CN114923690A - 一种高精度轴承故障特征频率估计诊断方法 - Google Patents

Abstract

本发明公开了一种高精度轴承故障特征频率估计诊断方法，包括：步骤1：采集轴承故障振动原始信号数据，将数据进行分段预处理；步骤2：对原始信号有用数据进行时频域表示：观察有用数据段的频谱特征分布，判断故障特征频谱幅值A是否处于最大值A_max；步骤3：构建高精度频率估计算法，以Rife算法作为粗估计的初始值，然后进行二次估计和精估计；步骤4：采用构建的高精度频率估计算法，对轴承故障特征滤波信号数据进行频率估计；步骤5：计算轴承理论特征故障频率值，并与估计值进行偏差比较。本发明对轴承故障特征频率的估计具有优质的精确性和高效性。

Description

一种高精度轴承故障特征频率估计诊断方法

技术领域

本发明属于轴承振动故障诊断技术领域，涉及一种高精度轴承故障特征频率估计诊断方法。

背景技术

频谱分析在现代信号处理领域有着重要地位，在进行信号的参数估计时经常都要使用到频谱分析技术，其优点是能够通过少量的采样数据精确地估计出信号的各项参数。旋转机械中轴承振动容易出现裂纹、破损等故障，振动信号可以通过振动传感器等设备适时采集，用以准确反映机械设备工作状态。如何从振动信号中提取能够准确反映机械故障特征的有效信息，并确定故障类型和工作状态，是机械故障诊断的主要研究内容。

含有故障特征的旋转机械设备工作环境通常非常复杂，振动源较多，背景噪声强烈，利用现场测得的机械振动信号通常是强背景噪声下的多分量、非平稳复杂振动信号。所以其故障特征提取故障诊断的信号处理方法，对准确率和诊断效果有更高的要求。

现有的故障诊断方法对故障特征频率的诊断精度要求较低，经常出现一些误诊现象，降低机械工作效率等危害。本发明提出的高精度轴承故障特征频率估计诊断方法主要用于提高轴承故障特征频率的诊断精度和效率，减低误诊率。

目前，基于离散傅里叶变换的频率插值估计方法容易受到噪声影响，导致插值误差较大、估计精度低，而精度高、效率好的频率估计精度方法在实际应用中具有很高的应用价值，因此高精度频率估计方法在旋转机械故障诊断中也具有重要意义。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种高精度轴承故障特征频率估计诊断方法，该方法将含噪振动信号作为目标，对其进行了三次偏差估计计算，即粗略估计、偏移估计和精确估计。用构建的高精度频率估计算法，对轴承故障特征信号数据进行频率估计，计算轴承理论特征故障频率值，并与估计值进行偏差比较。

为了解决上述技术问题，本发明采用以下技术方案。

本发明为一种高精度轴承故障特征频率估计诊断方法，其特征在于，包括以下步骤：

一种高精度轴承故障特征频率估计诊断方法，包括以下步骤：

步骤1：采集轴承故障振动原始信号数据，将数据进行分段预处理；

步骤2：对原始信号有用数据进行时频域表示：观察有用数据段的频谱特征分布，判断故障特征频谱幅值A是否处于最大值A_max；

步骤3：构建高精度频率估计算法，以Rife算法作为粗估计的初始值，然后进行二次估计和精估计；

步骤4：采用构建的高精度频率估计算法，对轴承故障特征滤波信号数据进行频率估计；

步骤5：计算轴承理论特征故障频率值，并与估计值进行偏差比较。

进一步的，步骤1所述将数据进行分段预处理具体为：采用随机重叠的方法将原始数据信号分成M段，每一段信号有N个数据点，选取包含故障特征频率点的信号数据段J作为有用数据

进一步的，所述步骤2的过程如下：

如果A＝A_max；则将此数据段用作频谱估计数据集；

如果A不等于Amax，则采用滤波方法将高于故障特征频谱幅值的频率点滤除，确保故障特征频谱幅值A处于最大值，并得到用于频率估计的滤波信号数据。

进一步的，所述滤波方法使用的滤波器为ButterWorth低通滤波器，其截止频率为300Hz，阻带频率为400Hz。

进一步的，所述步骤3的过程如下：

①以原始的Rife算法的估计结果作为粗估计，计算过程如下：

设采样频率为f_s，离散信号表示为：

s(k)＝Acos(2πf/f_s+θ)k＝0,1,2,...,N-1

对信号进行N点DFT，得到最大和次大谱线索引分别为m₁和m₂，并计算最大频谱索引处的频率值：

最大和次大频谱索引处的幅值分别为M₁和M₂，粗估计偏差为：

粗估计结果f₁为：

②对粗估计结果进行第二次估计，计算过程如下：

取有效的频率偏差范围为：[0.1,0.4]，判断粗估计频率值与最大谱线索引处频率值的偏差是否位于有效偏差范围内：

如果

采用粗估计偏差值δ₁进行后续的计算；

否则，|δ₂|＝1/2-M₂/(M₁+M₂)，第二次估计偏差结果为δ₂，其中，如果

δ₂＝+|δ|；如果

δ₂＝-|δ|。

③在前两步的基础上，对频率进行精估计，计算过程如下：

离散信号的N点DFT为：

式中，j为虚数单位。

求解有限频率偏差的临界值点p的幅值S(p)，即p＝±0.4

由于[(δ-p)/N]→0，后边的计算可以简化如下：

由于频率偏差临界点的幅值已知，故进行以下运算：

经过变换得到精确的偏差估计值为

精确的频率估计值为:

进一步的，所述步骤5中轴承理论特征故障频率值计算方式如下：

其中，Z是滚动体个数，n是轴承内圈转速。

进一步的，所述步骤4的过程如下：

①轴承振动故障数据采集及预处理；

②根据步骤2得到用于频率估计的滤波信号数据；

③采用步骤3的高精度频率估计算法对轴承故障特征进行频率估计。

与现有技术相比，本发明的优点和有益效果包括：

1、本发明是对传统傅立叶变换的改进，对信号进行粗估计、偏移估计和精估计三步，即可得到精确的估计频率。本发明解决了传统频率估计方法的抗干扰性差、受噪声影响大的缺点，能够准确反映出振动信号中的频谱特征，精确的反映出特征频率的实际值，将更加有利于故障特征的精确提取。

2、对于离散正弦信号，N个样本的FFT只需要进行(N/2)lo₂gN次复数乘法和N·log₂N次复数加法。本发明所需复数乘法的次数为(N/2)·log₂ N+4N+1，所需复数加法的次数为(N/2)·log₂ N+(10/3)N+4/3。与其他频率估计方法相比，计算复杂度低，运算量小。

3、本发明提出了一种高精度轴承故障特征频率估计诊断方法，可有效地对机械设备工作状态和故障信息进行精确、高效的判断，从而能够进行机械设备的状态监测和健康管理。

附图说明

图1是本发明的一种实施方法流程图。

图2是不同频率估计方法估计精度比较图。

图3是一组不同频率估计方法的轴承故障特征频率估计诊断结果误差比较图。

具体实施方式

本发明的一种高精度轴承故障特征频率估计诊断方法，其步骤包括：(1)采集轴承故障振动原始信号数据，将数据进行分段预处理：采用随机重叠的方法将原始数据信号分成M段，每一段信号有N个数据点，选取包含故障特征频率点的信号数据段J作为有用数据。(2)对原始信号有用数据进行时频域表示：观察有用数据段的频谱特征分布，判断故障特征频谱幅值A是否处于最大值A_max。(3)采用滤波方法将高于故障特征频谱幅值的频率点滤除，确保故障特征频谱处的谱峰处于最大值，得到用于频率估计的滤波信号数据；(4)构建高精度频率估计算法，以Rife算法作为粗估计的初始值，然后进行二次估计和精估计；(5)采用构建的高精度频率估计算法，对轴承故障特征滤波信号数据进行频率估计；(6)计算轴承理论特征故障频率值，并与估计值进行偏差比较。通过本发明提出方法对轴承故障特征频率精确估计，具有更好的精确性和高效性。

下面结合附图对本发明做进一步详细说明。

图1是本发明的一种实施方法流程图。如图1所示，该实施方法包括以下步骤。

步骤1：采集轴承故障振动原始信号数据，将数据进行分段预处理：采用随机重叠的方法将原始数据信号分成M段，每一段信号有N个数据点，选取包含故障特征频率点的信号数据段J作为有用数据。

步骤2：对原始信号有用数据进行时频域表示：观察有用数据段的频谱特征分布，判断故障特征频谱幅值A是否处于最大值A_max。

如果A＝A_max；则将此数据段用作频谱估计数据集；

如果A不等于Amax，则采用滤波方法将高于故障特征频谱幅值的频率点滤除，确保故障特征频谱幅值A处于最大值，并得到用于频率估计的滤波信号数据。

所述滤波方法使用的滤波器为ButterWorth低通滤波器，其截止频率为300Hz，阻带频率为400Hz。

步骤3：构建高精度频率估计算法，以Rife算法作为粗估计的初始值，然后进行二次估计和精估计。

所述步骤3的过程如下：

①以原始的Rife算法的估计结果作为粗估计，计算过程如下：

设采样频率为f_s，离散信号表示为：

s(k)＝Acos(2πf/f_s+θ)k＝0,1,2,...,N-1

对信号进行N点DFT，得到最大和次大谱线索引分别为m₁和m₂，并计算最大频谱索引处的频率值：

最大和次大频谱索引处的幅值分别为M₁和M₂，粗估计偏差为：

粗估计结果f₁为：

②对粗估计结果进行第二次估计，计算过程如下：

取有效的频率偏差范围为：[0.1,0.4]，判断粗估计频率值与最大谱线索引处频率值的偏差是否位于有效偏差范围内：

如果

采用粗估计偏差值δ₁进行后续的计算；

否则，|δ₂|＝1/2-M₂/(M₁+M₂)，第二次估计偏差结果为δ₂，其中，如果

δ₂＝+δ；如果

δ₂＝-|δ|。

③在前两步的基础上，对频率进行精估计，计算过程如下：

离散信号的N点DFT为：

式中，j为虚数单位；

求解有限频率偏差的临界值点p的幅值S(p)，即p＝±0.4

由于[(δ-p)/N]→0，后边的计算可以简化如下：

由于频率偏差临界点的幅值已知，故进行以下运算：

经过变换得到精确的偏差估计值为

精确的频率估计值为:

步骤4：采用构建的高精度频率估计算法，对轴承故障特征滤波信号数据进行频率估计；具体包括：

①轴承振动故障数据采集及预处理；

②根据步骤2得到用于频率估计的滤波信号数据；

③采用步骤3的高精度频率估计算法对轴承故障特征进行频率估计。

步骤5：计算轴承理论特征故障频率值，并与估计值进行偏差比较。

所述步骤6中轴承理论特征故障频率值计算方式如下(以深沟球轴承为例)：

其中，Z是滚动体个数，n是轴承内圈转速。

图2是不同频率估计方法估计精度比较图，需要说明的是，图2中的proposedmethod(Rise)表示本发明将Rife方法作为粗估计值，proposed method(Quinn)表示本发明将Quinn方法作为粗估计值。

下表1表示轴承故障数据集描述。

表1故障数据集描述

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种高精度轴承故障特征频率估计诊断方法，其特征在于，包括以下步骤：

步骤1：采集轴承故障振动原始信号数据，将数据进行分段预处理；

步骤2：对原始信号有用数据进行时频域表示：观察有用数据段的频谱特征分布，判断故障特征频谱幅值A是否处于最大值A_max；

步骤3：构建高精度频率估计算法，以Rife算法作为粗估计的初始值，然后进行二次估计和精估计；

步骤4：采用构建的高精度频率估计算法，对轴承故障特征滤波信号数据进行频率估计；

步骤5：计算轴承理论特征故障频率值，并与估计值进行偏差比较。

2.根据权利要求1所述的一种高精度轴承故障特征频率估计诊断方法，其特征在于，步骤1所述将数据进行分段预处理具体为：采用随机重叠的方法将原始数据信号分成M段，每一段信号有N个数据点，选取包含故障特征频率点的信号数据段J作为有用数据。

3.根据权利要求1所述的一种高精度轴承故障特征频率估计诊断方法，其特征在于，所述步骤2的过程如下：

如果A＝A_max；则将此数据段用作频谱估计数据集；

如果A不等于Amax，则采用滤波方法将高于故障特征频谱幅值的频率点滤除，确保故障特征频谱幅值A处于最大值，并得到用于频率估计的滤波信号数据。

4.根据权利要求3所述的一种高精度轴承故障特征频率估计诊断方法，其特征在于，所述滤波方法使用的滤波器为ButterWorth低通滤波器，其截止频率为300Hz，阻带频率为400Hz。

5.根据权利要求1所述的一种高精度轴承故障特征频率估计诊断方法，其特征在于，所述步骤3的过程如下：

①以原始的Rife算法的估计结果作为粗估计，计算过程如下：

设采样频率为f_s，离散信号表示为：

s(k)＝Acos(2πf/f_s+θ)k＝0,1,2,...,N-1

对信号进行N点DFT，得到最大和次大谱线索引分别为m₁和m₂，并计算最大频谱索引处的频率值：

最大和次大频谱索引处的幅值分别为M₁和M₂，粗估计偏差为：

粗估计结果f₁为：

②对粗估计结果进行第二次估计，计算过程如下：

取有效的频率偏差范围为：[0.1,0.4]，判断粗估计频率值与最大谱线索引处频率值的偏差是否位于有效偏差范围内：

如果

采用粗估计偏差值δ₁进行后续的计算；

否则，|δ₂|＝1/2-M₂/(M₁+M₂)，第二次估计偏差结果为δ₂，其中，如果

如果

δ₂＝-|δ|；

③在前两步的基础上，对频率进行精估计，计算过程如下：

离散信号的N点DFT为：

式中，j为虚数单位；

求解有限频率偏差的临界值点p的幅值S(p)，即p＝±0.4

由于[(δ-p)/N]→0，后边的计算可以简化如下：

由于频率偏差临界点的幅值已知，故进行以下运算：

经过变换得到精确的偏差估计值为

精确的频率估计值为:

6.根据权利要求1所述的一种高精度轴承故障特征频率估计诊断方法，其特征在于，所述步骤4具体过程为：

①轴承振动故障数据采集及预处理；

②根据步骤2得到用于频率估计的滤波信号数据；

③采用步骤3的高精度频率估计算法对轴承故障特征进行频率估计。

7.根据权利要求1所述的一种高精度轴承故障特征频率估计诊断方法，其特征在于，所述步骤5中轴承理论特征故障频率值计算方式如下：

其中，Z是滚动体个数，n是轴承内圈转速。

Images