CN115077902B - 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 - Google Patents
双层滑移窗相关峭度的航空发动机试验数据故障检测方法 Download PDFInfo
- Publication number
- CN115077902B CN115077902B CN202210477091.2A CN202210477091A CN115077902B CN 115077902 B CN115077902 B CN 115077902B CN 202210477091 A CN202210477091 A CN 202210477091A CN 115077902 B CN115077902 B CN 115077902B
- Authority
- CN
- China
- Prior art keywords
- fault
- kurtosis
- signal
- layer
- relevant
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title abstract description 10
- 230000002596 correlated effect Effects 0.000 title description 6
- 238000005096 rolling process Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000000926 separation method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 82
- 238000001228 spectrum Methods 0.000 claims description 35
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000001629 suppression Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000002355 dual-layer Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
-
- 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)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种双层滑移窗相关峭度的航空发动机试验数据故障检测方法，包括：1)滚动轴承运行过程振动信号采集及轴承组件故障模式参数计算；2)建立振动信号基于经验小波变换的冗余层信号及频带‑冗余层相关峭度图；3)基于相关峭度指标最大化准则优选潜在故障模式的滤波频带区间及敏感层信号；4)基于双层滑移窗相关峭度操作对潜在故障特征信号进行分离与增强；5)诊断轴承潜在故障模式及局部损伤数量。本发明能够将轴承不同损伤组件产生的故障冲击信号通过双层滑移窗相关峭度进行分离，并通过噪声的有效抑制能够诊断故障组件上的局部损伤数量，能够实现滚动轴承复合故障的特征分离及准确诊断。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域，涉及一种双层滑移窗相关峭度的航空发动机试验数据故障检测方法，具体涉及一种基于双层滑移窗相关峭度算法的机电设备滚动轴承复合故障特征分离与检测方法。
背景技术
滚动轴承是重大机电设备的关键部件，其长期运行在重载、高温、交变载荷等复杂工况下，易出现裂纹、剥落、腐蚀等故障，严重的会引发重大事故，带来巨大的经济损失和人员伤亡。因此，开展机电设备滚动轴承的运行状态监测及故障诊断对设备的健康运维具有非常重要的意义。
滚动轴承在运行过程中其外圈、内圈、滚动体和保持架等组件若出现局部损伤，将在振动信号中产生冲击型故障特征成分，现有基于振动分析的故障诊断技术，多采用小波变换、谱峭度等信号处理方法对轴承振动测试信号进行滤波降噪和特征提取，在实际案例中也得到了广泛的验证。长安大学段晨东等提出基于经验小波变换的轴承故障诊断方法，能够较好地从强噪声测试信号中提取出轴承单个故障组件对应的特征频率(段晨东，张荣，童卓斌，王雪纯，张伟.采用频带3分区的经验小波变换的轴承特征频率提取方法CN109799090 B)。然而，当滚动轴承的单个组件出现多处损伤、或多个组件均出现损伤，即滚动轴承出现复合故障时，在振动信号中将产生不同故障特征的耦合，为全面准确的监测与诊断带来困难，具体体现在：1)复合故障诊断中相对微弱的故障特征往往会被相对较强的故障特征及其它振动成分淹没，难以被检测出来；2)滚动轴承复合故障所产生的冲击故障信号往往具有相同或相近的振荡频率，通过常规频带滤波技术难以实现复合故障特征的分离。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，针对现有轴承诊断技术存在相同振荡属性复合故障特征分离困难、不能准确全面地检测出微弱故障特征的问题，本发明提出一种双层滑移窗相关峭度的航空发动机试验数据故障检测方法，充分结合了相关峭度对冲击故障特征敏感及滑移窗操作具备瞬时信息分析的优势，能够实现滚动轴承复合故障特征的分离和微弱故障特征的增强与检测，具有广泛的应用前景。
技术方案
一种双层滑移窗相关峭度的航空发动机试验数据故障检测方法，其特征在于步骤如下：
步骤1：采集航空发动机滚动轴承运行过程中振动信号x(n),n＝1,2,…,M，其中M为信号序列长度；计算滚动轴承各组件故障冲击间隔的采样点数Tsi，Tsi对应着滚动轴承的不同组件故障模式：
Tsi＝round[Ti·fs],i＝1,2,3,4
式中：round[·]为取整函数，fs为采样频率，Ti为滚动轴承各组件故障冲击时间间隔、即为各组件故障特征频率的倒数，表示为Ti＝1/fsi，其中fsi为滚动轴承各组件的故障特征频率；
步骤2：采用经验小波变换将轴承振动测试信号x(n)的频谱划分为中心频率、相互正交的子频带；再采用经验小波逆变换重构各子频带信号，表示为其中为k子频带序号，N为子频带的个数；
再由子频带信号构造经验小波变换冗余层信号，表示为/> 其中，k为子频带序号，j为经验小波变换冗余层序号；
步骤3：计算经验小波变换冗余层信号与轴承各组件故障模式的相关峭度指标，表示为：
其中，n是信号的序号。/>对间隔为Tsi的周期性冲击信号敏感，用于表征信号中特定故障成分丰富度的指标；
选择不同的轴承组件故障模式i＝1,2,3,4，建立基于经验小波变换的相关峭度图；
针对不同的轴承组件故障模式i＝1,2,3,4，选择其相关峭度图中最大值对应的信号，为该故障模式敏感层信号，表示为yi(n),n＝1,2,…,M：
式中，max(·)为取最大值函数，argmax(·)为取最大值对应的参数值；
步骤4：对各故障模式敏感层信号yi(n),i＝1,2,3,4进行双层滑移窗相关峭度操作，得到不同模式故障特征分离与增强的信号yi,TLSCK(n),i＝1,2,3,4，过程为：
a.对故障模式敏感层信号yi(n)，计算其单层滑移窗相关峭度：
其中，SCK(·)为本发明定义的滑移窗相关峭度算子；yi,SCK(n)为以yi(n)为中心、2Tsi为窗口宽度的相关峭度，且yi,SCK(n)信号序列长度与yi(n)相同；
b.将yi,SCK(n)作为滑移窗相关峭度算子输入信号，得到yi(n)的双层滑移窗相关峭度yi,TLSCK(n)：
yi,TLSCK(n)＝SCK(yi,SCK(n),n,Tsi)；
步骤5：对双层滑移窗相关峭度输出信号yi,TLSCK(n)进行包络谱分析，如果双层滑移窗相关峭度输出信号的包络谱中存在该故障类型的故障特征频率fsi及其谐波分量，则测试轴承存在该故障类型；如果包络谱中不存在该故障类型对应的故障特征频率fsi及其谐波分量，则测试轴承不存在该故障类型；存在故障类型的数量等于轴承发生故障的组件数量。
所述的步骤2具体过程如下：
2.1)对轴承振动测试信号x(n)进行傅里叶变换，得到振动信号频谱X(ω)；
2.2)采用尺度-空间划分方法得到频谱X(ω)的连续尺度-空间分布图，以连续尺度-空间分布图上局部极大值点对应的频率为频率边界，通过经验小波变换将X(ω)划分为正交的频域子频带；
2.3)将频域子频带通过经验小波逆变换重构为时域子频带信号其中为k子频带序号，N为子频带的个数；
2.4)由子频带信号构造经验小波变换冗余层信号/>
其中，j为冗余层序号。本质上是从/>所在的子频带开始，连续j个子频带组合的滤波信号；因此，/>体现了原始信号频谱冗余的划分方式，包括了对频谱主要频率分量所有可能的划分区间。
