CN115060496A - 走行部滚动轴承故障诊断方法 - Google Patents
走行部滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115060496A CN115060496A CN202210640710.5A CN202210640710A CN115060496A CN 115060496 A CN115060496 A CN 115060496A CN 202210640710 A CN202210640710 A CN 202210640710A CN 115060496 A CN115060496 A CN 115060496A
- Authority
- CN
- China
- Prior art keywords
- stationary
- signal
- interval
- envelope
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 136
- 238000005096 rolling process Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 22
- 239000002131 composite material Substances 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 10
- 238000002156 mixing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012360 testing method 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
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种走行部滚动轴承故障诊断方法,包括:获取振动传感器采集的包含多频率成分的原始信号;采用复合内插包络局部均值分解算法将原始信号分解为多个单分量信号;通过快速谱峭度算法计算每个单分量信号的快速谱峭度图,根据各个单分量信号的快速谱峭度图选择峰度值最大的单分量信号,基于峰度值最大的单分量信号确定滤波最优解调带宽的中心频率、最优解调带宽;对最优解调带宽进行带通滤波,得滤波信号;对滤波信号进行平方包络谱分析,识别故障特征信息并定位故障位置。该方法提高了故障特征提取的性能,提高了故障识别的准确性。
Description
技术领域
本发明涉及轨道交通技术领域,具体地说,特别涉及一种走行部滚动轴承故障诊断方法。
背景技术
地铁走行部轴承是列车在运行中不可缺少的易损坏部件。轴承损坏和缺陷直接影响设备的稳定运行。滚动轴承在长期的交变接触力作用下,尤其是列车高速重载运行时,其接触面会迅速产生点蚀、裂纹等缺陷。
故障诊断的关键是从滚动轴承信号中提取故障特征,故障发生时,采集到的信号是一个多分量调制信号,具有非平稳、非线性的特点,而采集的多样性影响了当前故障诊断方法的效率和准确性。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种走行部滚动轴承故障诊断方法。
本发明实施例提供一种走行部滚动轴承故障诊断方法,包括:
获取振动传感器采集的包含多频率成分的原始信号;
采用复合内插包络局部均值分解算法将所述原始信号分解为多个单分量信号;
通过快速谱峭度算法计算每个所述单分量信号的快速谱峭度图,根据各个所述单分量信号的快速谱峭度图选择峰度值最大的单分量信号,基于所述峰度值最大的单分量信号确定滤波最优解调带宽的中心频率、最优解调带宽;
对所述最优解调带宽进行带通滤波,得滤波信号;
对所述滤波信号进行平方包络谱分析,识别故障特征信息并定位故障位置。
在一些示例中,所述采用复合内插包络局部均值分解算法将所述原始信号分解为多个单分量信号包括:
第一步,对所述原始信号x(t)提取局部极值得到两个极值序列,分别为极大值序列和极小值序列;
采用三次Hermite插值法和三次样条插值法的复合策略对各个所述极值序列进行曲线拟合,所述极大值序列形成上包络Eu(t),所述极小值序列形成下包络El(t);
第二步,计算局部平均值m11(t)和包络函数a11(t):
第三步,将局部平均值m11(t)与原始数据x(t)分离得到h11(t),具体为:
h11(t)=x(t)-m11(t)
对h11(t)进行解调,得s11(t),具体为:
对s11(t)重复上述步骤,可以得到s11(t)的包络估计函数a12(t),如果包络估计函数a12(t)不等于1,则s11(t)不是纯调频信号,重复上述步骤,直到获得的s1n(t)是纯调频信号为止;设定一个微小的变动量Δ,当满足1-Δ≤a1n(t)≤1+Δ时,停止迭代;
第四步,把迭代过程中产生的所有包络估计函数相乘得到包络函数:
将包络信号a1(t)和纯调频信号s1n(t)相乘得到原始信号的第一个单分量信号PF1(t):
PF1(t)=a1(t)s1n(t)
第五步,从原始信号x(t)中减去PF1(t)获得一个新的信号u1(t),将u1(t)作为原始数据重复以上步骤k次,直到得到所有单分量信号同时uk(t)为一个单调函数为止,将原始信号x(t)表示为
在一些示例中,所述利用三次Hermite插值法和三次样条插值法的复合策略对各个所述极值序列进行曲线拟合包括:
确定各所述极值序列的平稳区间和非平稳区间,对所述极值序列的平稳区间采用所述三次样条插值法进行曲线拟合,对所述极值序列的非平稳区间采用所述三次Hermite插值法进行曲线拟合,并连接所述三次样条插值法和所述三次Hermite插值法分别拟合的曲线。
在一些示例中,确定所述极值序列的所述非平稳区间,包括如下步骤:
1)计算极值序列ni=(1,......,k)的斜率Δi=(1,......,k-1),具体为:
hi=xi+1-xi,Δyi=yi+1-yi,Δi=Δyi/hi
xi为极大值或极小值,n为极大值的数量和极小值的数量之和;
3)计算非平稳系数Wi=(2,......,k-2),具体为:
4)找出所述非平稳系数大于所述非平稳系数阈值的非平稳点,记录的所述非平稳点的位置为Pi=(1,......,m);
5)以n(Pi-1)、n(Pi)、和n(Pi+1)作为三次Hermite插值法的插值点,确定所述非平稳区间为[Pi-1,Pi+1],若相邻两个非平稳点之间极值点的个数小于5,则确定所述非平稳区间为[Pi-1,Pi+1+1];
如果非平稳点n(Pi)的位置到极值序列ni=(1,......,k)的左端n1之间极值点的个数小于3,则确定所述非平稳区间的起始区间为[1,Pi+1];
如果非平稳点n(Pi)的位置到极值序列ni=(1,......,k)的右端nk之间极值点的个数小于3,则确定所述非平稳区间的结束区间为[Pi-1,k]。
在一些示例中,若所述非平稳区间为空,则采用所述三次样条插值法对所述极值序列进行曲线拟合。
在一些示例中,确定所述极值序列的所述平稳区间,包括如下步骤:
在找出所述非平稳点的同时找出所述平稳点,并记录所述平稳点的位置为Lk=(1,......,z);
以Z(Lk-1)、Z(Lk)、和Z(Lk+1)作为三次样条插值法的插值点,确定所述平稳区间为[Lk-1,Lk+1],若两个平稳点Z(Lk)和Z(Lk+1)之间极值点的个数小于5,则确定所述平稳区间为[Lk-1,Lk+1+1];
如果平稳点Z(Lk)的位置到极值序列ni=(1,......,k)的左端n1之间极值点的个数小于3,则确定所述平稳区间的起始区间为[1,Lk+1];
如果平稳点Z(Lk)的位置到极值序列ni=(1,......,k)的右端nk之间极值点的个数小于3,则确定所述平稳区间的结束区间为[Lk-1,k]。
在一些示例中,若所述平稳区间为空,则采用所述三次Hermite插值法对所述极值序列进行曲线拟合。
在一些示例中,在所述连接所述三次样条插值法和所述三次Hermite插值法分别拟合的曲线时,所述非稳定区间的终点为紧邻其后的稳定区间的起点。
在一些示例中,所述对所述滤波信号进行平方包络谱分析,识别故障特征信息并定位故障位置包括:
对所述滤波信号进行平方包络谱分析得希尔伯特包络谱线,根据所述希尔伯特包络谱线识别出故障特征信息,确定故障位置。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的走行部滚动轴承故障诊断方法,采用复合内插包络局部均值分解算法来创建极值点的包络,提高精度并减少分解信号分量的计算时间;快速谱峭度算法对冲击信号敏感,能够有效地提取故障特征,减小转动频率对故障定位的影响。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的走行部滚动轴承故障诊断方法的流程示意图;
图2为本发明实施例提供的供评估图1所示方法的非平稳特性的仿真信号的示意图;
图3是本发明实施例提供的不同的局部均值分解方法处理非平稳部分的示意图;
图4是本发明实施例提供的不同非平稳系数得到包络的结果示意图;
图5是本发明实施例提供的由不同的局部均值分解方法分解仿真信号的示意图;
图6是本发明实施例提供的模拟故障信号的示意图;
图7是本发明实施例提供的不同的局部均值分解方法分解图6所示信号的示意图;
图8是本发明实施例提供的通过不同的局部均值分解方法得到的PF2分量的希尔伯特包络的示意图;
图9是本发明实施例提供的滚动轴承轨侧声音信号示意图;
