CN115931353A - 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 - Google Patents
一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115931353A CN115931353A CN202211016923.7A CN202211016923A CN115931353A CN 115931353 A CN115931353 A CN 115931353A CN 202211016923 A CN202211016923 A CN 202211016923A CN 115931353 A CN115931353 A CN 115931353A
- Authority
- CN
- China
- Prior art keywords
- fourier transform
- short
- time fourier
- bearing
- signals
- 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
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及现代信号处理技术领域,尤其涉及一种基于相关熵和短时傅里叶变换的轴承故障诊断方法。
背景技术
短时傅里叶变换-Short Time Fourier Transform,STFT,是一种常用的时频信号处理方法,在旋转机械轴承、齿轮等零部件的故障诊断中得到了广泛的应用但当信号的信噪比较低或含有非高斯噪声时,传统STFT信号处理方法的性能会衰退,甚至失效在实际工业场景中,从机电设备采集的振动信号常含有大量的高斯和非高斯噪声,传统短时傅里叶变换方法难以取得满意的诊断效果,所以现在亟需一种可以能有效抑制信号中的高斯噪声和非高斯噪声,具有自适应降噪性能,能突显轴承故障特征的故障诊断方法。
发明内容
根据以上技术问题,本发明提供一种基于相关熵和短时傅里叶变换的轴承故障诊断方法,本发明诊断方法如下:
步骤1,采集振动信号x(i),采样长度为N,信号x(i)是N×1的列向量,计算信号的核矩阵Mx,Mx(i,j)=κ[x(i),x(j)],κ(·)是核函数,e(·)是自然指数函数,σ是核长,i,j=1,2,3,…,N,Mx是N×N的方阵。
步骤3,计算相关熵Vx(n)的短时傅里叶变换Sx(t,f),Sx(t,f)=STFT[Vx(n)],STFT(·)是短时傅里叶变换算子,t是时间,f是频率。
步骤4,画出短时傅里叶变换Sx(t,f)图,由频谱尖峰可识别轴承故障特征。
本发明的有益效果为:
本发明提出的基于相关熵和短时傅里叶变换的轴承故障诊断方法,综合利用了相关熵和短时傅里叶变换的优点,由于传统短时傅里叶变换易受干扰噪声的影响,且轴承外圈故障特征频率与系统固有振动频率相互耦合,所以在噪声干扰下难以有效提取轴承外圈故障特征信息,本发明与传统传统短时傅里叶变换方法相比能有效抑制信号中的高斯噪声和非高斯噪声,具有自适应降噪性能,能突显轴承故障特征。
附图说明
图1为本发明所述方法的流程图;
图2为实施例2轴承外圈故障振动信号的时域波形;
图3为实施例2轴承外圈故障振动信号的快速傅里叶变换图;
图4为实施例2轴承外圈故障振动信号,当时的相关熵图;
图5为实施例2轴承外圈故障振动信号,当时的短时傅里叶变换谱平面轮廓图;
图6为实施例2轴承外圈故障振动信号,当时的短时傅里叶变换谱三维立体图;
图7为实施例2轴承外圈故障振动信号,当时的短时傅里叶变换谱沿时间轴积分后谱图;
图8为对比例1轴承外圈故障振动信号的传统短时傅里叶变换平面轮廓图;
图9为对比例1轴承外圈故障振动信号的传统短时傅里叶变换三维立体图;
图10为对比例1轴承外圈故障振动信号的传统短时傅里叶变换沿时间轴积分后谱图。
具体实施方式
下面将结合本发明的附图,对本发明的技术方案进行清楚完整地描述。
如图1所示,本发明公开了一种基于相关熵和短时傅里叶变换的轴承故障诊断方法,包括如下步骤:
步骤S1,采集振动信号x(i),采样长度为N,如图2所示,信号x(i)是N×1的列向量,计算信号的核矩阵Mx,Mx(i,j)=κ[x(i),x(j)],κ(·)是核函数,e(·)是自然指数函数,σ是核长,i,j=1,2,3,…,N,Mx是N×N的方阵。
步骤S3,计算相关熵Vx(n)的短时傅里叶变换Sx(t,f),Sx(t,f)=STFT[Vx(n)],STFT(·)是短时傅里叶变换算子,t是时间,f是频率。
步骤S4,画出短时傅里叶变换Sx(t,f)图,由频谱尖峰可识别轴承故障特征。
实施例2
本实施例是对实施例1方法的验证,本实施例为轴承外圈故障振动信号x(i),轴承型号为深沟球轴承6205,轴的转速为1730r/min,采样频率fs=12000Hz,采样点数N=4096,轴承的几何尺寸为:大径D=52.0mm;滚珠直径d=7.94mm;滚珠数量z=9;压力角α=0°,通过计算得到轴承外圈故障特征频率fouter=103.36Hz,轴承外圈故障特征周期Touter=1/fouter=0.00967s。
实施例2的轴承外圈故障振动信号x(i)的时域图形,如图2所示,x(i)的快速傅里叶变换,如图3所示,根据实施例1的步骤2,计算信号x(i)的相关熵Vx(n),
如图4所示,在图4中可以看出有规律的瞬态冲击,相邻瞬态冲击峰值之间的间隔为轴承外圈故障特征周期Touter,根据实施例1的步骤3,计算相关熵Vx(n)的短时傅里叶变换Sx(t,f),图5为Sx(t,f)的平面轮廓图,图6为Sx(t,f)的三维立体图,图7为图4的Sx(t,f)沿时间轴积分后的功率谱图,从图5可以清晰看到:在时频平面(t,f)的低频段,存在等间隔分布的谱峰,相邻谱峰之间的间隔为轴承外圈故障特征频率fouter,从图7可以清晰看到轴承外圈故障特征频率fouter及其高次谐波,清晰刻画了轴承外圈故障特征频率信息。
对比例1
为对比基于相关熵和短时傅里叶变换的轴承故障诊断与传统短时傅里叶变换的轴承故障诊断效果,本对比例利用传统的短时傅里叶变换方法,对实施例2中(图2)的轴承外圈故障振动信号x(i)进行了分析,图8为传统短时傅里叶变换的平面轮廓图,图9为传统短时傅里叶变换的三维立体图,图10为图8的时频图沿时间轴积分后的功率谱图,从图8和图9可以看出,由于传统短时傅里叶变换易受干扰噪声的影响,且轴承外圈故障特征频率与系统固有振动频率相互耦合,因此,在图8的低频段没有出现规则分布的谱峰,在图10中也没出现轴承外圈故障特征频率fouter及其高次谐波,因而基于传统短时傅里叶变换的方法,在噪声干扰下难以有效提取轴承外圈故障特征信息。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于相关熵和短时傅里叶变换的轴承故障诊断方法,其特征在于,包括以下步骤:
