CN114739674A - 轴承故障诊断方法、系统、电子设备及存储介质 - Google Patents

轴承故障诊断方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN114739674A
CN114739674A CN202210488210.4A CN202210488210A CN114739674A CN 114739674 A CN114739674 A CN 114739674A CN 202210488210 A CN202210488210 A CN 202210488210A CN 114739674 A CN114739674 A CN 114739674A
Authority
CN
China
Prior art keywords
bearing
ssd
acceleration signal
omeda
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
Application number
CN202210488210.4A
Other languages
English (en)
Inventor
徐徐
钱进
杨世飞
孙磊
邹小勇
刘宗斌
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.)
Nanjing Chaos Data Technology Co ltd
Original Assignee
Nanjing Chaos Data Technology Co ltd
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 Nanjing Chaos Data Technology Co ltd filed Critical Nanjing Chaos Data Technology Co ltd
Priority to CN202210488210.4A priority Critical patent/CN114739674A/zh
Publication of CN114739674A publication Critical patent/CN114739674A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种轴承故障诊断方法、系统、电子设备及存储介质，通过最优最小熵解卷积作为前置滤波器和后置SSD分解单元组合对轴承加速度信号进行分解；获取SSD分解后每层奇异谱分量与OMEDA处理后信号的相关系数，将相关系数大于设定值的各层奇异谱分量对应值相加，得到重构加速度信号；通过对重构信号进行包络解调，并获得解调谱，将轴承特征频率带入包络谱中寻找对应频率的幅值，寻找幅值比较突出的特征频率接近的轴承位置分类，即可初步判断轴承出现故障的具体位置。能够显著增强轴承微弱冲击信号的冲击特征，针对轴承早期故障产生的微弱冲击进行准确定位诊断和识别。

Description

轴承故障诊断方法、系统、电子设备及存储介质
技术领域
本发明属于轴承故障诊断技术领域，具体涉及一种针对轴承早期故障产生的微弱冲击的诊断方法、系统及存储介质。
背景技术
轴承作为传动系统不可或缺的部件，在工业、运输业及军事领域都得到了广泛的运用，其运行状态的好坏将直接关系到整个设备的工作情况。轴承出现早期故障时，会产生微弱的冲击信号，共振频率通常出现在高频频带范围内，常用的时频分析方法对于微弱冲击信号具有局限性。
现有的基于时间序列的轴承诊断方法中，在奇异值分解网络SVD的基础上提出了奇异谱分解(Singular Spectrum Decomposition，SSD)，SSD克服了奇异谱方法SSA的缺陷，可以自适应选取嵌入维数的大小，并从原始时间序列中分解出若干奇异谱分量(SingularSpectrum Component，SSC)。SSD分解可以将轴承故障冲击信号分解出来，能有效提取轴承故障的信息。
SSD分解虽然可以提取轴承高频冲击信号特征，但是针对轴承早期微弱冲击信号，SSD分解具有局限性。
发明内容
本发明要解决的技术问题是：提供一种轴承故障诊断方法、系统、电子设备及存储介质，能够显著增强轴承微弱冲击信号的冲击特征，针对轴承早期故障产生的微弱冲击进行准确定位诊断和识别。
为解决上述技术问题，本发明采用如下技术方案：
一种基于OMEDA-SSD的轴承故障诊断方法，其特征在于包括以下步骤：
S1、获取轴承的原始加速度信号；
S2、根据原始加速度信号画出快速谱峭度，将所有峭度对比，得到最大谱峭度Kmax(fi，Δfm)所对应的中心频率fi和最佳带宽Δfm，根据中心频率fi和最佳带宽Δfm获取原始加速度信号的共振频率带；
S3、根据所述共振频率带设置滤波步长，将滤波步长作为参数输入OMEDA方法中，然后运用最优最小熵解卷积分解OMEDA方法对原始加速度信号进行处理；
S4、对步骤S3处理后信号进行SSD分解；
S5、获取SSD分解后每层奇异谱分量与步骤S3处理后信号的相关系数，将相关系数大于设定值的各层奇异谱分量对应值相加，得到重构加速度信号；
S6、对重构加速度信号进行包络解调，得到包络谱；
S7、根据待诊断轴承型号和/或结构参数计算出轴承特定部件或结构的特征频率；
