CN116358873B - 滚动轴承故障诊断方法、装置、设备及介质 - Google Patents
滚动轴承故障诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116358873B CN116358873B CN202310630055.XA CN202310630055A CN116358873B CN 116358873 B CN116358873 B CN 116358873B CN 202310630055 A CN202310630055 A CN 202310630055A CN 116358873 B CN116358873 B CN 116358873B
- Authority
- CN
- China
- Prior art keywords
- frequency
- fault
- characteristic frequency
- fault characteristic
- signal
- 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 61
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005096 rolling process Methods 0.000 title claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 12
- 230000010363 phase shift Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000008713 feedback mechanism Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000003949 liquefied natural gas Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 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
Abstract
本发明公开了滚动轴承故障诊断方法、装置、设备及介质,所述方法在轴承处于匀速转动状态下时监测分析所述轴承的故障频率,所述方法包括:根据所述轴承的真实转速及所述轴承的实际参数计算出理论故障特征频率;通过多个故障特征频率搜索模型依次对所述理论故障特征频率进行筛选,识别出故障特征出现的高点频率值;根据筛选后的故障特征频率值建立检测矩阵,利用所述检测矩阵完成故障诊断。本发明利用滚动轴承特点进行电流、振动频率检测分析出轴承的故障。
Description
技术领域
本发明属于轴承故障检测技术领域,尤其涉及滚动轴承故障诊断方法、装置、设备及介质。
背景技术
随着天然气能源不断发展,LNG加气站建设在持续,浸没式离心泵作为加气站的核心高价值设备,由于它出现非计划性故障停机,导致了客户的经济损失,并对城市LNG车辆充装的及时性带来了社会问题。
针对浸没式离心泵轴承的故障预测难题,当前已有多种公开的轴承故障检测方法,例如公开号为CN111652031A的中国发明专利提出了一种基于改进经验小波变换的滚动轴承故障诊断方法,该方法使用傅里叶变换及反变换计算信号频谱的趋势谱;使用小波折中阈值函数去噪方法,对趋势谱进行优化;根据优化后的趋势谱建立滤波带,使用经验小波变换方法分解振动信号,求得经验模态分量。公开号为CN113865868A的中国发明专利提出了一种基于时频域表达的滚动轴承故障诊断方法,该方法将采集的多通道振动加速度信号处理为时频域表达特征,然后构建时频Transformer模型并训练该时频Transformer模型以提取故障相关特征和实现故障分类,最后基于训练完成的时频Transformer模型诊断测试样本故障。公开号为CN115711739A的中国发明专利提出了一种滚动轴承故障的诊断方法、装置、计算机设备及介质,该方法获取滚动轴承物理轴的第一转速;基于所述物理轴的第一转速和轴承的结构参数信息,确定对应虚拟轴的第二转速;基于所述虚拟轴的第二转速,在虚拟轴上对振动信号进行时域同步平均分析,得到处理后的振动信号;将所述处理后的振动信号映射至所述物理轴上,进行阶次谱分析,得到滚动轴承的故障诊断结果。
虽然上述方法能够实现滚动轴承故障的诊断,但上述方法仍存在诊断精度不够高的弊端,以及缺乏实时在线故障诊断计算故障频率并且进行在线实时监测和报警,无法形成与现场浸没式离心泵实际运行过程中出现故障后的联锁停机保护控制。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了滚动轴承故障诊断方法、装置、设备及介质,通过多模型联合过滤标记的方式,能够进一步提升滚动轴承故障诊断的精度。
本发明目的通过下述技术方案来实现:
一种滚动轴承故障诊断方法,该方法在轴承处于匀速转动状态下时监测分析轴承的故障频率,该方法包括:
根据轴承的真实转速及轴承的实际参数计算出理论故障特征频率;
通过多个故障特征频率搜索模型依次对理论故障特征频率进行筛选,识别出故障特征出现的高点频率值;
