CN116593159A - 一种组合轴承故障诊断方法和系统 - Google Patents
一种组合轴承故障诊断方法和系统 Download PDFInfo
- Publication number
- CN116593159A CN116593159A CN202310667173.8A CN202310667173A CN116593159A CN 116593159 A CN116593159 A CN 116593159A CN 202310667173 A CN202310667173 A CN 202310667173A CN 116593159 A CN116593159 A CN 116593159A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- vibration
- data
- bearing
- sensors
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 239000002131 composite material Substances 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 14
- 238000005461 lubrication Methods 0.000 abstract description 8
- 239000003921 oil Substances 0.000 description 45
- 238000004088 simulation Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 239000010687 lubricating oil Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001050 lubricating effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提出了一种组合轴承故障诊断方法和系统,组合轴承安装在轴承试验台上,轴承试验台具有控制器和与控制器相连的数据采集元件,数据采集元件包括用于以及采集组合轴承油膜温度分布的温度传感器、用于采集组合轴承运行时的油膜压力的压力传感器、用于采集主轴转速的转速传感器、用于采集组合轴承运行时产生的声发射信号的m个声发射传感器、用于采集组合轴承运行时所产生的振动信号的n个振动传感器,控制器用于接收和处理各个传感器采集到的信号。本发明组合轴承故障诊断方法利用振动数据、声发射数据、油膜压力和油膜温度这四种类型的数据,即两个不同的动态响应数据和两个润滑特性数据,获取的系统故障信息全面,使得故障诊断精度更高。
Description
技术领域
本发明属于组合轴承故障诊断技术领域,具体涉及一种组合轴承故障诊断方法和系统。
背景技术
大功率核电循环泵用齿轮箱的可靠性和稳定性与核电装备的性能息息相关。组合轴承作为大功率核电循环泵用齿轮箱内的关键部件,其运行状态(健康状态或故障状态)是决定核电海水循环主泵能否正常运行的重要判断指标。因此,需要经常对组合轴承的健康状态进行检测。但对于核电设备,采取停机检测的方式会带来高昂的检测成本,因此,通过试验平台模拟大功率核电齿轮箱组合轴承多种运行状态是一种切实可行的途径,可以大幅减少因核电设备停机而付出的代价。
CN201910947247.7披露了一种轴承故障检测方法,通过检测油膜电阻来判断轴承是否发生故障,该轴承故障检测方法依赖于单一的传感器数据,对于机械系统结构比较复杂时,单一传感器数据或者单种类型的数据,难以提供系统故障的全面信息,使得基于这些数据构建的轴承故障检测方法难以达到较高的诊断精度。
发明内容
本发明旨在解决现有技术中存在的技术问题,本发明的第一个目的是提供一种组合轴承故障诊断方法,本发明的第二个目的是提供一种利用前述组合轴承故障诊断方法的组合轴承故障诊断系统。
为达到上述第一个目的,本发明采用如下技术方案:一种组合轴承故障诊断方法,组合轴承安装在轴承试验台上,轴承试验台具有控制器和与控制器相连的数据采集元件,数据采集元件包括用于以及采集组合轴承油膜温度分布的温度传感器、用于采集组合轴承运行时的油膜压力的压力传感器、用于采集主轴转速的转速传感器、用于采集组合轴承运行时产生的声发射信号的m个声发射传感器、用于采集组合轴承运行时所产生的振动信号的n个振动传感器,控制器用于接收和处理各个传感器采集到的信号;该故障诊断方法包括如下步骤:
1)待轴承试验台的运行工况达到稳定后,获取来自n个振动传感器的信号VB1,VB2,…,VBn,获取来自m个声发射传感器的信号分别为AE1,AE2,…,AEm,将每个振动传感器和声发射传感器采集到的信号进行无重叠的连续分割,设分割之后,每个振动信号的样本长度为i=1,2,…,n,每个声发射信号的样本长度为/>i=1,2,…,m;
2)按如下公式计算振动信号的功率谱熵i=1,2,…,n
其中,i=1,2,…,n为振动信号的功率谱密度,/>j=1,2,…,为第i个振动传感器的振动信号的功率谱密度的组成元素,/>为/>的元素个数,/>为第i个振动传感器功率谱密度总能量,/>为每个频率点的能量占总能量之比;
3)对振动信号进行傅里叶变换处理,获得振动信号的频域表示,取0~1025Hz所对应的幅值,记为i=1,2,…,n,并对其进行最大-最小归一化处理;
4)采用小波降噪的方式对声发射信号进行降噪处理,采用改进的自适应噪声完备集合经验模态分解方法对降噪后的声发射信号进行分解,并提取其前五个内涵模态分量IMF1~IMF5,按如下公式计算第i个声发射传感器的声发射信号的能量熵i=1,2,…,n
其中,为第i个声发射传感器的第j个IMF的能量,/>为每个IMF能量占总能量之比;
5)对声发射信号进行傅里叶变换,获得声发射信号的频域表示,取0~50kHz所对应的幅值,记为i=1,2,…,m,并对其进行最大-最小归一化处理;
6)采集轴承试验台运转平稳后的油膜温度T和油膜压力P,分别对油膜温度T和油膜压力P进行最大-最小归一化处理;
7)将振动信号的频域幅值输入特征提取网络,设来自第i个振动传感器的数据经过特征提取网络之后的输出为/>
8)获取振动特征FVB,振动特征FVB为所有振动传感器的数据经过特征提取网络之后的输出的加权融合;
9)将声发射信号的频域幅值输入特征提取网络,设来自第i个声发射传感器的数据经过特征提取网络之后的输出为/>
10)获取声发射特征FAE,声发射特征FAE为所有声发射传感器的数据经过特征提取网络之后的输出的加权融合;
11)特征融合:将展平为一维向量的振动特征FVB、展平为一维向量的声发射特征FAE、以及步骤6)中处理后的油膜温度数据T和油膜压力数据P进行特征融合,得到分类器网络的输入特征F=[FVB,FAE,T,P];
12)故障诊断:将步骤11)的特征F输入分类器网络,得到故障诊断结果。
上述技术方案,本发明组合轴承故障诊断方法利用振动数据、声发射数据、油膜压力和油膜温度这四种类型的数据,即两个不同的动态响应数据和两个润滑特性数据,获取的系统故障信息全面,使得故障诊断精度更高;而且本发明的振动传感器和声发射传感器的数量为多个,采用加权融合获取振动特征信息和声发射特征信息,提高数据利用效率。
在本发明的一种优选实施方式中,步骤7)中,振动信号的特征提取网络由三个卷积块组成,所有卷积块均由一个一维卷积神经网络层,一个批量归一化层,一个高斯误差线性单元激活层和一个一维最大池化层堆叠而成,设卷积块1的输出为c1,卷积块2的输出为c2,卷积块3的输入为c1+c2;步骤9)中,声发射信号的特征提取网络与振动信号的特征提取网络具有相同的结构。
在本发明的一种优选实施方式中,步骤8)中,将振动特征FVB按如下公式进行加权融合:
其中,是分配给/>的权重。
在本发明的一种优选实施方式中,步骤8)中,采用如下权重转换函数获取
其中,是来自第i个振动传感器振动信号的功率谱熵,meanVB是n个振动传感器振动信号功率谱熵的均值。
上述技术方案,采用权重转换函数实现了n个振动传感器信息之间的加权融合,能够有效增强故障诊断方法的鲁棒性,提高数据利用效率。
在本发明的另一种优选实施方式中,步骤8)中,获得振动特征FVB的具体过程为,在获得之后,对/>和/>进行点积,得到并将其与/>相加获得加权融合后的振动特征FVB。
在本发明的另一种优选实施方式中,步骤10)中,将声发射特征FAE按如下公式进行加权融合:
其中,是分配给/>的权重。
在本发明的另一种优选实施方式中,步骤10)中,采用如下权重转换函数获取
其中,是来自第i个声发射传感器声发射信号的能量熵,meanAE是m个声发射传感器声发射信号能量熵的均值。
上述技术方案,采用权重转换函数实现了m个声发射传感器信息之间的加权融合,能够有效增强故障诊断方法的鲁棒性,提高数据利用效率。
在本发明的另一种优选实施方式中,步骤10)中,获得声发射特征FAE的具体过程为,在获得之后,对/>和/>进行点积,得到并将其/>相加获得加权融合后的声发射特征FAE。
为达到上述第二个目的,本发明采用如下技术方案:一种组合轴承故障诊断系统,包括数据获取单元和诊断单元,数据获取单元与振动传感器和声发射传感器分别连接,数据获取单元获取来自n个振动传感器的信号以及获取来自m个声发射传感器的信号,诊断单元接收数据获取单元获取的信号并利用本申请提供的组合轴承故障诊断方法进行诊断,得到组合轴承故障诊断结果。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请实施例的一种组合轴承故障诊断方法的流程图。
图2是本申请实施例中的特征提取网络的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“竖向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明提供了一种组合轴承故障诊断方法,在本发明中,组合轴承为受检组合,组合轴承安装在轴承试验台上,轴承试验台具有控制器和与控制器相连的数据采集元件,数据采集元件包括用于以及采集组合轴承油膜温度分布的温度传感器、用于采集组合轴承运行时的油膜压力的压力传感器、用于采集主轴转速的转速传感器、用于采集组合轴承运行时产生的声发射信号的m(比如m=4)个声发射传感器、用于采集组合轴承运行时所产生的振动信号的n(比如n=4)个振动传感器,控制器用于接收和处理各个传感器采集到的信号。具体轴承试验台的结构和工作原理为现有技术,在此不详述。
本发明利用轴承试验台开展大功率核电循环泵用齿轮箱组合轴承正常工况和轴瓦磨损、乏油、油液污染、转子偏心等典型故障模拟试验(具体过程见下文),数据采集元件采集到的信号包含一种正常工况数据和四种故障工况的数据。其中,振动数据来自四个振动传感器,声发射数据来自四个声发射传感器,油膜温度数据和油膜压力数据来自轴承试验台运转平稳后的温度传感器和油膜压力传感器。
如图1所示,本发明的故障诊断方法包括如下步骤:
1)将受检组合轴承安装在轴承试验台上进行试验,待轴承试验台运行工况达到稳定后(转速稳定、温度不再出现大范围波动),获取来自n个振动传感器的信号VB1,VB2,…,VBn,获取来自m个声发射传感器的信号分别为AE1,AE2,…,AEm,将每个振动传感器和声发射传感器采集到的信号进行无重叠的连续分割,设分割之后,每个振动信号的样本长度为i=1,2,…,n,每个声发射信号的样本长度为/>i=1,2,…,m。
2)按如下公式计算振动信号的功率谱熵i=1,2,…,n
其中,i=1,2,…,n为振动信号的功率谱密度,/>j=1,2,…,为第i个振动传感器的振动信号的功率谱密度的组成元素,/>为/>的元素个数,/>为第i个振动传感器功率谱密度总能量,/>为每个频率点的能量占总能量之比。
3)对振动信号进行傅里叶变换处理,获得振动信号的频域表示,取0~1025Hz所对应的幅值,记为i=1,2,…,n,并对其进行最大-最小归一化处理,具体最大-最小归一化处理为本领域常用方式,在此不详述。
4)采用小波降噪的方式对声发射信号进行降噪处理,其中小波选择为Daubechies(5)小波;之后采用改进的自适应噪声完备集合经验模态分解方法对降噪后的声发射信号进行分解,并提取其前五个内涵模态分量IMF1~IMF5,按如下公式计算第i个声发射传感器的声发射信号的能量熵i=1,2,…,n,
其中,为第i个声发射传感器的第j个IMF的能量,/>为每个IMF能量占总能量之比。
5)对声发射信号进行傅里叶变换,获得声发射信号的频域表示,取0~50kHz所对应的幅值,记为i=1,2,…,m,并对其进行最大-最小归一化处理。
6)采集轴承试验台运转平稳后的油膜温度T和油膜压力P,分别对油膜温度T和油膜压力P进行最大-最小归一化处理,得到和/>
7)将振动信号的频域幅值输入特征提取网络,如图2所示,振动信号的特征提取网络由三个卷积块组成,所有卷积块均由一个一维卷积神经网络层1D-CNN,一个批量归一化层Batch Normalization,一个高斯误差线性单元激活层CELU和一个一维最大池化层MaxPool堆叠而成,设卷积块1的输出为c1,卷积块2的输出为c2,则卷积块3的输入为c1+c2;设来自第i个振动传感器的数据经过特征提取网络之后的输出为/>
8)获取振动特征FVB,振动特征FVB为所有振动传感器的数据经过特征提取网络之后的输出的加权融合。振动信号越接近白噪声,其功率谱熵越大,因此,可以利用功率谱熵对来自不同振动传感器的进行加权,即功率谱熵较大的信号对应的/>应当分配较小的权重以减少其对最终诊断结果的干扰,功率谱熵较小的信号对应的/>应当分配较大的权重以增大其对最终诊断结果的贡献。具体将振动特征FVB按如下公式进行加权融合:
其中,是分配给/>的权重,按如下权重转换函数获取/>
其中,是来自第i个振动传感器振动信号的功率谱熵,meanVB是n个振动传感器振动信号功率谱熵的均值,即/>该权重转换函数能够为对应功率谱熵值较小的/>分配较大的权重,对应功率谱熵值较大的/>分配较小的权重。由于每次进行融合加权的n个/>都对应着不同的/>因此,在权重转换函数中引入meanVB实现对的动态调整。
在获得之后,对/>和/>进行点积,得到并将其与/>相加获得加权融合后的振动特征FVB。
9)将声发射信号的频域幅值输入特征提取网络,参照图2,声发射信号的特征提取网络与振动信号的特征提取网络具有相同的结构,设来自第i个声发射传感器的数据经过特征提取网络之后的输出为/>
10)获取声发射特征FAE,声发射特征FAE为所有声发射传感器的数据经过特征提取网络之后的输出的加权融合。声发射特征加权融合与振动特征加权融合步骤类似,利用能量熵对来自不同声发射传感器的进行加权,即能量熵较大的声发射信号对应的/>应当分配较小的权重以减少其对最终诊断结果的干扰;能量熵较小的信号对应的/>应当分配较大的权重以增大其对最终诊断结果的贡献。具体将声发射特征FAE按如下公式进行加权融合:
其中,是分配给/>的权重,按如下权重转换函数获取/>
其中,是来自第i个声发射传感器声发射信号的能量熵,meanAE是m个声发射传感器声发射信号能量熵的均值,即/>该权重转换函数能够为对应能量熵值较小的/>分配较大的权重,对应能量熵值较大的/>分配较小的权重。由于每次进行融合加权的m个/>都对应着不同的/>因此,在权重转换函数中引入meanAE实现对的动态调整。
在获得之后,对/>和/>进行点积,得到并将其/>相加获得加权融合后的声发射特征FAE。
11)特征融合:将展平为一维向量的振动特征FVB、展平为一维向量的声发射特征FAE、以及步骤6)中处理后的油膜温度数据T和油膜压力数据P进行特征融合,得到分类器网络的输入特征F=[FVB,FAE,T,P]。
12)故障诊断:如图1所示,分类器网络由一个随机失活层、两个带高斯误差线性激活函数的全连接层和一个Softmax分类层组成。将步骤11)的特征F输入分类器网络,得到故障诊断结果。
需要说明的是,分类器网络模型根据输入的动态响应数据和润滑特性数据进行训练(具体可通过下文的正常工况的模拟试验、组合轴承磨损工况的模拟试验、乏油工况的模拟试验、油液污染工况的模拟试验和转子偏心工况的模拟试验,获取正常运行工况与典型故障工况下组合轴承的动态响应数据和润滑特性数据,以获取原始样本数据作为训练数据),学习到关于正常工况和典型故障工况的模式,分类器网络模型训练(具体模型训练的方式为现有技术,在此不详述)完成后,能根据输入的数据特征F,自动判断该数据代表的是正常工况还是故障工况。
大功率核电循环泵用齿轮箱的组合轴承在正常运行工况与典型故障工况下具有不同的性能表现,性能表现的差异反映在轴承的动态响应数据和润滑特性数据中。因此,采集正常运行工况与典型故障工况下组合轴承的动态响应数据和润滑特性数据,以获取原始样本数据作为训练数据。
1、正常工况(健康状态)的模拟试验
将无故障的组合轴承(即健康组合轴承)安装在轴承试验台进行试验,待运行工况达到稳定后(转速稳定、温度不再出现大范围波动),使用数据采集元件采集组合轴承在该运行工况下的各项动态响应数据(包括振动数据和声发射数据)和润滑性能数据(包括油膜压力数据和油膜温度数据),数据采集至少进行三次,每次采集间隔相同的时间。
2、组合轴承磨损工况的模拟试验
将人为加工的磨损组合轴承安装在轴承试验台进行试验,待运行工况达到稳定后,使用数据采集元件采集组合轴承在该运行工况下的各项动态响应数据和润滑性能数据,数据采集至少进行三次,每次采集间隔相同的时间。
3、乏油工况的模拟试验
将无故障的组合轴承安装在轴承试验台进行乏油试验,待运行工况达到稳定后,保持此状态继续运行15分钟后开始控制油泵的润滑油输出流量(或关闭油泵),将润滑油的输出流量下降到一定的程度(或停止供油),使轴承内部残留的润滑油不足以形成完整的动压油膜。在控制润滑油输出流量(或关闭油泵)的同时使用测试系统开始采集轴承在乏油工况下的各项动态响应数据及润滑特性数据,数据采集至少进行三次,每次采集间隔相同的时间。
4、油液污染工况的模拟试验
将无故障的组合轴承安装在轴承试验台进行乏油试验,试验之前,向试验中使用的润滑油液中添加一定质量的铁粉颗粒(或其他粉尘),通过调整添加铁粉颗粒(或其他粉尘)的质量和润滑油用量调配出具有一定质量浓度的污染油液,并使用超声波浴等方式使污染油液内部的颗粒物均匀分布。试验开始时,先启动油液循环与冷却装置,待组合轴承内部浸润污染油液后,开始试验,待运行工况达到稳定后,使用数据采集元件采集组合轴承在该运行工况下的各项动态响应数据和润滑性能数据,数据采集至少进行三次,每次采集间隔相同的时间。
5、转子偏心工况的模拟试验
将用于转子偏心模拟试验的组合轴承安装在轴承试验台进行试验,该组合轴承人为加工为内部一侧3个轴瓦的高度高于另一侧的3个轴瓦。待运行工况达到稳定后,使用数据采集元件采集组合轴承在该运行工况下的各项动态响应数据和润滑性能数据,数据采集至少进行三次,每次采集间隔相同的时间。
实施例二
本实施例提供一种组合轴承故障诊断系统,包括数据获取单元和诊断单元,数据获取单元与振动传感器和声发射传感器分别连接,数据获取单元获取来自n个(比如四个)振动传感器的信号以及获取来自m个(比如四个)声发射传感器的信号,诊断单元接收数据获取单元获取的信号并利用实施例一的组合轴承故障诊断方法进行诊断,得到组合轴承故障诊断结果。
本发明采取测量多种物理量的方式,即测量2个不同的动态响应数据(振动数据和声发射数据)和2个润滑特性数据(油膜压力数据和油膜温度数据)。多种不同的测量数据有助于从多个方面提供关于故障的信息,避免由于信息不足而导致故障诊断系统出现错误判断。同时,丰富的信息也有助于进一步理解和解释组合轴承的故障机理。由于振动信号是验证动力学模型和故障诊断中最常用的动态响应数据,因此,配备四个振动传感器采集组合轴承在正常状态下与多种典型故障状态下的振动信号。声发射是被测物体因结构变化而迅速释放能量产生弹性应力波的现象,因此,声发射信号在机械故障诊断中具有重要应用,声发射具有动态性和实时性,可以实现对组合轴承的连续测量监控,同时,声发射信号具有较好的抗干扰和抗噪能力,有助于提高故障诊断的准确率,因此,配备四个声发射信号传感器以采集本发明中组合轴承在正常状态和故障状态下的声发射响应信号。组合轴承的故障状态对于内部的动压油膜有直接的影响,因此,配备温度传感器和压力传感器以测量轴承在正常状态和多种典型故障状态下其内部的油膜温度和压力变化情况。
在本说明书的描述中,参考术语“优选的实施方式”、“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨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,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种组合轴承故障诊断方法,其特征在于,所述组合轴承安装在轴承试验台上,所述轴承试验台具有控制器和与控制器相连的数据采集元件,所述数据采集元件包括用于以及采集组合轴承油膜温度分布的温度传感器、用于采集组合轴承运行时的油膜压力的压力传感器、用于采集主轴转速的转速传感器、用于采集组合轴承运行时产生的声发射信号的m个声发射传感器、用于采集组合轴承运行时所产生的振动信号的n个振动传感器,所述控制器用于接收和处理各个传感器采集到的信号;
所述故障诊断方法包括如下步骤:
1)待轴承试验台的运行工况达到稳定后,获取来自n个振动传感器的信号VB1,VB2,…,VBn,获取来自m个声发射传感器的信号分别为AE1,AE2,…,AEm,将每个振动传感器和声发射传感器采集到的信号进行无重叠的连续分割,设分割之后,每个振动信号的样本长度为每个声发射信号的样本长度为/>
2)按如下公式计算振动信号的功率谱熵
其中,为振动信号的功率谱密度,/> 为第i个振动传感器的振动信号的功率谱密度的组成元素,/>为/>的元素个数,/>为第i个振动传感器功率谱密度总能量,/>为每个频率点的能量占总能量之比;
3)对振动信号进行傅里叶变换处理,获得振动信号的频域表示,取0~1025Hz所对应的幅值,记为并对其进行最大-最小归一化处理;
4)采用小波降噪的方式对声发射信号进行降噪处理,采用改进的自适应噪声完备集合经验模态分解方法对降噪后的声发射信号进行分解,并提取其前五个内涵模态分量IMF1~IMF5,按如下公式计算第i个声发射传感器的声发射信号的能量熵
其中,为第i个声发射传感器的第j个IMF的能量,/>为每个IMF能量占总能量之比;
5)对声发射信号进行傅里叶变换,获得声发射信号的频域表示,取0~50kHz所对应的幅值,记为并对其进行最大-最小归一化处理;
6)采集轴承试验台运转平稳后的油膜温度T和油膜压力P,分别对油膜温度T和油膜压力P进行最大-最小归一化处理;
7)将振动信号的频域幅值输入特征提取网络,设来自第i个振动传感器的数据经过特征提取网络之后的输出为/>
8)获取振动特征FVB,振动特征FVB为所有振动传感器的数据经过特征提取网络之后的输出的加权融合;
9)将声发射信号的频域幅值输入特征提取网络,设来自第i个声发射传感器的数据经过特征提取网络之后的输出为/>
10)获取声发射特征FAE,声发射特征FAE为所有声发射传感器的数据经过特征提取网络之后的输出的加权融合;
11)特征融合:将展平为一维向量的振动特征FVB、展平为一维向量的声发射特征FAE、以及步骤6)中处理后的油膜温度数据T和油膜压力数据P进行特征融合,得到分类器网络的输入特征F=[FVB,FAE,T,P];
12)故障诊断:将步骤11)的特征F输入分类器网络,得到故障诊断结果。
2.根据权利要求1所述的一种组合轴承故障诊断方法,其特征在于,步骤7)中,振动信号的特征提取网络由三个卷积块组成,所有卷积块均由一个一维卷积神经网络层,一个批量归一化层,一个高斯误差线性单元激活层和一个一维最大池化层堆叠而成,设卷积块1的输出为c1,卷积块2的输出为c2,卷积块3的输入为c1+c2;
步骤9)中,声发射信号的特征提取网络与振动信号的特征提取网络具有相同的结构。
3.根据权利要求1所述的一种组合轴承故障诊断方法,其特征在于,步骤12)中,分类器网络由一个随机失活层、两个带高斯误差线性激活函数的全连接层和一个Softmax分类层组成。
4.根据权利要求1所述的一种组合轴承故障诊断方法,其特征在于,步骤8)中,将振动特征FVB按如下公式进行加权融合:
其中,是分配给/>的权重。
5.根据权利要求4所述的一种组合轴承故障诊断方法,其特征在于,步骤8)中,采用如下权重转换函数获取
其中,是来自第i个振动传感器振动信号的功率谱熵,meanVB是n个振动传感器振动信号功率谱熵的均值。
6.根据权利要求5所述的一种组合轴承故障诊断方法,其特征在于,步骤8)中,获得振动特征FVB的具体过程为,在获得之后,对/>和/>进行点积,得到/>并将其与/>相加获得加权融合后的振动特征FVB。
7.根据权利要求1-6中任一项所述的一种组合轴承故障诊断方法,其特征在于,步骤10)中,将声发射特征FAE按如下公式进行加权融合:
其中,是分配给/>的权重。
8.根据权利要求7所述的一种组合轴承故障诊断方法,其特征在于,步骤10)中,采用如下权重转换函数获取
其中,是来自第i个声发射传感器声发射信号的能量熵,meanAE是m个声发射传感器声发射信号能量熵的均值。
9.根据权利要求7所述的一种组合轴承故障诊断方法,其特征在于,步骤10)中,获得声发射特征FAE的具体过程为,在获得之后,对/>和/>进行点积,得到/>并将其/>相加获得加权融合后的声发射特征FAE。
10.一种组合轴承故障诊断系统,其特征在于,包括数据获取单元和诊断单元,所述数据获取单元与振动传感器和声发射传感器分别连接,数据获取单元获取来自n个振动传感器的信号以及获取来自m个声发射传感器的信号,诊断单元接收数据获取单元获取的信号并利用权利要求1-9之一所述的方法进行诊断,得到组合轴承故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310667173.8A CN116593159A (zh) | 2023-06-07 | 2023-06-07 | 一种组合轴承故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310667173.8A CN116593159A (zh) | 2023-06-07 | 2023-06-07 | 一种组合轴承故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116593159A true CN116593159A (zh) | 2023-08-15 |
Family
ID=87589826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310667173.8A Pending CN116593159A (zh) | 2023-06-07 | 2023-06-07 | 一种组合轴承故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116593159A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117359391A (zh) * | 2023-12-08 | 2024-01-09 | 江苏雷鸣智能装备有限公司 | 数控机床滚动轴承的故障智能诊断方法及系统 |
-
2023
- 2023-06-07 CN CN202310667173.8A patent/CN116593159A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117359391A (zh) * | 2023-12-08 | 2024-01-09 | 江苏雷鸣智能装备有限公司 | 数控机床滚动轴承的故障智能诊断方法及系统 |
CN117359391B (zh) * | 2023-12-08 | 2024-02-13 | 江苏雷鸣智能装备有限公司 | 数控机床滚动轴承的故障智能诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
Zhang et al. | Rolling element bearing fault diagnosis based on the combination of genetic algorithms and fast kurtogram | |
Jayaswal et al. | Machine fault signature analysis | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN116593159A (zh) | 一种组合轴承故障诊断方法和系统 | |
Hayashi et al. | Study of machine fault diagnosis system using neural networks | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
Kumar et al. | Neural network based vibration analysis with novelty in data detection for a large steam turbine | |
Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
Zurita et al. | Intelligent sensor based on acoustic emission analysis applied to gear fault diagnosis | |
Jawad et al. | A data-driven approach based bearing faults detection and diagnosis: A review | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN116499742A (zh) | 一种基于集成学习的旋转机械故障监测方法 | |
Zhou et al. | Research on an early warning method for bearing health diagnosis based on EEMD-PCA-ANFIS | |
Mollazade et al. | An intelligent model based on data mining and fuzzy logic for fault diagnosis of external gear hydraulic pumps | |
Baqer et al. | Prediction of the belt drive contamination status based on vibration analysis and artificial neural network | |
Pathiran et al. | Performance and predict the ball bearing faults using wavelet packet decomposition and ANFIS | |
Samuel et al. | Survey of Gear Fault Diagnosis Using Various Statistical Signals Parameters | |
Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
CN111351655A (zh) | 一种铁路机车齿轮箱中齿轮故障诊断方法 | |
CN114036656B (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
Kang et al. | Tracking gearbox degradation based on stable distribution parameters: A case study | |
Ding et al. | Wheelset‐Bearing Fault Detection Using Adaptive Convolution Sparse Representation |
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 |