所述建立基于经验小波变换的相关峭度图，以频带序号k为横坐标，以冗余层序号j为纵坐标，将相关峭度指标表示在频带-冗余层平面上，形成基于经验小波变换的相关峭度图。
所述步骤5对于确认后的故障类型，计算对应的双层滑移窗相关峭度输出信号中周期性故障冲击信号的组数，即为滚动轴承该故障组件上存在的局部损伤的数量。
有益效果
本发明提出的一种双层滑移窗相关峭度的航空发动机试验数据故障检测方法，包括：1)滚动轴承运行过程振动信号采集及轴承组件故障模式参数计算；2)建立振动信号基于经验小波变换的冗余层信号及频带-冗余层相关峭度图；3)基于相关峭度指标最大化准则优选潜在故障模式的滤波频带区间及敏感层信号；4)基于双层滑移窗相关峭度操作对潜在故障特征信号进行分离与增强；5)诊断轴承潜在故障模式及局部损伤数量。本发明能够将轴承不同损伤组件产生的故障冲击信号通过双层滑移窗相关峭度进行分离，并通过噪声的有效抑制能够诊断故障组件上的局部损伤数量，能够实现滚动轴承复合故障的特征分离及准确诊断。
相对于传统方法，本方法的有益效果是：
a.所构造的基于经验小波变换的冗余层信号，本质上是对原始信号频谱冗余的划分方式，且包括了对频谱基于主要频率分量所有可能的滤波区间；进而通过最大化相关峭度准则能够优选出测试故障模式最优的滤波频带。
b.所提出的双层滑移窗相关峭度将相关峭度对特定周期性故障冲击信号敏感的优势与滑移窗具有瞬时信息分析的能力相结合，输出与原始输入信号等序列长度的冲击型信号，能够将噪声及其他故障模式信号进行消除，实现了特定故障模式的分离和增强。
c.本发明通过不同故障模式信号的分离能够实现弱故障的检测，同时通过对相同故障模式故障信号的降噪能够确定出滚动轴承同一个故障组件上的局部损伤数量。
附图说明
图1是本发明方法的流程图。
图2是从某测试圆柱滚子轴承上采集到的振动速度信号及其包络谱图。其中(a)为速度信号时域波形；(b)为该振动信号的包络谱图。
图3是图2(a)通过经验小波变换划分的子频带。
图4是计算的基于经验小波变换的相关峭度图。
图5是对图4基于相关峭度最大化准则优选的敏感层信号
图6是图5敏感层信号通过双层滑移窗相关峭度的输出信号。
图7是图6双层滑移窗相关峭度输出信号的包络谱图，图中可以检测到滚动轴承外圈故障特征。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
一种双层滑移窗相关峭度的滚动轴承复合故障特征分离与检测方法，如图1所示，其主要步骤包括：
步骤1：滚动轴承运行过程振动信号采集及轴承组件故障模式参数计算，包括：
1.1)将振动加速度传感器安装在轴承座上，通过数采设备采集航空发动机滚动轴承运行过程中的振动数据，记为x(n),n＝1,2,…,M，其中，n为数据序号，数据长度为M。
1.2)根据所监测滚动轴承的几何尺寸及转速，计算滚动轴承各组件故障特征频率fsi(郭亮，陈志强，高宏力，冯立文，李长根，雷云聪.一种基于字典学习的列车转向架轴承故障监测方法及系统，CN 111307455 A)，其中，其中i＝1,2,3,4分别对应滚动轴承的外圈、内圈、滚动体、保持架等组件。
1.3)计算滚动轴承各组件故障冲击间隔的采样点数Tsi，其中i＝1,2,3,4分别对应滚动轴承的外圈、内圈、滚动体、保持架等组件。Tsi对应着滚动轴承的不同组件故障模式，其计算公式为：
Tsi＝round[Ti·fs],i＝1,2,3,4
式中：round[·]为取整函数，fs为采样频率，Ti为滚动轴承各组件故障冲击时间间隔、即为各组件故障特征频率的倒数，表示为Ti＝1/fsi。
步骤2：通过经验小波变换将步骤1所采集振动信号的频谱划分为以主要频率分量为中心频率、相互正交的子频带，进而通过经验小波逆变换重构各子频带信号，表示为其中为k子频带序号，N为子频带的个数。在此基础上，由子频带信号/>构造经验小波变换冗余层信号，表示为/> 其中，k为子频带序号，j为经验小波变换冗余层序号。
具体为：
针对步骤1采集的滚动轴承振动数据，建立其经验小波变换冗余层信号，包括：
2.1)对轴承振动测试信号x(n)进行傅里叶变换，得到振动信号频谱X(ω)。
2.2)采用尺度-空间划分方法得到频谱X(ω)的连续尺度-空间分布图，首先计算频谱X(ω)与核函数g(ω；λ)的卷积：
将L(ω；λ)表示在(λ,ω)平面上，形成连续尺度-空间分布。
2.3)以连续尺度-空间分布图L(ω；λ)上局部极大值点对应的频率为频率边界，通过经验小波变换将X(ω)划分为正交的频域子频带：
