CN114894478A - 一种滚动轴承微弱故障特征提取方法 - Google Patents
一种滚动轴承微弱故障特征提取方法 Download PDFInfo
- Publication number
- CN114894478A CN114894478A CN202210708063.7A CN202210708063A CN114894478A CN 114894478 A CN114894478 A CN 114894478A CN 202210708063 A CN202210708063 A CN 202210708063A CN 114894478 A CN114894478 A CN 114894478A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- frequency band
- signal
- fault
- filter
- 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.)
- Granted
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 11
- 230000000737 periodic effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000010187 selection method Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract 2
- 230000003044 adaptive effect Effects 0.000 claims description 29
- HJXDCFUIDHJETK-UHFFFAOYSA-N 3-(2-hydroxypropyl)-5-methyl-1,3-oxazolidin-2-one Chemical compound CC(O)CN1CC(C)OC1=O HJXDCFUIDHJETK-UHFFFAOYSA-N 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000035939 shock Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种滚动轴承微弱故障特征提取方法,步骤为:构造自适应分形滤波器对滚动轴承原始微弱故障信号进行滤波,初步滤除噪声并对滚动轴承发生故障时的周期性冲击特征成分进行增强;用基于稀疏度指标的最优频带选取方法对经自适应分形滤波器滤波后的信号进行故障信息敏感频段选取;对得到的故障信息敏感频段进行包络谱分析,提取滚动轴承故障特征。本发明可以有效增强滚动轴承发生故障时的周期性冲击特征的同时,有效消除全频段包络分析时其它成分的干扰,从而更有效的提取滚动轴承微弱故障特征。本发明的自适应分形滤波器可以根据待分析信号本身构造出最优结构元素,基于稀疏度指标的最优信息敏感频段选取方法具有更强的噪声鲁棒性。
Description
技术领域
本发明涉及滚动轴承微弱故障特征提取的技术领域,尤其涉及一种滚动轴承微弱故障特征提取方法。
背景技术
滚动轴承发生早期微弱故障时,常规信号特征提取方法如包络谱分析往往难以取得好的特征提取效果,主要原因在于:(1)強背景噪声的影响:相对于干扰成分,滚动轴承发生早期微弱故障时的周期性冲击特征往往十分微弱以致被背景噪声所隐没。(2)直接对原始信号进行全频段包络谱分析时,由于多频成分的干扰,造成包络提取效果不佳。对于第一种因素的解决方案,往往需要用信号处理方法如小波分析、经验模态分解等对原始信号进行预降噪处理,但小波分析需要事先选定最优小波基,而要选取最优小波基则需要待分析信号的先验知识,这在大多实际工程中是难以实现的。经验模态分解往往存在模态混叠问题。对于第二种因素的解决方案,常规做法是基于经验值或频域图选取最优信息敏感频带,对所选频带进行包络分析以改善全频段特征提取效果,然而这样往往存在较大的偶然性或需要丰富的故障诊断经验。
申请号为201910276672.8的发明专利公开了一种滚动轴承局部损伤微弱故障特征提取方法,使用加速度传感器采集故障滚动轴承的振动信号,使用MODWPT分解原信号至不同的节点,接下来计算各节点均方包络自相关的SK,然后选取各层中不小于最大SK一半的节点信号进行MED滤波,再依据层数叠加同层所选节点的归一化频谱信息并平均,最后合并所有层的频谱,提取滚动轴承的局部损伤故障特征;该发明给出了一种强背景噪声干扰下提取滚动轴承局部损伤故障特征的方法,为实现滚动轴承的PHM早期微弱故障特征提取提供了一种有效的诊断工具。但是,上述专利由于MODWPT及后续各节点SK的计算,存在相对较大的计算量,在实际工程应用中存在时效性较差的弊端;此外,由于SK对额外偶然性冲击成分的敏感性,并不能真实反映滚动轴承发生局部损伤故障时信号的周期性冲击特征。
发明内容
针对现有信号特征提取方法存在模态混叠,且分析的偶然性较大的技术问题,本发明提出一种滚动轴承微弱故障特征提取方法,自适应分形滤波器根据信号本身构造出最优结构元素,自适应分形滤波器对原始信号进行降噪处理的同时,有效增强信号中的周期性冲击成分;然后,用基于稀疏度指标的最优信息频段选取方法对降噪后的信号进行最优频带选取;最后对所选频带进行包络分析以提取有效故障特征。
为了达到上述目的,本发明的技术方案是这样实现的:一种滚动轴承微弱故障特征提取方法,其步骤如下:
步骤一:构造自适应分形滤波器对滚动轴承原始微弱故障信号进行滤波,初步滤除噪声并对滚动轴承发生故障时的周期性冲击特征成分进行增强;
步骤二:用基于稀疏度指标的最优频带选取方法对经自适应分形滤波器滤波后的信号进行故障信息敏感频段选取;
步骤三:对步骤二得到的最优故障信息敏感频段进行包络谱分析,提取滚动轴承故障特征。
优选地,所述步骤一种自适应分形滤波器进行滤波的方法为:
①找出原始振动信号中的最大值点、最小值点;
②用三次样条插值方法对最大值点、最小值点进行拟合,得到拟合曲线;
③将拟合曲线所有相邻最小值之间的窄域波形作为分析自适应分形滤波器的结构元素形状;
④基于所得结构元素形状,构建基于MHPO算子的自适应分形滤波器对原始微弱故障信号进行滤波。
优选地,所述MHPO算子的计算公式如下:
MHPO(n)=AHDE(n)·AHCO(n)
式中,f表示待滤波的原始微弱故障信号,g为自适应分形滤波器的结构元素,n代表原始微弱故障信号的点数,Θ、和·分别表示自适应分形滤波器中的膨胀算子、侵蚀算子、开算子和闭算子;MHPO(n)表示原始微弱故障信号的MHPO算子,AHDE(n)和AHCO(n)是MHPO算子的中间计算变量。
优选地,所述故障信息敏感频段选取的方法为:
①对经自适应分形滤波器滤波后的信号进行分段处理;
②用Kurtogram算法对分段处理后的信号进行频带划分;
③计算每个频带的稀疏度指标GI;
④选取稀疏度指标最大的频带作为最优故障信息敏感频带。
优选地,所述稀疏度指标GI为:
式中,||·||1代表l1范数,N代表分段信号的个数,SEp为第p个所划分频段信号解析形式的方波包络值,SEr表示方波包络值SEp的降序排列,即:SEr[1]≤SEr[2]≤…≤SEr[N]。
优选地,所述方波包络值SE的计算公式为:
与现有技术相比,本发明的有益效果为:采用提出的自适应分形滤波器及最优信息敏感频段方法对滚动轴承微弱故障特征进行双重增强,可以快速有效增强滚动轴承发生故障时的周期性冲击特征的同时,有效消除全频段包络分析时其它成分的干扰,从而更有效的提取滚动轴承微弱故障特征。此外,本发明的自适应分形滤波器可以根据待分析信号本身构造出最优结构元素,所发明的基于稀疏度指标的最优信息敏感频段选取方法相对于峭度指标等具有更强的偶然性冲击噪声鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为滚动轴承早期微弱故障信号的时域图及包络谱图,其中,(a)为时域图,(b)为包络谱图。
图3为本发明的经自适应分形滤波器滤波后信号的时域图。
图4为本发明的最优信息敏感频段分析方法对自适应分形滤波器滤波后信号的分析结果。
图5为本发明最优信息敏感频段信号的包络及解调结果,其中,(a)为包络结果,(b)为解调结果。
具体实施方式
下面将结合本发明实施例中的附图,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付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。
如图1所示,一种滚动轴承微弱故障特征提取方法,包括如下步骤:
步骤一:构造自适应分形滤波器对滚动轴承原始微弱故障信号进行滤波,初步滤除噪声并对滚动轴承发生故障时的周期性冲击特征成分进行增强。
自适应分形滤波器进行滤波的具体过程包括:
①找出原始振动信号中的最大值点、最小值点。
②用计算效率较高的三次样条插值方法对最大值点、最小值点进行拟合,得到拟合曲线。
③将拟合曲线所有相邻最小值之间的窄域波形作为分析自适应分形滤波器的结构元素形状,用此方法可以根据待滤波信号自身时域波形特征自适应构成出最优结构元素。
④基于所得结构元素形状,构建基于MHPO算子的自适应分形滤波器对原始微弱故障信号进行滤波,其中MHPO算子计算公式如下:
MHPO(n)=AHDE(n)·AHCO(n)
式中,f表示待滤波的原始微弱故障信号,g为自适应分形滤波器的结构元素,n代表原始微弱故障信号的点数,Θ、和·分别表示自适应分形滤波器中的四种基本算子,即:膨胀算子、侵蚀算子、开算子和闭算子。MHPO(n)表示原始微弱故障信号的MHPO算子,AHDE(n)和AHCO(n)是MHPO算子的中间计算变量。AHDE(n)和AHCO(n)对原始微弱故障信号的冲击成分均具有增强效应,MHPO为二者的时域乘,可以进一步对冲击成分进行增强。
步骤二:用基于稀疏度指标的最优频带选取方法对经自适应分形滤波器滤波后的信号进行故障信息敏感频段选取。
故障信息敏感频段选取的方法为:
①对经自适应分形滤波器滤波后的信号进行分段处理。具体分段算法如下式:
N=(nseg-1)×(Lseg-Loverlap)+Lseg
式中,N表示原始信号的点数;Loverlap表示所分相邻两数据段的重叠率,本发明使用50%;nseg代表分段的个数,Lseg表示每段数据的长度。
②用Kurtogram算法对分段处理后的信号进行频带划分。
③计算每个频带的稀疏度指标GI,其具体计算过程如下:
式中,||·||1代表l1范数,N代表分段信号的个数,SEp为第p个所划分频段信号解析形式的方波包络值,SEr表示方波包络值SEp的降序排列,即:SEr[1]≤SEr[2]≤…≤SEr[N]。其中,方波包络值SE的计算公式如下:
④选取稀疏度指标最大的频带作为最优故障信息敏感频带。稀疏度指标GI越大,意味着此频段蕴含的周期性冲击特征成分越丰富,对此频段进行包络谱分析将会得到更有效的特征提取效果。