故障特征频率搜索模型包括第一故障特征频率搜索模型、第二故障特征频率搜索模型和第三故障特征频率搜索模型,第一故障特征频率搜索模型通过频谱计算结合故障特征频率搜索进行故障频率标记,第二故障特征频率搜索模型计算包络谱并在包络谱频率信号上搜索故障特征频率,第三故障特征频率搜索模型提高原始信号的信噪比后再次计算包络谱并在包络谱频率信号上搜索故障特征频率。
进一步的,轴承处于匀速状态的判断方法包括:
获取待检测轴承对应的电机的电流值,并根据电流值判断电机当前是否处于匀速状态。
进一步的,第一故障特征频率搜索模型具体包括:
根据快速傅里叶变换计算频域信号;
将得到的频域信号进行高频共振解调后,通过故障特征频率搜索找出故障频率进行标记。
进一步的,第二故障特征频率搜索模型具体包括:
对振动信号采用希尔伯特变换,将振动频率的负频率的相位作正90°相移,正频率作负90°相移,得到原始信号的包络信号;
对包络信号求取快速傅里叶变换频谱,得到包络谱;
在包络谱频率信号上通过故障特征频率搜索找出故障频率进行标记。
进一步的,第三故障特征频率搜索模型具体包括:
对振动信号进行小波变换后再进行希尔伯特变换,将振动频率的负频率的相位作正90°相移,正频率作负90°相移,得到原始信号的包络信号;
对包络信号求取快速傅里叶变换频谱,得到包络谱;
在包络谱频率信号上通过故障特征频率搜索找出故障频率进行标记。
进一步的,第三故障特征频率搜索模型还包括使用负反馈机制,通过调节小波变换的变换时间间隔调整模型,直至得到最佳的故障特征频率搜索效果的模型。
进一步的,通过故障特征频率搜索找出故障频率进行标记具体包括:
设定频率峰值条件,频率峰值条件包括最小峰值高度和最小峰值间隔;
根据搜索到的故障特征频率进行峰值匹配,对搜索到的故障特征频率做逻辑判断,是否存在故障特征频率预设范围内的有效峰值,若存在有效峰值,则搜索到了故障特征频率,存在对应故障;若不存在有效峰值,则不存在对应故障。
另一方面,本发明还提供了一种滚动轴承故障诊断装置,装置用于实现前述任一种滚动轴承故障诊断方法,装置包括:
数据采集单元,数据采集单元用于获取待诊断轴承的真实转速和电机电流值;
特征计算单元,特征计算单元用于通过多个故障特征频率搜索模型依次对理论故障特征频率进行筛选,识别出故障特征出现的高点频率值。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,存储器中存储有计算机程序,计算机程序由处理器加载并执行以实现上述的任意一种滚动轴承故障诊断方法。
另一方面,本发明还提供了一种计算机可读存储介质,存储介质中存储有计算机程序,计算机程序由处理器加载并执行以实现上述的任意一种滚动轴承故障诊断方法。
本发明的有益效果在于:
(1)本发明提出以多模型联合过滤故障特征频率的方式,能够得到精度更高的故障特征频率值。首先选择计算速度快的FFT算法作为第一搜索模型进行初筛;其次,由于离心泵轴承现场存在多种同频率的高频调制信号,存在故障频率与其它频率叠加形成高频调制信号,无法通过FFT算法捕获出故障特征频率点,因此通过单纯的FFT算法无法搜索到的故障频率,需要通过HT算法,对故障频率与其它频率叠加形成高频调制信号进行信号解调,形成以标准信号为中心的包络谱信号,此时包络谱信号中就包含了故障特征频率点,通过FFT算法进行时域频谱分析,找出高频叠加的故障特征频率点;最后,为了进一步精确算法识别的准确性,通过WT算法来过滤现场装置和传感器产生的干扰信号,解决了现场信号干扰产生的无诊断问题,通过前面的HT算法加FFT算法分析出可靠的、精确的故障特征频率。通过三个模型的过滤分析使得算法效果达到了最优的状态。
(2)本发明提出以电流值判断轴承运动状态,并在轴承匀速工作状态下进行故障诊断,能够有效降低诊断误差,提高故障诊断的准确率。
(3)本发明提供的故障诊断装置的实施无需破坏原有设备结构,满足防爆要求,且传感器的安装集成便捷,提供了实施效率和降低了实施成本,为用户提质增效。
附图说明
图1是本发明实施例提供的滚动轴承故障诊断方法流程示意图;
图2是本发明实施例理论故障特征频率计算流程示意图;
图3是本发明实施例多模型故障特征频率联合搜索标记流程示意图;
图4是本发明实施例提供的滚动轴承故障诊断装置结构框图;
图5是本发明实施例另一种滚动轴承故障诊断装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对浸没式离心泵轴承的故障预测难题,虽然现有方案已经给出了解决方案,但仍存在诊断精度不够高的弊端,以及缺乏实时在线故障诊断计算故障频率并且进行在线实时监测和报警,无法形成与现场浸没式离心泵实际运行过程中出现故障后的联锁停机保护控制。
为了解决上述技术问题,提出了本发明滚动轴承故障诊断方法、装置、设备及介质的下述各个实施例。
实施例1
参照图1,如图1所示是本实施例提供的滚动轴承故障诊断方法流程示意图,该方法具体包括以下步骤:
步骤S100:根据轴承的真实转速及轴承的实际参数计算出理论故障特征频率。
需要说明的是,由于在轴承非匀速转动时进行故障诊断会出现误诊的情况,例如启动和停机的过程中,即使没有故障也容易误诊为故障状态,因此,本实施例提供了一个根据电机电流值判断轴承当前运动状态的方法。具体地,根据电机电流值计算出电机控制的目标转频,电机实际的转频应该处于目标转频的附近,真实频率fr并反映在振动信号的频谱中,并通过电机数据模型算法进行输出电机状态(如启停、工况转速、参考转速)。
