从而实现自适应地对信号进行分解，得到信号的子频带。此方法避免了模态混叠现象，并保证了在分解结果中不出现过多的无效分量。此外，对信号子频带进行奇异值分解后得到各个子带的奇异值，再利用奇异值分解的幅值滤波特性并结合时域负熵指标对奇异值进行选择，以此实现降噪处理。通过对降噪后的子频带进行包络解调，提取出故障特征频率，最终实现CNG压缩机滚动轴承的故障诊断。
Description
技术领域
本发明属于旋转机械故障诊断领域，具体涉及一种信号自适应分解和降噪的CNG压缩机滚动轴承故障特征提取方法
背景技术
滚动轴承是CNG压缩机中的常用零部件，同时也是CNG压缩机中最易损坏的元件之一，因此，对CNG压缩机中的轴承进行状态检测和故障诊断的必要性体现在：当轴承发生故障时，很可能会出现大型的恶性事故，甚至会造成严重的财产损失和人身伤亡。
振动信号处理对于CNG压缩机设备状态监测与故障诊断具有重要意义，其主要目的就是将信号中的故障特征提取出来。而在CNG压缩机运行过程中，振动信号通常呈现出非平稳、非线性的特性。基于此，众多国内外学者提出了各种信号处理的方法，如短时傅里叶变换、小波分析等。
目前，能对信号实现自适应分解的主要方法有经验模式分解(EMD)、局部均值分解(LMD)以及经验小波变换(EWT)。但EMD和LMD这两种算法的结果中存在着模态混叠的问题，而EWT的分解结果中会出现很多无用的分量。
发明内容
为了克服上述算法中的不足，本发明提供了一种新的信号自适应分解和降噪的CNG压缩机滚动轴承故障诊断方法。具体来说，该方法通过对信号频谱进行傅里叶变换的方法得到其关键函数，以此自适应地划分信号的频带。随后，利用奇异值分解获得信号各个子带的奇异值，结合奇异值分解的幅值滤波特性选择奇异值，对信号子带进行重构，实现降噪的效果，最终得到故障特征信息。
本发明包括如下步骤：
第一步：采集振动信号x(t)，并记采样频率为fs，采样点数为N。利用FFT算法得到其幅值谱A(f)和相位谱
第二步：对幅值谱A(f)再次进行FFT，获取信号的关键函数K(f)。选择关键函数的前NK个点进行逆傅里叶变换，从而得到信号的趋势；
第三步：取信号趋势的极小值点fd1,fd2,…,fdi(0<i<N)，以此为边界线，对信号的频谱进行划分，得到信号的子频带Band 1、Band 2……Band m，其中0<m<i-1；
第四步：选择各个子频带中需要重构的频率分量，步骤如下：
将信号子频带中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵j为频带Band m的长度
构造幅值为1,、频率大小为相位为/>的正弦信号组/>
分别取正弦信号组的前h(h＝1,2,…,k)个信号，该结果记为计算其时域负熵，记为/>时域负熵的计算公式为
式中<·>表示均值计算。
选取中最大值所对应的迭代次数，记为am，则频率排名矩阵Rm中的前am个频率即为需要进行重构的分量；
第五步：构造幅值增强后信号xEm(t)的公式如下：
其中AE为幅值增强的倍数；
第六步：利用xEm(t)构造Hankel矩阵，对其进行奇异值分解。根据奇异值分解的幅值滤波特性，选取前2am个奇异值，并通过简便法实现了信号分量xE'm(t)的重构；
第七步：为了保证此算法得出的结果具有可靠性，需要对重构结果进行幅值恢复。因此，信号子带xdm(t)可由下式表示；
第八步：对信号子带xdm(t)进行解调处理即可提取出故障特征频率。
相比于目前普遍应用的经验小波变换和经验模式分解，奇异分量分解能对频谱进行更为合理地划分，并且还能在分解重构的结果中避免模态混叠现象。
附图说明
图1为本发明的滚动轴承故障诊断方法流程图；
图2为本发明中振动信号的波形和频谱；
图3为本发明中振动信号的包络谱；
图4为本发明中振动信号的频谱趋势及边界划分；
图5为本发明中振动信号的子频带；
图6为本发明中振动信号各子频带中所需重构的频率；
图7为本发明中振动信号第二子频带的重构结果；
图8为本发明中振动信号第三子频带的重构结果。
具体实施方式
本发明方法以某滚动轴承内外圈混合故障信号为例，电机转速为1496r/min，采样频率为15360Hz，采样点数为8192。经计算后，该轴承的内圈故障特征频率fi＝122.74Hz，外圈故障特征频率为fo＝76.88Hz。
首先选择有故障的CNG压缩机，将压缩机启动起来，利用数据采集器进行数据采集，并将采集的数据传输到电脑中，利用本方法进行后续的数据处理分析。
对采集到的信号进行傅里叶变换。图2为采集到的故障信号波形及其频谱。从中可以看出信号的波形中没有明显的周期性冲击，频谱中的边频带成分也较难分辨。
在利用包络解调的方法对信号频谱进行处理，得到信号的包络谱，如图3所示。由于噪声较大，包络谱中的有效信息被湮没，很难进行故障诊断。
对信号的频谱再次进行FFT，获取信号的关键函数。选择关键函数的前20个点进行逆傅里叶变换，从而得到信号的趋势。而后以趋势的极小值点为边界对信号的频谱进行划分。图4表示了信号的频谱趋势及边界划分，其中红线表示频谱趋势；黑线为边界线。图5为信号经划分后得到的子频带。
将信号子频带Band 1、Band 2……Band7中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵其中j为频带Band m的长度，m＝1,2,3,4,5,6,7。
然后，构造幅值为1,、频率大小为相位为/>的正弦信号组/>如下式所示。
再分别取正弦信号组的前h(h＝1,2,…,k)个信号依次叠加，该结果记为计算其时域负熵，记为/>时域负熵的计算公式为：
式中<·>表示均值计算。
选取中最大值所对应的迭代次数，记为am。则频率排名矩阵Rm中的前am个频率即为信号子频带Band m中需要进行重构的分量。图6为各子频带中频率重构的示意图，其中红色标星的频率即为该频带的重构频率分量。
在进行提取信号中单个频率分量的实验过程中，发现奇异值分解幅值滤波特性的存在一点不足之处。当信号中两个频率分量的幅值较为接近时，选择其中一个分量对应的两个非零奇异值进行重构后，其结果中往往存在这两个频率分量成分。
因此，对各个子频带中需要重构的分量进行了幅值增强。构造幅值增强后的信号xEm(t)(m＝1,2,3,4,5,6)为：
