CN114923689A - 一种基于局部特征尺度分解的滚动轴承故障诊断方法 - Google Patents

一种基于局部特征尺度分解的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN114923689A
CN114923689A CN202210305525.0A CN202210305525A CN114923689A CN 114923689 A CN114923689 A CN 114923689A CN 202210305525 A CN202210305525 A CN 202210305525A CN 114923689 A CN114923689 A CN 114923689A
Authority
CN
China
Prior art keywords
fault
rolling bearing
isc
signal
iscs
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
CN202210305525.0A
Other languages
English (en)
Inventor
王磊
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202210305525.0A priority Critical patent/CN114923689A/zh
Publication of CN114923689A publication Critical patent/CN114923689A/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
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于局部特征尺度分解(LCD)的滚动轴承故障诊断方法，从实验装置上采集滚动轴承的四种状态下的原始振动信号，利用LCD方法将原始信号分解成若干内禀尺度分量(ISCs)，通过计算峭度和K‑C相关系数筛选出有效的ISCs，完成有效ISCs分量的重构，获得重构故障信号，然后将重构后的信号进行包络解调，提取滚动轴承的故障特征，最后将提取的故障信息与故障理论值进行对比，判断轴承是否发生故障以及故障的类型。本发明提供的基于局部特征尺度分解的故障诊断方法易于实现，为轴承及旋转机械设备的安全运行提供了可靠的判断依据。

Description

一种基于局部特征尺度分解的滚动轴承故障诊断方法
技术领域
本发明属于轴承故障监测、诊断领域，尤其涉及一种局部特征尺度分解的滚动轴承故障诊断方法。
背景技术
滚动轴承是一种旋转机械的部件，广泛应用于各行各业。滚动轴承是旋转机械系统的关键零部件，具有承重，减小摩擦，传递扭矩等作用。因此，滚动轴承的好坏直接影响机械设备的安全性，为了避免滚动轴承引起的安全性问题，对滚动轴承的监测和诊断是非常有必要的。
滚动轴承通常工作环境恶劣，容易受到噪声的干扰，轴承的故障信息容易被干扰因素影响，产生的振动信号是非平稳信号。采集到的振动信息包含大量复杂的成分，无法直接提取滚动轴承的故障信息，传统的故障诊断方法如经验模态分解、共振解调方法对轴承的提取效果较差。
局部特征尺度分解(LCD)可以将信号分解成若干的内禀尺度分量(ISCs), 通过筛选有效的ISC分量，利用筛选出的有效ISC分量重构信号，能够快速和精确的提取原始振动信号中的特征频率，LCD分解在减小端点效应和迭代时间上都要优于传统的故障诊断方法。
发明内容
针对现有技术的缺陷，本发明的目的是提供一种基于局部特征尺度分解(LCD) 的轴承故障诊断方法，选取有效的内禀尺度分量(ISCs)重构含有故障特征信息的信号，对重构信号进行包络解调，提取故障信息，能够有效的提高故障诊断的精度和准确度。
本发明采用的技术方案为：一种基于局部特征尺度分解(LCD)的轴承故障诊断方法，该方法包括如下步骤：
步骤1：在所述滚动轴承座安装故障轴承，且每个轴承的故障情况均不相同；
步骤2：启动所述驱动电机，通过旋转驱动电机的旋钮改变驱动电机的转速，从而改变滚动轴承的转动速度；
步骤3：通过所述滚动轴承座上方的振动传感器即可测得故障轴承的故障信号，完成对滚动轴承故障信号的采集；
步骤4：通过步骤3所得故障信号分析出含有故障的振动信号；