首先输入单相电流信号、采样频率、超参数(如NFFT),判断电流信号的幅值是否小于200mA(根据不同的离心泵此参数可调),如果小于这个幅值就输出电机启停状态(mc1=0,mc2=-1),如果大于等于这个幅值,需要进行提取主频fr,进行有效值的判断(利用公式n=60*f/p,p为电机极对数),给出参考转速。如果fr小于5(此值可调,为电流信号划分的片段数),就输出电机启停状态(mc1=0,mc2=-1),否则将电流信号分为若干片段(默认值为5段),对每段电流信号进行FFT计算,得到功率频谱,通过局部极大值提取每个电流信号片段的主频i_fr。如果主频i_fr的标准差大于大于平均值的5%(根据实际情况可调),判断出转速工况为匀速还是变速状态,输出电机启停状态(mc1=0,mc2=0/1,fr)。电机状态判断如表1所示:
表1 电机状态判断
参照图2,如图2所示是本实施例理论故障特征频率计算流程示意图,本实施例利用轴承的真实转速以及轴承的实际参数,计算出精确的故障特征频率,作为需要捕获的频率,即理论故障特征频率值。可以从设计图中得到尺寸参数:滚动体个数n、滚动体直径d、节圆直径D以及接触角ϕ、轴承的真实转频 fr。根据以下公式依次计算出故障特征频率fBPFO,fBPFI,fFTF,fBSF(内圈BPFO、外圈BPFI、滚动体FTF、保持架BSF)
、/>、
、/>。
步骤S200:通过多个故障特征频率搜索模型依次对理论故障特征频率进行筛选,识别出故障特征出现的高点频率值。
具体地,故障特征频率搜索模型包括第一故障特征频率搜索模型、第二故障特征频率搜索模型和第三故障特征频率搜索模型,第一故障特征频率搜索模型通过频谱计算结合故障特征频率搜索进行故障频率标记,第二故障特征频率搜索模型计算包络谱并在包络谱频率信号上搜索故障特征频率,第三故障特征频率搜索模型提高原始信号的信噪比后再次计算包络谱并在包络谱频率信号上搜索故障特征频率。
参照图3,如图3所示是本实施例多模型故障特征频率联合搜索标记流程示意图,作为一种实施方式,本实施例中第一故障特征频率搜索模型为FFT计算频谱+故障特征频率搜索,具体地:
FFT计算频域信号:X(k)=∑n=0N-1x(n)WNnk;
其中,X(k)表示频域的信号;x(n)表示时域的信号;WNnk表示一个复数,为WNnk=exp(-j 2πkn/N);j为一个虚数;k表示运动的次数;N表示想要转换的数据的大小。通过得到的频域信号X(k)进行高频共振处理后,通过故障特征频率搜索,找出故障频率进行标记。
本实施例中高频共振解调的方式具体为:
;
其中 ,f( k)为有用信号,s(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差。
作为一种实施方式,本实施例中第二故障特征频率搜索模型为HT+FFT计算包络谱+故障特征频率搜索,具体地:
首先对振动信号采用希尔伯特变换HT;
将振动频率的负频率的相位作+90°相移,而正频率作-90°相移,得到原始信号的包络信号,再对包络信号求取FFT频谱得到包络谱X(k),上述方式能够消除高频共振的影响。
在得到的包络谱频率信号上采用搜索故障特征频率方法,找出故障频率进行标记。
需要说明的是,由于在同样数量样本条件下,HT+FFT计算包络谱的方式搜索故障特征频率所耗时间是单独使用FFT计算频谱搜索故障特征频率的数倍,因此首先采用FFT计算频谱搜索故障特征频率进行初筛能够有效节省计算时间,提高联合模型的故障搜索效率。
作为一种实施方式,本实施例中第三故障特征频率搜索模型为WT+HT+FFT计算包络谱+故障特征频率搜索,具体地:
该模型在使用HT+FFT之前,先对振动信号使用小波变换 WT,提高原始信号的信噪比,再采用HT+FFT的方法,得到包络谱,在包络谱上搜索故障特征频率。
其中,小波变换:X(t)= +∞x(n)·w(t−nT),其中X(t)表示变换后的信号,x(n)表示原始型号,T表示变换时间间隔,w(t−nT)表示小波函数。
作为一种实施方式,第三故障特征频率搜索模型还可以加入负反馈的机制,不断调节小波变换的参数变换时间间隔T,直至得到最佳的故障特征频率搜索效果。
将每个模型输出的结果进行汇总,得到最终输出结果,输出结果包含是否超限结果、证据编号、精确的频率值及其对应的频率幅值。
本实施例通过三种模型联合搜索故障特征频率值的方式能够对频率进行多次过滤,识别出精确的故障特征出现的高点频率值。
作为一种实施方式,本实施中通过故障特征频率搜索找出故障频率进行标记具体包括:
步骤A:进行初始化条件设定,设定峰值条件:最小峰值高度mph、最小峰值间隔mpd;
假定误差范围为2Hz,即在故障特征频率附近2Hz内存在满足条件的峰值,则认定为有效;为满足故障特征频率2Hz范围内最多存在一个峰值,最小峰值间隔mpd大于4Hz,为了使峰值显著高于底噪,最小峰值高度mph设定为mph大于30×mean(absY)。
步骤B:根据故障特征频率进行峰值匹配,对匹配值做逻辑判断,是否存在故障特征频率附近2Hz范围内存在有效峰值,若存在有效峰值,则搜索到了故障特征频率,存在对应故障;若不存在有效峰值,则不存在对应故障。
作为一种实施方式,本实施例还提供了根据筛选后的故障特征频率值完成故障诊断分析的方案。
