CN116242612B - 一种故障诊断方法、装置、介质及设备 - Google Patents
一种故障诊断方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116242612B CN116242612B CN202310024797.8A CN202310024797A CN116242612B CN 116242612 B CN116242612 B CN 116242612B CN 202310024797 A CN202310024797 A CN 202310024797A CN 116242612 B CN116242612 B CN 116242612B
- Authority
- CN
- China
- Prior art keywords
- signal
- determining
- value
- entropy value
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 230000006870 function Effects 0.000 claims abstract description 116
- 238000001228 spectrum Methods 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 230000006378 damage Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 208000027418 Wounds and injury Diseases 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001442234 Cosa Species 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- -1 metallurgy Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种故障诊断方法、装置、介质及设备,包括:利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数;根据正常信号确定对应的基准规则谱熵值;确定本征模态函数的参考规则谱熵值;确定第i个参考规则谱熵值与基准规则谱熵值之间的差值Gi;确定第i个本征模态函数对应的故障特征变量值Ti;根据故障特征变量值确定目标本征模态函数,并对目标本征模态函数进行重构,形成重构信号;基于重构信号的包络谱进行故障诊断;如此,利用经验模态分解算法可有效分解出表征有故障信号的本征模态函数,然后结合规则谱熵值确定出故障信息含量较高的目标本征模态函数,利用重构信号的包络谱进行故障诊断时,可确保诊断精度。
Description
技术领域
本申请涉及故障诊断技术领域,尤其涉及一种故障诊断方法、装置、介质及设备。
背景技术
轴承是旋转机械中最常见的器件之一,在船舶、航空、石油、冶金、化工、风电等领域广泛运用。轴承故障是旋转机械故障中最常见的故障之一,轴承故障可能导致设备意外停机,造成生产重大损失,严重的,甚至造成人身伤害或死亡。由于机械设备往往工作在噪声很大的环境下,当轴承发生故障时,采集的轴承信号往往被背景噪声所覆盖,很难有效地提取故障信号信息并进行准确的故障判断。因此,对轴承故障信号进行有效的滤波,提取故障特征信号并进行故障诊断可以有效的提升轴承的故障诊断准确率,具有重要的工程实践意义。
相关技术中,低通滤波、带通滤波和高通滤波是轴承故障诊断中最常用的滤波方法,上述滤波方法需要知道截止频率和中心频率,以能找出对原始信号进行带通滤波的最佳中心频率和频带宽度。然而,当脉冲信号噪声和故障脉冲重复率相对较大时,滤波后的信号会受到噪声的严重影响,导致故障信号提取精度不够,进而导致无法确保故障诊断的精度。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种故障诊断方法、装置、介质及设备,以解决或者部分解决现有技术中在对滚动轴承进行故障诊断时,故障诊断精度得不到确保的技术问题。
本发明的第一方面,提供一种故障诊断方法,所述方法包括:
利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;
根据正常信号确定对应的基准规则谱熵值;
针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式Gi=C0IMFi-C0N确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;
根据公式确定第i个本征模态函数对应的故障特征变量值Ti;
根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;
基于所述重构信号的包络谱进行故障诊断;其中,所述为第i个本征模态函数的参考规则谱熵值,所述C0N为所述基准规则谱熵值;所述Gi+1为第i+1个参考规则谱熵值与所述基准规则谱熵值之间的差值。
上述方案中,所述根据正常信号确定对应的基准规则谱熵值,包括:
利用快速傅里叶变换方法将所述正常信号转换为对应的频域信号;
确定各所述频域信号的频率均值;
基于所述频率均值确定所述频域信号中的规则信号;
利用傅里叶反变换将所述规则信号变换为对应的时域信号;
根据所述时域信号及所述正常信号确定所述基准规则谱熵值。
上述方案中,所述基于所述频率均值确定所述频域信号中的规则信号,包括:
根据公式确定所述频域信号中的规则信号/>其中,所述x(k)为频域信号,所述λ为系数,所述GN为所述频率均值。
上述方案中,所述根据所述时域信号及所述正常信号确定所述基准规则谱熵值,包括:
根据公式确定所述基准规则谱熵值C0N;其中,所述X(t)为所述正常信号,所述Y(t)为所述规则信号对应的时域信号,所述t为时序信号点的序号,所述T为信号点的总数量。
上述方案中,所述根据所述故障特征变量值确定目标本征模态函数,包括:
若确定第i个本征模态函数对应的故障特征变量值Ti小于0,且确定第i+1个本征模态函数对应的故障特征变量值与第i个本征模态函数对应的故障特征变量值之间的差值大于等于预设的阈值时,则确定第i个本征模态函数为目标本征模态函数。
上述方案中,所述基于所述重构信号的包络谱进行故障诊断,包括:
获取所述包络谱中的各参考频率值;
将目标故障特征频率与各所述参考频率值进行比较,若确定存在任一参考频率值与所述目标故障特征频率的差值小于预设的阈值时,则将所述目标故障特征频率确定对应的故障状态。
本发明的第二方面,提供一种故障诊断装置,所述装置包括:
分解单元,用于利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;
确定单元,用于根据正常信号确定对应的基准规则谱熵值;针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式Gi=C0IMFi-C0N确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;根据公式确定第i个本征模态函数对应的故障特征变量值Ti;根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;
诊断单元,用于基于所述重构信号的包络谱进行故障诊断;其中,所述为第i个本征模态函数的参考规则谱熵值,所述C0N为所述基准规则谱熵值;所述Gi+1为第i+1个参考规则谱熵值与所述基准规则谱熵值之间的差值。
上述方案中,所述确定单元具体用于:
利用快速傅里叶变换方法将所述正常信号转换为对应的频域信号;
确定各所述频域信号的频率均值;
基于所述频率均值确定所述频域信号中的规则信号;
利用傅里叶反变换将所述规则信号变换为对应的时域信号;
根据所述时域信号及所述正常信号确定所述基准规则谱熵值。
本发明的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本发明的第四方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面中任一项所述方法的步骤。
本发明提供了一种故障诊断方法、装置、介质及设备,方法包括:利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;根据正常信号确定对应的基准规则谱熵值;针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;根据公式/>确定第i个本征模态函数对应的故障特征变量值Ti;根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;基于所述重构信号的包络谱进行故障诊断;其中,所述/>为第i个本征模态函数的参考规则谱熵值,所述C0N为所述基准规则谱熵值;所述Gi+1为第i+1个参考规则谱熵值与所述基准规则谱熵值之间的差值;如此,利用经验模态分解算法可有效分解出表征有故障信号的本征模态函数,然后结合规则谱熵值可确定出故障信息含量较高的目标本征模态函数,因此后续对目标本征模态函数进行重构,利用重构信号的包络谱进行故障诊断时,可确保诊断精度。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1示出了根据本发明一个实施例的故障诊断方法流程示意图;
图2示出了根据本发明一个实施例的故障诊断装置结构示意图;
图3示出了根据本发明一个实施例的计算机设备结构示意图;
图4示出了根据本发明一个实施例的计算机可读存储介质结构示意图;
图5示出了根据本发明一个实施例的待诊断信号时域图;
图6示出了根据本发明一个实施例的待诊断信号频域图;
图7示出了根据本发明一个实施例的将待诊断信号进行分解后获得的IMF示意图;
图8示出了根据本发明一个实施例的目标IMF选取原理示意图;
图9示出了根据本发明一个实施例的故障伤的包络谱示意图;
图10示出了根据本发明一个实施例的另一故障伤的包络谱示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种故障诊断方法,如图1所示,方法包括以下步骤:
S110,利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;
对于轴承的待诊断信号XD(t),可利用经验模态分解算法(EMD,Empirical ModeDecomposition)待诊断信号进行分解,获得多个本征模态函数(IMF,Intrinsic ModeFunction),本征模态函数包含有故障特征信息或噪声特征信息。
具体来讲,待诊断信号为时域信号,可确定出待诊断信号的极大值点和极小值点;并确定待诊断信号的上包络线和下包络线,获得上包络线和下包络线包含的所有数据点。