步骤三:对步骤二得到的最优故障信息敏感频段进行包络谱分析,提取滚动轴承故障特征。基于故障信息敏感频段的包络谱分析可以进一步降低全频段谱分析时噪声成分的干扰效应。
具体实例:开展滚动轴承加速疲劳全寿命周期实验,采集滚动轴承内圈早期微弱故障阶段信号;如图2所示,可以看出无论是时域还是包络谱分析,均无法反映故障特征。对采集到的早期微弱阶段振动信号进行自适应分形滤波器滤波;如图3所示为滤波后振动信号的时域图,由图3可以看出,相对于图2(a),时域上的冲击特征明显增强。对滤波后信号进行最优信息敏感频段分析,结果如图4所示。基于图4所分析结果,最佳中心频率fc=3200Hz,带宽Bw=6400,以此构建最优带通滤波器,利用最优带通滤波器对自适应分形滤波器滤波后的振动信号进行进一步滤波,对滤波后的信号进行包络(结果如图5(a)所示)及频谱分析(结果如图5(b)所示)进而提取有效故障特征:在图5(b)上,滚动轴承内圈故障特征频率245Hz及其谐频均被有效提取出来。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种滚动轴承微弱故障特征提取方法,其特征在于,其步骤如下:
步骤一:构造自适应分形滤波器对滚动轴承原始微弱故障信号进行滤波,初步滤除噪声并对滚动轴承发生故障时的周期性冲击特征成分进行增强;
步骤二:用基于稀疏度指标的最优频带选取方法对经自适应分形滤波器滤波后的信号进行故障信息敏感频段选取;
步骤三:对步骤二得到的最优故障信息敏感频段进行包络谱分析,提取滚动轴承故障特征。
2.根据权利要求1所述的滚动轴承微弱故障特征提取方法,其特征在于,所述步骤一种自适应分形滤波器进行滤波的方法为:
①找出原始振动信号中的最大值点、最小值点;
②用三次样条插值方法对最大值点、最小值点进行拟合,得到拟合曲线;
③将拟合曲线所有相邻最小值之间的窄域波形作为分析自适应分形滤波器的结构元素形状;
④基于所得结构元素形状,构建基于MHPO算子的自适应分形滤波器对原始微弱故障信号进行滤波。
4.根据权利要求1-3中任意一项所述的滚动轴承微弱故障特征提取方法,其特征在于,所述故障信息敏感频段选取的方法为:
①对经自适应分形滤波器滤波后的信号进行分段处理;
②用Kurtogram算法对分段处理后的信号进行频带划分;
③计算每个频带的稀疏度指标GI;
④选取稀疏度指标最大的频带作为最优故障信息敏感频带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708063.7A CN114894478B (zh) | 2022-06-21 | 2022-06-21 | 一种滚动轴承微弱故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708063.7A CN114894478B (zh) | 2022-06-21 | 2022-06-21 | 一种滚动轴承微弱故障特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114894478A true CN114894478A (zh) | 2022-08-12 |
CN114894478B CN114894478B (zh) | 2025-04-18 |
Family
ID=82728723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708063.7A Active CN114894478B (zh) | 2022-06-21 | 2022-06-21 | 一种滚动轴承微弱故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114894478B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115655719A (zh) * | 2022-12-29 | 2023-01-31 | 武汉科技大学 | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 |
CN118464448A (zh) * | 2024-05-13 | 2024-08-09 | 南京林业大学 | 一种强噪声干扰下的滚动轴承故障特征自适应提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
CN113514144A (zh) * | 2021-07-28 | 2021-10-19 | 郑州轻工业大学 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
CN114608827A (zh) * | 2022-03-23 | 2022-06-10 | 郑州恩普特科技股份有限公司 | 一种轴承微弱故障诊断方法 |
-
2022
- 2022-06-21 CN CN202210708063.7A patent/CN114894478B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
CN113514144A (zh) * | 2021-07-28 | 2021-10-19 | 郑州轻工业大学 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
CN114608827A (zh) * | 2022-03-23 | 2022-06-10 | 郑州恩普特科技股份有限公司 | 一种轴承微弱故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
YING LIU: "Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings", 《MEASUREMENT》, vol. 147, 26 June 2019 (2019-06-26) * |
何天远: "基于信号稀疏表示的轴承故障诊断方法研究", 中国优秀硕士论文全文数据库, 15 April 2021 (2021-04-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115655719A (zh) * | 2022-12-29 | 2023-01-31 | 武汉科技大学 | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 |
CN118464448A (zh) * | 2024-05-13 | 2024-08-09 | 南京林业大学 | 一种强噪声干扰下的滚动轴承故障特征自适应提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114894478B (zh) | 2025-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
Dong et al. | Non-iterative denoising algorithm for mechanical vibration signal using spectral graph wavelet transform and detrended fluctuation analysis | |
CN114894478A (zh) | 一种滚动轴承微弱故障特征提取方法 | |
CN108875170B (zh) | 一种基于改进变分模态分解的噪声源识别方法 | |
CN106289774A (zh) | 一种滚动轴承故障识别与趋势预测方法 | |
CN109211568A (zh) | 基于条件经验小波变换的滚动轴承故障诊断方法 | |
CN107832525A (zh) | 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用 | |
CN108801634B (zh) | 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用 | |
CN114707537B (zh) | 基于自适应vmd和优化cycbd的旋转机械故障特征提取方法 | |
Shuuji et al. | Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network | |
CN104635223A (zh) | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 | |
CN110426191B (zh) | 一种抗干扰旋转机械的故障诊断方法 | |
CN115809399A (zh) | 用于机械传动系统复合故障识别的自适应信号降噪分解方法 | |
Zhang et al. | Frequency slice graph spectrum model and its application in bearing fault feature extraction | |
CN117760713A (zh) | 基于自适应特征模态分解的旋转机械复合故障诊断方法及系统 | |
CN111623968B (zh) | 一种基于自适应形态滤波的故障特征提取方法 | |
Tian et al. | Early fault feature extraction for rolling bearings using adaptive variational mode decomposition with noise suppression and fast spectral correlation | |
CN116223043A (zh) | 基于vmd和级联随机共振联合的滚动轴承微弱信号检测方法 | |
Xue et al. | A new mechanical compound fault diagnosis method based on morphological filter and RLS | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
CN107941511B (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN112485028A (zh) | 振动信号的特征频谱提取方法及机械故障诊断分析方法 | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
CN114564981A (zh) | 一种用于风电机组特征信号提取的改进变分模态分解方法 | |
Yang et al. | Research on Fault Feature Extraction Method Based on FDM‐RobustICA and MOMEDA |
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 |