CN115493836B - 机械故障诊断方法及系统 - Google Patents
机械故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115493836B CN115493836B CN202211421115.9A CN202211421115A CN115493836B CN 115493836 B CN115493836 B CN 115493836B CN 202211421115 A CN202211421115 A CN 202211421115A CN 115493836 B CN115493836 B CN 115493836B
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration signal
- filtering
- fault
- original vibration
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及工程机械故障诊断技术领域，尤其涉及一种机械故障诊断方法及系统，方法包括：S1、采集齿轮箱的振动数据作为原始振动信号；S2、将所述原始振动信号进行局部均值分解得到多个乘积函数分量；S3、分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号；S4、将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号；S5、对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断。本发明能够在未知故障特征频率的条件下提取出故障特征，实现故障诊断。
Description
技术领域
本发明涉及工程机械故障诊断技术领域，尤其涉及一种机械故障诊断方法及系统。
背景技术
工程机械在工业化中具有不可或缺的作用，其中，如电动机、发电机和风机等的旋转机械设备更是占到了大多数，旋转机械设备中的关键在于齿轮箱，由于工业环境恶劣以及其封闭的工作环境，使得齿轮箱保养困难，因此旋转机械设备中的齿轮箱经常发生各种各样的故障，并且每一次故障都可能造成较大的金钱和生产力损失。在所谓的第四次工业革命、未来工厂、工业物联网时代，工业机械系统不断智能化、复杂化。因此，研究和开发数据驱动的方法和状态监测技术，能够实现快速、可靠和高质量的自动诊断是十分必要的。能够对齿轮箱早期故障进行准确预警，避免发生重大工业事故，工作人员可以做到及时进行维修，这对工业生产来说具有十分重大的意义。
最小熵解卷积算法（MED）最初由R.A. Wiggens于1978年提出，并将其作为一种迭代算法最大化滤波输出信号的峭度值应用于地震数据检测，峭度值是一种可以衡量信号冲击成分的指标。1984年，C.A. Cabrelli提出了一种峭度等价指标，称为D-norm，解决了最小熵解卷积算法只能迭代求解的问题，称为最优最小熵解卷积（OMED）。为了解决峭度指标只能提取出单个脉冲的缺点，2012年，一种新的最优最小熵解卷积算法作为一种迭代算法被提出，最大相关峭度解卷积（MCKD），此方法可以同时提取出多个脉冲，但需要知道信号的故障特征频率作为先验，并且滤波器长度，故障周期等参数需要选择，使得该方法的应用得到了限制。
发明内容
本发明的目的在于提供一种机械故障诊断方法及系统，相较于传统的最优最小熵解卷积算法，能够在未知故障特征频率的条件下提取出故障特征，实现故障诊断。
为了达到上述目的，本发明提供了一种机械故障诊断方法，包括以下步骤：
S1、采集齿轮箱的振动数据作为原始振动信号；
S2、将所述原始振动信号进行局部均值分解得到多个乘积函数分量；
S3、分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号；
S4、将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号；
S5、对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断。
可选的，通过安装在所述齿轮箱的壳体上的振动加速度传感器采集所述齿轮箱的振动数据。
可选的，所述S2具体包括：
S21、确定原始振动信号的所有极值点以及对应的时刻，然后针对每个时刻计算局部均值和局部幅值，表达式如下：
（1）
（2）
S22、将得到的所有局部均值在对应的极值点和时刻值之间添加线段进行连接并进行平滑处理，得到局部均值函数；
S23、将得到的所有局部幅值在对应的极值点和时刻值之间添加线段进行连接并进行平滑处理，得到包络估计函数；
S24、将所述局部均值函数从所述原始振动信号之中分离出来并除以所述包络估计函数，得到结果记为，表达式如下：
（3）
S25、计算的包络估计函数，若，并且，则得到的为纯调频信号，执行S28；反之，则得到的为非纯调频信号，执行S26；其中，
（4）
S26、将作为原始振动信号，重复S21-S25进行迭代计算，得到，，直至是纯调频信号后执行S28；其中，
（5）
S27、将迭代过程中所有的包络估计函数相乘作为第一轮迭代得到的包络信号，并将所述包络信号与所述纯调频信号相乘得到第一个乘积函数分量，表达式如下：
（6）
（7）
S28、将所述第一个乘积函数分量从所述原始振动信号中分离出来，得到的剩余分量用表示，表达式如下：
（8）
S29、把得到的剩余分量作为原始振动信号，重复S21-S28，得到第二个乘积函数分量，如此循环直到得到的最后一个剩余分量为单调函数为止，其中，
（9）
……
。
可选的，所述S3具体包括：
S31、计算各个乘积函数分量与所述原始振动信号的相关系数，表达式如下：
（10）
式中，和为所述原始振动信号中维数相同的两个离散信号，和分别为和的均值；
S32、对得到的所有相关系数取指数后进行归一化得到新的相关系数，表达式如下：
（11）
S33、将得到的新的相关系数和对应的乘积函数分量相乘后相加，得到增强后的振动信号，表达式如下：
（12） 。
可选的，对得到的所有相关系数取指数后进行归一化之后，与所述原始振动信号更相似的乘积函数分量对应的相关系数变大，与所述原始振动信号不相似的乘积函数分量对应的相关系数变小。
可选的，所述S4具体包括：
S41、选择目标函数为包络谱峭度和包络谱熵的乘积；
S42、根据所述目标函数，给定所述多点最优最小熵解卷积的滤波器长度，在给定的故障周期范围内选择对应所述目标函数最大的周期值；
S43、根据得到的最大周期值对所述增强后的振动信号进行所述多点最优最小熵解卷积滤波，得到所述滤波信号。
可选的，所述S5中，对所述滤波信号进行希尔伯特包络谱分析的步骤具体包括：
将所述滤波信号经过希尔伯特变换得到所述滤波信号的复域部分，将所述滤波信号和所述复域部分相结合得到所述滤波信号的解析信号，求所述解析信号的模即得到希尔伯特包络信号，求幅值谱即得到希尔伯特包络谱。
基于此，本发明还提供了一种机械故障诊断系统，包括：
采集模块，用于采集旋转机械设备的齿轮箱的振动数据作为原始振动信号；
预处理模块，用于将所述原始振动信号进行局部均值分解得到多个乘积函数分量，以及分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号；
滤波模块，用于将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号；
获取模块，用于预先获取轴承理论故障特征的频率值；
分析模块，用于对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断。
可选的，所述采集模块包括安装在所述齿轮箱的壳体上的振动加速度传感器。
本发明提供的机械故障诊断方法及系统，至少具有以下有益特征之一：
1）通过对采集的原始振动信号进行局部均值分解和重构，有效的放大了所述原始振动信号中能够代表故障的冲击成分，并且抑制了噪声，然后通过多点最优最小熵解卷积算法进一步提取出冲击成分，最后在未知故障特征频率的条件下通过包络谱成功提取出故障特征，从而实现了故障诊断；
2）对得到的所有相关系数取指数后进行归一化之后，与所述原始振动信号更相似的乘积函数分量对应的相关系数变大，与所述原始振动信号不相似的乘积函数分量对应的相关系数变小，使得增强后的振动信号具有放大信号特征和抑制噪声的作用；
3）通过引入输出信号的包络谱峭度和包络谱熵的乘积作为目标函数，此指标可以准确的提取所述原始振动信号的脉冲周期，即可以得到所述原始振动信号的故障特征频率。
附图说明
本领域的普通技术人员应当理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
图1为本实施例提供的机械故障诊断方法的流程图；
图2为本实施例提供的轴承外圈故障的时域图；
图3为本实施例提供的轴承外圈故障的频域图；
图4为本实施例提供的峭度熵指标和周期T的迭代图；
图5为本实施例提供的经过多点最优最小熵解卷积滤波后得到的滤波信号的时域图；
图6为本实施例提供的经过多点最优最小熵解卷积滤波后得到的滤波信号的包络谱图；
图7为本实施例提供的机械故障诊断系统的示意图。
附图中：
10-采集模块；20-预处理模块；30-滤波模块；40-获取模块；50-分析模块。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1，图1为本实施例提供的机械故障诊断方法的流程图。本实施例提供了一种机械故障诊断方法，包括以下步骤：
S1、采集齿轮箱的振动数据作为原始振动信号；
S2、将所述原始振动信号进行局部均值分解得到多个乘积函数分量；
S3、分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号；
S4、将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号；
S5、对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断。
首先，执行步骤S1，采集齿轮箱的振动数据作为原始振动信号。本实施例中，所述齿轮箱例如可以是工程机械的齿轮箱，如高空作业平台、装载机、挖掘机、叉车及矿车自卸车，可通过安装在所述齿轮箱的壳体上的振动加速度传感器采集所述齿轮箱的振动数据。
然后执行步骤S2，将所述原始振动信号进行局部均值分解得到多个乘积函数分量。本实施例中 ，所述S2具体包括：
