CN115326396A - 一种轴承故障的诊断方法及装置 - Google Patents

一种轴承故障的诊断方法及装置 Download PDF

Info

Publication number
CN115326396A
CN115326396A CN202110513314.1A CN202110513314A CN115326396A CN 115326396 A CN115326396 A CN 115326396A CN 202110513314 A CN202110513314 A CN 202110513314A CN 115326396 A CN115326396 A CN 115326396A
Authority
CN
China
Prior art keywords
frequency response
atom
spectrum
fault
bearing
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
CN202110513314.1A
Other languages
English (en)
Inventor
林海龙
温广瑞
岳国君
周浩轩
刘劲松
黄鑫
田晓俊
李良博
邓立康
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.)
Sdic Bioenergy Tieling Co ltd
Sdic Biotechnology Investment Co ltd
Xian Jiaotong University
Original Assignee
Sdic Bioenergy Tieling Co ltd
Sdic Biotechnology Investment Co ltd
Xian Jiaotong 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 Sdic Bioenergy Tieling Co ltd, Sdic Biotechnology Investment Co ltd, Xian Jiaotong University filed Critical Sdic Bioenergy Tieling Co ltd
Priority to CN202110513314.1A priority Critical patent/CN115326396A/zh
Publication of CN115326396A publication Critical patent/CN115326396A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明实施例提供一种轴承故障的诊断方法及装置，包括：获取轴承的振动信号为原始信号；根据原始信号构建相空间矩阵；对相空间矩阵进行字典学习处理，获取该字典中的每个原子的功率谱估计；根据每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型获取中心频响函数；根据中心频响函数对原始信号进行滤波，得到滤波重构信号；获取该滤波重构信号的希尔伯特包络频谱，根据该包络频谱诊断轴承的故障类型。实现了微弱轴承故障诊断，具有辨识鲁棒性，实现在强干扰条件下轴承故障的早发现、故障特征提取与故障类型辨识。

Description

一种轴承故障的诊断方法及装置
技术领域
本发明属于信号处理领域，具体地涉及一种轴承故障的诊断方法及装置。
背景技术
随着现代工业的不断发展，机械设备的健康管理和维护变得极为重要。作为现代机械设备的重要组成部分，旋转机械如轴承和齿轮等起着不可替代的作用。随着现代机械设备的日益复杂和严酷的操作环境，旋转部件例如轴承齿轮等容易出现故障。这些故障将导致高昂的维护成本和可能的人员伤亡。现代设备复杂的机械结构和严酷的操作环境，导致加速度计收集的信号包含噪声和其他无关的随机分量，多数方法都无法在抗噪声的鲁棒性和泛化之间取得良好的平衡，从这些干扰中提取轴承故障特征并进行准确诊断成为一项艰巨的任务。
发明内容
本发明实施例的目的是一种轴承故障的诊断方法及装置。受动物视网膜接收特性的启发，信号的稀疏表示理论(SRT)作为一种新的理论被提出并迅速受到学界广泛关注。由于稀疏表示理论中稀疏约束的本质与轴承等故障模型高度相关，但是字典学习方法在抗噪声干扰方面存在其自身的缺点，绝大多数方法都无法在抗噪声的鲁棒性和泛化之间取得良好的平衡。
为了解决上述目的，本发明实施例提供了一种轴承故障的诊断方法，包括：获取轴承的振动信号为原始信号；根据所述原始信号构建相空间矩阵；对所述相空间矩阵进行字典学习处理，获取该字典中的每个原子的功率谱估计；根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型获取中心频响函数；根据所述中心频响函数对所述原始信号进行滤波，得到滤波重构信号；获取该滤波重构信号的希尔伯特包络频谱，根据该包络频谱诊断所述轴承的故障类型。
可选的，通过振动加速度传感器获取轴承的振动信号。
可选的，所述根据所述原始信号构建相空间矩阵，包括根据Matrix-Stride的分段算子形成相空间矩阵Y，该相空间矩阵为二维矩阵：
Figure BDA0003061150510000021
Figure BDA0003061150510000022
其中，stride为滑动步长，fs为原始信号的采样频率，Bf为轴承的理论故障特征频率，η为尺度因子，y为原始信号，y＝[y1,y2,…yN]，N为信号长度，y1,y2,…yN为原始信号的采样点。
可选的，所述对所述相空间矩阵进行字典学习处理，包括通过K-SVD算法对所述相空间矩阵进行字典学习处理得到稀疏系数矩阵：
Figure BDA0003061150510000023
其中，Y为所述相空间矩阵，D为稀疏字典，S为稀疏系数矩阵，所述稀疏系数矩阵用于对字典进行逐列更新。
可选的，所述获取该字典中的每个原子的功率谱估计
Figure BDA0003061150510000024
包括：
Figure BDA0003061150510000031
其中，GM,l(ω)为周期图，U为归一化因子，ω是加窗函数，N为原子的长度，L为估计的分段数目，M＝N/L。
可选的，所述根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型获取中心频响函数，包括：对所述每个原子的功率谱估计进行归一化处理；根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引；根据所述原子功率谱估计索引构建稀疏频率响应谱模型；根据所述稀疏频响谱模型获取中心频响函数。
可选的，所述对所述每个原子的功率谱估计进行归一化处理，包括：
Figure BDA0003061150510000032
其中，
Figure BDA0003061150510000033
为每个原子的功率谱估计。
可选的，所述根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引θ：
Figure BDA0003061150510000034
其中，K为字典中原子数目，
Figure BDA0003061150510000035
为每个原子的功率谱估计。
可选的，所述根据所述原子功率谱估计索引构建稀疏频率响应谱模型G，包括：
Figure BDA0003061150510000036
其中，θK为原子功率谱估计索引，k＝1,2…k，
Figure BDA0003061150510000041
为每个原子的功率谱估计。
可选的，所述根据稀疏频率响应谱模型G获取中心频响函数，包括：
Figure BDA0003061150510000042
其中，
Figure BDA0003061150510000043
为G中原子aj的功率谱，
Figure BDA0003061150510000044
为中心频响函数，
classc 1与classc n分别为G中属于class类的起始和结尾索引，
n为属于class类的原子功率谱数目。
可选的，所述根据所述中心频响函数对所述原始信号进行滤波，得到滤波重构信号，包括：对中心频响函数进行阈值去噪；计算原始信号的频域幅值谱；计算中心频响函数曲线和幅值谱函数曲线的内积；对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号。
可选的，所述对中心频响函数进行阈值去噪，包括：
Figure BDA0003061150510000045
为中心频响函数，
Figure BDA0003061150510000046
其中，μ为加权因子。
可选的，所述计算原始信号的频域幅值谱，包括：
Figure BDA0003061150510000047
所述计算中心频响函数曲线和幅值谱函数曲线的内积Ψ(ω)，包括：
Figure BDA0003061150510000051
所述对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号包括：
Figure BDA0003061150510000052
其中，y(t)为原始信号，A(ω)为幅值谱函数。
可选的，所述根据该包络频谱诊断所述轴承的故障类型，包括：根据所述包络频谱得到轴承的故障特征频率，用于诊断该轴承的故障类型；所述轴承的故障类型包括外圈故障、内圈故障、滚动体故障及保持架故障中的至少一种。
相应的，本发明实施例还提供一种轴承微弱故障的诊断装置，其特征在于，包括：信号获取模块，用于获取轴承的振动信号为原始信号；处理模块，用于对所述原始信号进行处理得到希尔伯特包络频谱，包括：根据所述原始信号构建相空间矩阵；对所述相空间矩阵进行字典学习处理，获取该字典中的每个原子的功率谱估计；根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型中心频响函数；根据所述中心频响函数对所述原始信号进行滤波，得到滤波重构信号；获取该滤波重构信号的希尔伯特包络频谱；诊断模块，用于通过所述包络频谱诊断所述轴承的故障类型。
可选的，所述对所述相空间矩阵进行字典学习处理，包括通过K-SVD算法对所述相空间矩阵进行字典学习处理得到稀疏系数矩阵：
Figure BDA0003061150510000053
其中，Y为所述相空间矩阵，D为稀疏字典，S为稀疏系数矩阵，所述稀疏系数矩阵用于对字典进行逐列更新。
可选的，所述获取该字典中的每个原子的功率谱估计
Figure BDA0003061150510000054
包括：
Figure BDA0003061150510000061
其中，GM,l(ω)为周期图，U为归一化因子，ω是加窗函数，N为原子的长度，L为估计的分段数目，M＝N/L。
可选的，所述根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型获取中心频响函数，包括：对所述每个原子的功率谱估计进行归一化处理；根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引；根据所述原子功率谱估计索引构建稀疏频率响应谱模型；根据所述稀疏频响谱模型获取中心频响函数。
可选的，所述根据所述中心频响应函数对所述原始信号进行滤波，得到滤波重构信号，包括：对中心频响函数进行阈值去噪；计算原始信号的频域幅值谱；计算中心频响函数曲线和幅值谱函数曲线的内积；对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号。
可选的，所述根据该包络频谱诊断所述轴承的故障类型，包括：根据所述包络频谱得到轴承的故障特征频率，用于诊断该轴承的故障类型；所述轴承的故障类型包括外圈故障、内圈故障、滚动体故障及保持架故障中的至少一种。
通过上述技术方案，本发明利用字典学习的信号稀疏结构频率分析模型的轴承微弱故障诊断方法，以增强包络谱方法的微弱轴承故障诊断、辨识鲁棒性，实现在强干扰条件下轴承故障的早发现、故障特征提取与故障类型辨识。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1和图2是本发明的轴承故障的诊断方法的流程示意图；
图3是本发明一种实施方式的原始轴承振动信号时域波形；
图4是本发明一种实施方式的稀疏频率结构图；
图5是本发明一种实施方式的稀疏频率结构图最值变化趋势图；
图6是本发明一种实施方式的为最值频率变化差分图；
图7是本发明一种实施方式的中心频响函数曲线图；
图8是本发明一种实施方式的滤波后信号的时域波形图；
图9是本发明一种实施方式的滤波信号的包络频谱图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1是本发明的轴承故障的诊断方法的流程示意图。
步骤S101为获取振动信号。所述振动信号为被测轴承的振动信号，按照一种优选的实施方式，通过振动加速度传感器获取轴承的振动信号。获取轴承的振动信号为原始信号。
步骤S102为构建相空间矩阵。所述相空间矩阵基于故障频率先验，为理论故障频率预先得知。优选的，本发明采用一种基于K-SVD的算法对所述振动信号进行字典学习处理。K-SVD是一种经典的字典训练算法，依据误差最小原则，对误差项进行SVD分解，选择使误差最小的分解项作为更新的字典原子和对应的原子系数，经过不断的迭代从而得到优化的解。K-SVD方法一般的应用对象为二维信号，故为了处理一维振动信号并平衡算法的精度和计算效率，本发明提出了一种称为Matrix-Stride(MS)的分段算子以形成二维相空间矩阵。优选的，根据所述原始信号构建相空间矩阵，包括根据Matrix-Stride的分段算子形成相空间矩阵Y，该相空间矩阵为二维矩阵：
Figure BDA0003061150510000081
Figure BDA0003061150510000082
其中，stride为滑动步长，fs为原始信号的采样频率，Bf为轴承的理论故障特征频率，η为尺度因子，y为原始信号，y＝[y1,y2,…yN]，N为信号长度，y1,y2,…yN为原始信号的采样点。
Figure BDA0003061150510000083
为向下取整运算(Floor)。
步骤S103为进行字典学习处理，获取每个原子的功率谱估计。通过对所述相空间矩阵进行字典学习处理，获取该字典中的每个原子的功率谱估计。所述对所述相空间矩阵进行字典学习处理，包括通过K-SVD算法对所述相空间矩阵进行字典学习处理得到稀疏系数矩阵：
Figure BDA0003061150510000084
其中，Y为所述相空间矩阵，D为稀疏字典，S为稀疏系数矩阵，所述稀疏系数矩阵用于对字典进行逐列更新。K-SVD字典学习算法是一种高效的字典学习算法，其运用正交匹配算法(OMP)实现高效的稀疏编码过程，随后在字典学习的过程中通过奇异值分解(SVD)对字典和稀疏系数进行同步更新。K-SVD的求解过程可以由式(1)、(2)表示：
Figure BDA0003061150510000091
Figure BDA0003061150510000092
计算获得的字典A中的每个原子ak的Welch功率谱估计
Figure BDA0003061150510000093
信号的稀疏表示与频域中的信号滤波操作紧密相关。设滚动轴承座圈故障有关的稀疏表示信号为ysr，则ysr可以表示为等式(3)中的原子和一系列稀疏系数的组合。相应的频域信号可以通过等式(4)中的傅立叶变换获得。
Figure BDA0003061150510000094
Figure BDA0003061150510000095
通过信号的频域形式可以通过稀疏字典中的原子的频域转换稀疏表示。由此通过计算字典中原子的功率谱估计即可获得信号的局部频响特性。为了避免局部干扰并获取原子的大尺度功率谱估计，所以选用welch功率谱估计算法计算字典中每个原子的功率谱估计，Welch算法是周期图法的一种改进。所述获取该字典中的每个原子的功率谱估计
Figure BDA0003061150510000096
包括：
Figure BDA0003061150510000101
其中，GM,l(ω)为周期图，U为归一化因子，ω是加窗函数，N为原子的长度，L为估计的分段数目，M＝N/L。
步骤S104为构建稀疏频率响应谱模型，获取中心频响函数，所述中心频响函数为频率响应函数，为互攻率谱函数除以自功率谱估计得到的商。频响函数是复函数，它是被测系统的动力学特征在频域范围的描述，也就是被测系统本身对输入信号在频域中传递特性的描述。频响函数对结构的动力特性测试具有特殊重要的意义。包括：对所述每个原子的功率谱估计进行归一化处理；根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引；根据所述原子功率谱估计索引构建稀疏频率响应谱模型；根据所述稀疏频响谱模型所表征的具有重复特征的频响模式获取重复特性最强的中心频响函数。由于该频响函数表征了信号中重复特性最强的成分，契合轴承故障发生后体现在振动信号中的一种典型特征，所以所述述中心频响函数为最优中心频响函数。确定与故障冲击特征有关的原子是基于振动信号诊断故障方法的关键。我们提出了SFRSM来分析信号中的准周期特性，以便识别信号中与轴承失效相关的原子，所述SFRSM为稀疏频响谱模型，用以表征故障信息。所述对所述每个原子的功率谱估计进行归一化处理，包括：
Figure BDA0003061150510000102
其中，
Figure BDA0003061150510000103
为每个原子的功率谱估计。
所述根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引θ：
Figure BDA0003061150510000111
其中，K为字典中原子数目，
Figure BDA0003061150510000112
为每个原子的功率谱估计。
所述根据所述原子功率谱估计索引构建稀疏频率响应谱模型G，包括：
Figure BDA0003061150510000113
其中，θK为原子功率谱估计索引，k＝1,2…k，
Figure BDA0003061150510000114
为每个原子的功率谱估计。
所述根据稀疏频率响应谱模型G获取中心频响函数，包括：
Figure BDA0003061150510000115
其中，
Figure BDA0003061150510000116
为G中原子aj的功率谱，
Figure BDA0003061150510000117
为中心频响函数，classc 1与classc n分别为G中属于class类的起始和结尾索引，n为属于class类的原子功率谱数目。
Figure BDA0003061150510000118
是响应谱模型分析导出的一个最优响应函数。
步骤S105为根据中心频响函数对原始信号滤波，得到滤波重构信号，包括：对中心频响函数进行阈值去噪；计算原始信号的频域幅值谱；计算中心频响函数曲线和幅值谱函数曲线的内积；对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号。
所述对中心频响函数进行阈值去噪，包括：
Figure BDA0003061150510000119
为中心频响函数，
Figure BDA00030611505100001110
其中，μ为加权因子。
所述计算原始信号的频域幅值谱，
Figure BDA0003061150510000121
为原始信号的傅里叶变换结果，包括：
Figure BDA0003061150510000122
通过此式计算原始信号的傅里叶变换。
所述计算中心频响函数曲线和幅值谱函数曲线的内积Ψ(ω)，包括：
Figure BDA0003061150510000123
通过此式获得中心频率响应函数和原始振动信号傅里叶变换的内积，最后，对内积结果进行傅里叶变换以恢复滤波信号的时域波形。
所述对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号包括：
Figure BDA0003061150510000124
其中，y(t)为原始信号，A(ω)为幅值谱函数。
步骤S106为获取希尔伯特包络频谱，根据该包络频谱诊断轴承的故障类型，求滤波重构信号
Figure BDA0003061150510000125
的希尔伯特包络频谱，并依据理论故障特征频率进行故障诊断与故障类型辨识。包络频谱为：对信号进行hilbert(希尔伯特)变换之后，然后取极值，然后对取极值之后得到的一维数据取包络，对包络信号进行FFT变换得到的数据。包络谱(横坐标为频率，纵坐标为幅值)对冲击事件的故障比较敏感。包络谱图中各频率幅值的分布与的频谱图有所区别。频谱图中故障特征频率幅值较小，包络谱图中故障特征频率的幅值很高，容易辨认。因此，相对对于频谱分析，包络谱分析剔除了不必要的频率干扰，更能够凸显故障特征频率，根据包络谱图能更容易地对滚动轴承的故障种类进行判断。根据该包络频谱诊断所述轴承的故障类型，包括：根据所述包络频谱得到轴承的故障特征频率，用于诊断该轴承的故障类型；所述轴承的故障类型包括外圈故障、内圈故障、滚动体故障及保持架故障中的至少一种。
图2是图1的具体的轴承故障的诊断方法的流程示意图，包括：字典学习、SFRSM模型、AFEF滤波、特征频率分析。本发明首先引入一种基于K-SVD(广义K均值聚类)的字典学习算法来捕获故障信号内部结构信息，然后提出了稀疏频响谱模型(SFRSM)用以表征故障信息。并在稀疏频响应模型的基础上运用一种稀疏频率结构图(SFSG)实现故障相关频率响应模式的提取，随后运用所提出的频率响应函数编辑滤波方法(AFEF)对原始信号进行滤波以获取被噪声掩盖的相关故障信号，最后对滤波后的信号进行包络谱分析，从而实现故障特征提取与故障类型辨识。以增强传统包络谱方法的微弱轴承故障诊断、辨识鲁棒性，实现在强干扰条件下轴承故障的早发现。
本发明提供了一种轴承故障的诊断方法的具体实施案例，包括以下步骤：
步骤1：利用振动加速度传感器采集轴承振动信号；如图3所示，信号采样率为51200Hz/s，取0.5秒数据作为本发明方法分析对象。
步骤2：构建原始信号的相空间矩阵；
步骤2.1：依据式(2)设定滑动步长stride，其中fs为信号的采样频率，这里为51200Hz，轴承故障特征频率Bf为270Hz，轴旋转频率为50Hz。η取0.7。计算得到d＝270，stride＝189。
Figure BDA0003061150510000131
Figure BDA0003061150510000132
步骤2.2：依据式(1)构建信号的相空间矩阵，y为原始信号，N为信号长度，y1,y2,…yN为信号的采样点。
步骤3：运用K-SVD算法对步骤2获得的相空间矩阵进行字典学习处理。循环步骤3.1至3.3共50次，直到满足式(3)，ε取0.25。
Figure BDA0003061150510000141
步骤3.1：随机选取相空间矩阵Y的200列作为初始化字典D0,
步骤3.2：固定字典D，依据式(4)，运用正交匹配算法(OMP)对相空间矩阵Y进行稀疏分解，求解稀疏系数矩阵S。
Figure BDA0003061150510000142
步骤3.3：字典更新，运用求解得到的稀疏系数矩阵S对字典逐列进行更新。
步骤3.3.1：运用式(5)计算误差矩阵。
Figure BDA0003061150510000143
步骤3.3.2：运用式(6)、式(7)计算
Figure BDA0003061150510000144
Figure BDA0003061150510000145
Figure BDA0003061150510000146
步骤3.3.3：对
Figure BDA0003061150510000147
进行SVD分解。如式(8)所示
Figure BDA0003061150510000148
步骤3.3.4：更新字典
Figure BDA0003061150510000151
与系数
Figure BDA0003061150510000152
如式(9)所示，其中column1()为提取矩阵第一列。
Figure BDA0003061150510000153
Figure BDA0003061150510000154
步骤4：计算步骤3中获得的字典A中的每个原子ak的Welch功率谱估计
Figure BDA0003061150510000155
如式(10)所示。其中，GM,l(ω)是第l个分段修改后的周期图，U是归一化因子，ω是加窗函数。取N＝25600，L＝20，M＝1280。
Figure BDA0003061150510000156
步骤5：根据步骤4获取的每个原子功率谱估计构建稀疏频率响应谱模型。
步骤5.1：对每个原子的功率谱曲线进行归一化处理，如式(11)所示。
Figure BDA0003061150510000157
步骤5.2：依据每个原子的功率谱估计中的最大值对所有原子功率谱排序并获得排序索引θ。详细如式(12)所示。
Figure BDA0003061150510000158
其中，K为字典中原子数目，
Figure BDA0003061150510000159
为每个原子的功率谱估计。
步骤5.3：依据原子功率谱估计索引θ构建稀疏频率结构图。具体如式(13)所示。所构建的稀疏频率结构图如图4所示。
Figure BDA00030611505100001510
步骤5.4：依据稀疏频率结构图3，绘制结构图最大值变化趋势图如图5所示，纵坐标PF为稀疏字典响应模式频率横坐标为原子功率谱估计索引θ。同时依据每个频响函数最大值对应的频率绘制图5的差分图，如图6所示，纵坐标CPF为中心响应频率，横坐标为原子功率谱估计索引θ。结合图5、图6设定一类重复频响模式class1的范围为j＝23，n＝97。
步骤:5.5：由式(14)并依据class1的范围(j＝23，n＝97)获取中心频响函数
Figure BDA0003061150510000161
如图7。
Figure BDA0003061150510000162
步骤6：依据步骤5中获取的中心频响函数
Figure BDA0003061150510000163
对原始信号进行滤波增强。
步骤6.1：对中心频响函数进行阈值去噪，具体如式(15)所示。其中μ取0.3。去噪后的频响函数如图6所示。
Figure BDA0003061150510000164
步骤6.2：计算原始信号y的频域幅值谱，如式(16)所示。其中A(ω)为幅值谱函数。
Figure BDA0003061150510000165
步骤6.3：计算中心频响函数曲线与信号幅值谱函数曲线的内积Ψ(ω)。
如式(17)所示。其中upsample()为上采样操作，⊙为内积操作。
Figure BDA0003061150510000166
步骤6.4：依据式(18)对内积后的频率函数Ψ(ω)进行傅里叶反变换，获取滤波重构后的增强信号
Figure BDA0003061150510000171
如图7所示。
Figure BDA0003061150510000172
步骤7：求滤波重构信号
Figure BDA0003061150510000173
的希尔伯特包络频谱如图8和图9，可以从包络谱中识别轴承内圈故障特征频率270Hz及其倍频与边带成分。由此可以诊断轴承出现内圈故障。
本发明为了克服传统的基于稀疏DL方法对于在强背景噪声干扰下故障轴承信号特征提取准确度较低和故障诊断的适应性较差的缺陷，提出了基于稀疏字典结构频率响应模型的故障特征提取与诊断方法。首先使用K-SVD稀疏字典学习方法来捕获信号的全局特征，依据所提出的稀疏频率响应谱模型(SFSRSM)计算每个原子的频域功率谱以获得相关的频率对应关系并对所有原子进行重排建模，后依据稀疏频率结构图获取最佳核心准周期重复特征频率响应模式(RFP)。根据所获取的频率响应模式运用所提出的频率响应编辑滤波(AFEF)算法对原始信号进行滤波操作，以确保滤波后信号的完整性。最后对滤波信号进行包络谱分析获得轴承故障的典型特征频谱，并通过故障特征频率对轴承进行相应的诊断。本发明具体实施过程与结果证明该方法在处理实际的弱轴承故障信号方面具有强大的鲁棒性，能有效提高轴承微弱故障诊断的准确性，适用于旋转机械故障诊断。
本发明实施例提供的一种轴承故障的诊断装置的具体实施细节及效果可参考前述实施方式，在此则不再赘述。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (20)

1.一种轴承故障的诊断方法，其特征在于，包括：
获取轴承的振动信号为原始信号；
根据所述原始信号构建相空间矩阵；
对所述相空间矩阵进行字典学习处理，获取该字典中的每个原子的功率谱估计；
根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型获取中心频响函数；
根据所述中心频响函数对所述原始信号进行滤波，得到滤波重构信号；
获取该滤波重构信号的希尔伯特包络频谱，根据该包络频谱诊断所述轴承的故障类型。
2.根据权利要求1所述的方法，其特征在于，
通过振动加速度传感器获取轴承的振动信号。
3.根据权利要求1所述的方法，其特征在于，所述根据所述原始信号构建相空间矩阵，包括根据Matrix-Stride的分段算子形成相空间矩阵Y，该相空间矩阵为二维矩阵：
Figure FDA0003061150500000011
Figure FDA0003061150500000012
其中，stride为滑动步长，fs为原始信号的采样频率，Bf为轴承的理论故障特征频率，η为尺度因子，
y为原始信号，y＝[y1,y2,…yN]，N为信号长度，y1,y2,…yN为原始信号的采样点。
4.根据权利要求1所述的方法，其特征在于，所述对所述相空间矩阵进行字典学习处理，包括通过K-SVD算法对所述相空间矩阵进行字典学习处理得到稀疏系数矩阵：
Figure FDA0003061150500000021
其中，Y为所述相空间矩阵，D为稀疏字典，
S为稀疏系数矩阵，所述稀疏系数矩阵用于对字典进行逐列更新。
5.根据权利要求1所述的方法，其特征在于，所述获取该字典中的每个原子的功率谱估计
Figure FDA0003061150500000022
包括：
Figure FDA0003061150500000023
其中，GM,l(ω)为周期图，
U为归一化因子，ω是加窗函数，
N为原子的长度，L为估计的分段数目，M＝N/L。
6.根据权利要求1所述的方法，其特征在于，所述根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型获取中心频响函数，包括：
对所述每个原子的功率谱估计进行归一化处理；
根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引；
根据所述原子功率谱估计索引构建稀疏频率响应谱模型；
根据所述稀疏频响谱模型获取中心频响函数。
7.根据权利要求6所述的方法，其特征在于，所述对所述每个原子的功率谱估计进行归一化处理，包括：
Figure FDA0003061150500000031
其中，
Figure FDA0003061150500000032
为每个原子的功率谱估计。
8.根据权利要求6所述的方法，其特征在于，所述根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引θ：
Figure FDA0003061150500000033
其中，K为字典中原子数目，
Figure FDA0003061150500000034
为每个原子的功率谱估计。
9.根据权利要求6所述的方法，其特征在于，所述根据所述原子功率谱估计索引构建稀疏频率响应谱模型G，包括：
Figure FDA0003061150500000035
其中，θK为原子功率谱估计索引，k＝1,2…k，
Figure FDA0003061150500000041
为每个原子的功率谱估计。
10.根据权利要求6所述的方法，其特征在于，所述根据稀疏频率响应谱模型G获取中心频响函数，包括：
Figure FDA0003061150500000042
其中，
Figure FDA0003061150500000043
为G中原子aj的功率谱，
Figure FDA0003061150500000044
为中心频响函数，
classc 1与classc n分别为G中属于class类的起始和结尾索引，
n为属于class类的原子功率谱数目。
11.根据权利要求6所述的方法，其特征在于，所述根据所述中心频响函数对所述原始信号进行滤波，得到滤波重构信号，包括：
对中心频响函数进行阈值去噪；
计算原始信号的频域幅值谱；
计算中心频响函数曲线和幅值谱函数曲线的内积；
对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号。
12.根据权利要求11所述的方法，其特征在于，所述对中心频响函数进行阈值去噪，包括：
Figure FDA0003061150500000045
为中心频响函数，
Figure FDA0003061150500000046
其中，μ为加权因子。
13.根据权利要求11所述的方法，其特征在于，
所述计算原始信号的频域幅值谱，包括：
Figure FDA0003061150500000051
所述计算中心频响函数曲线和幅值谱函数曲线的内积Ψ(ω)，包括：
Figure FDA0003061150500000052
所述对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号包括：
Figure FDA0003061150500000053
其中，y(t)为原始信号，A(ω)为幅值谱函数。
14.根据权利要求1所述的方法，其特征在于，所述根据该包络频谱诊断所述轴承的故障类型，包括：
根据所述包络频谱得到轴承的故障特征频率，用于诊断该轴承的故障类型；
所述轴承的故障类型包括外圈故障、内圈故障、滚动体故障及保持架故障中的至少一种。
15.一种轴承微弱故障的诊断装置，其特征在于，包括：
信号获取模块，用于获取轴承的振动信号为原始信号；
处理模块，用于对所述原始信号进行处理得到希尔伯特包络频谱，包括：
根据所述原始信号构建相空间矩阵；
对所述相空间矩阵进行字典学习处理，获取该字典中的每个原子的功率谱估计；
根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型中心频响函数；
根据所述中心频响函数对所述原始信号进行滤波，得到滤波重构信号；获取该滤波重构信号的希尔伯特包络频谱；
诊断模块，用于通过所述包络频谱诊断所述轴承的故障类型。
16.根据权利要求15所述的装置，其特征在于，所述对所述相空间矩阵进行字典学习处理，包括通过K-SVD算法对所述相空间矩阵进行字典学习处理得到稀疏系数矩阵：
Figure FDA0003061150500000061
其中，Y为所述相空间矩阵，
D为稀疏字典，
S为稀疏系数矩阵，所述稀疏系数矩阵用于对字典进行逐列更新。
17.根据权利要求15所述的装置，其特征在于，所述获取该字典中的每个原子的功率谱估计
Figure FDA0003061150500000062
包括：
Figure FDA0003061150500000063
其中，GM,l(ω)为周期图，
U为归一化因子，ω是加窗函数，
N为原子的长度，L为估计的分段数目，M＝N/L。
18.根据权利要求15所述的装置，其特征在于，所述根据所述每个原子的功率谱估计构建稀疏频率响应谱模型，通过该模型获取中心频响函数，包括：
对所述每个原子的功率谱估计进行归一化处理；
根据所述每个原子的功率谱估计中的最大值对所有原子功率谱排序，获得原子功率谱估计索引；
根据所述原子功率谱估计索引构建稀疏频率响应谱模型；
根据所述稀疏频响谱模型获取中心频响函数。
19.根据权利要求15所述的装置，其特征在于，所述根据所述中心频响应函数对所述原始信号进行滤波，得到滤波重构信号，包括：
对中心频响函数进行阈值去噪；
计算原始信号的频域幅值谱；
计算中心频响函数曲线和幅值谱函数曲线的内积；
对内积结果进行傅立叶逆变换，用以获取滤波重构后的增强信号。
20.根据权利要求15所述的装置，其特征在于，所述根据该包络频谱诊断所述轴承的故障类型，包括：
根据所述包络频谱得到轴承的故障特征频率，用于诊断该轴承的故障类型；
所述轴承的故障类型包括外圈故障、内圈故障、滚动体故障及保持架故障中的至少一种。
CN202110513314.1A 2021-05-11 2021-05-11 一种轴承故障的诊断方法及装置 Pending CN115326396A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110513314.1A CN115326396A (zh) 2021-05-11 2021-05-11 一种轴承故障的诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110513314.1A CN115326396A (zh) 2021-05-11 2021-05-11 一种轴承故障的诊断方法及装置

Publications (1)

Publication Number Publication Date
CN115326396A true CN115326396A (zh) 2022-11-11

Family

ID=83912094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110513314.1A Pending CN115326396A (zh) 2021-05-11 2021-05-11 一种轴承故障的诊断方法及装置

Country Status (1)

Country Link
CN (1) CN115326396A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290670A (zh) * 2023-11-27 2023-12-26 南京中鑫智电科技有限公司 一种基于增强滤波器算法的变压器套管绝缘状态估计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290670A (zh) * 2023-11-27 2023-12-26 南京中鑫智电科技有限公司 一种基于增强滤波器算法的变压器套管绝缘状态估计方法
CN117290670B (zh) * 2023-11-27 2024-01-26 南京中鑫智电科技有限公司 一种基于增强滤波器算法的变压器套管绝缘状态估计方法

Similar Documents

Publication Publication Date Title
Cong et al. Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis
Jiang et al. A time-frequency spectral amplitude modulation method and its applications in rolling bearing fault diagnosis
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN108388692B (zh) 基于分层稀疏编码的滚动轴承故障特征提取方法
CN111413089A (zh) 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN105971901A (zh) 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法
Song et al. Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis
Wang et al. Sparse and low-rank decomposition of the time–frequency representation for bearing fault diagnosis under variable speed conditions
CN109932179A (zh) 一种基于ds自适应谱重构的滚动轴承故障检测方法
CN115326396A (zh) 一种轴承故障的诊断方法及装置
Fan et al. A joint wavelet lifting and independent component analysis approach to fault detection of rolling element bearings
CN114263621A (zh) 一种离心泵空化故障诊断模拟的试验方法及系统
Liang et al. Bearing fault diagnosis based on singular value distribution of impulse response segment
CN113776835A (zh) 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
Zhou et al. Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis
Ou et al. Research on rolling bearing fault diagnosis using improved majorization-minimization-based total variation and empirical wavelet transform
Liu et al. Sparse coefficient fast solution algorithm based on the circulant structure of a shift-invariant dictionary and its applications for machine fault diagnosis
CN110044619B (zh) 一种基于稀疏多周期组套索的多故障特征辨识方法
Zhang et al. Weighted sparsity-based denoising for extracting incipient fault in rolling bearing
Hu et al. A novel detrended fluctuation analysis method for gear fault diagnosis based on variational mode decomposition
CN114136604B (zh) 一种基于改进稀疏字典的旋转设备故障诊断方法及系统
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN114486252B (zh) 一种矢量模极大值包络的滚动轴承故障诊断方法
CN116361733A (zh) 一种故障诊断方法、装置、系统以及存储介质
Zhang et al. Sparse representation by novel cascaded dictionary for bearing fault diagnosis using bi-damped wavelet

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