步骤1,采集振动信号x(i),采样长度为N,信号x(i)是N×1的列向量,计算信号的核矩阵Mx,Mx(i,j)=κ[x(i),x(j)],κ(·)是核函数,e(·)是自然指数函数,σ是核长,i,j=1,2,3,…,N,Mx是N×N的方阵。
步骤2,计算信号x(i)的相关熵Vx(n), Vx(n)是N×1的列向量。
步骤3,计算相关熵Vx(n)的短时傅里叶变换Sx(t,f),Sx(t,f)=STFT[Vx(n)],STFT(·)是短时傅里叶变换算子,t是时间,f是频率。
步骤4,画出短时傅里叶变换Sx(t,f)图,由频谱尖峰可识别轴承故障特征。
2.根据权利要求1所述的基于相关熵和短时傅里叶变换的轴承故障诊断方法,其特征在于所述步骤2中, Vx(n)是N×1的列向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211016923.7A CN115931353A (zh) | 2022-08-24 | 2022-08-24 | 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211016923.7A CN115931353A (zh) | 2022-08-24 | 2022-08-24 | 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115931353A true CN115931353A (zh) | 2023-04-07 |
Family
ID=86651311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211016923.7A Pending CN115931353A (zh) | 2022-08-24 | 2022-08-24 | 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115931353A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383721A (zh) * | 2023-05-25 | 2023-07-04 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
-
2022
- 2022-08-24 CN CN202211016923.7A patent/CN115931353A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383721A (zh) * | 2023-05-25 | 2023-07-04 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
CN116383721B (zh) * | 2023-05-25 | 2023-12-12 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109682601B (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
McCormick et al. | Cyclostationarity in rotating machine vibrations | |
CN110940524B (zh) | 一种基于稀疏理论的轴承故障诊断方法 | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
Pang et al. | Enhanced singular spectrum decomposition and its application to rolling bearing fault diagnosis | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN115931353A (zh) | 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 | |
Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
Kim et al. | A new prognostics approach for bearing based on entropy decrease and comparison with existing methods | |
CN117836599A (zh) | 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 | |
Raj et al. | Morlet wavelet UDWT denoising and EMD based bearing fault diagnosis | |
CN117030268B (zh) | 一种滚动轴承故障诊断方法 | |
CN111896256B (zh) | 基于深度核处理的轴承故障诊断方法 | |
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 | |
Die et al. | Rolling bearing fault feature extraction method based on VMD and fast-kurtogram | |
Li et al. | A spectrum detection approach for bearing fault signal based on spectral kurtosis | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
Yang et al. | Research on Fault Feature Extraction Method Based on FDM‐RobustICA and MOMEDA | |
CN114018581A (zh) | 一种基于ceemdan的滚动轴承振动信号分解方法 | |
CN116383629A (zh) | 一种变转速滚动轴承故障诊断方法 | |
Huang et al. | Short-time kurtogram for bearing fault feature extraction under time-varying speed conditions | |
Kanneg et al. | A wavelet spectrum technique for machinery fault diagnosis | |
CN112613573A (zh) | 一种基于自适应终止准则omp的滚动轴承故障诊断方法 | |
JP6305303B2 (ja) | 回転機器の振動診断装置、方法及びプログラム |
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 |