S21、确定原始振动信号的所有极值点以及对应的时刻，然后针对每个时刻计算局部均值和局部幅值，表达式如下：
（1）
（2）
S22、将得到的所有局部均值在对应的极值点和时刻值之间添加线段进行连接并进行平滑处理，得到局部均值函数；
S23、将得到的所有局部幅值在对应的极值点和时刻值之间添加线段进行连接并进行平滑处理，得到包络估计函数；
S24、将所述局部均值函数从所述原始振动信号之中分离出来并除以所述包络估计函数，得到结果记为，表达式如下：
（3）
S25、计算的包络估计函数，若，并且，则得到的为纯调频信号，执行S28；反之，则得到的为非纯调频信号，执行S26；其中，
（4）
S26、将作为原始振动信号，重复S21-S25进行迭代计算，得到，，直至是纯调频信号后执行S28；其中，
（5）
S27、将迭代过程中所有的包络估计函数相乘作为第一轮迭代得到的包络信号，并将所述包络信号与所述纯调频信号相乘得到第一个乘积函数分量，表达式如下：
（6）
（7）
S28、将所述第一个乘积函数分量从所述原始振动信号中分离出来，得到的剩余分量用表示，表达式如下：
（8）
S29、把得到的剩余分量作为原始振动信号，重复S21-S28，得到第二个乘积函数分量，如此循环直到得到的最后一个剩余分量为单调函数为止，其中，
（9）
……
。
经过局部均值分解后，执行步骤S3，对信号进行重构，即分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号。
本实施例中，所述S3具体包括：
S31、计算各个乘积函数分量与所述原始振动信号的相关系数，表达式如下：
（10）
式中，和为所述原始振动信号中维数相同的两个离散信号，和分别为和的均值；
S32、对得到的所有相关系数取指数后进行归一化得到新的相关系数，表达式如下：
（11）
S33、将得到的新的相关系数和对应的乘积函数分量相乘后相加，得到增强后的振动信号，表达式如下：
（12） 。
此步骤的目的是对相关系数大的分量再进行放大，相关系数小的分量一般具有的指数级，放大作用不大。将放大后的相关系数再取指数进行归一化，取指数的目的是对相关系数大的分量进行放大，对相关系数小的分量进行缩小，使得重构后得到的振动信号具有放大信号特征和抑制噪声的作用。也就是说，对得到的所有相关系数取指数后进行归一化之后，与所述原始振动信号更相似的乘积函数分量对应的相关系数将会变大，与所述原始振动信号不相似的乘积函数分量对应的相关系数将会变小。
接着，执行步骤S4，将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号。多点最优最小熵解卷积的原理和步骤如下：
假设输入信号为，最小熵解卷积算法希望通过一种卷积形式将期望信号从输入信号中恢复出来，并且根据定义的指标得到想要的期望信号的类型，输出信号的表达式如下所示：
（13）
多点最优最小熵解卷积在D-norm的基础上提出了一种新的多点D-norm目标函数，如下所示：
（14）
其中t为定义了输出信号脉冲权重和位置的常数向量，t的定义需要脉冲成分在信号中的周期T，举一个例子，t向量可以为如下形式，此向量T=4：，
因此可以得到多点最优最小熵解卷积的优化问题可以描述为如下：
（15）
因此我们可以通过表达式（15）来得到最优滤波器系数，令式（15）对滤波器系数的偏导数为0，得到结果如下：
（16）
式（16）中每一部分可以表示为如下：
（17）
其中：
由于，因此我们可以得到：
（18）
假设的逆存在，若不存在，可以添加微小量使得可逆，观察式（18）可以得到满足上式的滤波器向量的倍数一定也满足上式，换言之，也是此问题的解，于是，我们可以得到滤波器系数的解为：
（19）
因此，对于给定的常脉冲序列t我们可以求得一个最优滤波器系数，脉冲序列t由脉冲周期T决定，我们引入如下指标来选择最优的脉冲周期T：
（20）
其中ES代表输出信号的包络谱，为峭度，为熵，由于包络谱峭度可以表示包络谱中冲击成分的值，若只有一个冲击成分，则峭度值最大，由于故障特征频率往往会以倍频形式出现，因此，引入包络谱熵来避免只有单个频率峰值出现的情况。通过引入输出信号的包络谱峭度和包络谱熵的乘积作为目标函数，此指标可以准确的提取所述原始振动信号的脉冲周期，即可以得到所述原始振动信号的故障特征频率。
由此，所述S4具体包括：
S41、选择目标函数为包络谱峭度和包络谱熵的乘积；
S42、根据所述目标函数，给定所述多点最优最小熵解卷积的滤波器长度，在给定的故障周期范围内选择对应所述目标函数最大的周期值；
S43、根据得到的最大周期值对所述增强后的振动信号进行所述多点最优最小熵解卷积滤波，得到所述滤波信号。
最后执行步骤S5，对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断。
所述S5中，对所述滤波信号进行希尔伯特包络谱分析的步骤具体包括：
将所述滤波信号经过希尔伯特变换得到所述滤波信号的复域部分，将所述滤波信号和所述复域部分相结合得到所述滤波信号的解析信号，求所述解析信号的模即得到希尔伯特包络信号，求幅值谱即得到希尔伯特包络谱，主要用于显示所述滤波信号的低频调制部分。
本实施例通过对采集的原始振动信号进行局部均值分解和重构，有效的放大了所述原始振动信号中能够代表故障的冲击成分，并且抑制了噪声，然后通过多点最优最小熵解卷积算法进一步提取出冲击成分，最后在未知故障特征频率的条件下通过包络谱成功提取出故障特征，从而实现了故障诊断。
以下通过一个具体实施方式进一步说明本发明的技术构思。
本实例采用凯斯西储大学（CRWU）的轴承数据，本数据集中共有内圈、外圈和滚动体三种故障，由于不同的故障特征频率对应不同的周期T，周期T的计算公式如下，
（21）
其中为采样频率，为信号的理论故障特征频率，本数据集中共有内圈、外圈和滚动体三种故障，每种理论故障特征频率的计算公式如下：
（22）
其中，分别为理论内圈故障特征频率，理论外圈故障特征频率及理论滚动体故障特征频率；D为轴承中径；d为滚动体直径；Z为滚动体数目；为接触角；为转频。
假设故障大小为7mm，采样频率为12000，电机转速为1772rmp，截取数据长度N为2048，可以计算得到本实例的理论内圈故障特征频率为159.7HZ，理论外圈故障特征频率为105.7HZ，理论滚动体故障特征频率为139.1HZ。
首先对所述原始振动信号进行时域及频域分析，采集到的原始振动信号的时域图和频域图如图2和图3所示，由时域图可以观察到明显的信号脉冲部分，但是脉冲的周围也存在很多噪声成分。从频域图中可以观察到原始振动信号又很多高频分量以及一些调制的边频带，低频分量几乎为0，因此，需要采用本发明提供的机械故障诊断方法对所述原始振动信号进行处理。
首先使用局部均值分解，将信号分解为8个乘积函数分量的形式以及一个剩余分量，将8个所述乘积函数分量和所述原始振动信号求相关系数，对得到的相关系数乘以5倍后取指数进行归一化，这一步的目的是为了放大原始信号的特征，抑制信号的噪声部分，得到新的增强信号，即进行信号重构。
将得到的新的增强信号进行最优最小熵解卷积滤波，首先给定故障周期T的范围，上述理论故障特征频率可以计算得到所述故障周期T的范围为[75 114]，由于实际工况下的故障特征频率和理论计算得到的故障特征频率通常会有所偏差，因此，我们选择所述故障周期T的范围为[70 120]，给定多点最优最小熵解卷积的滤波器长度为700，根据本实施例中提出的目标函数对故障周期T进行寻优，本实施例提出的峭度熵和所述故障周期T的关系如附图4示，得到寻优结果为T=77，将T=77带入多点最优最小熵解卷积中得到最终滤波后的信号，如图5所示；对最终得到的信号进行包络谱分析，包络谱分析结果如附图6所示，可以看到除了故障特征频率外还有很多故障倍频出现，由图上得故障特征频率为158.203，由于理论故障频率并不是在实际工作环境下得到的，因此在轴承具体的工作环境下轴承会产生摩擦和滑动的现象，导致故障频率发生偏差，误差大小不影响实际故障诊断性能。可以看出本实施例提供的诊断方法能够有效的加强并提取出信号的冲击成分，准确提取出故障特征频率，证明了此方法的有效性。
基于此，本发明还提供了一种机械故障诊断系统，包括：
采集模块10，用于采集旋转机械设备的齿轮箱的振动数据作为原始振动信号；
预处理模块20，用于将所述原始振动信号进行局部均值分解得到多个乘积函数分量，以及分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号；
滤波模块30，用于将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号；
获取模块40，用于预先获取轴承理论故障特征的频率值；
分析模块50，用于对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断。
其中，所述采集模块包括安装在所述齿轮箱的壳体上的振动加速度传感器。
综上，本发明提供了一种机械故障诊断方法及系统，通过对采集的原始振动信号进行局部均值分解和重构，有效的放大了所述原始振动信号中能够代表故障的冲击成分，并且抑制了噪声，然后通过多点最优最小熵解卷积算法进一步提取出冲击成分，最后在未知故障特征频率的条件下通过包络谱成功提取出故障特征，从而实现了故障诊断。
此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。
Claims (6)
1.一种机械故障诊断方法，其特征在于，包括以下步骤：
S1、采集齿轮箱的振动数据作为原始振动信号；
S2、将所述原始振动信号进行局部均值分解得到多个乘积函数分量；
S3、分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号；
S4、将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号；
S5、对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断；
其中，所述S2具体包括：
S21、确定原始振动信号的所有极值点以及对应的时刻，然后针对每个时刻计算局部均值和局部幅值，表达式如下：
（1）
（2）
S22、将得到的所有局部均值在对应的极值点和时刻值之间添加线段进行连接并进行平滑处理，得到局部均值函数；
S23、将得到的所有局部幅值在对应的极值点和时刻值之间添加线段进行连接并进行平滑处理，得到包络估计函数；
S24、将所述局部均值函数从所述原始振动信号之中分离出来并除以所述包络估计函数，得到结果记为，表达式如下：
（3）
S25、计算的包络估计函数，若，并且，则得到的为纯调频信号，执行S28；反之，则得到的为非纯调频信号，执行S26；其中，
（4）
S26、将作为原始振动信号，重复S21-S25进行迭代计算，得到，，直至是纯调频信号后执行S28；其中，
（5）
S27、将迭代过程中所有的包络估计函数相乘作为第一轮迭代得到的包络信号，并将所述包络信号与所述纯调频信号相乘得到第一个乘积函数分量，表达式如下：
（6）
（7）
S28、将所述第一个乘积函数分量从所述原始振动信号中分离出来，得到的剩余分量用表示，表达式如下：
（8）
S29、把得到的剩余分量作为原始振动信号，重复S21-S28，得到第二个乘积函数分量，如此循环直到得到的最后一个剩余分量为单调函数为止，其中，
（9）
……
；
所述S3具体包括：
S31、计算各个乘积函数分量与所述原始振动信号的相关系数，表达式如下：
（10）
式中，和为所述原始振动信号中维数相同的两个离散信号，和分别为和的均值；
S32、对得到的所有相关系数取指数后进行归一化得到新的相关系数，表达式如下：
（11）
S33、将得到的新的相关系数和对应的乘积函数分量相乘后相加，得到增强后的振动信号，表达式如下：
（12）；
所述S4具体包括：
S41、选择目标函数为包络谱峭度和包络谱熵的乘积；
S42、根据所述目标函数，给定所述多点最优最小熵解卷积的滤波器长度，在给定的故障周期范围内选择对应所述目标函数最大的周期值；
S43、根据得到的最大周期值对所述增强后的振动信号进行所述多点最优最小熵解卷积滤波，得到所述滤波信号。
2.如权利要求1所述的机械故障诊断方法，其特征在于，通过安装在所述齿轮箱的壳体上的振动加速度传感器采集所述齿轮箱的振动数据。
3.如权利要求1所述的机械故障诊断方法，其特征在于，对得到的所有相关系数取指数后进行归一化之后，与所述原始振动信号更相似的乘积函数分量对应的相关系数变大，与所述原始振动信号不相似的乘积函数分量对应的相关系数变小。
4.如权利要求1所述的机械故障诊断方法，其特征在于，所述S5中，对所述滤波信号进行希尔伯特包络谱分析的步骤具体包括：
将所述滤波信号经过希尔伯特变换得到所述滤波信号的复域部分，将所述滤波信号和所述复域部分相结合得到所述滤波信号的解析信号，求所述解析信号的模即得到希尔伯特包络信号，求幅值谱即得到希尔伯特包络谱。
5.一种用于实现如权利要求1-4中任一项所述的机械故障诊断方法的机械故障诊断系统，其特征在于，包括：
采集模块，用于采集旋转机械设备的齿轮箱的振动数据作为原始振动信号；
预处理模块，用于将所述原始振动信号进行局部均值分解得到多个乘积函数分量，以及分别计算各个乘积函数分量和所述原始振动信号的相关系数，对得到的所有相关系数取指数后进行归一化，得到增强后的振动信号；
滤波模块，用于将所述增强后的振动信号进行多点最优最小熵解卷积滤波，得到滤波信号；
获取模块，用于预先获取轴承理论故障特征的频率值；
分析模块，用于对所述滤波信号进行希尔伯特包络谱分析，将所述希尔伯特包络谱分析的结果和预先计算出的轴承理论故障特征的频率值进行比较，以对所述齿轮箱进行故障诊断。
6.如权利要求5所述的机械故障诊断系统，其特征在于，所述采集模块包括安装在所述齿轮箱的壳体上的振动加速度传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211421115.9A CN115493836B (zh) | 2022-11-15 | 2022-11-15 | 机械故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211421115.9A CN115493836B (zh) | 2022-11-15 | 2022-11-15 | 机械故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115493836A CN115493836A (zh) | 2022-12-20 |
| CN115493836B true CN115493836B (zh) | 2023-04-14 |
Family
ID=85115729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211421115.9A Active CN115493836B (zh) | 2022-11-15 | 2022-11-15 | 机械故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115493836B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116595324B (zh) * | 2023-07-19 | 2023-11-10 | 北谷电子股份有限公司 | 信号瞬态冲击始点的提取方法 |
| CN117349615B (zh) * | 2023-09-26 | 2024-06-04 | 浙江大学 | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 |
| CN117846980B (zh) * | 2024-03-05 | 2024-05-17 | 青蛙泵业股份有限公司 | 一种污水污物潜水电泵的故障诊断方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015224891A (ja) * | 2014-05-26 | 2015-12-14 | 学校法人桐蔭学園 | 音波を用いた探知方法および非接触音響探知システム |
| CN110320040A (zh) * | 2019-06-21 | 2019-10-11 | 昆明理工大学 | 一种基于iitd和amckd的滚动轴承故障特征提取方法 |
| CN112284719A (zh) * | 2020-09-16 | 2021-01-29 | 北京信息科技大学 | 一种行星齿轮箱齿面磨损故障诊断方法及系统 |
| CN113269169A (zh) * | 2021-07-19 | 2021-08-17 | 武汉恩为科技有限公司 | 一种轴承故障检测方法和装置 |
| CN113780055A (zh) * | 2021-07-19 | 2021-12-10 | 北京交通大学 | 一种momeda与压缩感知的滚动轴承故障诊断方法 |
| CN114705426A (zh) * | 2022-01-06 | 2022-07-05 | 杭州爱华仪器有限公司 | 一种滚动轴承早期故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016223695A1 (de) * | 2016-11-29 | 2018-05-30 | Continental Teves Ag & Co. Ohg | Verfahren zur Bereitstellung von Zufallszahlen für Steuereinheiten eines Fahrzeugnetzwerks sowie Fahrzeugnetzwerk zur Durchführung dieses Verfahrens |
| CN111323220B (zh) * | 2020-03-02 | 2021-08-10 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
-
2022
- 2022-11-15 CN CN202211421115.9A patent/CN115493836B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015224891A (ja) * | 2014-05-26 | 2015-12-14 | 学校法人桐蔭学園 | 音波を用いた探知方法および非接触音響探知システム |
| CN110320040A (zh) * | 2019-06-21 | 2019-10-11 | 昆明理工大学 | 一种基于iitd和amckd的滚动轴承故障特征提取方法 |
| CN112284719A (zh) * | 2020-09-16 | 2021-01-29 | 北京信息科技大学 | 一种行星齿轮箱齿面磨损故障诊断方法及系统 |
| CN113269169A (zh) * | 2021-07-19 | 2021-08-17 | 武汉恩为科技有限公司 | 一种轴承故障检测方法和装置 |
| CN113780055A (zh) * | 2021-07-19 | 2021-12-10 | 北京交通大学 | 一种momeda与压缩感知的滚动轴承故障诊断方法 |
| CN114705426A (zh) * | 2022-01-06 | 2022-07-05 | 杭州爱华仪器有限公司 | 一种滚动轴承早期故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| Li, Zhuorui 等.An Optimal Parameter Selection Method for MOMEDA Based on EHNR and Its Spectral Entropy.《Sensors》.2021,第21卷(第21期),全文. * |
| 徐向阳 等.LMD-MOMEDA滚动轴承故障特征提取方法研究.《机械设计与制造》.2021,(第5期),全文. * |
| 朱丹 等.基于SVD-MOMEDA 的高速列车齿轮箱轴承故障诊断.《机车电传动》.2020,(第2期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115493836A (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115493836B (zh) | 机械故障诊断方法及系统 | |
| CN111623982B (zh) | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 | |
| Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
| Hamadache et al. | Principal component analysis based signal-to-noise ratio improvement for inchoate faulty signals: Application to ball bearing fault detection | |
| CN102539150B (zh) | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 | |
| CN110598593B (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
| CN110398364B (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
| CN110779724B (zh) | 一种基于频域组稀疏降噪的轴承故障诊断方法 | |
| CN115655455A (zh) | 一种基于自适应噪声变换和随机共振的机械故障诊断方法 | |
| CN110940522A (zh) | 强背景噪声下轴承故障周期性脉冲稀疏分离与诊断方法 | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
| CN111769810A (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
| CN112380671A (zh) | 一种齿轮故障振动调制信号的通用幅值解调方法 | |
| Altay et al. | Acoustic emission signal processing based on polynomial filtering method | |
| CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
| Wang et al. | Research on gearbox composite fault diagnosis based on improved local mean decomposition | |
| CN115655706A (zh) | 一种基于最小熵解卷积与随机共振的机械故障诊断方法 | |
| CN106980722B (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
| CN111323233B (zh) | 一种用于低速旋转机械故障诊断的局部均值分解方法 | |
| CN117370781A (zh) | 一种rv减速器复合缺陷特征提取方法、装置 | |
| CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
| CN112747925B (zh) | 一种基于复合形态学滤波的滚动轴承故障诊断方法 | |
| CN115481662A (zh) | 一种旋转机械设备早期故障诊断方法 | |
| He et al. | Application of minimum entropy deconvolution on enhancement of gear tooth fault detection |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Building 1 and 1-3 floors of Building 2, Jinan Energy Industry Park, No. 1815 Gangyuan 7th Road, High tech Zone, Jinan City, Shandong Province, 250000 Patentee after: Beigu Electronics Co.,Ltd. Patentee after: Beigu Electronics (Wuxi) Co.,Ltd. Patentee after: Luogu Technology (Shanghai) Co.,Ltd. Patentee after: Beigu Electronics Co.,Ltd. Shanghai Branch Address before: Building 20, Zhizaogu, No. 2966, Chunhui Road, High tech Zone, Jinan, Shandong 250000 Patentee before: NORTH VALLEY ELECTRONICS Co.,Ltd. Patentee before: Beigu Electronics (Wuxi) Co.,Ltd. Patentee before: Luogu Technology (Shanghai) Co.,Ltd. Patentee before: Beigu Electronics Co.,Ltd. Shanghai Branch |