S8、查看包络谱中轴承特征频率幅值大小，如果轴承某个特定部件或结构的特征频率幅值超出包络阈值，则这个特征频率所对应的轴承部件出现了故障。
上述技术方案中，步骤S2中，轴承共振频率带的共振频率在6400～7600Hz范围内。
上述技术方案中，步骤S3中的所述OMEDA分解通过非迭代精确计算滤波器系数，并构造一系列FIR滤波器，使得滤波后信号的D-范数最大，以获取冲击脉冲。
上述技术方案中，步骤S4中的所述SSD分解通过新形式轨迹矩阵的构建，将原始信号分解为多个频带从高到低顺序排列的奇异谱分量。
上述技术方案中，步骤S5中设定值为3。
上述技术方案中，步骤S8中轴承特征频率包括轴承的内圈、外圈、保持架、滚动体四个结构部件的特征频率。
一种基于OMEDA-SSD的轴承故障诊断系统，其特征在于至少包括：
OMEDA处理单元，用于获取轴承的原始加速度信号，根据原始加速度信号画出快速谱峭度并获取原始加速度信号的共振频率带，计算滤波步长，运用OMEDA方法对原始加速度信号进行处理；
SSD分解单元，用于对OMEDA方法处理后信号进行SSD分解，将SSD分解模型中与步骤S3处理后信号相关系数大于设定值的各层奇异谱分量对应值相加，得到重构的加速度信号；对重构加速度信号进行包络解调，得到包络谱；
故障识别单元，用于计算对应部件或结构的轴承特征频率，并将包络谱中轴承特征频率与轴承特征频率进行幅值大小比较，以识别轴承特征频率的幅值超出包络阈值的位置。
作为本方法的可实现的载体，本发明还提供一种电子设备，包括：存储器、处理器及在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
上述基于OMEDA-SSD的轴承故障诊断系统可以包括也可以不包括获取轴承的原始加速度信号的传感器件。
此外，作为本发明的可替代的实现方式，本发明还提供一种暂态或非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如上任一项所述方法的步骤。
由此，本发明的方法、系统、电子设备和存储介质，通过最优最小熵解卷积(OMED)作为前置滤波器和后置SSD分解单元组合对轴承加速度信号进行分解；获取SSD分解后每层奇异谱分量与OMEDA处理后信号的相关系数，将相关系数大于设定值的各层奇异谱分量对应值相加，得到重构加速度信号；通过对重构信号进行包络解调，并获得解调谱，将轴承特征频率带入包络谱中寻找对应频率的幅值，寻找幅值比较突出的特征频率接近的轴承位置分类，即可初步判断轴承出现故障的具体位置。
本发明相比现有技术具有以下明显的有益效果：
(1)将最优最小熵解卷积(OMED)作为前置滤波器，增强轴承微弱冲击信号的冲击特征，便于SSD将冲击信号快速分解出来进行分析，提高分解效率。
(2)本发明中最优最小熵解卷积分解OMEDA方法能突出信号中的冲击成分，并且能抑制信号中的噪声，可有效解决仅仅依靠SSD分解信号的局限性，相对于SSD分解，能够针对轴承早期微弱冲击信号进行突出分解，有效并精确识别轴承的故障部位，解决了SSD分解方法对轴承早期微弱冲击信号识别的盲区和局限性。
(3)仅仅通过提取或检测加速度信号导入本方法或系统即可获得轴承早期微弱冲击信号故障的具体位置，检测原理简单且易于实现，便于检测现场人工辅助或无人化操作。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明基于OMEDA-SSD的轴承故障诊断方法流程图。
图2是本发明方法获取的快速谱峭度图。
图3是原始信号与利用本发明方法或系统或存储介质处理后信后的对比图。
图4是根据本发明方法或系统或存储介质获取的信号包络谱图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，图1为本发明的分析方法流程图，一种基于OMEDA-SSD的轴承故障诊断方法，具体包括以下步骤：
S1、获取轴承的原始加速度信号；
S2、根据原始加速度信号画出快速谱峭度，将所有峭度对比，得到最大谱峭度Kmax(fi，Δfm)所对应的中心频率fi和最佳带宽Δfm，根据中心频率fi和最佳带宽Δfm获取原始加速度信号的共振频率带；
S3、根据所述共振频率带设置滤波步长，滤波步长作为参数输入OMEDA方法中，然后运用OMEDA方法对原始加速度信号进行处理；
S4、对步骤S3处理后信号进行SSD分解获取每层奇异谱分量；
S5、获取每层奇异谱分量与步骤S3处理后信号的相关系数，将相关系数大于0.3的各层奇异谱分量对应值相加，得到重构加速度信号；
S6、对重构加速度信号进行包络解调，得到包络谱；
S7、计算出轴承特征频率；
S8、查看包络谱中轴承特征频率幅值大小，如果某个特征频率的幅值超出包络阈值，则这个特征频率所对应的轴承部件出现了故障。
步骤S2中，根据轴承原始加速度信号画出快速谱峭度，如图2所示，其中横轴为频率，纵轴为峭度值，本发明优选获得轴承共振频率带的共振频率在6400～7600Hz范围内。
步骤S3中设置滤波步长为1200，采用OMEDA方法突出原始加速度信号中的冲击成分，如图3所示，上方为原始信号，下方为运用OMEDA方法对原始加速度信号进行处理后信号，上下图中横轴为(单位：时间/s)，纵轴为(单位：振幅/m/s2)，其中几处明显的冲击成分得到加强。本发明的OMEDA算法通过非迭代精确计算滤波器系数，构造一系列FIR滤波器，使得滤波后信号的D-范数最大，从而获取冲击脉冲，提取出故障特征。所述OMEDA具有输入参数少，不需要任何先验知识的优点。
步骤S4中，对步骤S3处理后的信号进行SSD分解，获取每层奇异谱分量与步骤S3处理后信号的相关系数，如表1所示，其中显示了根据7层每层奇异谱分量获取的7个相关系数。SSD分解通过新形式轨迹矩阵的构建，将原始信号分解为多个频带从高到低顺序排列的奇异谱分量。
表1每层奇异谱分量的相关系数
所在层 相关系数
SSC1 0.3542
SSC2 0.6625
SSC3 0.4524
SSC4 0.2687
SSC5 0.1739
SSC6 0.6321
SSC7 0.1293
由表1可知，7个相关系数中，第1至第3分量SSC1～SSC3、第6分量SSC6的相关系数大于0.3，根据步骤S5将这4个分量相加组成重构信号。
选轴承型号6314深沟球轴承作为具体诊断实例进行分析：
轴承参数：滚动体个数Z＝8，滚动体直径d＝25.4mm，轴承中径D＝110mm，接触角α＝0。转速1700r/min时轴承故障频率如表2所示，包括轴承的内圈、外圈、保持架、滚动体四个结构的特征频率。
表2轴承特征频率(Hz)
结构 内圈 外圈 保持架 滚动体
特征频率 139.5 87.2 11.3 116.2
按步骤S6对重构信号进行包络解调，并获得解调谱，如图4所示信号包络谱图，其中横轴为特征频率幅值(单位：频率/Hz)，纵轴为谱值(单位：振幅/m/s2)。
根据步骤S8，将轴承特征频率带入包络谱图中寻找对应频率的幅值，根据经验发现139Hz的幅值比较突出，由此可以初步判断轴承内圈出现故障。验证结果表明该方法能够有效识别轴承的故障部位，从而能够有效的对轴承故障进行诊断。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于OMEDA-SSD的轴承故障诊断方法，其特征在于包括以下步骤：
S1、获取轴承的原始加速度信号；
S2、根据原始加速度信号画出快速谱峭度，将所有峭度对比，得到最大谱峭度Kmax(fi，Δfm)所对应的中心频率fi和最佳带宽Δfm，根据中心频率fi和最佳带宽Δfm获取原始加速度信号的共振频率带；
S3、根据所述共振频率带设置滤波步长，将所述滤波步长作为参数输入OMEDA方法中，然后运用最优最小熵解卷积分解OMEDA方法对原始加速度信号进行处理；
S4、对步骤S3处理后信号进行SSD分解；
S5、获取SSD分解后每层奇异谱分量与步骤S3处理后信号的相关系数，将相关系数大于设定值的各层奇异谱分量对应值相加，得到重构加速度信号；
S6、对重构加速度信号进行包络解调，得到包络谱；
S7、根据待诊断轴承型号和/或结构参数计算出轴承特征频率；
S8、查看包络谱中轴承特征频率幅值大小，如果某个轴承特征频率幅值超出包络阈值，则这个特征频率所对应的轴承部件出现了故障。
2.根据权利要求1所述的基于OMEDA-SSD的轴承故障诊断方法，其特征在于步骤S2中，轴承共振频率带的共振频率在6400～7600Hz范围内。
3.根据权利要求1所述的基于OMEDA-SSD的轴承故障诊断方法，其特征在于步骤S3中的所述OMEDA分解通过非迭代精确计算滤波器系数，并构造一系列FIR滤波器，使得滤波后信号的D-范数最大，以获取冲击脉冲。
4.根据权利要求1所述的基于OMEDA-SSD的轴承故障诊断方法，其特征在于步骤S4中的所述SSD分解通过新形式轨迹矩阵的构建，将原始信号分解为多个频带从高到低顺序排列的奇异谱分量。
5.根据权利要求1所述的基于OMEDA-SSD的轴承故障诊断方法，其特征在于步骤S5中设定值为3。
6.根据权利要求1所述的基于OMEDA-SSD的轴承故障诊断方法，其特征在于步骤S8中轴承特征频率包括轴承的内圈、外圈、保持架、滚动体四个结构部件的特征频率。
7.一种基于OMEDA-SSD的轴承故障诊断系统，其特征在于至少包括：
OMEDA处理单元，用于获取轴承的原始加速度信号，根据原始加速度信号画出快速谱峭度并获取原始加速度信号的共振频率带，计算滤波步长，运用OMEDA方法对原始加速度信号进行处理；
SSD分解单元，用于对OMEDA方法处理后信号进行SSD分解，将SSD分解模型中与步骤S3处理后信号相关系数大于设定值的各层奇异谱分量对应值相加，得到重构的加速度信号；对重构加速度信号进行包络解调，得到包络谱；
故障识别单元，用于计算对应部件或结构的轴承特征频率，并将包络谱中轴承特征频率与轴承特征频率进行幅值大小比较，以识别轴承特征频率的幅值超出包络阈值的位置。
8.一种电子设备，包括：存储器、处理器及在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上权利要求1-6任一项所述方法的步骤。
9.根据权利要求8所述的电子设备，其特征在于包括或不包括获取轴承的原始加速度信号的传感器件。
10.一种暂态或非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如上权利要求1-6任一项所述方法的步骤。
CN202210488210.4A 2022-05-06 2022-05-06 轴承故障诊断方法、系统、电子设备及存储介质 Pending CN114739674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210488210.4A CN114739674A (zh) 2022-05-06 2022-05-06 轴承故障诊断方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210488210.4A CN114739674A (zh) 2022-05-06 2022-05-06 轴承故障诊断方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114739674A true CN114739674A (zh) 2022-07-12

Family

ID=82286590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210488210.4A Pending CN114739674A (zh) 2022-05-06 2022-05-06 轴承故障诊断方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114739674A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824647A (zh) * 2023-02-16 2023-03-21 南京凯奥思数据技术有限公司 基于均方差时域降采样的轴承故障诊断方法及诊断设备
CN117686226A (zh) * 2024-02-04 2024-03-12 南京凯奥思数据技术有限公司 一种基于能量比和能量和的轴承自动故障诊断方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824647A (zh) * 2023-02-16 2023-03-21 南京凯奥思数据技术有限公司 基于均方差时域降采样的轴承故障诊断方法及诊断设备
CN117686226A (zh) * 2024-02-04 2024-03-12 南京凯奥思数据技术有限公司 一种基于能量比和能量和的轴承自动故障诊断方法及系统
CN117686226B (zh) * 2024-02-04 2024-04-16 南京凯奥思数据技术有限公司 一种基于能量比和能量和的轴承自动故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN114739674A (zh) 轴承故障诊断方法、系统、电子设备及存储介质
CN110017991B (zh) 基于谱峭度和神经网络的滚动轴承故障分类方法及系统
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
CN110659621A (zh) 一种基于变分模态分解和排列熵的联合降噪方法
CN109932179B (zh) 一种基于ds自适应谱重构的滚动轴承故障检测方法
CN105067707B (zh) 一种复合材料结构的损伤监测方法、装置和系统
CN113176092B (zh) 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN107180140B (zh) 基于双树复小波与AdaBoost的轴系故障识别方法
CN109765055B (zh) 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统
CN112101174A (zh) 一种基于LOF-Kurtogram的机械故障诊断方法
CN111238813B (zh) 一种强干扰下提取滚动轴承故障特征的方法
CN110514441A (zh) 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法
CN112945546B (zh) 一种齿轮箱复杂故障精确诊断方法
CN107560850A (zh) 基于小波阈值降噪与AdaBoost的轴系故障识别方法
CN111896260B (zh) NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法
CN114112400A (zh) 一种基于多角度信息融合的机械轴承故障诊断方法
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
CN109612726A (zh) 一种用于振动信号特征提取的多重超阶分析方法
CN110987433B (zh) 一种基于高频信号特征幅值的轴承故障预警方法
CN115730199A (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
CN112945556B (zh) 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法
CN109596354B (zh) 基于自适应共振频带识别的带通滤波方法
CN112597958B (zh) 一种滚动轴承故障自动识别方法及系统
CN117828447A (zh) 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法
CN118243382A (zh) 一种用于轴承故障诊断和劣化追踪的特征指标

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