步骤5：采用局部特征尺度分解(LCD)算法对步骤4所得振动信号进行分解，分解得到若干内禀尺度分量(ISCs)；
步骤6：计算局部特征尺度分解(LCD)所得的若干内禀尺度分量(ISCs) 和原始振动信号的相关系数以及若干内禀尺度分量(ISCs)的峭度值，选取相关系数和峭度值较大的内禀尺度分量(ISCs)进行信号重构，得到重构信号；
步骤7：运用Hilbert变换进行包络解调，实现对步骤6所得重构信号的包络谱分析；
步骤8：将步骤7所得包络谱分析进行频域变换得到精确的轴承故障特征信息，并将其与它的故障特征频率比对，实现故障判断。
优选的，对实验装置的轴承故障进行判别的计算过程如下：
1)确定原始信号x(t)的极值点以及各个极值点对应的时间Tk,k＝1,2…,n，其中：aAk+1+(1-a)xk+1＝0,a∈(0,1)，一般a取0.5；
2)通过步骤1)求得Ak，计算相邻的极大(或极小)值点 (Tk,xk)、(Tk+1，xk+1)，确定直线Lk＝aAk+(1-a)xk，其中k取2,3，…n-1；
3)采用三次样条函数拟合所有的L1，L2,，…Ln，得到均值曲线BL(t)；
4)将均值曲线BL(t)从原始信号x(t)中分离，即h1(t)＝x(t)-BL(t)，若h1(t)满足条件，则h1(t)记为第一个ISC分量。否则重复上述的步骤直至符合成为 ISC的条件为止，并记h1(t)＝ISC1；
5)将ISC1分量从原始信号x(t)中分离，即u1(t)＝x(t)-ISC1，将u1(t)作为新的原始信号，重复上述步骤1)～4)，直至un(t)为单调函数或常函数，依次得到ISC分量ISC1，ISC2…ISCn和趋势项un(t)；
6)原始信号x(t)被分解成n个ISC和一个趋势项ISC1，ISC2…ISCn之和，即
Figure RE-GDA0003745631290000031
其次，计算局部特征尺度分解(ISC)所得得到若干内禀尺度分量(ISCs)，计算峭度和K-C相关系数筛选出有效的ISCs，原始信号和ISC分量之间的峭度值K的计算公式为：
Figure RE-GDA0003745631290000032
计算若干内禀尺度分量(ISCs) 的K-C相关系数：K-C＝log2(1+aK+bC)，式中a和b分别是峭度K和相关系数C的权重系数，且a+b＝1。
再次，利用筛选出的有效ISC分量重构信号，对重构信号进行包络解调，提取滚动轴承的故障特征。
最后，计算滚动轴承的内圈故障和外圈故障特征频率的理论值，内圈故障的计算公式为：
Figure RE-GDA0003745631290000033
外圈故障的计算公式为：
Figure RE-GDA0003745631290000034
其中n表示滚动体个数，d表示滚动体直径，D表示节圆直径，α表示轴承接触角，将理论值与计算的故障特征频率相对比，确定故障类型。
优选的，所述滚动轴承座上依次安装正常状态的滚动轴承、内圈故障的滚动轴承、外圈故障的滚动轴承，通过数据采集系统获取不同状态下的轴承的振动数据。
优选的，所述的数据采集系统在不同的故障状态下，发生的故障越严重，从获取的振动信号提取出来的故障频率与理论值更接近，容易识别出轴承的故障类型。
与现有技术相比，本发明的有益效果是：
1、本发明充分发挥局部特征尺度分解(LCD)在信号分解方面的优越性，改善了传统分解方法存在的端点效应以及模态混叠的缺点，局部特征尺度分解(LCD)在频率分辨能力方面明显优于传统分解方法。
2、本发明提供的滚动轴承的特征提取方法步骤简洁明了，算法及程序容易实现，能够自适应提取滚动轴承的故障特征频率，为旋转类设备的安全运行提供了可靠的判断依据。
附图说明
图1为本发明实施例中滚动轴承故障诊断方法的流程图；
图2为本发明实施例中实验装置结构示意图，其中1为驱动电机，2为联轴器， 3为滚动轴承座，4为传感器，5为数据采集卡；
图3为本发明实施例中的原始信号经局部特征尺度分解(LCD)的分解图；
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
在本发明实例中，如图1所示，本发明提供的基于局部特征尺度分解的滚动轴承故障诊断方法，包含以下步骤：
步骤1：在所述滚动轴承座安装故障轴承，且每个轴承的故障情况均不相同；
步骤2：启动所述驱动电机，通过旋转驱动电机的旋钮改变驱动电机的转速，从而改变滚动轴承的转动速度；
步骤3：通过所述滚动轴承座上方的振动传感器即可测得故障轴承的故障信号，完成对滚动轴承故障信号的采集；