图10是本发明实施例提供复合内插包络局部均值分解算法处理信号得到的前三个分量信号的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示,本发明实施例提供一种走行部滚动轴承故障诊断方法,包括:
步骤一:获取振动传感器采集的包含多频率成分的原始信号;
步骤二:采用复合内插包络局部均值分解算法将原始信号分解为多个单分量信号;
步骤三:通过快速谱峭度算法计算每个单分量信号的快速谱峭度图,根据各个单分量信号的快速谱峭度图选择峰度值最大的单分量信号,基于峰度值最大的单分量信号确定滤波最优解调带宽的中心频率、最优解调带宽;
步骤四:对最优解调带宽进行带通滤波,得滤波信号;
步骤五:对滤波信号进行平方包络谱分析,识别故障特征信息并定位故障位置。
在该方法中,采用复合内插包络局部均值分解算法将原始信号分解为多个单分量信号,采用快速谱峭度算法计算各个单分量信号的峰度值,峰度值容易受到瞬态信号(即冲击信号)的影响,瞬态信号反映了每个频率曲线中包含的非平稳分量的数量,从而峰度值最大的单分量信号包含最多的故障信息,该方法有效地提取和增强走行部滚动轴承振动信号的故障特征,还减弱转动频率对故障定位的影响。
在一些示例中,采用复合内插包络局部均值分解算法将原始信号分解为多个单分量信号包括:
第一步,对原始信号x(t)提取局部极值得到两个极值序列,分别为极大值序列和极小值序列;
采用三次Hermite插值法和三次样条插值法的复合策略对各个极值序列进行曲线拟合,极大值序列形成上包络Eu(t),极小值序列形成下包络El(t);
第二步,计算局部平均值m11(t)和包络函数a11(t):
第三步,将局部平均值m11(t)与原始数据x(t)分离得到h11(t),具体为:
h11(t)=x(t)-m11(t)
对h11(t)进行解调,得s11(t),具体为:
对s11(t)重复上述步骤,可以得到s11(t)的包络估计函数a12(t),如果包络估计函数a12(t)不等于1,则s11(t)不是纯调频信号,重复上述步骤,直到获得的s1n(t)是纯调频信号为止;设定一个微小的变动量Δ,当满足1-Δ≤a1n(t)≤1+Δ时,停止迭代;
第四步,把迭代过程中产生的所有包络估计函数相乘得到包络函数:
将包络信号a1(t)和纯调频信号s1n(t)相乘得到原始信号的第一个单分量信号PF1(t):
PF1(t)=a1(t)s1n(t)
第五步,从原始信号x(t)中减去PF1(t)获得一个新的信号u1(t),将u1(t)作为原始数据重复以上步骤k次,直到得到所有单分量信号同时uk(t)为一个单调函数为止,将原始信号x(t)表示为
该实施例中的复合内插包络局部均值分解算法具体为三次样条插值法和三次Hermite插值法,能够很好地解决包络存在负脉冲和超脉冲的问题,同时又能够简化算法并减少中央处理器的处理时间。
进一步地,利用三次Hermite插值法和三次样条插值法的复合策略对各个极值序列进行曲线拟合包括:
确定各极值序列的平稳区间和非平稳区间,对极值序列的平稳区间采用三次样条插值法进行曲线拟合,对极值序列的非平稳区间采用三次Hermite插值法进行曲线拟合,并连接三次样条插值法和三次Hermite插值法分别拟合的曲线。
本方法中将信号分成平稳段和非平稳段,从而由三次样条插值法对平稳段合成包络、由三次Hermite插值法对非平稳段合成包络,该方法相对于仅使用三次样条插值法合成信号的包络线,能够解决包络存在负脉冲和超脉冲的问题;此外,本发明中的三次Hermite插值法不同于单调三次Hermite插值法,三次Hermite插值法相比于单调三次Hermite插值法能够化算法,提高中央处理器的处理效率。
作为一种可选的实施方式,确定极值序列的非平稳区间,包括如下步骤:
1)计算极值序列ni=(1,......,k)的斜率Δi=(1,......,k-1),具体为:
hi=xi+1-xi,Δyi=yi+1-yi,Δi=Δyi/hi
xi为极大值或极小值,n为极大值的数量和极小值的数量之和;
3)计算非平稳系数Wi=(2,......,k-2),具体为:
4)找出非平稳系数大于非平稳系数阈值的非平稳点,记录的非平稳点的位置为Pi=(1,......,m);
5)以n(Pi-1)、n(Pi)、和n(Pi+1)作为三次Hermite插值法的插值点,确定非平稳区间为[Pi-1,Pi+1],若相邻两个非平稳点之间极值点的个数小于5,则确定非平稳区间为[Pi-1,Pi+1+1];
如果非平稳点n(Pi)的位置到极值序列ni=(1,......,k)的左端n1之间极值点的个数小于3,则确定非平稳区间的起始区间为[1,Pi+1];
如果非平稳点n(Pi)的位置到极值序列ni=(1,......,k)的右端nk之间极值点的个数小于3,则确定非平稳区间的结束区间为[Pi-1,k]。
进一步地,若非平稳区间为空,则采用三次样条插值法对极值序列进行曲线拟合。
作为一种可选的实施方式,确定极值序列的平稳区间,包括如下步骤:
在找出非平稳点的同时找出平稳点,并记录平稳点的位置为Lk=(1,......,z);
以Z(Lk-1)、Z(Lk)、和Z(Lk+1)作为三次样条插值法的插值点,确定平稳区间为[Lk-1,Lk+1],若两个平稳点Z(Lk)和Z(Lk+1)之间极值点的个数小于5,则确定平稳区间为[Lk-1,Lk+1+1];
如果平稳点Z(Lk)的位置到极值序列ni=(1,......,k)的左端n1之间极值点的个数小于3,则确定平稳区间的起始区间为[1,Lk+1];
如果平稳点Z(Lk)的位置到极值序列ni=(1,......,k)的右端nk之间极值点的个数小于3,则确定平稳区间的结束区间为[Lk-1,k]。
进一步地,若平稳区间为空,则采用三次Hermite插值法对极值序列进行曲线拟合。
在一些实施例中,为了很好的平滑平稳段和非平稳段之间的连接,在连接三次样条插值法和三次Hermite插值法分别拟合的曲线时,非稳定区间的终点为紧邻其后的稳定区间的起点。
在一些实施例中,对滤波信号进行平方包络谱分析,识别故障特征信息并定位故障位置包括:
对滤波信号进行平方包络谱分析得希尔伯特包络谱线,根据希尔伯特包络谱线识别出故障特征信息,确定故障位置。
为了更好地介绍本发明实施例介绍的走行部滚动轴承故障诊断方法,接下来进行模拟分析。
在下述实施例中,将三次样条插值法、三次样条插值与单调三次Hermite插值复合的方法、复合内插包络局部均值分解算法分别简称为方法一、方法二和方法三。
例如,模拟评估方法一、方法二、方法三处理非平稳信号。
构造具有强非平稳特性的仿真信号:
其中y0、g和fn分别为振幅为2、阻尼系数为0.04、特征频率为3000Hz的周期性冲击信号的参数。时间t为0.000001s,冲击信号的周期为0.005s/周期。仿真信号如图2所示。使用方法一、方法二、方法三分别拟合仿真信号的非平稳部分,如图3所示,方法一和方法二的结果分别是过冲和下冲,会导致信号的分解精度降低。
为了进一步分析极值包络的精度,计算绝对值误差和CPU运行时间来评估不同方法的效用。如表1所示,如表1所示,方法一的CPU时间最短,而绝对误差最大;方法三的绝对误差值接近方法二,但方法三的计算成本低于方法二。
表1不同LMD方法的性能
方法 | CPU时间(s) | 绝对值误差(m/s<sup>2</sup>) |
方法一 | 0.063 | 0.0482 |
方法二 | 0.293 | 0.0238 |
方法三 | 0.274 | 0.274 |
需要说明的是,非平稳系数阈值的选择会导致包络计算过程中出现下冲和过冲问题。如图4所示,分析了特定数值2、谐波平均值、几何平均值、算术平均值作为阈值的影响。几何平均值为1.97,谐波平均值为2.17,算术平均值为2.45。算术平均法可以适应不同的信号特性,使包络不存在过冲和下冲问题。但是,其他均值存在过冲和下冲问题,影响分解精度。
因此,在上述实施例的非平稳区间和平稳区间的划定中,以非平稳系数的算术平均为阈值。
上述仿真信号由冲击信号和正弦信号组成,冲击信号由高频信号和指数信号组成。因此,正弦信号和指数信号一起工作以调制高频信号的幅度。方法一、方法二和方法三用于获得不同的时间尺度分量。如图5所示,方法一和方法三得到三个PF分量,而方法二得到两个PF分量。对于这三种方法,第一个PF分量代表冲击信号的特征,第二个PF分量是从正弦信号中获得的。对于方法二,分解停止,而方法一和方法三可以从正弦信号中得到更详细的信息,作为第三个PF分量。因此,它们具有三个组件。如表2所示,计算相关系数以反映PF分量与各个PF分量信号的关系。方法三的PF分量更好地表明了模拟信号的固有特征。
表2 PF分量的相关系数
又例如,模拟评估方法一、方法二和方法三处理滚动轴承故障信号。
由于噪声的影响,滚动轴承的真实故障信号比单个非平稳信号要复杂得多。通过对滚动轴承故障信号的仿真模拟,给出了方法一、方法二和方法三的分解性能。模拟使用具有0.1dB白噪声的碰撞信号,定义如下:
其中y0为3,fn为3000Hz,g为0.1。采样频率频率为30000赫兹,故障频率设置为50赫兹。
如图6所示,模拟故障信号,其中碰撞信号代表断层冲击,三种方法的分解结果参照图7。然后,计算峰度,以获取每个项目中具有最大影响信息的PF方法,如表3所示。如图8所示,选择最大值计算希尔伯特包络谱,其中方法三能在噪音下提取清晰的撞击信息干扰。至于方法一和方法二,部分影响信息被噪音干扰。因此,与方法一方法二相比,方法三方法可以拟合原始信号的上下包络好很多。因为噪声对方法三的影响比对方法一和方法二的影响要弱,方法三分解后的成分具有更好的特征原始信号的真实信息。
表3模拟故障信号的峰度
接下来,进行实验验证该走行部滚动轴承故障诊断方法的优越性。为了证明所设计算法的有效性滚动轴承故障检测,采集实验信号多普勒有效校正后来自轨道旁麦克风分析表明,它们是外环故障信号。此外,将复合算法与实验数据分析中的其他方法,举例说明所提出算法的优越性。声音信号采样频率为45249Hz,内转速为380转/分钟。其中使用的轴承规格实验列于表4中。
表4滚动轴承的参数
表5 CIELMD乘积函数和原始信号的峰度系数
图9示意了轴承的时域波形声音信号,可以观察到它包含强烈的噪音。为了定位故障位置,首先,通过复合内插包络局部均值分解算法分解信号,参照图10,前三个PF分量信号,各个PF分量信号的峰度值显示在中表5。三个分量的峰度值为类似,但PF1的值最大。
本方法中在利用三次样条插值和三次Hermite插值复合创建的上下包络、得到单分量信号的基础上,利用快速谱峭度算法计算单分量信号的峰度值,针对峰度值最大的单分量信号进行过滤、计算平方包络谱,故障的特征频率清楚地显示在平方包络谱中。而单个的快速谱峭度算法方法无法提高旋转频率,难以识别故障位置。
如表6所示,相比于原始信号、复合内插包络局部均值分解算法或者快速谱峭度,本发明中复合内插包络局部均值分解算法与快速谱峭度相结合的走行部滚动轴承故障诊断方法具有最大的峰值信噪比(PSNR),有效提高了故障特征提取的性能,提高了故障识别的准确性。
表6不同方法的峰值信噪比
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明采用第一、第二等来描述各种信息,但这些信息不应局限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种走行部滚动轴承故障诊断方法,其特征在于,包括:
获取振动传感器采集的包含多频率成分的原始信号;
采用复合内插包络局部均值分解算法将所述原始信号分解为多个单分量信号;
通过快速谱峭度算法计算每个所述单分量信号的快速谱峭度图,根据各个所述单分量信号的快速谱峭度图选择峰度值最大的单分量信号,基于所述峰度值最大的单分量信号确定滤波最优解调带宽的中心频率、最优解调带宽;
对所述最优解调带宽进行带通滤波,得滤波信号;
对所述滤波信号进行平方包络谱分析,识别故障特征信息并定位故障位置。
2.根据权利要求1所述的走行部滚动轴承故障诊断方法,其特征在于,所述采用复合内插包络局部均值分解算法将所述原始信号分解为多个单分量信号包括:
第一步,对所述原始信号x(t)提取局部极值得到两个极值序列,分别为极大值序列和极小值序列;
采用三次Hermite插值法和三次样条插值法的复合策略对各个所述极值序列进行曲线拟合,所述极大值序列形成上包络Eu(t),所述极小值序列形成下包络El(t);
第二步,计算局部平均值m11(t)和包络函数a11(t):
第三步,将局部平均值m11(t)与原始数据x(t)分离得到h11(t),具体为:
h11(t)=x(t)-m11(t)
对h11(t)进行解调,得s11(t),具体为:
对s11(t)重复上述步骤,可以得到s11(t)的包络估计函数a12(t),如果包络估计函数a12(t)不等于1,则s11(t)不是纯调频信号,重复上述步骤,直到获得的s1n(t)是纯调频信号为止;设定一个微小的变动量Δ,当满足1-Δ≤a1n(t)≤1+Δ时,停止迭代;
第四步,把迭代过程中产生的所有包络估计函数相乘得到包络函数:
将包络信号a1(t)和纯调频信号s1n(t)相乘得到原始信号的第一个单分量信号PF1(t):
PF1(t)=a1(t)s1n(t)
第五步,从原始信号x(t)中减去PF1(t)获得一个新的信号u1(t),将u1(t)作为原始数据重复以上步骤k次,直到得到所有单分量信号同时uk(t)为一个单调函数为止,将原始信号x(t)表示为
3.根据权利要求2所述的走行部滚动轴承故障诊断方法,其特征在于,所述利用三次Hermite插值法和三次样条插值法的复合策略对各个所述极值序列进行曲线拟合包括:
确定各所述极值序列的平稳区间和非平稳区间,对所述极值序列的平稳区间采用所述三次样条插值法进行曲线拟合,对所述极值序列的非平稳区间采用所述三次Hermite插值法进行曲线拟合,并连接所述三次样条插值法和所述三次Hermite插值法分别拟合的曲线。
4.根据权利要求3所述的走行部滚动轴承故障诊断方法,其特征在于,确定所述极值序列的所述非平稳区间,包括如下步骤:
1)计算极值序列ni=(1,……,k)的斜率Δi=(1,……,k-1),具体为:
hi=xi+1-xi,Δyi=yi+1-yi,Δi=Δyi/hi
xi为极大值或极小值,n为极大值的数量和极小值的数量之和;
3)计算非平稳系数Wi=(2,……,k-2),具体为:
4)找出所述非平稳系数大于所述非平稳系数阈值的非平稳点,记录的所述非平稳点的位置为Pi=(1,……,m);
5)以n(Pi-1)、n(Pi)、和n(Pi+1)作为三次Hermite插值法的插值点,确定所述非平稳区间为[Pi-1,Pi+1],若相邻两个非平稳点之间极值点的个数小于5,则确定所述非平稳区间为[Pi-1,Pi+1+1];
如果非平稳点n(Pi)的位置到极值序列ni=(1,……,k)的左端n1之间极值点的个数小于3,则确定所述非平稳区间的起始区间为[1,Pi+1];
如果非平稳点n(Pi)的位置到极值序列ni=(1,……,k)的右端nk之间极值点的个数小于3,则确定所述非平稳区间的结束区间为[Pi-1,k]。
5.根据权利要求4所述的走行部滚动轴承故障诊断方法,其特征在于,若所述非平稳区间为空,则采用所述三次样条插值法对所述极值序列进行曲线拟合。
6.根据权利要求4所述的走行部滚动轴承故障诊断方法,其特征在于,确定所述极值序列的所述平稳区间,包括如下步骤:
在找出所述非平稳点的同时找出所述平稳点,并记录所述平稳点的位置为Lk=(1,……,z);
以Z(Lk-1)、Z(Lk)、和Z(Lk+1)作为三次样条插值法的插值点,确定所述平稳区间为[Lk-1,Lk+1],若两个平稳点Z(Lk)和Z(Lk+1)之间极值点的个数小于5,则确定所述平稳区间为[Lk-1,Lk+1+1];
如果平稳点Z(Lk)的位置到极值序列ni=(1,……,k)的左端n1之间极值点的个数小于3,则确定所述平稳区间的起始区间为[1,Lk+1];
如果平稳点Z(Lk)的位置到极值序列ni=(1,……,k)的右端nk之间极值点的个数小于3,则确定所述平稳区间的结束区间为[Lk-1,k]。
7.根据权利要求4所述的走行部滚动轴承故障诊断方法,其特征在于,若所述平稳区间为空,则采用所述三次Hermite插值法对所述极值序列进行曲线拟合。
8.根据权利要求3所述的走行部滚动轴承故障诊断方法,其特征在于,在所述连接所述三次样条插值法和所述三次Hermite插值法分别拟合的曲线时,所述非稳定区间的终点为紧邻其后的稳定区间的起点。
9.根据权利要求1所述的走行部滚动轴承故障诊断方法,其特征在于,所述对所述滤波信号进行平方包络谱分析,识别故障特征信息并定位故障位置包括:
对所述滤波信号进行平方包络谱分析得希尔伯特包络谱线,根据所述希尔伯特包络谱线识别出故障特征信息,确定故障位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640710.5A CN115060496B (zh) | 2022-06-08 | 2022-06-08 | 走行部滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640710.5A CN115060496B (zh) | 2022-06-08 | 2022-06-08 | 走行部滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115060496A true CN115060496A (zh) | 2022-09-16 |
CN115060496B CN115060496B (zh) | 2024-01-19 |
Family
ID=83199494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210640710.5A Active CN115060496B (zh) | 2022-06-08 | 2022-06-08 | 走行部滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115060496B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198012A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种基于局部均值分解和谱峭度的包络分析方法 |
CN110188448A (zh) * | 2019-05-27 | 2019-08-30 | 南京邮电大学 | 一种改进的经验模式分解算法 |
CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
-
2022
- 2022-06-08 CN CN202210640710.5A patent/CN115060496B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198012A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种基于局部均值分解和谱峭度的包络分析方法 |
CN110188448A (zh) * | 2019-05-27 | 2019-08-30 | 南京邮电大学 | 一种改进的经验模式分解算法 |
CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115060496B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Time-frequency squeezing and generalized demodulation combined for variable speed bearing fault diagnosis | |
CN105628381B (zh) | 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法 | |
Yan et al. | Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis | |
Hao et al. | Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings | |
Wang et al. | Bearing fault diagnosis under time-varying rotational speed via the fault characteristic order (FCO) index based demodulation and the stepwise resampling in the fault phase angle (FPA) domain | |
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 | |
CN104236905A (zh) | 一种轴承故障诊断方法 | |
Tu et al. | Instantaneous frequency estimation for nonlinear FM signal based on modified polynomial chirplet transform | |
JP6103899B2 (ja) | 故障個所推定装置 | |
CN109063668B (zh) | 一种基于峰值保留降采样的冲击信号包络解调方法 | |
CN111238813A (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN111912521A (zh) | 一种非平稳信号的频率检测方法和存储介质 | |
CN113565584A (zh) | 一种叶端定时信号时频滤波方法 | |
Lv et al. | Generalized synchroextracting-based stepwise demodulation transform and its application to fault diagnosis of rotating machinery | |
Zhang et al. | Wind turbine planetary gearbox fault diagnosis via proportion-extracting synchrosqueezing chirplet transform | |
CN115060496A (zh) | 走行部滚动轴承故障诊断方法 | |
CN111353415B (zh) | 一种脉冲响应中谐波成分的检测方法 | |
CN112683393A (zh) | 一种lmd设备故障诊断方法及系统 | |
CN114366121B (zh) | 基于数字形态学的双动态阈值心电qrs波检测方法 | |
CN110702786A (zh) | 基于多尺度奇异吸引子预测误差的梁结构损伤识别方法 | |
CN116361733A (zh) | 一种故障诊断方法、装置、系统以及存储介质 | |
CN110320018B (zh) | 一种基于二阶循环平稳特性的旋转机械复合故障诊断方法 | |
CN112697475A (zh) | 一种itd设备故障诊断方法及系统 | |
CN112881046A (zh) | 一种vmd和gzc机器状态监测方法及装置 | |
CN114235140B (zh) | 一种转子叶片振动幅值辨识方法 |
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 |