具体地,根据前述方法标记的特征频率建立各类故障的诊断混淆矩阵,将检测出来的故障标记在矩阵中,完成故障诊断。如:离心泵有2个轴承B1、B2,设置的故障类型有IN:内圈故障;OU:外圈故障;通过矩阵数组记录已检测的故障数据和未监测到的故障数据,分布筛选出来识别故障的故障率大小,根据识别的故障率大小来判断是否是真实监测出来的轴承故障。诊断混淆矩阵如下表2、3所示:
表2 诊断混淆矩阵真实类
表3 诊断混淆矩阵预测类
得到诊断混淆矩阵后,利用上述诊断混淆矩阵能够辅助完成后续的故障诊断分析。
本实施例提供的滚动轴承故障诊断方法以多模型联合过滤故障特征频率的方式,能够得到精度更高的故障特征频率值。本实施例提出以电流值判断轴承运动状态,并在轴承匀速工作状态下进行故障诊断,能够有效降低诊断误差,提高故障诊断的准确率。
实施例2
参照图4,如图4所示是本实施例提供的一种滚动轴承故障诊断装置结构框图,该装置具体包括以下结构:
数据采集单元,数据采集单元用于获取待诊断轴承的真实转速和电机电流值;
特征计算单元,特征计算单元用于通过多个故障特征频率搜索模型依次对理论故障特征频率进行筛选,识别出故障特征出现的高点频率值;
其中,故障特征频率搜索模型包括第一故障特征频率搜索模型、第二故障特征频率搜索模型和第三故障特征频率搜索模型,第一故障特征频率搜索模型通过频谱计算结合故障特征频率搜索进行故障频率标记,第二故障特征频率搜索模型计算包络谱并在包络谱频率信号上搜索故障特征频率,第三故障特征频率搜索模型提高原始信号的信噪比后再次计算包络谱并在包络谱频率信号上搜索故障特征频率。
本实施例提供的滚动轴承故障诊断装置以多模型联合过滤故障特征频率的方式,能够得到精度更高的故障特征频率值。本实施例提出以电流值判断轴承运动状态,并在轴承匀速工作状态下进行故障诊断,能够有效降低诊断误差,提高故障诊断的准确率。
实施例3
参照图5,如图5所示是本实施例提供的另一种滚动轴承故障诊断装置结构框图,该装置包括数据采集模块、特征计算单元、数据汇总处理单元、无线传输单元,数据采集模块、特征计算单元、数据汇总处理单元、无线传输单元集成在一个箱体中,箱体表面设置相应控制面板,根据控制面板上的按钮执行相应的操作。
以离心泵为例,滚动轴承故障诊断装置的使用方法如下:
将高精度振动传感器放置到离心泵泵盖上,同时传感器与检测装置的数据采集模块进行连接,将电流传感器与待检测装置连接,数据采集模块采集离心泵的电流值和轴承的振动信号。
通过数据分析单元标记特征频率,由数据汇总处理单元进行数据记录,形成故障混淆矩阵,便于在完成故障诊断后进行数据分析。
本实施例提供的故障诊断装置的实施无需破坏原有设备结构,满足防爆要求,且传感器的安装集成便捷,提供了实施效率和降低了实施成本,为用户提质增效。
实施例4
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的滚动轴承故障诊断方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的滚动轴承故障诊断方法的有益效果,详见前面的实施例,在此不再赘述。
实施例5
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的滚动轴承故障诊断方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一滚动轴承故障诊断方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一滚动轴承故障诊断方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (6)
1.一种滚动轴承故障诊断方法,其特征在于,所述方法在轴承处于匀速转动状态下时监测分析所述轴承的故障特征频率,所述方法包括:
根据所述轴承的真实转速及所述轴承的实际参数计算出理论故障特征频率;
通过多个故障特征频率搜索模型依次对所述理论故障特征频率进行筛选,识别出故障特征出现的高点频率值;
所述故障特征频率搜索模型包括第一故障特征频率搜索模型、第二故障特征频率搜索模型和第三故障特征频率搜索模型,所述第一故障特征频率搜索模型通过频谱计算结合故障特征频率搜索进行故障特征频率标记,所述第二故障特征频率搜索模型计算包络谱并在所述包络谱频率信号上搜索故障特征频率,所述第三故障特征频率搜索模型提高原始信号的信噪比后再次计算包络谱并在所述包络谱频率信号上搜索故障特征频率;
所述第一故障特征频率搜索模型具体包括:
根据快速傅里叶变换计算频域信号;
将得到的频域信号进行高频共振解调后,通过故障特征频率搜索找出故障特征频率进行标记;
所述第二故障特征频率搜索模型具体包括:
对振动信号采用希尔伯特变换,将振动频率的负频率的相位作正90°相移,正频率作负90°相移,得到原始信号的包络信号;
对包络信号求取快速傅里叶变换频谱,得到包络谱;
在包络谱频率信号上通过故障特征频率搜索找出故障特征频率进行标记;
所述第三故障特征频率搜索模型具体包括:
对振动信号进行小波变换后再进行希尔伯特变换,将振动频率的负频率的相位作正90°相移,正频率作负90°相移,得到原始信号的包络信号;
对包络信号求取快速傅里叶变换频谱,得到包络谱;
在包络谱频率信号上通过故障特征频率搜索找出故障特征频率进行标记;