步骤4：通过步骤3所得故障信号分析出含有故障的振动信号；
步骤5：采用局部特征尺度分解(LCD)算法对步骤4所得振动信号进行分解，分解得到若干内禀尺度分量(ISCs)；
步骤6：计算局部特征尺度分解(LCD)所得的若干内禀尺度分量(ISCs) 和原始振动信号的相关系数以及若干内禀尺度分量(ISCs)的峭度值，选取相关系数和峭度值较大的内禀尺度分量(ISCs)进行信号重构，得到重构信号；
步骤7：运用Hilbert变换进行包络解调，实现对步骤6所得重构信号的包络谱分析；
步骤8：将步骤7所得包络谱分析进行频域变换得到精确的轴承故障特征信息，并将其与它的故障特征频率比对，实现故障判断。
对实验装置的轴承故障进行判别的计算过程，如图2：
1)确定原始信号x(t)的极值点以及各个极值点对应的时间Tk,k＝1,2…,n，其中：aAk+1+(1-a)xk+1＝0,a∈(0,1)，一般a取0.5；
2)通过步骤1)求得Ak，计算相邻的极大(或极小)值点 (Tk,xk)、(Tk+1，xk+1)，确定直线Lk＝aAk+(1-a)xk，其中k取2,3，…n-1；
3)采用三次样条函数拟合所有的L1，L2,，…Ln，得到均值曲线BL(t)；
4)将均值曲线BL(t)从原始信号x(t)中分离，即h1(t)＝x(t)-BL(t)，若h1(t)满足条件，则h1(t)记为第一个ISC分量。否则重复上述的步骤直至符合成为 ISC的条件为止，并记h1(t)＝ISC1；
5)将ISC1分量从原始信号x(t)中分离，即u1(t)＝x(t)-ISC1，将u1(t)作为新的原始信号，重复上述步骤1)～4)，直至un(t)为单调函数或常函数，依次得到ISC分量ISC1，ISC2…ISCn和趋势项un(t)；
6)原始信号x(t)被分解成n个ISC和一个趋势项ISC1，ISC2…ISCn之和，即
Figure RE-GDA0003745631290000051
其次，计算局部特征尺度分解(ISC)所得得到若干内禀尺度分量(ISCs)，如图3，计算峭度和K-C相关系数筛选出有效的ISCs，原始信号和ISC 分量之间的峭度值K的计算公式为：
Figure RE-GDA0003745631290000052
计算若干内禀尺度分量(ISCs)的K-C相关系数：K-C＝log2(1+aK+bC)，式中a和b分别是峭度K和相关系数C的权重系数，且a+b＝1。
再次，利用筛选出的有效ISC分量重构信号，对重构信号进行包络解调，提取滚动轴承的故障特征。
最后，计算滚动轴承的内圈故障和外圈故障特征频率的理论值，内圈故障的计算公式为：
Figure RE-GDA0003745631290000061
外圈故障的计算公式为：
Figure RE-GDA0003745631290000062
其中n表示滚动体个数，d表示滚动体直径，D表示节圆直径，α表示轴承接触角，将理论值与计算的故障特征频率相对比，确定故障类型。
在滚动轴承座上依次安装正常状态的滚动轴承、内圈故障的滚动轴承、外圈故障的滚动轴承，通过数据采集系统获取不同状态下的轴承的振动数据。
在不同的故障状态下，发生的故障越严重，从获取的振动信号提取出来的故障频率与理论值更接近，容易识别出轴承的故障类型。
以上对本发明的具体实施例中进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围做出各种变形或修改，这并不影响本发明的实质内容。

Claims (4)

1.一种基于局部特征尺度分解的滚动轴承故障诊断方法，获取实验装置轴承的原始故障信号，其特征在于：
所述实验装置包括工作台、驱动电机、联轴器、滚动轴承座、振动传感器以及数据采集系统；所述电机、联轴器以及滚动轴承座均安装在工作台上；所述联轴器与所述驱动电机控制连接，所述驱动电机的输出端通过联轴器与滚动轴承座相连，从而实现故障轴承的滚动；所述振动传感器安装在所述的滚动轴承座的上方，通过信号线将采集到的振动信号传送至数据采集系统；
所述局部特征尺度分解的滚动轴承故障诊断方法，包括以下步骤：
步骤1：在所述滚动轴承座安装故障轴承，且每个轴承的故障情况均不相同；
步骤2：启动所述驱动电机，通过旋转驱动电机的旋钮改变驱动电机的转速，从而改变滚动轴承的转动速度；
步骤3：通过所述滚动轴承座上方的振动传感器即可测得故障轴承的故障信号，完成对滚动轴承故障信号的采集；
步骤4：通过步骤3所得故障信号分析出含有故障的振动信号；
步骤5：采用局部特征尺度分解(LCD)算法对步骤4所得振动信号进行分解，分解得到若干内禀尺度分量(ISCs)；
步骤6：计算局部特征尺度分解(LCD)所得的若干内禀尺度分量(ISCs)和原始振动信号的相关系数以及若干内禀尺度分量(ISCs)的峭度值，选取相关系数和峭度值较大的内禀尺度分量(ISCs)进行信号重构，得到重构信号；
步骤7：运用Hilbert变换进行包络解调，实现对步骤6所得重构信号的包络谱分析；
步骤8：将步骤7所得包络谱分析进行频域变换得到精确的轴承故障特征信息，并将其与它的故障特征频率比对，实现故障判断。
2.根据权利要求1所述一种基于局部特征尺度分解的滚动轴承故障诊断方法，其特征在于：对滚动轴承进行故障判别的计算过程如下：
首先，采用局部特征尺度分解(LCD)对故障轴承的振动信号进行分解，得到若干内禀尺度分量(ISCs)，局部特征尺度分解(LCD)的过程如下：
1)确定原始信号x(t)的极值点以及各个极值点对应的时间Tk,k＝1,2…,n，其中：aAk+1+(1-a)xk+1＝0,a∈(0,1)，一般a取0.5；
2)通过步骤1)求得Ak，计算相邻的极大(或极小)值点(Tk,xk)、(Tk+1，xk+1)，确定直线Lk＝aAk+(1-a)xk，其中k取2,3，…n-1；
3)采用三次样条函数拟合所有的L1，L2,，…Ln，得到均值曲线BL(t)；
4)将均值曲线BL(t)从原始信号x(t)中分离，即h1(t)＝x(t)-BL(t)，若h1(t)满足条件，则h1(t)记为第一个ISC分量。否则重复上述的步骤直至符合成为ISC的条件为止，并记h1(t)＝ISC1；
5)将ISC1分量从原始信号x(t)中分离，即u1(t)＝x(t)-ISC1，将u1(t)作为新的原始信号，重复上述步骤1)～4)，直至un(t)为单调函数或常函数，依次得到ISC分量ISC1，ISC2…ISCn和趋势项un(t)；
6)原始信号x(t)被分解成n个ISC和一个趋势项ISC1，ISC2…ISCn之和，即
Figure RE-FDA0003745631280000021
其次，计算局部特征尺度分解(ISC)所得得到若干内禀尺度分量(ISCs)，计算峭度和K-C相关系数筛选出有效的ISCs，原始信号和ISC分量之间的峭度值K的计算公式为：
Figure RE-FDA0003745631280000022
计算若干内禀尺度分量(ISCs)的K-C相关系数：K-C＝log2(1+aK+bC)，式中a和b分别是峭度K和相关系数C的权重系数，且a+b＝1。
再次，利用筛选出的有效ISC分量重构信号，对重构信号进行包络解调，提取滚动轴承的故障特征。
最后，计算滚动轴承的内圈故障和外圈故障特征频率的理论值，内圈故障的计算公式为：
Figure RE-FDA0003745631280000023
外圈故障的计算公式为：
Figure RE-FDA0003745631280000031
其中n表示滚动体个数，d表示滚动体直径，D表示节圆直径，α表示轴承接触角，将理论值与计算的故障特征频率相对比，确定故障类型。
3.根据权利要求1所述一种基于局部特征尺度分解的滚动轴承故障诊断方法，其特征在于：在滚动轴承座上依次安装正常状态的滚动轴承、内圈故障的滚动轴承、外圈故障的滚动轴承，通过数据采集系统获取不同状态下的轴承的振动数据。
4.根据权利要求2所述一种基于局部特征尺度分解的滚动轴承故障诊断方法，其特征在于：在不同的故障状态下，发生的故障越严重，从获取的振动信号提取出来的故障频率与理论值更接近，容易识别出轴承的故障类型。
CN202210305525.0A 2022-03-25 2022-03-25 一种基于局部特征尺度分解的滚动轴承故障诊断方法 Pending CN114923689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210305525.0A CN114923689A (zh) 2022-03-25 2022-03-25 一种基于局部特征尺度分解的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210305525.0A CN114923689A (zh) 2022-03-25 2022-03-25 一种基于局部特征尺度分解的滚动轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN114923689A true CN114923689A (zh) 2022-08-19

Family

ID=82804952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210305525.0A Pending CN114923689A (zh) 2022-03-25 2022-03-25 一种基于局部特征尺度分解的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN114923689A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115876511A (zh) * 2022-12-29 2023-03-31 郑州机械研究所有限公司 一种旋转机械的故障确定方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115876511A (zh) * 2022-12-29 2023-03-31 郑州机械研究所有限公司 一种旋转机械的故障确定方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Yang et al. Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
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
CN109187023B (zh) 一种汽车发电机轴承故障诊断方法
CN109883706B (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
CN109946081B (zh) 一种用于变转速下滚动轴承打滑时的故障诊断方法
CN110991564B (zh) 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法
CN111089726A (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
Chen et al. Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction
CN109605128B (zh) 一种基于功率谱熵差的铣削颤振在线检测方法
CN113654798A (zh) 故障诊断方法、装置及电子设备
CN114486263B (zh) 一种旋转机械滚动轴承振动信号降噪解调方法
CN110987431B (zh) 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法
CN114923689A (zh) 一种基于局部特征尺度分解的滚动轴承故障诊断方法
CN117836599A (zh) 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统
CN115017953A (zh) 基于密度峰值聚类的稀疏分量分析的机械故障诊断方法
CN117109923A (zh) 一种滚动轴承故障诊断方法及系统
CN111855192B (zh) 一种用于编码器信号去噪的奇异值分解方法
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
CN112345247B (zh) 一种滚动轴承的故障诊断方法及装置
CN116361733A (zh) 一种故障诊断方法、装置、系统以及存储介质
CN113820133B (zh) 一种轴承振动信号的稀疏重构方法及其系统
CN116026591A (zh) 张量奇异谱分解方法
CN109916624B (zh) 一种基于希尔伯特黄的滚珠丝杠副疲劳失效诊断方法
Ma et al. Envelope demodulation method based on SET for fault diagnosis of rolling bearings under variable speed

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication