CN114548150B - 基于参数自适应增强med的传动系统故障诊断方法 - Google Patents

基于参数自适应增强med的传动系统故障诊断方法 Download PDF

Info

Publication number
CN114548150B
CN114548150B CN202210027989.XA CN202210027989A CN114548150B CN 114548150 B CN114548150 B CN 114548150B CN 202210027989 A CN202210027989 A CN 202210027989A CN 114548150 B CN114548150 B CN 114548150B
Authority
CN
China
Prior art keywords
filter
parameter
signal
med
transmission system
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
Application number
CN202210027989.XA
Other languages
English (en)
Other versions
CN114548150A (zh
Inventor
张新
王家序
吴磊
孟凡善
张忠强
何劲峰
赵艺珂
杨涛
孙舰凯
夏恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210027989.XA priority Critical patent/CN114548150B/zh
Publication of CN114548150A publication Critical patent/CN114548150A/zh
Application granted granted Critical
Publication of CN114548150B publication Critical patent/CN114548150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

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

本发明涉及一种基于参数自适应增强MED的传动系统故障诊断方法，属于传动系统故障诊断技术领域，设计了一种非线性变换，在MED滤波系数迭代求解过程中融入此非线性变换，以此抑制滤波信号中的少量主导冲击及较小幅值噪声，从而增强周期性故障冲击序列，使滤波器估计更加准确有效。提出了一种根据待分析信号本身自适应获得最优滤波参数的参数自适应策略，解决了MED等传统解卷积方法依赖经验指定滤波器参数的问题，因此，所提方法是不需要准确故障频率的自适应盲解卷积方法。

Description

基于参数自适应增强MED的传动系统故障诊断方法
技术领域
本发明属于传动系统故障诊断技术领域，具体涉及基于参数自适应增强MED的传动系统故障诊断方法。
背景技术
由于机械传动系统结构复杂以及振动信号传递路径复杂，采集的故障振动信号中常含有背景噪声、强冲击电流干扰成分、齿轮啮合产生的谐波分量等，致使采集信号中故障特性信息十分微弱，给故障诊断带来了极大挑战。
因此，现阶段需设计基于参数自适应增强MED的传动系统故障诊断方法，来解决以上问题。
发明内容
本发明目的在于提供基于参数自适应增强MED的传动系统故障诊断方法，用于解决上述现有技术中存在的技术问题，由于机械传动系统结构复杂以及振动信号传递路径复杂，采集的故障振动信号中常含有背景噪声、强冲击电流干扰成分、齿轮啮合产生的谐波分量等，致使采集信号中故障特性信息十分微弱，给故障诊断带来了极大挑战。
为实现上述目的，本发明的技术方案是：
基于参数自适应增强MED的传动系统故障诊断方法，包括以下步骤：
S1：采集机械传动系统故障振动信号；
S2：设定滤波参数α和L的初始范围，α是大于0的常数，L是滤波器的长度；
S3：求解滤波器以及计算样本熵：对于范围内的每一对滤波参数α和L，通过最大化非线性变换后滤波信号的峭度求解对应的滤波器，同时计算通过此滤波器得到的滤波信号经非线性变换后的样本熵；
S4：设置阈值上下限来排除非目标参数对(α,L)；
S5：排除参数对：排除
Figure BDA0003465029180000011
对应的参数对；
S6：寻找最优滤波参数：在剩余的参数对中，使非线性变换后的滤波信号具有最小样本熵的参数αopt和Lopt即为最优滤波参数；
S7：利用最优滤波参数对应的滤波器得到最终结果。
进一步的，步骤S1中，采集机械传动系统故障振动信号的方式为加速度计。
进一步的，步骤S2中，设定参数的初始范围：α∈[4,20]，对应步长αstep＝1，L∈[50,0.15N]，N为信号长度，步长Lstep确定为25；当L的范围增大时，步长Lstep也相应地增大。
进一步的，步骤S3中，求解滤波器具体如下：
设计如下非线性变换:
Figure BDA0003465029180000021
式中，s为滤波信号，sign(·)为符号函数，α是大于0的常数；
将此非线性变换融入MED滤波器系数的迭代求解过程中，求解得到准确的滤波器系数；
滤波器系数的求解表示如下：
Figure BDA0003465029180000022
式中：
Figure BDA0003465029180000027
表示非线性变换后的信号的峭度；计算公式如下：
Figure BDA0003465029180000023
通过迭代求解，不断更新滤波器系数的方式求得最大
Figure BDA0003465029180000024
滤波器迭代更新的公式如下：
Figure BDA0003465029180000025
Figure BDA0003465029180000026
式中，N和L分别是测量信号和滤波器的长度。
进一步的，步骤S4中，具体如下，
设置阈值上下限来排除非目标参数对(α,L)：
阈值上限
Figure BDA0003465029180000031
代表主导冲击或伪主导冲击开始出现的临界点，而阈值下限
Figure BDA0003465029180000032
表示滤波不足；此外，阈值上限根据信号中故障冲击数而相应改变，如果信号中故障冲击数量明显大于30，阈值上限
Figure BDA0003465029180000033
为200，否则为500；
阈值下限
Figure BDA0003465029180000034
为测量信号经非线性变换后的峭度，即
Figure BDA0003465029180000035
x为测量信号。
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行如上述的一种基于参数自适应增强MED的传动系统故障诊断方法。
一种电子设备，包括处理器和存储器，所述存储器用于存储所述处理器的可执行命令，所述处理器通过运行所述可执行命令以实现如上述的一种基于参数自适应增强MED的传动系统故障诊断方法。
与现有技术相比，本发明所具有的有益效果为：
本方案其中一个有益效果在于，(1)设计了一种非线性变换，在MED滤波系数迭代求解过程中融入此非线性变换，以此抑制滤波信号中的少量主导冲击及较小幅值噪声，从而增强周期性故障冲击序列，使滤波器估计更加准确有效。(2)提出了一种根据待分析信号本身自适应获得最优滤波参数的参数自适应策略，解决了MED等传统解卷积方法依赖经验指定滤波器参数的问题，因此，所提方法是不需要准确故障频率的自适应盲解卷积方法。
附图说明
图1为本申请实施例的不同α下非线性变换的输入-输出特性曲线示意图。
图2为本申请实施例的(a)测量信号和(b)所提方法的滤波信号示意图。
图3为本申请实施例的参数对排除后非线性变换的滤波信号的(a)峭度与(b)样本熵示意图。
图4为本申请实施例的本方案所提方法步骤示意图。
具体实施方式
下面结合本发明的附图1-4，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例：
本申请方案提出一种基于参数自适应增强MED的传动系统故障诊断方法。具体如下。
(1)非线性变换增强MED
设计了如下非线性变换:
Figure BDA0003465029180000041
式中，s为滤波信号，sign(·)为符号函数，α是大于0的常数。此非线性变换在不同α下的输入-输出特性曲线如图1所示。
由图1可见，在α取值较大的情况下(如图中的10～25)，通过此变换后，信号中的不同幅值强度的成分能得到不同程度的增强或抑制。具体而言：幅值介于0.5～0.7的故障冲击序列能得到较大的增强，幅值低于0.2的噪声和幅值大于0.7的强冲击干扰相对周期性故障冲击的增强而言受到了一定程度的抑制。因此，将此非线性变换融入MED滤波器系数的迭代求解过程中，能很好地增强周期性故障冲击，抑制噪声和强冲击干扰，从而求解得到更加准确的滤波器系数。基于此，所提方法滤波器系数的求解可表示为如下的最大化问题：
Figure BDA0003465029180000042
式中：
Figure BDA0003465029180000043
表示非线性变换后的信号的峭度。计算公式如下：
Figure BDA0003465029180000044
通过迭代求解，不断更新滤波器系数的方式求得最大
Figure BDA0003465029180000045
滤波器迭代更新的公式如下：
Figure BDA0003465029180000046
Figure BDA0003465029180000051
式中，N和L分别是测量信号和滤波器的长度。
但是，当滤波参数(如，α和L)不合适时，滤波信号可能会出现单个或少量主导冲击，并且被非线性变换进一步凸显，导致获得错误分析结果。为解决此问题，提出了一种有效的参数自适应选择策略。
(2)参数自适应的增强最小熵解卷积
提出了一种利用样本熵作为附加指标的策略来自适应地确定最优滤波器参数。该策略的主要思想是选择最优滤波参数(αopt和Lopt)使得对应的经非线性变换后的滤波信号具有最小的样本熵。
在参数自适应选择策略中，设置了阈值上下限来排除使
Figure BDA0003465029180000052
太大或太小的参数对(α,L)：阈值上限
Figure BDA0003465029180000053
代表主导冲击或伪主导冲击开始出现的临界点，而阈值下限
Figure BDA0003465029180000054
表示滤波不足。此外，阈值上限根据信号中粗略的故障冲击数而相应改变，即信号中若包含较多的故障冲击对应较小的阈值上限
Figure BDA0003465029180000055
反之则对应较大阈值上限。具体来说，如果信号中故障冲击数量明显大于30，阈值上限
Figure BDA0003465029180000056
为200，否则为500。阈值下限
Figure BDA0003465029180000057
为测量信号经非线性变换后的峭度，即
Figure BDA0003465029180000058
参数对排除后，在剩余参数对中寻找使变换后的滤波信号具有最小样本熵的参数对作为最优滤波参数。大量仿真信号分析以及实际案例分析表明此参数自适应策略是有效的。因此，所提方法可以作为齿轮故障诊断中的一种自适应盲解卷积方法。
(3)本方法主要步骤
如图4所示，基于参数自适应增强MED的传动系统故障诊断方法的步骤如下：
步骤1：利用加速度计采集机械传动系统故障振动信号。
步骤2：设定参数的初始范围：α∈[4,20]，对应步长αstep＝1，L∈[50,0.15N]，N为信号长度，步长Lstep可以粗略确定，例如25。当L的范围较大时，步长Lstep也可以相应地增大，比如50。
步骤3：求解滤波器以及计算样本熵：对于范围内的每一对参数α和L，通过最大化非线性变换后的滤波信号的峭度求解对应的滤波器，同时计算通过此滤波器得到的滤波信号经非线性变换后的样本熵。
步骤4：设置阈值：如果信号中故障冲击数量明显大于30，阈值上限
Figure BDA0003465029180000059
设置为200，否则设置为500。阈值下限
Figure BDA00034650291800000510
x为测量信号。
步骤5：排除参数对：排除
Figure BDA0003465029180000061
对应的参数对。
步骤6：寻找最优滤波参数：在剩余的参数对中，使非线性变换后的滤波信号具有最小样本熵的参数αopt和Lopt即为最优滤波参数。
步骤7：利用最优滤波参数对应的滤波器得到最终结果。
EMED-AFP的伪代码如程序1所示：
Figure BDA0003465029180000062
案例分析
数据为一机械故障模拟器采集到的振动信号。所测试的单级锥齿轮箱中齿轮数分别为27和18。实验前，在小齿轮某一轮齿上植入缺口缺陷。实验中，电机频率为30Hz，采样频率为20kHz，截取测量信号20480点，如图2(a)所示。
齿轮箱大齿轮和小齿轮的理论故障特征频率分别为7.91Hz和11.87Hz。可以粗略估计振动信号中的故障冲击数量没有超过30，因此，阈值上限
Figure BDA0003465029180000071
为500，而阈值下限
Figure BDA0003465029180000072
计算可得为5，则有效的
Figure BDA0003465029180000073
应该满足
Figure BDA0003465029180000074
在参数对排除后，可自动获得最优滤波参数(αopt＝9,Lopt＝1300，图3(b)红色标记点)。所提方法的滤波信号如图2(b)所示，其中的周期性冲击序列的频率为11.65Hz，十分接近小齿轮的理论故障频率。因此，可认为成功诊断小齿轮故障。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.基于参数自适应增强MED的传动系统故障诊断方法，其特征在于，包括以下步骤：
S1：采集机械传动系统故障振动信号；
S2：设定滤波参数α和L的初始范围，α是大于0的常数，L是滤波器的长度；
S3：求解滤波器以及计算样本熵：对于范围内的每一对滤波参数α和L，通过最大化非线性变换后滤波信号的峭度求解对应的滤波器，同时计算通过此滤波器得到的滤波信号经非线性变换后的样本熵；
S4：设置阈值上下限来排除非目标参数对(α,L)；
S5：排除参数对：排除
Figure FDA0004119955700000011
对应的参数对；
S6：寻找最优滤波参数：在剩余的参数对中，使非线性变换后的滤波信号具有最小样本熵的参数αopt和Lopt即为最优滤波参数；
S7：利用最优滤波参数对应的滤波器得到最终结果；
步骤S3中，求解滤波器具体如下：
设计如下非线性变换:
Figure FDA0004119955700000012
式中，s为滤波信号，sign(·)为符号函数，α是大于0的常数；
将此非线性变换融入MED滤波器系数的迭代求解过程中，求解得到准确的滤波器系数；
滤波器系数的求解表示如下：
Figure FDA0004119955700000013
式中：
Figure FDA0004119955700000014
表示非线性变换后的信号的峭度；计算公式如下：
Figure FDA0004119955700000015
通过迭代求解，不断更新滤波器系数的方式求得最大
Figure FDA0004119955700000016
滤波器迭代更新的公式如下：
Figure FDA0004119955700000017
Figure FDA0004119955700000021
式中，N和L分别是测量信号和滤波器的长度；
步骤S4中，具体如下，
设置阈值上下限来排除非目标参数对(α,L)：
阈值上限
Figure FDA0004119955700000022
代表主导冲击或伪主导冲击开始出现的临界点，而阈值下限
Figure FDA0004119955700000023
表示滤波不足；此外，阈值上限根据信号中故障冲击数而相应改变，如果信号中故障冲击数量明显大于30，阈值上限
Figure FDA0004119955700000024
为200，否则为500；
阈值下限
Figure FDA0004119955700000025
为测量信号经非线性变换后的峭度，即
Figure FDA0004119955700000026
x为测量信号。
2.如权利要求1所述的基于参数自适应增强MED的传动系统故障诊断方法，其特征在于，步骤S1中，采集机械传动系统故障振动信号的方式为加速度计。
3.如权利要求1所述的基于参数自适应增强MED的传动系统故障诊断方法，其特征在于，步骤S2中，设定参数的初始范围：α∈[4,20]，对应步长αstep＝1，L∈[50,0.15N]，N为信号长度，步长Lstep确定为25；当L的范围增大时，步长Lstep也相应地增大。
4.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行如权利要求1-3任一项所述的一种基于参数自适应增强MED的传动系统故障诊断方法。
5.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储所述处理器的可执行命令，所述处理器通过运行所述可执行命令以实现如权利要求1-3任一项所述的一种基于参数自适应增强MED的传动系统故障诊断方法。
CN202210027989.XA 2022-01-11 2022-01-11 基于参数自适应增强med的传动系统故障诊断方法 Active CN114548150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210027989.XA CN114548150B (zh) 2022-01-11 2022-01-11 基于参数自适应增强med的传动系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210027989.XA CN114548150B (zh) 2022-01-11 2022-01-11 基于参数自适应增强med的传动系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN114548150A CN114548150A (zh) 2022-05-27
CN114548150B true CN114548150B (zh) 2023-04-28

Family

ID=81669733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210027989.XA Active CN114548150B (zh) 2022-01-11 2022-01-11 基于参数自适应增强med的传动系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN114548150B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063672A (zh) * 2018-08-21 2018-12-21 北京工业大学 一种基于自适应mckd的早期轴承外圈故障诊断方法
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750543B (zh) * 2012-05-31 2015-10-14 西南交通大学 一种基于bud谱峭度的暂态电能质量扰动分类识别方法
CN102879196B (zh) * 2012-09-25 2014-03-12 西安交通大学 利用矩阵小波变换的行星齿轮箱复合故障诊断方法
CN108414923A (zh) * 2018-02-05 2018-08-17 武汉大学 一种基于深度置信网络特征提取的模拟电路故障诊断方法
CN113702042B (zh) * 2021-07-14 2022-10-28 西南交通大学 基于一种增强最小熵解卷积的机械故障诊断方法及系统
CN113702030A (zh) * 2021-07-14 2021-11-26 西南交通大学 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063672A (zh) * 2018-08-21 2018-12-21 北京工业大学 一种基于自适应mckd的早期轴承外圈故障诊断方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖凌俊 ; 吕勇 ; 袁锐 ; .MED与GMCP稀疏增强信号分解在滚动轴承故障诊断中的应用.机械科学与技术.(第02期), *

Also Published As

Publication number Publication date
CN114548150A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN108764073B (zh) 一种结合频谱能量形态拟合的加速度滤噪和积分方法
CN109871733A (zh) 一种自适应海杂波信号去噪方法
CN105116442A (zh) 岩性油气藏弱反射地震信号的重构方法
CN108398260B (zh) 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法
Qin et al. Maximum correlation Pearson correlation coefficient deconvolution and its application in fault diagnosis of rolling bearings
CN113283297A (zh) 基于奇异值分解和改进小波包局部放电信号时间估计方法
CN112945546A (zh) 一种齿轮箱复杂故障精确诊断方法
CN114548150B (zh) 基于参数自适应增强med的传动系统故障诊断方法
CN113702666B (zh) 一种光纤陀螺惯性测量单元信号联合降噪方法
CN111079706A (zh) 一种基于小波和ica改进eemd的结构模态参数识别方法
CN113702030A (zh) 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统
CN112580451A (zh) 一种基于改进emd和med的数据降噪方法
CN110287853B (zh) 一种基于小波分解的暂态信号去噪方法
CN107560718B (zh) 一种基于自相关峭度最大化的解卷积方法
CN108334822B (zh) 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法
LU502454B1 (en) A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition
Nannan The application of an improved wavelet threshold function in de-noising of heart sound signal
CN113375065B (zh) 管道泄漏监测中趋势信号的消除方法及装置
CN112766044B (zh) 疏松样品纵横波速度分析方法、装置及计算机存储介质
CN113567129A (zh) 一种列车轴承振动信号基于ceemd的降噪方法
CN110703089B (zh) 一种用于低频振荡Prony分析的小波阈值去噪方法
CN114894478A (zh) 一种滚动轴承微弱故障特征提取方法
CN113657268A (zh) 一种应用于风电机组齿轮箱故障诊断的信号自动分解方法
Duan et al. A novel adaptive fault diagnosis method for wind power gearbox
CN114088077B (zh) 一种改进的半球谐振陀螺信号去噪方法

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
GR01 Patent grant
GR01 Patent grant