所述通过故障特征频率搜索找出故障特征频率进行标记具体包括:
设定频率峰值条件,频率峰值条件包括最小峰值高度和最小峰值间隔;
根据搜索到的故障特征频率进行峰值匹配,对搜索到的故障特征频率做逻辑判断,是否存在故障特征频率预设范围内的有效峰值,若存在有效峰值,则搜索到了故障特征频率,存在对应故障;若不存在有效峰值,则不存在对应故障。
2.如权利要求1所述的滚动轴承故障诊断方法,其特征在于,所述轴承处于匀速状态的判断方法包括:
获取待检测轴承对应的电机的电流值,并根据所述电流值判断所述电机当前是否处于匀速状态。
3.如权利要求1所述的滚动轴承故障诊断方法,其特征在于,所述第三故障特征频率搜索模型还包括使用负反馈机制,通过调节小波变换的变换时间间隔调整模型,直至得到最佳的故障特征频率搜索效果的模型。
4.一种滚动轴承故障诊断装置,其特征在于,所述装置用于实现权利要求1-3任一所述的滚动轴承故障诊断方法,所述装置包括:
数据采集单元,所述数据采集单元用于获取待诊断轴承的真实转速和电机电流值;
特征计算单元,所述特征计算单元用于通过多个故障特征频率搜索模型依次对所述理论故障特征频率进行筛选,识别出故障特征出现的高点频率值。
5.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1-3任一项所述的滚动轴承故障诊断方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1-3任一项所述的滚动轴承故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630055.XA CN116358873B (zh) | 2023-05-31 | 2023-05-31 | 滚动轴承故障诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630055.XA CN116358873B (zh) | 2023-05-31 | 2023-05-31 | 滚动轴承故障诊断方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116358873A CN116358873A (zh) | 2023-06-30 |
CN116358873B true CN116358873B (zh) | 2023-09-15 |
Family
ID=86923354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310630055.XA Active CN116358873B (zh) | 2023-05-31 | 2023-05-31 | 滚动轴承故障诊断方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116358873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851873A (zh) * | 2024-03-07 | 2024-04-09 | 唐智科技湖南发展有限公司 | 一种基于动态接触角的轴承运行状态评估方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009024981A1 (de) * | 2009-06-16 | 2010-12-23 | Schaeffler Technologies Gmbh & Co. Kg | Verfahren zur Ermittlung und Analyse von Schäden an umlaufenden Maschinenelementen |
CN103914617A (zh) * | 2014-03-25 | 2014-07-09 | 北京交通大学 | 地铁车辆转向架轴承的故障诊断方法 |
CN104359674A (zh) * | 2014-10-20 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 基于时域与频域状态监测的高速滚动轴承故障诊断方法 |
CN105547698A (zh) * | 2015-12-31 | 2016-05-04 | 新疆金风科技股份有限公司 | 滚动轴承的故障诊断方法及装置 |
CN109520738A (zh) * | 2018-10-25 | 2019-03-26 | 桂林电子科技大学 | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 |
CN109612730A (zh) * | 2018-12-29 | 2019-04-12 | 北京航天测控技术有限公司 | 一种基于预白化分析的滚动轴承故障定位方法 |
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 |
CN111141520A (zh) * | 2020-02-24 | 2020-05-12 | 江南大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN111178318A (zh) * | 2020-01-06 | 2020-05-19 | 东南大学 | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 |
