CN114894481A - 基于解卷积算法的滚动轴承故障诊断方法及系统 - Google Patents

基于解卷积算法的滚动轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN114894481A
CN114894481A CN202210421298.8A CN202210421298A CN114894481A CN 114894481 A CN114894481 A CN 114894481A CN 202210421298 A CN202210421298 A CN 202210421298A CN 114894481 A CN114894481 A CN 114894481A
Authority
CN
China
Prior art keywords
fault
rolling bearing
time domain
horizontal direction
vibration 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.)
Granted
Application number
CN202210421298.8A
Other languages
English (en)
Other versions
CN114894481B (zh
Inventor
姜明顺
王金喜
李彦君
张法业
张雷
贾磊
隋青美
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202210421298.8A priority Critical patent/CN114894481B/zh
Publication of CN114894481A publication Critical patent/CN114894481A/zh
Application granted granted Critical
Publication of CN114894481B publication Critical patent/CN114894481B/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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于解卷积算法的滚动轴承故障诊断方法及系统，包括：获取滚动轴承水平方向的时域振动信号；对于所述时域振动信号，利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向的时域振动信号；对故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。本发明有益效果：克服了最小熵解卷积方法对单一故障脉冲敏感的特性，能够对振动信号的连续故障冲击进行提取。

Description

基于解卷积算法的滚动轴承故障诊断方法及系统
技术领域
本发明涉及滚动轴承故障诊断技术领域，尤其涉及一种基于解卷积算法的滚动轴承故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
滚动轴承作为“工业的关节”，在风力涡轮机、高速列车等许多大型机械装备中发挥着至关重要的作用。但由于恶劣的工作条件和长时间运行，滚动轴承不可避免地会产生裂痕、磨损或点蚀等故障。振动分析是对滚动轴承进行故障诊断的有效途径之一。当滚动轴承发生故障时，在振动信号中往往会伴随有冲击成分的产生。但由于随机脉冲、谐波和背景噪声等不确定性干扰的存在，振动信号中的冲击成分往往会被淹没难以识别。因此，如何对滚动轴承振动信号中故障冲击成分进行特征增强以实现其故障诊断一直是滚动轴承故障诊断领域的热点问题。
解卷积方法是一类对滚动轴承振动信号中故障冲击成分进行特征增强的有效方法，它的核心思想是通过自适应地设计有限冲击响应滤波器对振动信号进行滤波处理以最大程度地保留振动信号中的故障冲击成分。
经典的解卷积算法包括最小熵解卷积和最大相关峭度解卷积两种。最小熵解卷积算法以最大化峭度为目标实现对振动信号的解卷积。但是，峭度值仅对单一故障脉冲敏感，当振动信号中故障脉冲个数增多时，峭度值随之减小，导致最小熵解卷积算法对振动信号中故障冲击特征的提取性能逐渐变差。为了能够提取振动信号中的连续故障冲击脉冲，最大相关峭度解卷积算法以最大化相关峭度为优化目标，在一定程度上克服了最小熵解卷积算法的局限性。但是，最大相关峭度解卷积算法对振动信号中故障冲击的提取性能与多个输入参数(精确的周期、移位数等)具有较强的关联性，尤其是当周期不准确时，最大相关峭度解卷积算法的性能无法得到充分的发挥。
发明内容
为了解决上述问题，本发明提出了一种基于解卷积算法的滚动轴承故障诊断方法及系统，基于最大平均冲击能量比解卷积算法进行故障冲击特征增强，克服了最小熵解卷积方法对单一故障脉冲敏感的特性，能够对振动信号的连续故障冲击进行提取。
在一些实施方式中，采用如下技术方案：
一种基于解卷积算法的滚动轴承故障诊断方法，包括：
获取滚动轴承水平方向的时域振动信号；
对于所述时域振动信号，利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向的时域振动信号；
对故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。
在另一些实施方式中，采用如下技术方案：
一种基于解卷积算法的滚动轴承故障诊断系统，包括：
数据获取模块，用于获取滚动轴承水平方向的时域振动信号；
故障冲击特征增强模块，用于对于所述时域振动信号，利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向的时域振动信号；
故障诊断模块，用于对故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于解卷积算法的滚动轴承故障诊断方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于解卷积算法的滚动轴承故障诊断方法。
与现有技术相比，本发明的有益效果是：
(1)本发明与最小熵解卷积方法相比，克服了最小熵解卷积方法对单一故障脉冲敏感的特性，能够对振动信号的连续故障冲击进行提取。
(2)本发明与最大相关峭度解卷积算法相比，不需要预先确定滚动轴承的故障周期，能够自适应地确定周期，克服实际工作条件下的转速波动等干扰，鲁棒性更强。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于最大平均冲击能量比解卷积的滚动轴承故障诊断方法流程图；
图2为本发明实施例中的外圈裂痕故障轴承示意图；
图3为本发明实施例中的滚动轴承水平方向时域振动信号示意图；
图4为本发明实施例中的通过最大冲击能量比解卷积算法进行故障冲击特征增强后的滚动轴承水平方向时域振动信号示意图；
图5为本发明实施例中的最大平均冲击能量比解卷积算法的流程图；
图6为本发明实施例中的通过最大冲击能量比解卷积算法进行故障冲击特征增强后的滚动轴承水平方向时域振动信号的包络谱；
图7为本发明实施例中的通过最大相关峭度解卷积算法进行故障冲击特征增强后的滚动轴承水平方向时域振动信号；
图8为本发明实施例中的通过最大相关峭度解卷积算法进行故障冲击特征增强后的滚动轴承水平方向时域振动信号的包络谱。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于解卷积算法的滚动轴承故障诊断方法，如图1所示，具体包括如下过程：
(1)获取滚动轴承水平方向的时域振动信号；
(2)对于所述时域振动信号，利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向的时域振动信号；
(3)对故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。
下面以滚动轴承故障模拟平台为例进行说明，该实验台包括变频调速三相异步电动机、转矩转速传感器、径向加载装置、故障测试轴承和磁粉制动器等组成。预制故障轴承外圈裂痕故障用于测试实验，如图2所示，裂痕故障宽0.2mm，深0.5mm。其中，滚动轴承故障模拟平台的具体参数如下：
三相异步电动机额定功率为1.5KW，额定转速为2840RPM。测试情况下，电动机转速为2250RPM，即37.5Hz。
故障轴承滚动体个数为13，节径为38.5mm，圆柱滚子直径为6.5mm，接触角0°，故障特征频率
Figure BDA0003607826980000051
水平方向加速度传感器的灵敏度为10.37mV/(m/s2)，垂直方向加速度传感器的灵敏度为10.66mV/(m/s2)。
采用图1所示的方法对滚动轴承水平方向时域振动信号进行分析，确定滚动轴承的故障类型，即图3所示滚动轴承水平方向时域振动信号对应的故障类型为图2所示的滚动轴承裂痕故障。
本实施例中，利用加速度传感器采集滚动轴承水平方向时域振动信号。加速度传感器的采样频率为25.6KHz，采样时长为1.28s。采集得到的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000061
如图3所示。其中，xi为滚动轴承水平方向时域振动信号
Figure BDA0003607826980000062
中的第i个采样点幅值，1≤i≤N，N为信号的采样点个数，本实施例中为N＝32768。
对采集的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000063
利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000064
其中，yi为滚动轴承水平方向时域振动信号
Figure BDA0003607826980000065
中的第i个采样点幅值，1≤i≤N，N为信号的采样点个数，本实施例中为N＝32768。
最大平均冲击能量比解卷积算法的目标为最大化平均冲击能量比：
Figure BDA0003607826980000066
其中，
Figure BDA0003607826980000067
为故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000068
第n个故障周期所包含的采样点
Figure BDA0003607826980000069
Figure BDA00036078269800000610
为
Figure BDA00036078269800000611
的冲击能量比，其表达式为：
Figure BDA00036078269800000612
NT为故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA00036078269800000613
中所包含完整故障周期的个数，NT＝floor(N/Tc)；Tc为故障周期；
Figure BDA00036078269800000614
为
Figure BDA00036078269800000615
的欧几里得范数，其表达式为：
Figure BDA00036078269800000616
具体过程如图5所示，可以描述如下：
首先需要预先设定初始化滤波器
Figure BDA00036078269800000617
的长度L＝400、系数
Figure BDA0003607826980000071
参数β和a的确定方式为：在β∈[0.1,1](步距0.01)和a∈[0.1,1](步距0.01)范围内，利用网格搜索算法组成不同的初始化滤波器
Figure BDA0003607826980000072
对滚动轴承水平方向时域振动信号
Figure BDA0003607826980000073
进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000074
计算故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000075
平均冲击能量比
Figure BDA0003607826980000076
选取平均冲击能量比最大值所对应的为β和a初始化滤波器
Figure BDA0003607826980000077
的β和a。通过上述方法计算得到：β＝0.2，a＝0.3。设定收敛阈值ε＝0.02。
利用初始化滤波器对滚动轴承水平方向时域振动信号进行滤波操作，获得故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000078
利用其包络信号的平均峭度AK(τ)自适应确定故障周期点数Tc，利用由
Figure BDA0003607826980000079
更新滤波器
Figure BDA00036078269800000710
的系数。其中，A和
Figure BDA00036078269800000711
的值的确定方式为：
Figure BDA00036078269800000712
Figure BDA00036078269800000713
利用更新后的滤波器对滚动轴承水平方向时域振动信号进行滤波操作，获得第2次迭代后故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA00036078269800000714
并且根据第i次迭代后故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA00036078269800000715
利用AK(τ)进行故障周期点数Tc地自适应确定。重复操作，当前后两次迭代滤波器系数之间的差值
Figure BDA0003607826980000081
(其中，std(·)表示标准差，
Figure BDA0003607826980000082
和
Figure BDA0003607826980000083
分别表示此次迭代和上一次迭代的滤波器系数。)小于收敛阈值ε＝0.02时，停止迭代。
每次迭代过程中利用AK(τ)自适应确定故障周期Tc的方式如下：对上一次迭代后所得的故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000084
进行包络解调，获得其包络信号
Figure BDA0003607826980000085
计算包络信号
Figure BDA0003607826980000086
在Tc＝τ时的平均峭度AK(τ)，选择平均峭度AK(τ)最大值时所对应的τ值为故障周期Tc。包络信号在Tc＝τ时的平均峭度计算公式为：
Figure BDA0003607826980000087
其中，N为信号的采样点数，zj表示包络信号的第j个数据点，floor(·)为向下取整操作，NT为包络信号包含故障周期的个数，Kn为峭度。
此时的滤波器系数为最终的滤波器系数
Figure BDA0003607826980000088
并以此对滚动轴承水平方向时域振动信号
Figure BDA0003607826980000089
进行滤波操作，获得故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA00036078269800000810
故障冲击特征增强后的滚动轴承水平方向时域振动信号如图4所示。
对故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA00036078269800000811
进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA00036078269800000812
的包络谱如图6所示。从图6中，可以非常清楚地看出202.3Hz、405.5Hz和607.8Hz，这与外圈故障特征频率202.6Hz的1倍频(202.6Hz)、2倍频(405.2Hz)和3倍频(607.8Hz)非常接近，可以判断出该滚动轴承为外圈裂痕故障。
为了对比证明该基于最大平均冲击能量比解卷积的滚动轴承故障诊断方法的有效性，对比最大相关峭度解卷积算法对滚动轴承外圈故障的诊断性能，如图7和图8所示。图7为滚动轴承水平方向时域振动信号通过最大相关峭度解卷积算法进行故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000091
图8为滚动轴承水平方向时域振动信号通过最大相关峭度解卷积算法进行故障冲击特征增强后的滚动轴承水平方向时域振动信号
Figure BDA0003607826980000092
的包络谱，从图8中可以看到接近1倍外圈故障特征频率的202.3Hz和773.4Hz，然而773.4Hz不属于故障特征频率202.6Hz的整数倍频。
通过上述对比过程，证明了本实施例基于最大平均冲击能量比解卷积的滚动轴承故障诊断方法的有效性。
实施例二
在一个或多个实施方式中，公开了一种基于解卷积算法的滚动轴承故障诊断系统，具体包括：
数据获取模块，用于获取滚动轴承水平方向的时域振动信号；
故障冲击特征增强模块，用于对于所述时域振动信号，利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向的时域振动信号；
故障诊断模块，用于对故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于解卷积算法的滚动轴承故障诊断方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于解卷积算法的滚动轴承故障诊断方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于解卷积算法的滚动轴承故障诊断方法，其特征在于，包括：
获取滚动轴承水平方向的时域振动信号；
对于所述时域振动信号，利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向的时域振动信号；
对故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。
2.如权利要求1所述的一种基于解卷积算法的滚动轴承故障诊断方法，其特征在于，所述最大平均冲击能量比解卷积算法的目标为最大化平均冲击能量比。
3.如权利要求2所述的一种基于解卷积算法的滚动轴承故障诊断方法，其特征在于，所述最大化平均冲击能量比的过程，包括：
初始化滤波器；
利用滤波器对滚动轴承水平方向时域振动信号进行滤波操作，获得故障冲击特征增强后的滚动轴承水平方向时域振动信号；利用包络信号的平均峭度自适应确定故障周期，基于所述故障周期更新滤波器系数；重复本过程，直至满足迭代终止条件；
得到最终的滤波器系数和故障冲击特征增强后的滚动轴承水平方向时域振动信号。
4.如权利要求3所述的一种基于解卷积算法的滚动轴承故障诊断方法，其特征在于，所述初始化滤波器系数的确定方法为：
在设定的范围内，利用网格搜索算法组成不同的初始化滤波器，对滚动轴承水平方向时域振动信号进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向时域振动信号；
计算故障冲击特征增强后的滚动轴承水平方向时域振动信号的平均冲击能量比，选取平均冲击能量比最大值所对应的参数作为初始化滤波器的系数。
5.如权利要求3所述的一种基于解卷积算法的滚动轴承故障诊断方法，其特征在于，利用包络信号的平均峭度自适应确定故障周期，具体包括：
对上一次迭代后所得的故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络解调，获得其包络信号，计算包络信号在Tc＝τ时的平均峭度AK(τ)，选择平均峭度AK(τ)最大值时所对应的τ值作为故障周期Tc。
6.如权利要求3所述的一种基于解卷积算法的滚动轴承故障诊断方法，其特征在于，基于所述故障周期更新滤波器系数，具体包括：
利用故障周期点数Tc和故障确定冲击特征增强后的滚动轴承水平方向时域振动信号确定A和
Figure FDA0003607826970000021
的值：由
Figure FDA0003607826970000022
更新滤波器
Figure FDA0003607826970000023
的系数。
7.如权利要求3所述的一种基于解卷积算法的滚动轴承故障诊断方法，其特征在于，当前后两次迭代滤波器系数之间的差值小于设定的阈值时，停止迭代。
8.一种基于解卷积算法的滚动轴承故障诊断系统，其特征在于，包括：
数据获取模块，用于获取滚动轴承水平方向的时域振动信号；
故障冲击特征增强模块，用于对于所述时域振动信号，利用最大平均冲击能量比解卷积算法进行故障冲击特征增强，获得故障冲击特征增强后的滚动轴承水平方向的时域振动信号；
故障诊断模块，用于对故障冲击特征增强后的滚动轴承水平方向时域振动信号进行包络谱分析，提取故障特征频率，将提取的故障特征频率与理论故障特征频率进行匹配，根据匹配结果确定滚动轴承的故障类型。
9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于解卷积算法的滚动轴承故障诊断方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于解卷积算法的滚动轴承故障诊断方法。
CN202210421298.8A 2022-04-21 2022-04-21 基于解卷积算法的滚动轴承故障诊断方法及系统 Active CN114894481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210421298.8A CN114894481B (zh) 2022-04-21 2022-04-21 基于解卷积算法的滚动轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210421298.8A CN114894481B (zh) 2022-04-21 2022-04-21 基于解卷积算法的滚动轴承故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN114894481A true CN114894481A (zh) 2022-08-12
CN114894481B CN114894481B (zh) 2023-02-17

Family

ID=82718478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210421298.8A Active CN114894481B (zh) 2022-04-21 2022-04-21 基于解卷积算法的滚动轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114894481B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304648A (zh) * 2023-05-23 2023-06-23 北京化工大学 基于优化脉冲增强与包络同步平均的齿轮故障识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694298A (zh) * 2018-07-04 2018-10-23 温州大学 一种轴向柱塞泵轴承内圈与外圈故障诊断方法
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
CN109612732A (zh) * 2019-01-24 2019-04-12 北华大学 一种基于解卷积和包络谱的滚动轴承故障诊断方法
CN112507769A (zh) * 2020-08-10 2021-03-16 北京化工大学 一种基于仿真传感器谐振增强特征的轴承故障诊断方法
CN114124038A (zh) * 2021-11-11 2022-03-01 大连理工大学 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法
CN114216676A (zh) * 2021-11-30 2022-03-22 上海海事大学 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694298A (zh) * 2018-07-04 2018-10-23 温州大学 一种轴向柱塞泵轴承内圈与外圈故障诊断方法
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
CN109612732A (zh) * 2019-01-24 2019-04-12 北华大学 一种基于解卷积和包络谱的滚动轴承故障诊断方法
CN112507769A (zh) * 2020-08-10 2021-03-16 北京化工大学 一种基于仿真传感器谐振增强特征的轴承故障诊断方法
CN114124038A (zh) * 2021-11-11 2022-03-01 大连理工大学 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法
CN114216676A (zh) * 2021-11-30 2022-03-22 上海海事大学 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张洪梅等: "自适应MCKD和CEEMDAN的滚动轴承微弱故障特征提取", 《电子测量与仪器学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304648A (zh) * 2023-05-23 2023-06-23 北京化工大学 基于优化脉冲增强与包络同步平均的齿轮故障识别方法
CN116304648B (zh) * 2023-05-23 2023-08-29 北京化工大学 基于优化脉冲增强与包络同步平均的齿轮故障识别方法

Also Published As

Publication number Publication date
CN114894481B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
Sobie et al. Simulation-driven machine learning: Bearing fault classification
CN106487359B (zh) 基于自适应多尺度AVG-Hat变换的形态学滤波器的构造方法
Kumar et al. Tacho-less sparse CNN to detect defects in rotor-bearing systems at varying speed
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
Khan et al. Automated bearing fault diagnosis using 2D analysis of vibration acceleration signals under variable speed conditions
Jiménez-Guarneros et al. Diagnostic of combined mechanical and electrical faults in ASD-powered induction motor using MODWT and a lightweight 1-D CNN
CN114894481B (zh) 基于解卷积算法的滚动轴承故障诊断方法及系统
CN114896559B (zh) 一种基于排列熵的自适应噪声完备集合经验模式分解方法
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN111678691A (zh) 基于改进的稀疏分解算法的齿轮故障检测方法
Yan et al. Tacholess skidding evaluation and fault feature enhancement base on a two-step speed estimation method for rolling bearings
CN114813123A (zh) 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法
CN117288468A (zh) 一种基于erk的优化vmd的滚动轴承故障诊断方法
CN115452377B (zh) 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法
CN116933059A (zh) 一种融合方差与1d-lbp的故障识别方法
Kumar et al. Signal processing for enhancing impulsiveness toward estimating location of multiple roller defects in a taper roller bearing
CN114486252B (zh) 一种矢量模极大值包络的滚动轴承故障诊断方法
CN114021275B (zh) 一种基于深度卷积模糊系统的滚动轴承故障诊断方法
CN109241147B (zh) 一种用于评估统计值变异性的方法
CN112613573A (zh) 一种基于自适应终止准则omp的滚动轴承故障诊断方法
Han et al. A review of methodologies used for fault diagnosis of gearbox
CN111042802A (zh) 一种抽油机故障诊断方法、装置及系统
Ye et al. Bearing fault diagnosis under non-stationary conditions based on a speed signal resonance component demodulation algorithm
CN116610939B (zh) Coiflet离散小波下非对称罚稀疏正则化脉冲提取方法
Sun et al. Intelligent mechanical fault diagnosis based on multiwavelet adaptive threshold denoising and MPSO

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