选取前2am个奇异值，并通过简便法实现信号分量的重构，得到重构信号xE'm(t)。为了保证得出的结果具有可靠性，需要对重构结果进行幅值恢复。因此，信号子带xdm(t)可由下式表示，其中，m＝1,2,3,4,5,6
从图6中可以看出故障信息主要都集中在Band 2和Band 3中，因此最终只展示了第二子带和第三子带的降噪重构后的波形、频谱以及包络谱的低频部分，如图7和图8所示。
在第二子带重构结果的包络谱中，低频部分出现了明显的峰值，其大小为6307轴承的外圈故障特征频率fo及其倍频，由此可以诊断出轴承外圈发生故障。与此同时，在第三子带重构结果的包络谱中，低频部分同样出现了明显的峰值(图8中圈出的频率成分)，其大小与6307轴承内圈故障特征频率fi及其倍频相似，故可以认为该轴承内圈出现故障。
因此，本发明可以有效地对具有CNG压缩机复合故障的滚动轴承故障信号进行自适应分解和降噪处理，且结果中故障特征频率突出，诊断效果较好。
Claims (1)
1.一种CNG压缩机滚动轴承的故障特征提取方法，其特征在于：该方法包括以下步骤：
第一步：采集CNG压缩机振动信号x(t)，并记采样频率为fs，采样点数为N；利用FFT算法得到其幅值谱A(f)和相位谱
第二步：对幅值谱A(f)再次进行FFT，获取信号的关键函数K(f)；选择关键函数的前NK个点进行逆傅里叶变换，从而得到信号的趋势；
第三步：取信号趋势的极小值点fd1,fd2,…,fdi，0<i<N，以此为边界线，对信号的频谱进行划分，得到信号的子频带Band 1、Band 2……Band m，其中0<m<i-1；
第四步：选择各个子频带中需要重构的频率分量，步骤如下：
a.将信号子频带中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵j为频带Band m的长度
b.构造幅值为1、频率大小为和相位为/>的正弦信号组/>1≤k≤j；
c.分别取正弦信号组的前h个信号，结果记为计算其时域负熵，记为时域负熵的计算公式为
式中<·>表示均值计算；
d.选取中最大值所对应的迭代次数，记为am，则频率排名矩阵Rm中的前am个频率即为需要进行重构的分量；
第五步：构造幅值增强后信号xEm(t)的公式如下：
其中AE为幅值增强的倍数；
第六步：利用xEm(t)构造Hankel矩阵，对其进行奇异值分解；根据奇异值分解的幅值滤波特性，选取前2am个奇异值，并通过简便法实现了信号分量xE′m(t)的重构；
第七步：为了保证此算法得出的结果具有可靠性，需要对重构结果进行幅值恢复；信号子带xdm(t)由下式表示；
第八步：对信号子带xdm(t)进行解调处理即可提取出CNG压缩机滚动轴承故障特征频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110964450.2A CN114486256B (zh) | 2021-08-22 | 2021-08-22 | 一种cng压缩机滚动轴承故障特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110964450.2A CN114486256B (zh) | 2021-08-22 | 2021-08-22 | 一种cng压缩机滚动轴承故障特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114486256A CN114486256A (zh) | 2022-05-13 |
| CN114486256B true CN114486256B (zh) | 2023-10-31 |
Family
ID=81491824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110964450.2A Active CN114486256B (zh) | 2021-08-22 | 2021-08-22 | 一种cng压缩机滚动轴承故障特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114486256B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115730199B (zh) * | 2022-11-10 | 2023-07-21 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991731A (zh) * | 2017-04-07 | 2017-07-28 | 北京燃气绿源达清洁燃料有限公司 | 集成设备维护的智能巡检方法及系统 |
| CN108287073A (zh) * | 2018-01-24 | 2018-07-17 | 石家庄铁道大学 | 基于奇异值分量频域谱的共振带选择方法 |
| CN108830129A (zh) * | 2018-03-29 | 2018-11-16 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
| CN109883704A (zh) * | 2019-03-11 | 2019-06-14 | 鲁东大学 | 一种基于eemd和k-gde的滚动轴承故障特征的提取方法 |
| CN110672327A (zh) * | 2019-10-09 | 2020-01-10 | 西南交通大学 | 一种基于多层降噪技术的异步电机轴承故障诊断方法 |
| CN110749442A (zh) * | 2019-01-29 | 2020-02-04 | 石家庄铁道大学 | Laplace小波自适应稀疏表示的滚动轴承故障特征提取方法 |
| CN111582248A (zh) * | 2020-06-11 | 2020-08-25 | 西安因联信息科技有限公司 | 一种基于svd的齿轮箱信号降噪方法 |
| CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
| CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
| CN112036234A (zh) * | 2020-07-16 | 2020-12-04 | 成都飞机工业（集团）有限责任公司 | 基于pca的飞机导管振动信号工频噪声压制方法 |
| CN112561306A (zh) * | 2020-12-11 | 2021-03-26 | 领伟创新智能系统(浙江)有限公司 | 一种基于Hankel矩阵的滚动轴承健康状态评价方法 |
| CN112857804A (zh) * | 2021-02-09 | 2021-05-28 | 广东海洋大学 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
| CN114636556A (zh) * | 2022-03-15 | 2022-06-17 | 南京凯奥思数据技术有限公司 | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 |
| CN115730199A (zh) * | 2022-11-10 | 2023-03-03 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7756649B2 (en) * | 2007-09-06 | 2010-07-13 | Schenck Rotec Gmbh | Method for fault detection and diagnosis of a rotary machine |
| US8045661B2 (en) * | 2008-02-04 | 2011-10-25 | Texas Instruments Incorporated | System and method for blind identification of multichannel finite impulse response filters using an iterative structured total least-squares technique |
| US10254242B2 (en) * | 2014-06-04 | 2019-04-09 | Life Technologies Corporation | Methods, systems, and computer-readable media for compression of sequencing data |
-
2021
- 2021-08-22 CN CN202110964450.2A patent/CN114486256B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991731A (zh) * | 2017-04-07 | 2017-07-28 | 北京燃气绿源达清洁燃料有限公司 | 集成设备维护的智能巡检方法及系统 |
| CN108287073A (zh) * | 2018-01-24 | 2018-07-17 | 石家庄铁道大学 | 基于奇异值分量频域谱的共振带选择方法 |
| CN108830129A (zh) * | 2018-03-29 | 2018-11-16 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
| CN110749442A (zh) * | 2019-01-29 | 2020-02-04 | 石家庄铁道大学 | Laplace小波自适应稀疏表示的滚动轴承故障特征提取方法 |
| CN109883704A (zh) * | 2019-03-11 | 2019-06-14 | 鲁东大学 | 一种基于eemd和k-gde的滚动轴承故障特征的提取方法 |
| CN110672327A (zh) * | 2019-10-09 | 2020-01-10 | 西南交通大学 | 一种基于多层降噪技术的异步电机轴承故障诊断方法 |
| CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
| CN111582248A (zh) * | 2020-06-11 | 2020-08-25 | 西安因联信息科技有限公司 | 一种基于svd的齿轮箱信号降噪方法 |
| CN112036234A (zh) * | 2020-07-16 | 2020-12-04 | 成都飞机工业（集团）有限责任公司 | 基于pca的飞机导管振动信号工频噪声压制方法 |
| CN111947045A (zh) * | 2020-08-24 | 2020-11-17 | 重庆邮电大学 | 基于gvmd参数优化和奇异值分解的流体管道泄漏定位方法 |
| CN112561306A (zh) * | 2020-12-11 | 2021-03-26 | 领伟创新智能系统(浙江)有限公司 | 一种基于Hankel矩阵的滚动轴承健康状态评价方法 |
| CN112857804A (zh) * | 2021-02-09 | 2021-05-28 | 广东海洋大学 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
| CN114636556A (zh) * | 2022-03-15 | 2022-06-17 | 南京凯奥思数据技术有限公司 | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 |
| CN115730199A (zh) * | 2022-11-10 | 2023-03-03 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 |
Non-Patent Citations (6)
| Title |
|---|
| Study on hankel matrix-based SVD and its application rolling element bearing fault diagnosis;Jiang HM 等;《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》;第52-53卷;338-359 * |
| 一种新的差分奇异值比谱及其在轮对轴承故障诊断中的应用;黄晨光;林建辉;丁建明;刘泽潮;;振动与冲击(04);22-31 * |
| 基于倒谱预白化和奇异值分解的滚动轴承故障特征提取方法;唐贵基;邓飞跃;张超;胡爱军;;中国电机工程学报(35);103-109 * |
| 基于振动信号的轴承早期异常状态识别方法研究;孙磊 等;《轴承》(第7期);59-63 * |
| 基于改进SVD及参数优化VMD的轴承故障诊断;张莹;殷红;彭珍瑞;;噪声与振动控制(01);55-62 * |
| 基于频带熵改进理论的轴承故障诊断算法研究;李华;《中国博士学位论文全文数据库工程科技II辑》(第4期);C029-13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114486256A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qin et al. | M-band flexible wavelet transform and its application to the fault diagnosis of planetary gear transmission systems | |
| Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
| Li et al. | Diagonal slice spectrum assisted optimal scale morphological filter for rolling element bearing fault diagnosis | |
| Liu et al. | A hybrid fault diagnosis method based on second generation wavelet de-noising and local mean decomposition for rotating machinery | |
| Wang et al. | Enhancement of signal denoising and multiple fault signatures detecting in rotating machinery using dual-tree complex wavelet transform | |
| Fan et al. | Sparse representation of transients in wavelet basis and its application in gearbox fault feature extraction | |
| Lei et al. | A review on empirical mode decomposition in fault diagnosis of rotating machinery | |
| Li et al. | An enhanced rolling bearing fault detection method combining sparse code shrinkage denoising with fast spectral correlation | |
| He et al. | Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis | |
| Li et al. | An enhanced morphology gradient product filter for bearing fault detection | |
| CN108731945B (zh) | 一种航空发动机转子系统故障信号特征信息的提取方法 | |
| He et al. | Detection of signal transients using independent component analysis and its application in gearbox condition monitoring | |
| CN110806315B (zh) | 一种基于倒位编辑的齿轮箱复合故障诊断方法 | |
| Deng et al. | A vibration analysis method based on hybrid techniques and its application to rotating machinery | |
| CN107525671B (zh) | 一种风电机组传动链复合故障特征分离与辨识方法 | |
| CN108647667B (zh) | 一种基于信号时频分解的频域幅值谱峭度图的实现方法 | |
| CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
| CN114486256B (zh) | 一种cng压缩机滚动轴承故障特征提取方法 | |
| CN115730199B (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 | |
| CN109682600A (zh) | 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法 | |
| Sahu et al. | Fault diagnosis of rolling bearing based on an improved denoising technique using complete ensemble empirical mode decomposition and adaptive thresholding method | |
| Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
| CN106908232A (zh) | 一种旋转机械的振动信号故障识别方法 | |
| Jiao et al. | An algorithm for improving the coefficient accuracy of wavelet packet analysis | |
| Hu et al. | Frequency loss and recovery in rolling bearing fault detection |
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 |