CN112345247A (zh) * | 2019-08-09 | 2021-02-09 | 郑州工程技术学院 | 一种滚动轴承的故障诊断方法及装置 |
CN114593916A (zh) * | 2022-03-03 | 2022-06-07 | 杭州安脉盛智能技术有限公司 | 一种基于多通道振动特征的轴承故障诊断方法 |
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 |
CN114858453A (zh) * | 2022-03-25 | 2022-08-05 | 郑州恩普特科技股份有限公司 | 一种轴承复合故障诊断方法 |
CN114964778A (zh) * | 2022-05-13 | 2022-08-30 | 重庆理工大学 | 一种基于小波时频图与深度学习的轴承故障诊断方法 |
CN115711739A (zh) * | 2022-11-15 | 2023-02-24 | 中国航发湖南动力机械研究所 | 一种滚动轴承故障的诊断方法、装置、计算机设备及介质 |
CN115791169A (zh) * | 2022-11-22 | 2023-03-14 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种滚动轴承故障的诊断方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114323647A (zh) * | 2020-09-29 | 2022-04-12 | 斯凯孚公司 | 通过轴承噪声检测进行故障诊断的方法及系统 |
-
2023
- 2023-05-31 CN CN202310630055.XA patent/CN116358873B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009024981A1 (de) * | 2009-06-16 | 2010-12-23 | Schaeffler Technologies Gmbh & Co. Kg | Verfahren zur Ermittlung und Analyse von Schäden an umlaufenden Maschinenelementen |
CN103914617A (zh) * | 2014-03-25 | 2014-07-09 | 北京交通大学 | 地铁车辆转向架轴承的故障诊断方法 |
CN104359674A (zh) * | 2014-10-20 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 基于时域与频域状态监测的高速滚动轴承故障诊断方法 |
CN105547698A (zh) * | 2015-12-31 | 2016-05-04 | 新疆金风科技股份有限公司 | 滚动轴承的故障诊断方法及装置 |
CN109520738A (zh) * | 2018-10-25 | 2019-03-26 | 桂林电子科技大学 | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 |
CN109612730A (zh) * | 2018-12-29 | 2019-04-12 | 北京航天测控技术有限公司 | 一种基于预白化分析的滚动轴承故障定位方法 |
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 |
CN112345247A (zh) * | 2019-08-09 | 2021-02-09 | 郑州工程技术学院 | 一种滚动轴承的故障诊断方法及装置 |
CN111178318A (zh) * | 2020-01-06 | 2020-05-19 | 东南大学 | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 |
CN111141520A (zh) * | 2020-02-24 | 2020-05-12 | 江南大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
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 |
CN114593916A (zh) * | 2022-03-03 | 2022-06-07 | 杭州安脉盛智能技术有限公司 | 一种基于多通道振动特征的轴承故障诊断方法 |
CN114858453A (zh) * | 2022-03-25 | 2022-08-05 | 郑州恩普特科技股份有限公司 | 一种轴承复合故障诊断方法 |
CN114964778A (zh) * | 2022-05-13 | 2022-08-30 | 重庆理工大学 | 一种基于小波时频图与深度学习的轴承故障诊断方法 |
CN115711739A (zh) * | 2022-11-15 | 2023-02-24 | 中国航发湖南动力机械研究所 | 一种滚动轴承故障的诊断方法、装置、计算机设备及介质 |