针对任一数据点,确定该数据点对应的上包络值(该数据点在上包络线的纵坐标)以及确定该数据点的下包络值(该数据点在上包络线的纵坐标),根据上包络值和下包络值确定出平均值m1。在根据公式(1)确定待诊断信号与平均值m1之间的差值:
h1=XD(t)-m1 (1)
判断h1是否满足IMF条件,若满足,则将h1确定为第一个本征模态函数c1;若不满足,则根据公式(1)继续对下一数据点进行处理,然后按照同样的方法进行判断,直至满足IMF条件。
这里,IMF条件包括两个:1)在整个数据段内,极值点的个数和过零点的个数必须相等或两者数量的差值相差小于等于1。2)在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上包络线、下包络线相对于时间轴局部对称。
然后通过公式(2)将第一个IMF从待诊断信号中分离出来:
r1=XD(t)-c1 (2)
其中,r1为残余(残差)信号。
重复上述步骤P次,最终可获得P个IMF,最终将待诊断信号分解为P个IMF和1个残差:
其中,P为IMF的序号,r(t)为IMF对应的残差。
S111,根据正常信号确定对应的基准规则谱熵值;针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;根据公式/>确定第i个本征模态函数对应的故障特征变量值Ti;
规则谱熵值可以用于表征IMF中故障信号的信息量。本实施例对规则谱熵、Lempel-Ziv复杂度(LZC)、近似熵(ApEn)和样本熵(SE)的判别因子进行计算,确定规则谱熵的判别因子为5.4121,LZC的判别因子为3.2792,近似熵的判别因子为3.0612,样本熵的判别因子为4.9213。判别因子越大,故障诊断效果越好,因此本实施例选取规则谱熵进行故障诊断。
在一种实施方式中,根据正常信号确定对应的基准规则谱熵值,包括:
利用快速傅里叶变换方法将正常信号转换为对应的频域信号;
确定各频域信号的频率均值;
基于频率均值确定频域信号中的规则信号;
利用傅里叶反变换将规则信号变换为对应的时域信号;
根据时域信号及正常信号确定所述基准规则谱熵值。
具体来讲,当轴承处于正常工作状态时,利用加速度传感器采集到的信号为正常信号X(t),可利用快速傅里叶变换方法将正常信号X(t)转换为对应的频域信号x(k),k=1,2……N,N为采样频率。
然后根据公式(4)确定各频域信号的频率均值GN:
在一种实施方式中,基于频率均值确定频域信号中的规则信号,包括:
根据公式(5)确定频域信号中的规则信号其中,x(k)为频域信号,λ为规则谱熵的系数,一般取值为5~10;GN为频率均值。
通过傅里叶逆变换将变换为时域信号Y(t),t=1,2……T。
然后根据时域信号及正常信号确定基准规则谱熵值,包括:
根据公式确定基准规则谱熵值C0N;其中,所述X(t)为正常信号,Y(t)为规则信号对应的时域信号,t为时序信号点的序号,所述T为信号点的总数量。
同样的,针对每个本征模态函数,可按照上述同样的方法确定每个本征模态函数的参考规则谱熵值。具体方法和确定基准规则谱熵值的方法一样,故在此不再赘述。
根据公式(6)确定第i个参考规则谱熵值与基准规则谱熵值之间的差值Gi;
根据公式(7)确定第i个本征模态函数对应的故障特征变量值Ti;
在公式(7)中,为第i个本征模态函数的参考规则谱熵值,C0N为基准规则谱熵值;Gi+1为第i+1个参考规则谱熵值与基准规则谱熵值之间的差值。
故障特征变量值Ti确定出之后,可基于Ti确定最具有故障代表性的IMF函数,以进行后续的故障诊断。
S112,根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;
由于故障特征丰富的本征模态函数与故障特征不丰富的本征模态函数的故障特征变量值差别大。如果Ti小于0,则表示当前的本征模态函数的故障特征含量要小于上一个本征模态函数,且这个插值大于一定阈值的时候,可以进一步的确认该本征模态函数即是想选取的目标本征模态函数。
因此,通过上述操作可以得到具有故障信息的本征模态函数。在一种实施方式中,根据故障特征变量值确定目标本征模态函数,包括:
若确定第i个本征模态函数对应的故障特征变量值Ti小于0,且确定第i+1个本征模态函数对应的故障特征变量值与第i个本征模态函数对应的故障特征变量值之间的差值大于等于预设的阈值时,则确定第i个本征模态函数为目标本征模态函数。
其中,阈值可基于实际情况确定,比如为5%。
目标本征模态函数确定出之后,可对目标本征模态函数进行重构,形成重构信号。
S113,基于所述重构信号的包络谱进行故障诊断。
获得重构信号的包络谱,基于重构信号的包络谱进行故障诊断,具体包括:
获取包络谱中的各参考频率值;
将目标故障特征频率与各参考频率值进行比较,若确定存在任一参考频率值与目标故障特征频率的差值小于预设的阈值时,则将目标故障特征频率确定对应的故障状态。
具体来讲,包络谱中包含有多个参考频率值,比如包括A、B和C。目标故障特征频率包括:轴承外圈伤对应的特征频率、轴承内圈伤对应的特征频率以及轴承滚子伤对应的特征频率。可以将A、B和C和上述几种目标故障特征频率进行一一比较,确定出最终的目标故障特征频率。假如最终的目标故障特征频率为轴承外圈伤对应的特征频率,那么可确定为故障为轴承外圈伤。
本实施例利用经验模态分解算法可有效分解出表征有故障信号的本征模态函数,然后结合规则谱熵值可确定出故障信息含量较高的目标本征模态函数,因此后续对目标本征模态函数进行重构,利用重构信号的包络谱进行故障诊断时,可确保诊断精度。
基于与前述实施例中同样的发明构思,本实施例还提供一种故障诊断装置,如图2所示,装置包括:
分解单元21,用于利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;
确定单元22,用于根据正常信号确定对应的基准规则谱熵值;针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;根据公式/>确定第i个本征模态函数对应的故障特征变量值Ti;根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;
诊断单元23,用于基于所述重构信号的包络谱进行故障诊断;其中,所述为第i个本征模态函数的参考规则谱熵值,所述C0N为所述基准规则谱熵值;所述Gi+1为第i+1个参考规则谱熵值与所述基准规则谱熵值之间的差值。
在一种实施方式中,确定单元22具体用于:
利用快速傅里叶变换方法将所述正常信号转换为对应的频域信号;
确定各所述频域信号的频率均值;
基于所述频率均值确定所述频域信号中的规则信号;
利用傅里叶反变换将所述规则信号变换为对应的时域信号;
根据所述时域信号及所述正常信号确定所述基准规则谱熵值。
由于本发明实施例所介绍的装置,为实施本发明实施例的故障诊断方法所采用的装置,故而基于本发明实施例所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例的方法所采用的装置都属于本发明所欲保护的范围。
基于同样的发明构思,本实施例提供一种计算机设备300,如图3所示,包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时实现前文所述方法的任一步骤。
基于同样的发明构思,本实施例提供一种计算机可读存储介质400,如图4所示,其上存储有计算机程序411,该计算机程序411被处理器执行时实现前文任一所述方法的步骤。
通过本发明的一个或者多个实施例,本发明具有以下有益效果或者优点:
本发明提供了一种故障诊断方法、装置、介质及设备,方法包括:利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;根据正常信号确定对应的基准规则谱熵值;针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;根据公式/>确定第i个本征模态函数对应的故障特征变量值Ti;根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;基于所述重构信号的包络谱进行故障诊断;其中,所述/>为第i个本征模态函数的参考规则谱熵值,所述C0N为所述基准规则谱熵值;所述Gi+1为第i+1个参考规则谱熵值与所述基准规则谱熵值之间的差值;如此,利用经验模态分解算法可有效分解出表征有故障信号的本征模态函数,然后结合规则谱熵值可确定出故障信息含量较高的目标本征模态函数,因此后续对目标本征模态函数进行重构,利用重构信号的包络谱进行故障诊断时,可确保诊断精度。
实际应用中,利用上述实施例提供的方法及装置对轴承进行故障诊断时,实施如下:
首先使用放电加工方式人工制造了三种不同类型的轴承伤,包括:外圈伤、内圈伤和滚子伤,伤的宽度为5.0mm,深度为0.3mm。每个状态下的原始振动信号由采样频率为100kHz的加速度传感器采集。加速度传感器固定在轴承的垂直方向上。所有数据均由包括传感器信号调节器和信号记录器的采集系统进行存储、记录和转换。
假设内圈伤、外圈伤的故障特征频率分别是fI,fo,对应的故障特征频率分别通过公式(8)、(9)得到:
fI=Nbfr/2(1+(Db/Dc)cosa) (8)
fO=Nbfr/2(1-(Db/Dc)cosa) (9)
其中,Nb为滚子数,Db为滚子直径,Dc是轴承的节径,fr为轴承的转频,a是接触角。
通过上述公式(8)~(9)可确定出轴承在100RPM状态下的故障特征频率,那么具体如表1所示。其中,轴承的滚子数是12,接触角是0,滚子直径是18.1mm,节径是87.5mm。
表1
在该状态下对待诊断信号进行采样,以内圈伤轴承对应的待诊断信号如图5所示,待诊断信号的包络谱如图6所示。从图5和图6中可以看出,原始信号并不能分辨出故障特征频率。
因此利用EMD算法对待诊断信号进行分解,获得20个IMF,可参考图7。然后对20个IMF进行规则谱熵计算,规则谱熵的参数取值为10,获得每个IMF对应的故障特征变量值Ti;Ti结果图可参考图8。
从图8中可以确定IMF2、IMF3、IMF4和IMF5具有最佳判别值,可以将IMF2、IMF3、IMF4和IMF5确定为目标IMF。重构IMF2~IMF5的原始信号并计算包络谱,包络谱结果如图9所示。
从图9中可以看出,故障特征频率为12.21,二倍频为24.4,三倍频为36.24;确定12.21与内圈伤对应的故障特征频率11.82之间的差值小于预设阈值,那么则将内圈伤对应的故障特征频率确定为目标特征频率,轴承故障诊断为内圈伤。
按照上述同样的方法,对存在外圈伤的轴承进行故障诊断时,外圈伤的轴承对应的包络谱如图10所示。从图10中看出,目标故障特征频率为8.392,根据表1,诊断故障为外圈伤故障。
可以看出,本实施例提供的EMD+规则谱熵的诊断方式可以精确诊断出轴承故障,确保诊断精度。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种故障诊断方法,其特征在于,所述方法包括:
利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;
根据正常信号确定对应的基准规则谱熵值;
针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;
根据公式确定第i个本征模态函数对应的故障特征变量值Ti;
根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;
基于所述重构信号的包络谱进行故障诊断;其中,所述为第i个本征模态函数的参考规则谱熵值,所述C0N为所述基准规则谱熵值;所述Gi+1为第i+1个参考规则谱熵值与所述基准规则谱熵值之间的差值;其中,
所述根据正常信号确定对应的基准规则谱熵值,包括:
利用快速傅里叶变换方法将所述正常信号转换为对应的频域信号;
确定各所述频域信号的频率均值;
基于所述频率均值确定所述频域信号中的规则信号;
利用傅里叶反变换将所述规则信号变换为对应的时域信号;
根据所述时域信号及所述正常信号确定所述基准规则谱熵值。
2.如权利要求1所述的方法,其特征在于,所述基于所述频率均值确定所述频域信号中的规则信号,包括:
根据公式确定所述频域信号中的规则信号/>其中,所述x(k)为频域信号,所述λ为系数,所述GN为所述频率均值。
3.如权利要求1所述的方法,其特征在于,所述根据所述时域信号及所述正常信号确定所述基准规则谱熵值,包括:
根据公式确定所述基准规则谱熵值C0N;其中,所述X(t)为所述正常信号,所述Y(t)为所述规则信号对应的时域信号,所述t为时序信号点的序号,所述T为信号点的总数量。
4.如权利要求1所述的方法,其特征在于,所述根据所述故障特征变量值确定目标本征模态函数,包括:
若确定第i个本征模态函数对应的故障特征变量值Ti小于0,且确定第i+1个本征模态函数对应的故障特征变量值与第i个本征模态函数对应的故障特征变量值之间的差值大于等于预设的阈值时,则确定第i个本征模态函数为目标本征模态函数。
5.如权利要求1所述的方法,其特征在于,所述基于所述重构信号的包络谱进行故障诊断,包括:
获取所述包络谱中的各参考频率值;
将目标故障特征频率与各所述参考频率值进行比较,若确定存在任一参考频率值与所述目标故障特征频率的差值小于预设的阈值时,则将所述目标故障特征频率确定对应的故障状态。
6.一种故障诊断装置,其特征在于,所述装置包括:
分解单元,用于利用经验模态分解算法对轴承的待诊断信号进行分解,获得多个本征模态函数,所述本征模态函数包含有故障特征信息或噪声特征信息;
确定单元,用于根据正常信号确定对应的基准规则谱熵值;针对每个本征模态函数,确定所述本征模态函数的参考规则谱熵值;根据公式确定第i个参考规则谱熵值与所述基准规则谱熵值之间的差值Gi;根据公式/>确定第i个本征模态函数对应的故障特征变量值Ti;根据所述故障特征变量值确定目标本征模态函数,并对所述目标本征模态函数进行重构,形成重构信号;
诊断单元,用于基于所述重构信号的包络谱进行故障诊断;其中,所述为第i个本征模态函数的参考规则谱熵值,所述C0N为所述基准规则谱熵值;所述Gi+1为第i+1个参考规则谱熵值与所述基准规则谱熵值之间的差值;其中,
所述确定单元具体用于:
利用快速傅里叶变换方法将所述正常信号转换为对应的频域信号;
确定各所述频域信号的频率均值;
基于所述频率均值确定所述频域信号中的规则信号;
利用傅里叶反变换将所述规则信号变换为对应的时域信号;
根据所述时域信号及所述正常信号确定所述基准规则谱熵值。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024797.8A CN116242612B (zh) | 2023-01-09 | 2023-01-09 | 一种故障诊断方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310024797.8A CN116242612B (zh) | 2023-01-09 | 2023-01-09 | 一种故障诊断方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116242612A CN116242612A (zh) | 2023-06-09 |
CN116242612B true CN116242612B (zh) | 2023-11-21 |
Family
ID=86627074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310024797.8A Active CN116242612B (zh) | 2023-01-09 | 2023-01-09 | 一种故障诊断方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116242612B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101494049A (zh) * | 2009-03-11 | 2009-07-29 | 北京邮电大学 | 一种用于音频监控系统中的音频特征参数的提取方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN109374299A (zh) * | 2018-12-13 | 2019-02-22 | 西安理工大学 | 一种用于印刷单元的滚动轴承故障诊断方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN109813417A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于改进emd的并联电抗器故障诊断方法 |
CN109932179A (zh) * | 2019-04-09 | 2019-06-25 | 东南大学 | 一种基于ds自适应谱重构的滚动轴承故障检测方法 |
KR20190092753A (ko) * | 2018-01-31 | 2019-08-08 | 한국항공대학교산학협력단 | 전달오차를 이용한 회전체 결함 분석 장치 및 방법 |
CN110514441A (zh) * | 2019-08-28 | 2019-11-29 | 湘潭大学 | 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法 |
CN110909710A (zh) * | 2019-12-03 | 2020-03-24 | 北京信息科技大学 | 一种基于s试件的自适应主轴性能劣化识别方法 |
CN111521400A (zh) * | 2020-06-24 | 2020-08-11 | 北京航空航天大学 | 一种基于edm及谱峭度的轴承早期故障诊断方法 |
CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN112067298A (zh) * | 2020-09-27 | 2020-12-11 | 上海海事大学 | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 |
CN112461547A (zh) * | 2020-12-22 | 2021-03-09 | 河北建投能源投资股份有限公司 | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 |
CN113375940A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和ceemdan的故障轴承诊断方法 |
CN114235408A (zh) * | 2021-12-17 | 2022-03-25 | 哈尔滨工程大学 | 基于改进级联变分模态分解的轴承故障诊断方法及系统 |
CN114636556A (zh) * | 2022-03-15 | 2022-06-17 | 南京凯奥思数据技术有限公司 | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 |
CN114818780A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 基于ceemdan和apso-svm的车辆轴承故障诊断方法 |
CN115031967A (zh) * | 2022-05-27 | 2022-09-09 | 北京天玛智控科技股份有限公司 | 滚动轴承的故障诊断方法、装置及电子设备 |
CN115452381A (zh) * | 2022-09-29 | 2022-12-09 | 湘潭大学 | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 |
-
2023
- 2023-01-09 CN CN202310024797.8A patent/CN116242612B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101494049A (zh) * | 2009-03-11 | 2009-07-29 | 北京邮电大学 | 一种用于音频监控系统中的音频特征参数的提取方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
KR20190092753A (ko) * | 2018-01-31 | 2019-08-08 | 한국항공대학교산학협력단 | 전달오차를 이용한 회전체 결함 분석 장치 및 방법 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN109374299A (zh) * | 2018-12-13 | 2019-02-22 | 西安理工大学 | 一种用于印刷单元的滚动轴承故障诊断方法 |
CN109813417A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于改进emd的并联电抗器故障诊断方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
CN109932179A (zh) * | 2019-04-09 | 2019-06-25 | 东南大学 | 一种基于ds自适应谱重构的滚动轴承故障检测方法 |
CN110514441A (zh) * | 2019-08-28 | 2019-11-29 | 湘潭大学 | 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法 |
CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN110909710A (zh) * | 2019-12-03 | 2020-03-24 | 北京信息科技大学 | 一种基于s试件的自适应主轴性能劣化识别方法 |
CN111521400A (zh) * | 2020-06-24 | 2020-08-11 | 北京航空航天大学 | 一种基于edm及谱峭度的轴承早期故障诊断方法 |
CN112067298A (zh) * | 2020-09-27 | 2020-12-11 | 上海海事大学 | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 |
CN112461547A (zh) * | 2020-12-22 | 2021-03-09 | 河北建投能源投资股份有限公司 | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 |
CN113375940A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和ceemdan的故障轴承诊断方法 |
CN114235408A (zh) * | 2021-12-17 | 2022-03-25 | 哈尔滨工程大学 | 基于改进级联变分模态分解的轴承故障诊断方法及系统 |
CN114636556A (zh) * | 2022-03-15 | 2022-06-17 | 南京凯奥思数据技术有限公司 | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 |
CN114818780A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 基于ceemdan和apso-svm的车辆轴承故障诊断方法 |
CN115031967A (zh) * | 2022-05-27 | 2022-09-09 | 北京天玛智控科技股份有限公司 | 滚动轴承的故障诊断方法、装置及电子设备 |
CN115452381A (zh) * | 2022-09-29 | 2022-12-09 | 湘潭大学 | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
"Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis";Lotfi Saidi 等;《ISA Transactions》;第5卷(第53期);全文 * |
基于多尺度解调谱熵的轴承故障特征提取方法;付大鹏;翟勇;;组合机床与自动化加工技术(第01期);全文 * |
基于改进EEMD的滚动轴承故障诊断研究;岳晓峰;邵海贺;制造业自动化(017);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116242612A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
JP6133112B2 (ja) | 転がり軸受の診断装置および転がり軸受の診断方法 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CN113654798A (zh) | 故障诊断方法、装置及电子设备 | |
Osman et al. | A normalized Hilbert-Huang transform technique for bearing fault detection | |
Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
Shuuji et al. | Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN111504640B (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
CN116242612B (zh) | 一种故障诊断方法、装置、介质及设备 | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
Van et al. | Rolling element bearing fault diagnosis using integrated nonlocal means denoising with modified morphology filter operators | |
CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 | |
Wang et al. | A Two‐Stage Compression Method for the Fault Detection of Roller Bearings | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
Zhang et al. | A joint kurtosis-based adaptive bandstop filtering and iterative autocorrelation approach to bearing 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 |