CN114739671A - 一种基于改进广义s变换的轴承故障诊断方法 - Google Patents
一种基于改进广义s变换的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114739671A CN114739671A CN202210256482.1A CN202210256482A CN114739671A CN 114739671 A CN114739671 A CN 114739671A CN 202210256482 A CN202210256482 A CN 202210256482A CN 114739671 A CN114739671 A CN 114739671A
- Authority
- CN
- China
- Prior art keywords
- signal
- generalized
- transformation
- bearing
- frequency
- 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
-
- 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
本发明涉及一种基于改进广义S变换的轴承故障诊断方法,包括以下步骤:将加速传感器安装在旋转机械装置上,利用加速度传感器对振动进行测量,获得振动信号;根据轴承型号,设定原始的调节参数k为1,将所述振动信号输入至设定好的广义S变换S(t,f,k)进行分析,其中t为时间序列,f为采样频率等;本发明通过设置初始的广义S变换并计算得到轴承各种故障类型的标准拥挤度;采集同一轴承的振动数据,计算信号的拥挤度,通过对拥挤度的判断进行相应的参数调节,通过全局最佳分辨率的对比确定最优调节参数,进行改进广义S变换分析,分析效果最终完成故障诊断,实现故障精确诊断。
Description
技术领域
本发明涉及轴承检测领域,特别是涉及一种基于改进广义S变换的轴承故障诊断方法。
背景技术
旋转机械机组结构复杂,并长期处于复杂的交变载荷下工作,机组故障时有发生;其中,轴承是旋转机械中故障率最高的部件之一,轴承的状态监测与故障诊断已迫在眉睫。如果没有及时检测到故障,很容易导致旋转机械的损坏,严重影响经济效益,因此,针对旋转机械轴承故障诊断具有重要的意义。
在传动过程中,轴承受弯曲载荷、振动载荷等的作用,所以极易发生故障。轴承的故障诊断即采用时频分析方法从振动信号中提取故障特征。广义S变换是常用的时频分析方法,它保持了信号的绝对相位信息,其时频分辨率随着频率发生变化,可以根据分析信号的时频特征不同而调节窗函数的宽度,以便达到最佳的时频分辨率,但在实际操作过程中,调节窗函数的宽度常常依靠人为的经验,无法结合工况等情况做到自适应变换,操作复杂。
发明内容
本发明的目的在于提出一种基于改进广义S变换的轴承故障诊断方法,解决上述问题。
本发明通过以下技术方案来实现上述目的:一种基于改进广义S变换的轴承故障诊断方法,其特征在于,包括以下步骤:
(1)将加速传感器安装在旋转机械装置上,利用加速度传感器对振动进行测量,获得振动信号;
(2)根据轴承型号,设定原始的调节参数k为1,将所述振动信号输入至设定好的广义S变换S(t,f,k)进行分析,其中t为时间序列,f为采样频率;
(3)引入信号拥挤度和全局最佳分辨率作为评定指标,所述信号拥挤度为评价信号低频干扰的评价指标,所述信号拥挤度计算公式为:
所述全局最佳分辨率为评价时频信号整体时频分辨率的重要指标,当所述信号拥挤度越大,所述全局最佳分辨率越高时,增大所述调节参数k;
(4)计算此时的所述信号拥挤度和所述全局最佳分辨率,并根据计算出的数值对应调整所述调节参数k,以达到最佳的信号分析效果;
(5)得到最佳的调节参数k后,进行广义S变换分析得到时频谱图,在所述时频谱图上可得到冲击周期,进而获得故障频率,再将故障频率分析结果与轴承各故障频率对比,确定故障位置。
作为本发明的优选,所述调节参数k的调节逻辑如下:
(1)当计算得到的所述信号拥挤度为0时,证明此时所述调节参数k适合此时的信号,信号复杂程度较低,无需调节参数;
(2)当计算得到的所述信号拥挤度为0.5时,证明此时所述调节参数k不适合此时的信号,只需要轻微调节,故应增加所述调节系数K,分别计算k+4,k+8 的CM值,选择CM值最小时的调节参数作为最优的所述调节参数k;
(3)当计算得到的所述信号拥挤度为1时,证明此时所述调节参数k不适合此时的信号,且信号此时复杂程度较大,故应增加所述调节系数K,分别计算k+4, k+8,k+12,k+16的CM值,选择CM值最小时的调节参数作为最优的调节参数k。
作为本发明的优选,所述信号拥挤度的计算步骤如下:
(1)根据轴承型号计算轴承各故障类型的信息熵S,获得S正常,S内圈轻微, S外圈轻微,S滚动体轻微,S保持架轻微,S内圈中度,S外圈中度,S滚动体中度和S保持架中度;
(2)对振动信号计算所述信息熵S,所述信息熵S代表了信号的信息复杂程度,信息熵越大,相应的频率混合越多,冲击特征越易收到影响;
(3)拥挤度的定义为:
此时,高斯窗函数相应变为:
作为本发明的优选,所述调节参数k取值范围为1-20,当所述调节参数k 增大时,窗函数的宽度会向外进行延拓,且相应窗函数的幅值变小;反之,窗函数的宽度则向内收缩,相应窗函数的幅值变大。
与现有技术相比,本发明的有益效果如下:本发明通过设置初始的广义S 变换并计算得到轴承各种故障类型的标准拥挤度;采集同一轴承的振动数据,计算信号的拥挤度,通过对拥挤度的判断进行相应的参数调节,通过全局最佳分辨率的对比确定最优调节参数,进行改进广义S变换分析,分析效果最终完成故障诊断,实现故障精确诊断。
附图说明
图1是本发明实施例的流程示意图;
图2是本发明实施例k为5时的广义S变换时频谱图;
图3是本发明实施例k为9时的广义S变换时频谱图。
具体实施方式
下面结合附图对本发明作进一步说明:
一种基于改进广义S变换的轴承故障诊断方法,如图1-3所示,包括以下步骤:
(1)将加速传感器安装在旋转机械装置上,利用加速度传感器对振动进行测量,获得振动信号;
(2)根据轴承型号,设定原始的调节参数k为1,将所述振动信号输入至设定好的广义S变换S(t,f,k)进行分析,其中t为时间序列,f为采样频率;
(3)引入信号拥挤度和全局最佳分辨率作为评定指标,所述信号拥挤度为评价信号低频干扰的评价指标,所述信号拥挤度计算公式为:
所述全局最佳分辨率为评价时频信号整体时频分辨率的重要指标,当所述信号拥挤度越大,所述全局最佳分辨率越高时,增大所述调节参数k;
(4)计算此时的所述信号拥挤度和所述全局最佳分辨率,并根据计算出的数值对应调整所述调节参数k,以达到最佳的信号分析效果;
(5)得到最佳的调节参数k后,进行广义S变换分析得到时频谱图,在所述时频谱图上可得到冲击周期,进而获得故障频率,再将故障频率分析结果与轴承各故障频率对比,确定故障位置。
进一步地,所述调节参数k的调节逻辑如下:
(1)当计算得到的所述信号拥挤度为0时,证明此时所述调节参数k适合此时的信号,信号复杂程度较低,无需调节参数;
(2)当计算得到的所述信号拥挤度为0.5时,证明此时所述调节参数k不适合此时的信号,只需要轻微调节,故应增加所述调节系数K,分别计算k+4,k+8 的CM值,选择CM值最小时的调节参数作为最优的所述调节参数k;
(3)当计算得到的所述信号拥挤度为1时,证明此时所述调节参数k不适合此时的信号,且信号此时复杂程度较大,故应增加所述调节系数K,分别计算k+4, k+8,k+12,k+16的CM值,选择CM值最小时的调节参数作为最优的调节参数 k。
进一步地,所述信号拥挤度的计算步骤如下:
(1)根据轴承型号计算轴承各故障类型的信息熵S,获得S正常,S内圈轻微, S外圈轻微,S滚动体轻微,S保持架轻微,S内圈中度,S外圈中度,S滚动体中度和S保持架中度;
(2)对振动信号计算所述信息熵S,所述信息熵S代表了信号的信息复杂程度,信息熵越大,相应的频率混合越多,冲击特征越易收到影响;
(3)拥挤度的定义为:
此时,高斯窗函数相应变为:
进一步地,所述调节参数k取值范围为1-20,当所述调节参数k增大时,窗函数的宽度会向外进行延拓,且相应窗函数的幅值变小;反之,窗函数的宽度则向内收缩,相应窗函数的幅值变大。
实施例一,以一种滚珠轴承为例,试验台所采用的电机转速为1797r/min,采用安装在电机驱动端轴承座的加速度传感器来获取轴承的振动信号,采样频率为12kHz。通过电火花加工模拟故障,采集滚动轴承正常、内圈故障、外圈故障、滚动体故障等4类轴承,2类故障严重程度的传感数据,共7类数据。实验共采集了280个样本,每种类型各40个。
根据轴承型号,设定原始的调节参数k为1,将振动信号输入至设定好的广义S变换进行分析。根据轴承型号,对采集到的数据计算信息熵。在每类数据集中随机抽取10个样本,分别计算信息熵,并对其进行求均值,消除一定的误差,最终相应的信息熵区间如下:
根据上述计算的信息熵,根据拥挤的定义公式,最终确定拥挤度的判断公式为:
S<12.95,则拥挤度为0;
12.95<S<49.21,拥挤度为0.5;
S>49.21,拥挤度为1;
为了验证算法的正确性,采用有标签验证的方法。在内圈中度故障的40个样本中随机选择一个样本进行算法的验证,此时内圈故障特征频率为101Hz。计算此样本的拥挤度,计算值为14.56。对照判断公式,可知此时的拥挤度为0.5,证明此时调节参数不适合此时的信号,只需要轻微调节,故应增加调节系数k,以k=5,k=9为参数的广义S变换对信号进行分析。分别计算k=5,k=9为参数的广义S变换CM值,CM(5)=0.71,CM(9)=0.65,故应选择k=9为参数进行广义 S变换分析。
为了进一步验证方法的正确性,现展示k=5,k=9为参数的广义S变换时频谱图(图2-图3),从时频图中可知,相比于k=5的频谱图,k=9的频谱图中时频分辨率更高,能量聚集性更好,冲击特征更明显。两组时频谱图中均在频率轴上约4300Hz处出现周期性冲击特征,但k=5的频谱图中冲击较为模糊,无法准确的评估冲击间隔。k=9的时频谱图中的冲击特征较为明显,相应的冲击间隔较为平均,时间间隔为0.01s,计算可得故障特征频率为100Hz,这与内圈故障特征频率101Hz相吻合,验证了方法的正确性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种基于改进广义S变换的轴承故障诊断方法,其特征在于,包括以下步骤:
(1)将加速传感器安装在旋转机械装置上,利用加速度传感器对振动进行测量,获得振动信号;
(2)根据轴承型号,设定原始的调节参数k为1,将所述振动信号输入至设定好的广义S变换S(t,f,k)进行分析,其中t为时间序列,f为采样频率;
(3)引入信号拥挤度和全局最佳分辨率作为评定指标,所述信号拥挤度为评价信号低频干扰的评价指标,所述信号拥挤度计算公式为:
所述全局最佳分辨率为评价时频信号整体时频分辨率的重要指标,当所述信号拥挤度越大,所述全局最佳分辨率越高时,增大所述调节参数k;
(4)计算此时的所述信号拥挤度和所述全局最佳分辨率,并根据计算出的数值对应调整所述调节参数k,以达到最佳的信号分析效果;
(5)得到最佳的调节参数k后,进行广义S变换分析得到时频谱图,在所述时频谱图上可得到冲击周期,进而获得故障频率,再将故障频率分析结果与轴承各故障频率对比,确定故障位置。
2.根据权利要求1所述的一种基于改进广义S变换的轴承故障诊断方法,其特征在于,所述调节参数k的调节逻辑如下:
(1)当计算得到的所述信号拥挤度为0时,证明此时所述调节参数k适合此时的信号,信号复杂程度较低,无需调节参数;
(2)当计算得到的所述信号拥挤度为0.5时,证明此时所述调节参数k不适合此时的信号,只需要轻微调节,故应增加所述调节系数K,分别计算k+4,k+8的CM值,选择CM值最小时的调节参数作为最优的所述调节参数k;
(3)当计算得到的所述信号拥挤度为1时,证明此时所述调节参数k不适合此时的信号,且信号此时复杂程度较大,故应增加所述调节系数K,分别计算k+4,k+8,k+12,k+16的CM值,选择CM值最小时的调节参数作为最优的调节参数k。
5.根据权利要求4所述的一种基于改进广义S变换的轴承故障诊断方法,其特征在于,所述调节参数k取值范围为1-20,当所述调节参数k增大时,窗函数的宽度会向外进行延拓,且相应窗函数的幅值变小;反之,窗函数的宽度则向内收缩,相应窗函数的幅值变大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256482.1A CN114739671A (zh) | 2022-03-16 | 2022-03-16 | 一种基于改进广义s变换的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256482.1A CN114739671A (zh) | 2022-03-16 | 2022-03-16 | 一种基于改进广义s变换的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114739671A true CN114739671A (zh) | 2022-07-12 |
Family
ID=82276235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256482.1A Pending CN114739671A (zh) | 2022-03-16 | 2022-03-16 | 一种基于改进广义s变换的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114739671A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125235A (zh) * | 2023-04-14 | 2023-05-16 | 南昌工程学院 | 基于超声信号的gis局部放电故障诊断方法 |
CN117249996A (zh) * | 2023-11-10 | 2023-12-19 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
-
2022
- 2022-03-16 CN CN202210256482.1A patent/CN114739671A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125235A (zh) * | 2023-04-14 | 2023-05-16 | 南昌工程学院 | 基于超声信号的gis局部放电故障诊断方法 |
CN117249996A (zh) * | 2023-11-10 | 2023-12-19 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
CN117249996B (zh) * | 2023-11-10 | 2024-02-13 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
CN109357822B (zh) | 一种基于车桥耦合系统时变动力特征改变的桥梁快速测试与评估方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
Wang et al. | Fuzzy diagnosis method for rotating machinery in variable rotating speed | |
Zhe et al. | Pitting damage levels estimation for planetary gear sets based on model simulation and grey relational analysis | |
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 | |
CN104849050A (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
CN112881014B (zh) | 传动总成的下线nvh测试系统及方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
Saidi et al. | The use of SESK as a trend parameter for localized bearing fault diagnosis in induction machines | |
CN110823576A (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
CN112362368A (zh) | 列车牵引电机的故障诊断方法、装置、系统和可读介质 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN111595515B (zh) | 万向轴不平衡故障的间接检测方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
Cheng et al. | CFFsBD: A candidate fault frequencies-based blind deconvolution for rolling element bearings fault feature enhancement | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 |
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 |