CN115791169A (zh) * | 2022-11-22 | 2023-03-14 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种滚动轴承故障的诊断方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断;任良;;振动与冲击;第42卷(第03期);第217-226页 * |
改进的FEWT及其在滚动轴承故障诊断中的应用;尹鹏;;电子测量与仪器学报(第05期);第186-194页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116358873A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manhertz et al. | STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis | |
Yan et al. | Rotary machine health diagnosis based on empirical mode decomposition | |
Lei et al. | EEMD method and WNN for fault diagnosis of locomotive roller bearings | |
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
CN104655380B (zh) | 一种旋转机械设备故障特征提取方法 | |
Yang et al. | A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
CN110243605B (zh) | 多源时频脊线提取方法 | |
CN109520738B (zh) | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
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 | |
CN113654798A (zh) | 故障诊断方法、装置及电子设备 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN110057583A (zh) | 一种轴承故障识别方法、装置及计算机设备 | |
CN108956142A (zh) | 一种轴承故障识别方法 | |
Lei et al. | Application of a novel hybrid intelligent method to compound fault diagnosis of locomotive roller bearings | |
Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
CN105352726B (zh) | 一种齿轮的故障诊断方法 | |
Lu et al. | CEEMD-assisted bearing degradation assessment using tight clustering | |
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 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
Zhao et al. | Adaptive scaling demodulation transform: Algorithm and applications | |
Zhu et al. | Fault diagnosis method for rolling element bearing with variable rotating speed using envelope order spectrum and convolutional neural network | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230822 Address after: No. 3, 11th Floor, Building 6, No. 599 Century City South Road, High tech Zone, Chengdu, Sichuan, 610094 Applicant after: Houpu clean energy (Group) Co.,Ltd. Address before: 610000 No. 3, floor 11, building 6, No. 599, shijicheng South Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan Applicant before: Houpu intelligent IOT Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |