CN116361733A - 一种故障诊断方法、装置、系统以及存储介质 - Google Patents
一种故障诊断方法、装置、系统以及存储介质 Download PDFInfo
- Publication number
- CN116361733A CN116361733A CN202310166674.8A CN202310166674A CN116361733A CN 116361733 A CN116361733 A CN 116361733A CN 202310166674 A CN202310166674 A CN 202310166674A CN 116361733 A CN116361733 A CN 116361733A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- spectrum
- fault
- fault diagnosis
- 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
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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种故障诊断方法、装置、系统以及存储介质,属于故障诊断领域,方法包括:对振动加速度信号进行傅里叶变换的分析得到多个二维时频信号;从多个二维时频信号中筛选出多个目标高时频分辨率时频谱;分析所有目标高时频分辨率时频谱得到包络谱;根据所有故障特征频率范围和所有故障特征频率范围对应的故障类型对包络谱进行故障诊断得到故障诊断结果。本发明能够在高分辨率时频表征的基础下更为准确、有效地提取并分离出高速旋转机械的冲击分量,实现了冲击分量的脉冲特征提取,可用于高速旋转机械的冲击类故障诊断,也提高了故障诊断的正确率。
Description
技术领域
本发明主要涉及故障诊断技术领域,具体涉及一种故障诊断方法、装置、系统以及存储介质。
背景技术
大型高速旋转机械的典型冲击类故障包括滚动轴承缺陷、齿轮缺陷、动静件碰摩等,其故障危害性大,严重影响设备的安全运行。冲击类故障会产生周期性脉冲,呈现极强的非平稳特性,这些脉冲可由安装在高速旋转机械上的振动传感器进行监测。然而,由于初始缺陷微弱,冲击分量信号的幅度小,以及环境噪声的干扰,很难发现由初始缺陷产生的微弱脉冲分量。通过提取并分析振动信号中的冲击分量,可以实现故障类别的判断和预警,从而避免严重事故的发生。因此如何从非平稳振动信号中准确提取冲击分量及其故障特征是冲击类故障诊断的重要研究课题。
针对上述问题,国内外学者提出了各种信号处理方法并将其探索用于振动多分量的提取,例如经验模态分解及其改进方法、多源稀疏分解、参数化时频分析等。经验模态分解及其改进方法呈现出二维时频带通滤波特性,基于时频分析的框架对其进行改进,提出了非线性模式分解,在处理瞬时频率随时间缓慢变化的信号时表现良好,但存在模态分离个数不确定、端点效应、模态混叠以及计算效率低等问题。多源稀疏分解的关键在于构造与信号本身固有特性相符的字典,但是在实际应用中,非平稳信号的强频变特征是未知的,具有复杂性和多样性,因此通过构建与信号本身特征一致的字典或者数学模型去分析所有信号是不现实的。
时频分析技术是非平稳信号强有力的分析工具。现有的时频分析方法例如小波变换、短时傅里叶变换主要适用于分析线性、平稳的振动信号,由于其受到海森伯格不确定性的影响,在面对冲击类非平稳信号时,其时频提取的结果中存在进时频分辨率低、能量发散不集中、时频特征模糊等问题,无法准确分离并提取冲击分量。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种故障诊断方法、装置、系统以及存储介质。
本发明解决上述技术问题的技术方案如下:一种故障诊断方法,包括如下步骤:
从振动加速度传感器中获得待诊断高速旋转机械的振动加速度信号,并对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号;
从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱;
分析所有所述目标高时频分辨率时频谱得到包络谱;
导入多个故障特征频率范围以及与各个所述故障特征频率范围对应的故障类型,根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果。
本发明解决上述技术问题的另一技术方案如下:一种故障诊断装置,包括:
傅里叶变换分析模块,用于从振动加速度传感器中获得待诊断高速旋转机械的振动加速度信号,并对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号;
筛选模块,用于从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱;
包络谱分析模块,用于分析所有所述目标高时频分辨率时频谱得到包络谱;
故障诊断结果获得模块,用于导入多个故障特征频率范围以及与各个所述故障特征频率范围对应的故障类型,根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果。
基于上述一种故障诊断方法,本发明还提供一种故障诊断系统。
本发明解决上述技术问题的另一技术方案如下:一种故障诊断系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的故障诊断方法。
基于上述一种故障诊断方法,本发明还提供一种计算机可读存储介质。
本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的故障诊断方法。
本发明的有益效果是:通过对振动加速度信号的傅里叶变换分析得到二维时频信号,从二维时频信号中筛选出目标高时频分辨率时频谱,分析目标高时频分辨率时频谱得到包络谱,根据故障特征频率范围和故障类型对包络谱的故障诊断得到故障诊断结果,能够在高分辨率时频表征的基础下更为准确、有效地提取并分离出高速旋转机械的冲击分量,实现了冲击分量的脉冲特征提取,可用于高速旋转机械的冲击类故障诊断,也提高了故障诊断的正确率。
附图说明
图1为本发明实施例提供的一种故障诊断方法的流程示意图;
图2为本发明实施例提供的高速旋转机械的外机壳振动时域信号与其短时傅里叶变换时频分布图;
图3为本发明实施例提供的提取出的最显著时频幅值频率点组成包络频谱及其脉冲特征提取结果;
图4为本发明实施例提供的采用局部最大搜索算法与同步提取算法处理后的高分辨率时频分布图;
图5为本发明实施例提供的重构出的冲击分量振动波形图与分量后其余成分的振动波形图;
图6为本发明实施例提供的重构出的冲击分量进行包络分析的包络谱结果;
图7为本发明实施例提供的一种故障诊断装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的一种故障诊断方法的流程示意图。
如图1所示,一种故障诊断方法,包括如下步骤:
从振动加速度传感器中获得待诊断高速旋转机械的振动加速度信号,并对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号;
从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱;
分析所有所述目标高时频分辨率时频谱得到包络谱;
导入多个故障特征频率范围以及与各个所述故障特征频率范围对应的故障类型,根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果。
应理解地,利用所述振动加速度传感器采集待分析的高速旋转机械振动加速度信号(即所述振动加速度信号)。
具体地,采用BK4519加速度传感器(即所述振动加速度传感器)测量高速旋转机械的振动加速度信号(即所述振动加速度信号),传感器是固定在设计的支架上,支架通过螺栓固定外机壳轴承座上。测试过程中,转速设定为1800rpm,试验所有轴承为外圈故障轴承,故障频率为144.96Hz,采样频率16384Hz。
具体地,利用所述振动加速度传感器采集待分析的高速旋转机械振动加速度信号,将振动加速度传感器安装在支架上,再将支架安装到高速旋转机械的外壳上,设置原始信号的采样频率fs高于待分析的最大频率的2.56倍。将异常值处理后的信号(即所述振动加速度信号)作为时频分析所需的振动加速度信号进行分析。
应理解地,采样频率为16384Hz,采用外圈故障轴承,其故障频率为144.96Hz,用于后续诊断准确性进行判断。
上述实施例中,通过对振动加速度信号的傅里叶变换分析得到二维时频信号,从二维时频信号中筛选出目标高时频分辨率时频谱,分析目标高时频分辨率时频谱得到包络谱,根据故障特征频率范围和故障类型对包络谱的故障诊断得到故障诊断结果,能够在高分辨率时频表征的基础下更为准确、有效地提取并分离出高速旋转机械的冲击分量,实现了冲击分量的脉冲特征提取,可用于高速旋转机械的冲击类故障诊断,也提高了故障诊断的正确率。
可选地,作为本发明的一个实施例,如图1和2所示,所述对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号的过程包括:
按照预设的信号长度对所述振动加速度信号进行信号的截取,得到信号序列;
利用短时傅里叶变换算法对所述信号序列进行时频空间扩展,得到多个二维时频信号。
应理解地,截取待分析的信号区间,采用短时傅里叶变换(即所述短时傅里叶变换算法)对冲击类故障信号(即所述信号序列)进行时频分析。
具体地,以预处理后的加速度振动信号(即所述振动加速度信号)作为待分析的信号,截取适宜长度的所述信号序列,选择高斯窗作为短时傅里叶变换的窗函数,根据截取的信号长度,设置窗口函数的长度参数,将一维的时序信号扩展到二维时频空间,得到时频分辨率较低的短时傅里叶变换时频分布结果(即所述二维时频信号)。
应理解地,截取采用时间为0.25s,采样点数为4096。选择高斯窗作为时频分析的窗函数,设置窗口长度参数hlength为200。短时傅里叶变换计算结果如图2所示,图2中,可见其结果时频能力发散,时频分辨率低,难以实现冲击分量的准确提取。
上述实施例中,对振动加速度信号进行傅里叶变换的分析得到多个二维时频信号,能够去除异常数据,精准获得有用的数据,能够在高分辨率时频表征的基础下更为准确、有效地提取并分离出高速旋转机械的冲击分量,提高了故障诊断的正确率。
可选地,作为本发明的一个实施例,如图1和3所示,所述从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱的过程包括:
分别计算各个所述二维时频信号的估计值,得到与各个所述二维时频信号对应的估计值;
分别计算各个所述二维时频信号以及与各个所述二维时频信号对应的估计值的原始高时频分辨率时频谱,得到与各个所述二维时频信号对应的原始高时频分辨率时频谱;
利用希尔伯特包络解调算法计算各个所述原始高时频分辨率时频谱的包络频谱,得到与各个所述二维时频信号对应的包络频谱;
从所有所述包络频谱筛选出最大值,筛选后得到最大包络频谱;
以所述最大包络频谱与第一预设范围值之差,所述最大包络频谱与第二预设范围值之和为筛选范围,根据所述筛选范围从所有所述原始高时频分辨率时频谱筛选出多个目标高时频分辨率时频谱。
应理解地,提取高分辨率时频谱(即所述原始高时频分辨率时频谱)对应的所述包络频谱,并根据包络频谱最大位置(即所述最大包络频谱)对应的频率进一步提取脉冲特征(即所述目标高时频分辨率时频谱)。
应理解地,所述希尔伯特包络解调算法具体如下:
一个待求包络的信号x(t),进行Hilbert变换得到HHT(x(t)),合成一个信号x(t)+j*HHT(x(t)),然后对这个合成的信号取幅值部分y(t)=Amp([x(t)+j*HHT(x(t))]),此时y(t)就是得到的包络结果(即所述包络频谱)。
具体地,如图3所示,由于脉冲信号通常具有宽频带性质,因此,在高分辨率时频谱下,计算宽频带下具有最显著时频幅值的频率点组成包络频谱,时频包络频谱的计算结果如图3,图3中,筛选包络谱中峰值最高值(即所述最大包络频谱)为4700Hz,可得在4700Hz下具有最显著的脉冲特征,据此可以准确计算宽频带下具有最显著时频幅值的频率点,,利用群延迟轨迹下频率点之间的间隔可准确描述脉冲间隔,进一步提取脉冲特征。
具体地,图3中,提取在4700Hz下的时频信息,组成时频切片,可获得最显著时频幅值的频率点对应的时序脉冲信息,计算两相邻脉冲之间时间间隔为0.0068s,换算成频率为147.06Hz,与外圈故障轴承的故障频率基本一致,可以准确描述故障的脉冲特征。
上述实施例中,通过从多个二维时频信号中筛选出多个目标高时频分辨率时频谱,可以准确获取信号的群延迟信息,通过提取时频谱的群延迟脊线分量,构建冲击类振动信号的理想时频谱,以实现噪声干扰减小、时频谱能量聚集性提升的目的,最终获得高时频分辨率的时频谱,提高了传统短时傅里叶变换的时频分辨率,进而有效地实现冲击类故障特征的提取,从而指导冲击类故障诊断。
可选地,作为本发明的一个实施例,所述分别计算各个所述二维时频信号的估计值,得到与各个所述二维时频信号对应的估计值的过程包括:
通过第一式分别计算各个所述二维时频信号的估计值,得到与各个所述二维时频信号对应的估计值,所述第一式为:
其中,tm(t,ω)为第t时刻第ω个频率的估计值,t为时间,ω为频率,G(t,ω)为第t时刻第ω个频率的二维时频信号,|G(t,ω)|为第t时刻第ω个频率的二维时频信号的模,Δ为预设局部最大频率搜索范围。
应理解地,设定合适的局部最大搜索范围,采用局部最大搜索算法对冲击信号的群延迟进行估计。
具体地,设定合适的局部最大搜索范围,利用局部最大搜索算法,在短时傅里叶变换时频分布结果中对冲击信号的群延迟进行估计,该过程的公式可以表达为:
其中,t表示时间,ω表示频率,tm(t,ω)表示群延迟估计算子,|G(t,ω)|表示表示短时傅里叶变换中二维时频谱对应位置的能量;Δ表示局部最大的频率搜索范围),因此可以得到各信号分量的群延迟估计值(即所述估计值)。
应理解地,采用局部最大搜索算法来计算时频分布中所有分量的群延迟估计值,设置局部最大搜索步长为100,沿时间轴方向进行局部最大值搜索,以获得所有分量群延迟的定位。
上述实施例中,分别计算各个二维时频信号的估计值得到估计值,可以准确获取信号的群延迟信息,通过提取时频谱的群延迟脊线分量,构建冲击类振动信号的理想时频谱,以实现噪声干扰减小、时频谱能量聚集性提升的目的,最终获得高时频分辨率的时频谱。
可选地,作为本发明的一个实施例,如图1和4所示,所述分别计算各个所述二维时频信号以及与各个所述二维时频信号对应的估计值的原始高时频分辨率时频谱,得到与各个所述二维时频信号对应的原始高时频分辨率时频谱的过程包括:
通过第二式分别计算各个所述二维时频信号以及与各个所述二维时频信号对应的估计值的原始高时频分辨率时频谱,得到与各个所述二维时频信号对应的原始高时频分辨率时频谱,所述第二式为:
Ts(t,ω)=G(t,ω)δ(ω-tm(t,ω)),
其中,Ts(t,ω)为第t时刻第ω个频率的原始高时频分辨率时频谱,ω为频率,G(t,ω)为第t时刻第ω个频率的二维时频信号,tm(t,ω)为第t时刻第ω个频率的估计值,δ为Dirac运算分配符。
应理解地,利用局部最大搜索算法估计的群延迟,采用同步提取算法对冲击信号(即所述二维时频信号)进行准确提取,获得高时频分辨率的时频谱(即所述原始高时频分辨率时频谱)。
具体地,基于局部最大搜索估计的群延迟算子,采用同步提取算法,提取时频谱的群延迟脊线分量,构建冲击类振动信号的理想时频谱,实现噪声干扰减小、时频谱能量聚集性提升,同步提取算法的过程可表示为:
Ts(t,η)=G(t,ω)δ(η-tm(t,ω)),
其中,Ts(t,η)表示重组的高时频分辨率时频谱,δ表示Dirac运算分配符,最终获得高时频分辨率的时频谱(即所述原始高时频分辨率时频谱)。高分辨率的时频谱结果如图4所示,图4中,通过局部放大图可见其结果时频聚集性明显提升,时频分辨率更高,更有助于实现冲击分量的准确提取。
上述实施例中,分别计算二维时频信号以及估计值的原始高时频分辨率时频谱,得到原始高时频分辨率时频谱,构建了冲击类振动信号的理想时频谱,实现了噪声干扰减小、时频谱能量聚集性提升的效果,有助于实现冲击分量的准确提取。
可选地,作为本发明的一个实施例,如图1和5所示,所述分析所有所述目标高时频分辨率时频谱得到包络谱的过程包括:
通过第三式计算所有所述目标高时频分辨率时频谱的重构时序信号,得到重构时序信号,所述第三式为:
其中,s(t)为重构时序信号,g(0)为窗函数在0点的函数值,Ts(t,ω)为第t时刻第ω个频率的原始高时频分辨率时频谱,e为自然对数的底数;
利用希尔伯特变换算法对所述重构时序信号中进行信号的提取,得到包络信号;
对所述包络信号进行傅里叶变换,得到包络谱。
应理解地,基于包络频谱确定高频冲击范围,利用傅里叶逆变换实现冲击分量的分离与重构。
应理解地,基于时频重构提取的冲击分量(即所述重构时序信号)进行包络谱分析。
其中,s(t)表示得到一个重构的冲击分量时序信号,g(0)表示窗函数在0点的函数值,Ts(t,η)表示重组的高时频分辨率时频谱,e表示为自然对数的底数。
应理解地,如图5所示,依靠高频冲击范围返回的能量等时频信息实现冲击分量振动波形的重构,得到冲击分量重构振动波形时域图,利用原始信号减去重构的冲击分量可得噪声与其余分量。
具体地,对冲击分量的重构振动波形(即所述重构时序信号)先进行希尔伯特变换获取信号的所述包络信号,再做傅里叶变换(FFT),得到其所述包络谱。
上述实施例中,分析所有目标高时频分辨率时频谱得到包络谱,可实现冲击分量的分离与重构,得到冲击分量的重构时域波形,从而指导冲击类故障诊断。
可选地,作为本发明的一个实施例,如图1和6所示,所述根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果的过程包括:
从所述包络谱中提取前N个最高峰值的特征频率,得到多个待验证特征频率;
验证多个所述待验证特征频率是否均在所有所述故障特征频率范围中的任一个内,若验证成功,则将所述故障特征频率范围对应的故障类型作为故障诊断结果。
优选地,所述N可以为3。
应理解地,依据故障频率(即所述待验证特征频率)可实现冲击类故障诊断。
具体地,如图6所示,故障特征频率的一倍频为148.1H左右,从包络谱中提取故障特征频率(即所述待验证特征频率)与故障部件理论故障特征频率(即所述故障特征频率范围)进行对比分析,与外圈故障轴承的故障频率基本一致,可判定该冲击类故障为轴承外圈故障。
上述实施例中,根据所有故障特征频率范围和故障类型对包络谱进行故障诊断得到故障诊断结果,能够在高分辨率时频表征的基础下更为准确、有效地提取并分离出高速旋转机械的冲击分量,实现了冲击分量的脉冲特征提取,可用于高速旋转机械的冲击类故障诊断,也提高了故障诊断的正确率。
可选地,作为本发明的另一个实施例,本发明能在高分辨率时频表征的基础下更为准确、有效地提取并分离出高速旋转机械的冲击分量,实现了冲击分量的脉冲特征提取,可用于高速旋转机械的冲击类故障诊断。
可选地,作为本发明的另一个实施例,本发明能在高分辨率时频分布的基础下更为准确、有效地提取并分离出高速旋转机械的冲击分量,实现了冲击分量的脉冲特征提取,可用于高速旋转机械的冲击类故障诊断。该方法包括如下步骤:利用振动加速度传感器采集待评估的高速旋转机械振动加速度信号。通过短时傅里叶变换得到振动信号的时频分布,再通过局部最大搜索算法对冲击信号的群延迟参数进行估计,从中利用同步提取算法对冲击信号进行准确提取,获得高时频分辨率的时频谱;计算高分辨率时频谱中每个频率的频谱幅值,将其包络频谱最大位置作为脉冲特征进行提取,基于包络频谱确定高频冲击范围,最终利用傅里叶逆变换实现冲击分量的分离与重构;基于时频重构的冲击分量结果进行包络谱分析等,可确定故障特征频率,用于指导高速旋转机械的故障诊断。
可选地,作为本发明的另一个实施例,本发明提供了一种用于高速旋转机械冲击故障诊断的高分辨率时频分析方法,将振动加速度传感器安装在支架上,再将支架安装到高速旋转机械的外壳上,采集得到高速旋转机械的外壳振动加速度信号,经过数据截取和异常数据去除等操作后用于时频分析。结合局部最大搜索法和同步提取变换,可以准确获取信号的群延迟信息,通过提取时频谱的群延迟脊线分量,构建冲击类振动信号的理想时频谱,以实现噪声干扰减小、时频谱能量聚集性提升的目的,最终获得高时频分辨率的时频谱。本发明完成了对冲击分量的高分辨率时频表征工作,基于高分辨率时频谱提供的快速频变信号可以实现冲击类振动信号的特征提取与分析,进而指导早期冲击类故障特征的提取。
可选地,作为本发明的另一个实施例,本发明根据高分辨率时频谱以及脉冲信号的宽频带特性,可以准确计算宽频带下具有最显著时频幅值的频率点,利用群延迟轨迹下频率点之间的间隔可准确描述脉冲间隔,用以刻画冲击类故障特征;此外,基于傅里叶逆变换的性质,可实现冲击分量的分离与重构,得到冲击分量的重构时域波形,从而指导冲击类故障诊断。
可选地,作为本发明的另一个实施例,本发明通过局部最大搜索算法与同步提取算法提高了传统短时傅里叶变换的时频分辨率,在高分辨率时频谱下,计算宽频带下具有最显著时频幅值的频率点组成包络频谱,包络频谱可以描述冲击故障下各频段的幅值能力大小,采用具有最大包络频谱幅值的频率点来表征故障的脉冲特征,并利用傅里叶逆变换的性质实现冲击分量的分离与重构,进而有效地实现冲击类故障特征的提取,从而指导冲击类故障诊断。
可选地,作为本发明的另一个实施例,如图2至6所示,本发明测得高速旋转机械的外机壳振动加速信号时域波形及短时傅里叶变换时频分布如图2所示,从时频分布中可以明显看出短时傅里叶变换结果存在时频分辨率低的缺陷。本发明中对短时傅里叶变换的结果进行后处理,采用局部最大搜索算法与同步提取算法,所得高分辨率时频谱结果如图3所示,图3结果表明的时频分布时频聚集性、分辨率均得以提升,可用于后续的冲击分量的分离、提取与重构。图4显示了最显著时频幅值频率点组成包络频谱及其脉冲特征提取结果,图4表明本发明能针对非平稳振动信号,实现了冲击分量的脉冲特征提取。图5是重构出的冲击分量振动波形图与分量后其余成分的振动波形图,可用于冲击分量的故障特征频率提取与分析,进而指导早期冲击类故障诊断。图6是重构冲击分量的包络谱结果,提取故障特征频率,可以用于判断冲击类故障的类别,从而实现冲击类故障诊断。
图7为本发明实施例提供的一种故障诊断装置的模块框图。
可选地,作为本发明的另一个实施例,如图7所示,一种故障诊断装置,包括:
傅里叶变换分析模块,用于从振动加速度传感器中获得待诊断高速旋转机械的振动加速度信号,并对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号;
筛选模块,用于从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱;
包络谱分析模块,用于分析所有所述目标高时频分辨率时频谱得到包络谱;
故障诊断结果获得模块,用于导入多个故障特征频率范围以及与各个所述故障特征频率范围对应的故障类型,根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果。
可选地,本发明的另一个实施例提供一种故障诊断系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的故障诊断方法。该系统可为计算机等系统。
可选地,本发明的另一个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的故障诊断方法。
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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例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。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种故障诊断方法,其特征在于,包括如下步骤:
从振动加速度传感器中获得待诊断高速旋转机械的振动加速度信号,并对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号;
从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱;
分析所有所述目标高时频分辨率时频谱得到包络谱;
导入多个故障特征频率范围以及与各个所述故障特征频率范围对应的故障类型,根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号的过程包括:
按照预设的信号长度对所述振动加速度信号进行信号的截取,得到信号序列;
利用短时傅里叶变换算法对所述信号序列进行时频空间扩展,得到多个二维时频信号。
3.根据权利要求1所述的故障诊断方法,其特征在于,所述从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱的过程包括:
分别计算各个所述二维时频信号的估计值,得到与各个所述二维时频信号对应的估计值;
分别计算各个所述二维时频信号以及与各个所述二维时频信号对应的估计值的原始高时频分辨率时频谱,得到与各个所述二维时频信号对应的原始高时频分辨率时频谱;
利用希尔伯特包络解调算法计算各个所述原始高时频分辨率时频谱的包络频谱,得到与各个所述二维时频信号对应的包络频谱;
从所有所述包络频谱筛选出最大值,筛选后得到最大包络频谱;
以所述最大包络频谱与第一预设范围值之差,所述最大包络频谱与第二预设范围值之和为筛选范围,根据所述筛选范围从所有所述原始高时频分辨率时频谱筛选出多个目标高时频分辨率时频谱。
5.根据权利要求3所述的故障诊断方法,其特征在于,所述分别计算各个所述二维时频信号以及与各个所述二维时频信号对应的估计值的原始高时频分辨率时频谱,得到与各个所述二维时频信号对应的原始高时频分辨率时频谱的过程包括:
通过第二式分别计算各个所述二维时频信号以及与各个所述二维时频信号对应的估计值的原始高时频分辨率时频谱,得到与各个所述二维时频信号对应的原始高时频分辨率时频谱,所述第二式为:
Ts(t,ω)=G(t,ω)δ(ω-tm(t,ω)),
其中,Ts(t,ω)为第t时刻第ω个频率的原始高时频分辨率时频谱,ω为频率,G(t,ω)为第t时刻第ω个频率的二维时频信号,tm(t,ω)为第t时刻第ω个频率的估计值,δ为Dirac运算分配符。
7.根据权利要求1所述的故障诊断方法,其特征在于,所述根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果的过程包括:
从所述包络谱中提取前N个最高峰值的特征频率,得到多个待验证特征频率;
验证多个所述待验证特征频率是否均在所有所述故障特征频率范围中的任一个内,若验证成功,则将所述故障特征频率范围对应的故障类型作为故障诊断结果。
8.一种故障诊断装置,其特征在于,包括:
傅里叶变换分析模块,用于从振动加速度传感器中获得待诊断高速旋转机械的振动加速度信号,并对所述振动加速度信号进行傅里叶变换的分析,得到多个二维时频信号;
筛选模块,用于从多个所述二维时频信号中筛选出多个目标高时频分辨率时频谱;
包络谱分析模块,用于分析所有所述目标高时频分辨率时频谱得到包络谱;
故障诊断结果获得模块,用于导入多个故障特征频率范围以及与各个所述故障特征频率范围对应的故障类型,根据所有所述故障特征频率范围和所有故障特征频率范围对应的故障类型对所述包络谱进行故障诊断,得到故障诊断结果。
9.一种故障诊断系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,实现如权利要求1至7任一项所述的故障诊断方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至7任一项所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166674.8A CN116361733A (zh) | 2023-02-22 | 2023-02-22 | 一种故障诊断方法、装置、系统以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166674.8A CN116361733A (zh) | 2023-02-22 | 2023-02-22 | 一种故障诊断方法、装置、系统以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116361733A true CN116361733A (zh) | 2023-06-30 |
Family
ID=86905959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310166674.8A Pending CN116361733A (zh) | 2023-02-22 | 2023-02-22 | 一种故障诊断方法、装置、系统以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116361733A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992365A (zh) * | 2023-08-02 | 2023-11-03 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
-
2023
- 2023-02-22 CN CN202310166674.8A patent/CN116361733A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992365A (zh) * | 2023-08-02 | 2023-11-03 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
CN116992365B (zh) * | 2023-08-02 | 2024-03-08 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hemmati et al. | Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
Miao et al. | Identification of mechanical compound-fault based on the improved parameter-adaptive variational mode decomposition | |
CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
Lei et al. | Application of an improved kurtogram method for fault diagnosis of rolling element bearings | |
Sawalhi et al. | The enhancement of fault detection and diagnosis in rolling element bearings using minimum entropy deconvolution combined with spectral kurtosis | |
Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
CN112101245B (zh) | 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法 | |
Liu et al. | Adaptive spectral kurtosis filtering based on Morlet wavelet and its application for signal transients detection | |
Ou et al. | A new rolling bearing fault diagnosis method based on GFT impulse component extraction | |
Chen et al. | A performance enhanced time-varying morphological filtering method for bearing fault diagnosis | |
Zhang et al. | Weighted envelope spectrum based on the spectral coherence for bearing diagnosis | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
Sawalhi et al. | The application of spectral kurtosis to bearing diagnostics | |
CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
Klausen et al. | Cross-correlation of whitened vibration signals for low-speed bearing diagnostics | |
Kocur et al. | Order bispectrum: a new tool for reciprocated machine condition monitoring | |
Williams et al. | Helicopter transmission fault detection via time-frequency, scale and spectral methods | |
Lee | A weighting function for improvement of spectral coherence based envelope spectrum | |
CN116361733A (zh) | 一种故障诊断方法、装置、系统以及存储介质 | |
Antoni et al. | Cyclostationarity in condition monitoring: 10 years after | |
Huang et al. | Separation method of rolling bearing compound fault characteristics based on Improved harmonic wavelet packet decomposition and fast ICA | |
CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 | |
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 |
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 |