其中，∪(·)为求取并集算子，k＝1,2,…,N为子频带序号，N为划分的频域子频带的数量。
2.4)将频域子频带通过经验小波逆变换重构为时域子频带信号
其中，IFFT(·)为傅里叶逆变换。
2.5)由子频带信号构造经验小波变换冗余层信号/>
其中，j为冗余层序号。本质上是从/>所在的子频带开始，连续j个子频带组合的滤波信号。因此，/>体现了原始信号频谱冗余的划分方式，包括了对频谱主要频率分量所有可能的划分区间。
步骤3：分别计算经验小波变换冗余层信号与轴承各组件故障模式的相关峭度指标，表示为针对不同的轴承组件故障模式i＝1,2,3,4，建立基于经验小波变换的相关峭度图。依次选择各轴承组件故障模式下相关峭度图最大值对应的信号为故障模式敏感层信号，表示为yi(n),n＝1,2,…,M。
具体为：
依次针对各个潜在的轴承组件故障模式，以相关峭度指标最大化为准则优选潜在故障模式的滤波频带区间，包括：
3.1)依次选择不同的轴承组件故障模式i＝1,2,3,4为测试轴承潜在故障模式，对于不同的轴承潜在故障模式i对应的Tsi，分别计算经验小波变换冗余层信号与轴承各组件故障模式的相关峭度指标：
其中，n是信号的序号。/>对间隔为Tsi的周期性冲击信号敏感，因此可以用于表征信号中特定故障成分丰富度的指标。
3.2)针对不同的轴承组件故障模式i＝1,2,3,4，以频带序号k为横坐标，以冗余层序号j为纵坐标，将相关峭度指标表示在频带-冗余层平面上，形成基于经验小波变换的相关峭度图。
3.3)针对不同的轴承组件故障模式i＝1,2,3,4，确定其对应的基于经验小波变换的相关峭度图中最大值，该最大值对应的冗余层信号为该故障模式的敏感层信号，表示为yi(n),n＝1,2,…,M：
式中，max(·)为取最大值函数，argmax(·)为取最大值对应的参数值。yi(n)所在的频带即根据相关峭度最大化准则优选的轴承潜在故障模式i的滤波频带，yi(n)为进一步判断潜在故障模式i的滤波降噪信号，称为轴承潜在故障模式i的敏感层信号。
步骤4：分别对各故障模式敏感层信号yi(n),i＝1,2,3,4进行双层滑移窗相关峭度操作，得到不同模式故障特征分离与增强的信号yi,TLSCK(n),i＝1,2,3,4，具体包括：
4.1)针对滚动轴承各潜在故障模式i＝1,2,3,4，基于步骤3优选的故障模式敏感层信号yi(n)，计算其单层滑移窗相关峭度：
其中，SCK(·)为本发明定义的滑移窗相关峭度算子。本质上，yi,SCK(n)为以yi(n)为中心、2Tsi为窗口宽度的相关峭度。同时，yi,SCK(n)信号序列长度与yi(n)相同。
b.将yi,SCK(n)作为滑移窗相关峭度算子输入信号，得到yi(n)的双层滑移窗相关峭度yi,TLSCK(n)：
yi,TLSCK(n)＝SCK(yi,SCK(n),n,Tsi)
双层滑移窗相关峭度将相关峭度对特定周期性故障冲击信号敏感的优势与滑移窗具有瞬时信息分析的能力相结合，在特定周期性故障冲击信号(具有冲击信号间隔Tsi)发生时刻输出较大值、而在其他时刻输出较小值。因此，双层滑移窗相关峭度的输出信号是与原始输入信号等序列长度的冲击型信号，能够实现特定周期性故障冲击信号(具有冲击信号间隔Tsi)的分离提取与特征增强。
步骤5：对双层滑移窗相关峭度输出信号yi,TLSCK(n)进行包络谱分析，判断测试信号中是否存在对应的轴承组件故障模式i，并通过信号yi,TLSCK(n)中故障冲击序列的组数确定出现在相同轴承组件上局部损伤的数量，具体包括：
5.1)对于待测试的轴承潜在故障模式i(i＝1,2,3,4对应于轴承不同的故障组件)，如果双层滑移窗相关峭度输出信号的包络谱中存在该故障类型的故障特征频率fsi及其谐波分量，则测试轴承存在该故障类型；如果包络谱中不存在该故障类型对应的故障特征频率fsi及其谐波分量，则测试轴承不存在该故障类型；存在故障类型的数量等于轴承发生故障的组件数量。
5.2)对于确认存在的故障类型，统计对应的双层滑移窗相关峭度输出信号中周期性故障冲击信号的组数，即为滚动轴承该故障组件上存在的局部损伤的数量。
实施例
本实施例监测对象为圆柱滚子滚动轴承，测试轴承外圈固定在轴承座上、内圈与转轴相连。实验前在测试轴承的外圈切割了一条深0.05mm、宽0.3mm的裂纹，在其中1个圆柱滚子上沿轴向切割了一条深0.15mm、宽0.5mm的裂纹。测试中转轴的转速恒定为400转/分钟，加速度传感器安装在轴承座外水平及垂直两个方向的壳体上，采样频率为51.2kHz。根据测试滚动轴承的几何尺寸及转速，其各组件故障特征频率如表1所示。
表1测试圆柱滚子滚动轴承各组件故障特征频率
采集到的振动加速度信号及其包络谱分别如图2(a)和2(b)所示。可以看到，图2(a)测试信号中有明显的周期性冲击信号，冲击信号的间隔频率可以从包络谱图中确定为33.2Hz，接近滚动轴承的滚动体故障特征频率。因此，从图2中能够直接确定测试轴承的滚动体故障。在测试轴承预制的两处损伤中，滚动体上的裂纹要比外圈的故障严重的多，因而测试信号中滚动体的故障特征信号非常明显，而外圈的故障特征信号被淹没在滚动体故障信号及噪声中，难以从时域或频谱中直接检测出来。下面通过本发明提出的方法对外圈故障特征信号进行分离和诊断。
根据表1计算轴承外圈发生故障时产生的故障冲击间隔的采样点数为Ts1＝1895。采用尺度-空间划分方法分析图2(a)振动信号频谱中主要频率分量的划分边界，并通过经验小波变换将振动信号的频谱划分为58个正交的子频带，如图3所示。
基于经验小波变换重构的子频带信号，构造经验小波变换冗余层信号，计算各个冗余层信号的相关峭度指标，并表示在子频带-冗余层平面上，形成经验小波变换的相关峭度谱图，如图4所示。图4中相关峭度最大值对应的冗余层信号为根据相关峭度最大化准则，选择/>为潜在故障特征的敏感层信号。
故障敏感层信号的时域波形如图5所示。可以看到：与图2(a)原始振动信号相比，图5滤波后的信号中冲击特性更加明显，表明原始信号中被噪声淹没的部分故障冲击成分被提取出来了。对图5中的故障敏感层信号进行双层滑移窗相关峭度计算，得到的输出信号如图6所示。双层滑移窗相关峭度输出信号是周期性脉冲信号，噪声及其他故障模式信号都被有效的去除，这些周期性脉冲对应着故障冲击时刻。图7是图6双层滑移窗相关峭度信号的包络谱，包络谱中的主要频率成分为滚动轴承外圈故障特征频率及其谐波成分，表明测试轴承上存在外圈故障。另外，图6中的双层滑移窗相关峭度信号中仅存在一组对应于外圈故障特征频率的周期性冲击成分，因此可以确定测试轴承的外圈上存在一处故障。
Claims (4)
1.一种双层滑移窗相关峭度的航空发动机试验数据故障检测方法，其特征在于步骤如下：
步骤1：采集航空发动机滚动轴承运行过程中振动信号x(n),n＝1,2,…,M，其中M为信号序列长度；计算滚动轴承各组件故障冲击间隔的采样点数Tsi，Tsi对应着滚动轴承的不同组件故障模式：
Tsi＝round[Ti·fs],i＝1,2,3,4
式中：round[·]为取整函数，fs为采样频率，Ti为滚动轴承各组件故障冲击时间间隔、即为各组件故障特征频率的倒数，表示为Ti＝1/fsi，其中fsi为滚动轴承各组件的故障特征频率；
步骤2：采用经验小波变换将轴承振动测试信号x(n)的频谱划分为中心频率、相互正交的子频带；再采用经验小波逆变换重构各子频带信号，表示为其中为k子频带序号，N为子频带的个数；
再由子频带信号构造经验小波变换冗余层信号，表示为/> 其中，k为子频带序号，j为经验小波变换冗余层序号；
步骤3：计算经验小波变换冗余层信号与轴承各组件故障模式的相关峭度指标，表示为：
其中，n是信号的序号，/>对间隔为Tsi的周期性冲击信号敏感，用于表征信号中特定故障成分丰富度的指标；
选择不同的轴承组件故障模式i＝1,2,3,4，建立基于经验小波变换的相关峭度图；
针对不同的轴承组件故障模式i＝1,2,3,4，选择其相关峭度图中最大值对应的信号，为该故障模式敏感层信号，表示为yi(n),n＝1,2,…,M：
式中，max(·)为取最大值函数，arg max(·)为取最大值对应的参数值；
步骤4：对各故障模式敏感层信号yi(n),i＝1,2,3,4进行双层滑移窗相关峭度操作，得到不同模式故障特征分离与增强的信号yi,TLSCK(n),i＝1,2,3,4，过程为：
a.对故障模式敏感层信号yi(n)，计算其单层滑移窗相关峭度：
其中，SCK(·)为本发明定义的滑移窗相关峭度算子；yi,SCK(n)为以yi(n)为中心、2Tsi为窗口宽度的相关峭度，且yi,SCK(n)信号序列长度与yi(n)相同；
b.将yi,SCK(n)作为滑移窗相关峭度算子输入信号，得到yi(n)的双层滑移窗相关峭度yi,TLSCK(n)：
yi,TLSCK(n)＝SCK(yi,SCK(n),n,Tsi)；
步骤5：对双层滑移窗相关峭度输出信号yi,TLSCK(n)进行包络谱分析，如果双层滑移窗相关峭度输出信号的包络谱中存在该故障类型的故障特征频率fsi及其谐波分量，则测试轴承存在该故障类型；如果包络谱中不存在该故障类型对应的故障特征频率fsi及其谐波分量，则测试轴承不存在该故障类型；存在故障类型的数量等于轴承发生故障的组件数量。
2.根据权利要求1所述双层滑移窗相关峭度的航空发动机试验数据故障检测方法，其特征在于：所述的步骤2具体过程如下：
2.1)对轴承振动测试信号x(n)进行傅里叶变换，得到振动信号频谱X(ω)；
2.2)采用尺度-空间划分方法得到频谱X(ω)的连续尺度-空间分布图，以连续尺度-空间分布图上局部极大值点对应的频率为频率边界，通过经验小波变换将X(ω)划分为正交的频域子频带；
2.3)将频域子频带通过经验小波逆变换重构为时域子频带信号其中为k子频带序号，N为子频带的个数；
2.4)由子频带信号构造经验小波变换冗余层信号/>
其中，j为冗余层序号，本质上是从/>所在的子频带开始，连续j个子频带组合的滤波信号；因此，/>体现了原始信号频谱冗余的划分方式，包括了对频谱主要频率分量所有可能的划分区间。
3.根据权利要求1所述双层滑移窗相关峭度的航空发动机试验数据故障检测方法，其特征在于：所述建立基于经验小波变换的相关峭度图，以频带序号k为横坐标，以冗余层序号j为纵坐标，将相关峭度指标表示在频带-冗余层平面上，形成基于经验小波变换的相关峭度图。
4.根据权利要求1所述双层滑移窗相关峭度的航空发动机试验数据故障检测方法，其特征在于：所述步骤5对于确认后的故障类型，计算对应的双层滑移窗相关峭度输出信号中周期性故障冲击信号的组数，即为滚动轴承该故障组件上存在的局部损伤的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210477091.2A CN115077902B (zh) | 2022-05-02 | 2022-05-02 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210477091.2A CN115077902B (zh) | 2022-05-02 | 2022-05-02 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115077902A CN115077902A (zh) | 2022-09-20 |
| CN115077902B true CN115077902B (zh) | 2024-04-26 |
Family
ID=83247004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210477091.2A Active CN115077902B (zh) | 2022-05-02 | 2022-05-02 | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115077902B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
| CN111289232A (zh) * | 2020-02-20 | 2020-06-16 | 电子科技大学 | 基于双树复小波包子带平均峭度图的机械故障诊断方法 |
| CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
-
2022
- 2022-05-02 CN CN202210477091.2A patent/CN115077902B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| CN111289232A (zh) * | 2020-02-20 | 2020-06-16 | 电子科技大学 | 基于双树复小波包子带平均峭度图的机械故障诊断方法 |
| CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多小波和峭度准则的风力发电机滚动轴承故障检测;聂永辉;徐明文;张译丹;;东北电力大学学报;20191215(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115077902A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108195587B (zh) | 一种电机滚动轴承故障诊断方法及其诊断系统 | |
| CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
| CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
| Wang et al. | Optimization of segmentation fragments in empirical wavelet transform and its applications to extracting industrial bearing fault features | |
| RU2470280C2 (ru) | Способ обнаружения и автоматической идентификации повреждения подшипников качения | |
| Sawalhi et al. | Vibration response of spalled rolling element bearings: Observations, simulations and signal processing techniques to track the spall size | |
| KR920002072B1 (ko) | Ae 방식 회전기 이상진단 시스템 | |
| CN103439110B (zh) | 滚动轴承早期微弱故障诊断方法 | |
| 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 | |
| CN112557038A (zh) | 多重降噪处理的轴承早期故障诊断方法 | |
| CN109946081B (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
| CN105865794B (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
| Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
| Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
| JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
| Zhou et al. | Using frequency domain analysis techniques for diagnosis of planetary bearing defect in a CH-46E helicopter aft gearbox | |
| Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
| CN110174281A (zh) | 一种机电设备故障诊断方法及系统 | |
| CN115077902B (zh) | 双层滑移窗相关峭度的航空发动机试验数据故障检测方法 | |
| CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
| Cai et al. | Encogram: An autonomous weak transient fault enhancement strategy and its application in bearing fault diagnosis | |
| CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
| CN116150585A (zh) | 基于乘积包络谱的旋转机械故障诊断方法 | |
| CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 | |
| Xu et al. | Weak faults diagnosis for rolling bearings based on variational Hilbert Huang transform |
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 |