CN116818321A - 基于超声相控阵的轴承故障检测方法、装置及存储介质 - Google Patents
基于超声相控阵的轴承故障检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116818321A CN116818321A CN202310778563.2A CN202310778563A CN116818321A CN 116818321 A CN116818321 A CN 116818321A CN 202310778563 A CN202310778563 A CN 202310778563A CN 116818321 A CN116818321 A CN 116818321A
- Authority
- CN
- China
- Prior art keywords
- signal
- bearing
- array
- frequency
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000005236 sound signal Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 2
- 108010063499 Sigma Factor Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 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
- 238000005096 rolling process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于超声相控阵的轴承故障检测方法、装置及存储介质，该方法步骤包括：提取轴承的温度和声音信号，将声音信号进行分窗、加窗处理，再进行傅里叶变换，提取梅尔频谱倒谱系数，采用盲源分离的方法分离出噪声信号，将分离处的音频信号还原成时域信号；对轴承的温度与声音信号进行相关性分析，判断轴承是否产生故障。当故障出现，利用近场线阵模型求解空间角度和距离，采用嵌套阵模型减少空间采样的冗余性，利用Gabor小波变换提高定位速度，通过凸优化求解得到相应的坐标数据并获得故障点位置空间图像。与现有技术相比，本发明在诊断出零部件故障的基础上，采用超声相控阵技术定位故障点位置，具有重要的理论价值与工程应用前景。
Description
技术领域
本发明涉及风电机组异步发电机检测技术领域，尤其是涉及一种基于超声相控阵的轴承故障定位检测方法。
背景技术
风电机组传动链长期受交变载荷作用，属故障高发部分，尤其是其中的齿轮箱和轴承部分。而在齿轮箱中，轴承故障也占大部分，轴承异常引发的故障占传动链所有故障的三成以上。在轴承故障检测方式中，大多数以检测齿轮箱处的噪声信号作为检测方式。在检测轴承处噪声的分析中，研究者们利用时域、频域或时频域等分析方法，对信号中包含的故障信息进行有效提取，主要有傅里叶频谱分析、小波分析、盲信号处理、经验模态分解等方法，声源定位技术主要有基于可控波束形成的声源定位方法、基于高分辨率空间谱估计的声源定位方法以及基于到达时间差估计的声源定位方法。同时在轴承故障产生过程中，也会伴随着一些其他的物理现象，如温度升高、不规律振动、以及噪声。在故障检测也有所应用，但相控阵定位轴承故障研究较少。
中国专利申请CN202211297008.X，通过获取与风电机组发电机相关的变量输入训练好的发电机状态监测模型获得变量重构值；基于变量的重构值和实测值确定重构误差；基于重构误差对风电机组发电机进行故障定位。中国专利申请CN202310015478.0，通过若干个传声器获取列车行驶过程中轴承的观测声学信号；基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号；对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置；
目前而言，现有的轴承故障检测技术一般都是基于轴承的物理特性和轴承的振动和噪声方面作为研究。通常基于检测装置提取声音信号，在提取完信号特征后进行时域频域方面的分析，通过所构建训练的机器学习模型来检测轴承是否出现故障，计算的复杂性较高。并且在实际工作情况中，维修人员需要知道轴承具体故障出现在传动链的具体位置，例如故障点位于轴承外圈、内圈、滚动体或者保持架上，传统的轴承故障检测方法不能精确的给出故障点的方位角和距离。
发明内容
本发明的目的就是为了提供一种基于超声相控阵的轴承故障定位检测方法。
本发明的目的可以通过以下技术方案来实现：
作为本发明的第一方面，提供一种基于超声相控阵的轴承故障检测方法，所述方法步骤包括：
采集轴承处的温度信号和声音信号；
利用相似矩阵的盲源分离方法分离噪声和纯净声音信号；
对轴承处温度信号和声音信号进行相关性分析，判断轴承是否出现故障；
当故障出现时采用超声相控阵技术定位故障点位置。
进一步的，所述利用相似矩阵的盲源分离方法分离噪声和纯净声音信号，具体步骤如下：
对采集到的声音信号进行预处理；
将预处理后的声音信号从时域信号转变为频域信号；
对时频转换结果的绝对值进行平方，计算得到能量谱；
对能量谱取梅尔频谱倒谱系数；
基于相似矩阵盲源分离得到轴承纯净声信号；
将已分离的轴承音频信号还原成时域信号。
进一步的，所述对采集到的声音信号进行预处理，为滤除轴承声音信号中的低频干扰部分，增加高频部分的比例，对采集到的声音信号进行分窗处理，并对声音信号进行加窗处理。
进一步的，所述对能量谱取梅尔频谱倒谱系数，具体步骤包括：
对能量谱进行三角滤波；
式中，Hi(k)表示滤波器参数；fi表示三角滤波器的中心频率；
三角滤波后对能量谱取对数，得到对数能量；
对对数能量进行逆变换，得到梅尔频率倒谱系数。
进一步的，所述利用相似矩阵分离轴承纯净声信号，具体包括以下步骤：
将声音信号的对数功率谱按列取距离范数，并进行中心化处理；
求解中心化后的信号的协方差矩阵Cx；
求解Cx的特征值对角矩阵D，并求解特征值对应的特征向量组成的特征向量E，通过所求的矩阵D和E，得到白化矩阵B：
通过对信号x进行白化：
对音频分量的特征作反傅里叶变换，重新得到轴承声音信号的准确时域波形。
进一步的，所述对轴承处温度信号和声音信号进行相关性分析，判断轴承是否出现故障，具体包括以下步骤：
计算轴承声音信号x′(t)与轴承温度信号T的互相关函数：
计算轴承声音信号x′(t)与轴承温度信号T的中心化互相关系数ρ(τ)：
式中，i(t)表示发电机定子侧电流信号；
当ρ(τ)接近1时，轴承声音信号与温度有相关性，则判断此时轴承出现故障。
进一步的，所述采用超声相控阵技术定位故障点位置，包括以下步骤：
利用近场线阵模型求解空间角度和距离；
采用嵌套阵模型，通过构造差和矩阵实现孔径扩展；
利用Gabor小波变换提取信号中某一频率作为传感器阵列的接收信号的实际频率；
通过凸优化求解得到相应的坐标数据，获得故障点位置空间图像。
进一步的，所述采用超声相控阵技术定位故障点位置，具体过程如下：
当K个近场球面波入射到超声传感器阵列，其中第i个阵元的接收信号表示为：
式中，xi(t)为第i个阵元接收的信号，rki和θki为第k个信号源与第i个阵元的距离大小和方位角，Sk(t)为第k个源信号，ni(t)为第i个阵元接收的噪声总和，αi(rki，θki)为第k个信号源相对于第i个阵元的方向函数；
空间阵列中所有传感器阵元的接收信号表示为：
X(t)＝A(r，θ)S(t)+N(t)
式中，X(t)为M个阵元的接收信号，S(t)为K个近场入射信号，A(r，θ)表示声发射源相对于信号接收阵列的流型矩阵；N(t)表示阵元接收的噪声信号；
进行波达方向估计，整个阵列的接收信号为：
X(fi)＝A(f，θ)S(fj)+N(fj)
式中，f表示原信号频率值，fi表示第i个阵元接受信号时的频率，fj表示子带内任意频率；
采取宽带声源位置估计算法选择最优聚焦矩阵；
T(fi)＝V(fi)UH(fi)
式中，V(fi)和UH(fi)分别是以矩阵A(fi，θ)AH(f0，θ)的左奇异和右奇异向量为列向量构成的矩阵；AH(f0，θ)表示声发射源相对于信号接收阵列的流型矩阵，f0为聚焦频率；
使用嵌套阵模型，通过构造差和矩阵实现孔径扩展，利用阵列的非均匀性减少空间采样的冗余性；
对宽带信号进行分析，将阵列的接收信号x(t)划分为m段；将每一段分别进行快速傅里叶变换得到频域信号；估计后的频域数据为：
XT＝A(f0)S+NT
式中，XT表示频域数据，A为阵列流型矩阵，f0为参考频率，S为信号矢量，NT为噪声矢量；
采用Gabor小波变换来提取信号中某一频率作为传感器阵列的接收信号的实际频率：
其中，ku，v为中心频率；σ为与小波频率带宽相关的常数；u为方向因子；v表示尺度因子，z为给定位置(x,y)的坐标；i表示采样点个数；
当时域上的采样点数为T时，波达方向估计的不含约束条件的数学模型为：
式中，λ用来平衡误差向量和解向量，是由S所有行向量的l2范数构成的列向量；
将上式转换为二阶锥规划问题为：
minp+λq
式中，XSV表示信号能量的大部分，SSV＝SVDK，l表示阵列长度，r表示远近场划分边界，/>其中λ表示信号波长；
通过凸优化求解得到SSV，根据SSV的峰值位置确定轴承声音信号的方向和距离；
使用轴承声音信号的方向和距离的坐标数据来建立x轴和y轴，以SSV值建立z轴，得到故障点位置空间图像。
作为本发明的第二方面，提供一种基于超声相控阵的轴承故障定位检测装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上所述的基于超声相控阵的轴承故障检测方法。
作为本发明的第三方面，提供一种存储介质，其上存储有程序，所述程序被执行时实现如上所述的基于超声相控阵的轴承故障检测方法。
与现有技术相比，本发明具有以下有益效果：
1)本发明所提供的轴承故障定位检测的方法，实时采集轴承的温度和噪声信号，采用盲源分离的方法分离噪声信号，使得误判断率下降，再利用相关性分析判断轴承是否出现故障，减少计算的复杂性。
2)本发明的检测方法，在出现故障时采用超声相控阵技术定位故障点位置，精确的给出故障点的方位角和距离。降低了传统检测的局限性，不再是只针对故障进行检测，在诊断出零部件故障的基础上，能够调查系统故障发生的根本原因，找出原发性故障，只有这样才能真正消除机械设备中的故障。发电机的故障类型与轴承故障的产生密切相关，因此，轴承故障定位检测技术具有重要的理论价值与工程应用前景。
附图说明
图1为本发明基于超声相控阵的轴承故障定位检测方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本发明涉及一种轴承故障检测方法，首先提取轴承的温度和声音信号，其次将声音信号进行分窗、加窗处理，再进行短时傅里叶变换，提取取梅尔频谱倒谱系数，接着采用盲源分离的方法分离出噪声信号，随后将已分离的轴承音频信号进行反傅里叶变换还原成时域信号。最后将轴承的温度与声音信号进行相关性分析，判断轴承是否产生故障。当故障出现时，利用近场线阵模型求解空间角度和距离，并采用嵌套阵模型来减少空间采样的冗余性，接着利用Gabor小波变换来提高定位速度，最后通过凸优化求解得到相应的坐标数据来获得故障点位置空间图像。流程图如图1所示。具体步骤如下：
步骤1：采集轴承温度T和该处产生的声音信号x(t)；
步骤2：为滤除轴承声音信号中的低频干扰部分，增加高频部分的比例，对采集到的声音信号进行分窗处理，并且对声音信号进行加窗处理，得到窗函数y(t)；
步骤3：为使时域信号转变为频域信号，将分窗处理后的声音信号进行短时傅里叶变换，
步骤4：为更便于识别声音，对短时傅里叶转换后结果的绝对值平方，即计算能量谱。
SPx(t,f)＝|X(t,f)|2
步骤5：为了减少轴承声音信号在功率谱丢失信号的影响，更有效地对分离后的音频进行重构和恢复，对其取梅尔频谱倒谱系数，如下所示：
步骤5-1:对能量谱进行三角滤波；
式中：Hi(k)表示滤波器参数；fi表示三角滤波器的中心频率。
步骤5-2:滤波后取对数，得到对数能量。
log X[k]＝log H[k]-log E[k]
步骤5-3:随后进行逆变换，即可得到梅尔频率倒谱系数。
x[k]＝h[k]+e[k]
步骤6：为分离出轴承的纯净声信号，基于相似矩阵的原理，本专利利用相似矩阵分离轴承纯净声信号，具体包括以下步骤：
步骤6-1:首先，将上面的对数功率谱W按列取距离范数，并进行中心化处理；
步骤6-2：求解中心化后的信号的协方差
求解Cx的特征值对角矩阵D；同时，求解特征值对应的特征向量组成的特征向量E，通过所求的矩阵D和E，得到白化矩阵B
步骤6-2：通过对信号x进行白化。
步骤6-3：对音频分量的特征作反傅里叶变换，重新得到轴承的准确时域波形：
步骤6-4：轴承声音信号x’(t)与轴承温度信号T的互相关函数为：
两个信号x’(t)与T的中心化互相关系数：
式中：i(t)表示发电机定子侧电流信号；
当ρ(τ)接近1时，轴承声音信号与温度有相关性，则可证明，此时轴承出现故障。
步骤7：当轴承出现故障时，需要定位故障点位置，由于轴承距离信号接收阵列相对较近，本专利采用近场模型均匀模型来求解空间角度和距离，具体包括以下步骤：
步骤7-1：假设共有K个近场球面波入射到传感器阵列，其中第i个阵元的接收信号为：
其中，xi(t)为第i个阵元接收的信号，rki和θki为第k个信号源与第i个阵元的距离大小和方位角，Sk(t)为第k个源信号，ni(t)为第i个阵元接收的噪声总和，αi(rki，θki)为第k个信号源相对于第i个阵元的方向函数。
空间阵列中所有传感器阵元的接收信号可以表示为：
X(t)＝A(r，θ)S(t)+N(t)
其中，X(t)为M个阵元的接收信号，S(t)为K个近场入射信号，A(r，θ)表示声发射源相对于信号接收阵列的流型矩阵。
步骤7-2：接着进行波达方向估计，整个阵列的接收信号为：
X(fi)＝A(f，θ)S(fj)+N(fj)
式中：f表示原信号频率值，fi表示第i个阵元接受信号时的频率，fj表示子带内任意频率；
步骤7-3：采取宽带声源位置估计算法来选择最优聚焦矩阵；
T(fi)＝V(fi)UH(fi)
式中，V(fi)和UH(fi)分别是以矩阵A(fi，θ)AH(f0，θ)的左奇异和右奇异向量为列向量构成的矩阵；AH(f0，θ)表示声发射源相对于信号接收阵列的流型矩阵，f0为聚焦频率。
步骤8：使用嵌套阵模型，通过构造差和矩阵实现孔径扩展，利用阵列的非均匀性减少空间采样的冗余性。
步骤9：接下来对宽带信号进行分析，首先将阵列的接收信号x(t)划分为m段，即x1(t)，x2(t)，L，xk(t)，再将每一段分别进行快速傅里叶变换得到频域信号X1(f)，X1(f)，L，Xk(f)，设频率变化范围从f1到fn，则频率f2下的数据长度均为m。估计后的频域数据为：
XT＝A(f0)S+NT
式中：XT表示频域数据，A为阵列流型矩阵，f0为参考频率，S为信号矢量，NT为噪声矢量；
步骤10：采用Gabor小波变换来提取信号中某一频率作为传感器阵列的接收信号的实际频率，以此来提高定位速度。
其中，ku，v为中心频率，控制小波变换振荡部分的方向、波长以及窗口的宽度，u为方向因子，σ为与小波频率带宽相关的常数，决定了窗宽度与波长之比，v表示尺度因子，z为给定位置(x，y)的坐标。
步骤11：当时域上的采样点数为T时，波达方向估计的不含约束条件的数学模型为
其中，λ用来平衡误差向量和解向量，是由S所有行向量的l2范数构成的列向量。
将上式转换为二阶锥规划问题为：
min p+λq
式中，XSV表示信号能量的大部分，SSV＝SVDK为奇异值分解的降维矩阵， l表示阵列长度，r表示远近场划分边界，/>其中λ表示信号波长；
通过凸优化求解得到SSV，根据SSV的峰值位置确定轴承声音信号的方向和距离。再分别搜索轴承声音信号的方向和距离的坐标数据来建立x轴和v轴，以SSV值建立z轴，即可得到故障点位置空间图像。
实施例2
作为本发明的第二方面，本申请还提供一种电子设备，包括：一个或多个处理器11；存储器12，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器11执行，使得所述一个或多个处理器11实现如上述基于超声相控阵的轴承故障定位检测方法。除了上述的处理器、存储器以及接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
实施例3
作为本发明的第三方面，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述基于超声相控阵的轴承故障定位检测方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(FlashCard)等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于超声相控阵的轴承故障检测方法，其特征在于，所述方法步骤包括：
采集轴承处的温度信号和声音信号；
利用相似矩阵的盲源分离方法分离噪声和纯净声音信号；
对轴承处温度信号和声音信号进行相关性分析，判断轴承是否出现故障；
当故障出现时采用超声相控阵技术定位故障点位置。
2.根据权利要求1所述的一种基于超声相控阵的轴承故障检测方法，其特征在于，所述利用相似矩阵的盲源分离方法分离噪声和纯净声音信号，具体步骤如下：
对采集到的声音信号进行预处理；
将预处理后的声音信号从时域信号转变为频域信号；
对时频转换结果的绝对值进行平方，计算得到能量谱；
对能量谱取梅尔频谱倒谱系数；
基于相似矩阵盲源分离得到轴承纯净声信号；
将已分离的轴承音频信号还原成时域信号。
3.根据权利要求2所述的一种基于超声相控阵的轴承故障检测方法，其特征在于，所述对采集到的声音信号进行预处理，为滤除轴承声音信号中的低频干扰部分，增加高频部分的比例，对采集到的声音信号进行分窗处理，并对声音信号进行加窗处理。
4.根据权利要求2所述的一种基于超声相控阵的轴承故障检测方法，其特征在于，所述对能量谱取梅尔频谱倒谱系数，具体步骤包括：
对能量谱进行三角滤波；
式中，Hi(k)表示滤波器参数；fi表示三角滤波器的中心频率；
三角滤波后对能量谱取对数，得到对数能量；
对对数能量进行逆变换，得到梅尔频率倒谱系数。
5.根据权利要求1所述的一种基于超声相控阵的轴承故障检测方法，其特征在于，所述利用相似矩阵分离轴承纯净声信号，具体包括以下步骤：
将声音信号的对数功率谱按列取距离范数，并进行中心化处理；
求解中心化后的信号的协方差矩阵Cx；
求解Cx的特征值对角矩阵D，并求解特征值对应的特征向量组成的特征向量E，通过所求的矩阵D和E，得到白化矩阵B：
通过对信号x进行白化：
对音频分量的特征作反傅里叶变换，重新得到轴承声音信号的准确时域波形。
6.根据权利要求1所述的一种基于超声相控阵的轴承故障检测方法，其特征在于，所述对轴承处温度信号和声音信号进行相关性分析，判断轴承是否出现故障，具体包括以下步骤：
计算轴承声音信号x′(t)与轴承温度信号T的互相关函数：
计算轴承声音信号x′(t)与轴承温度信号T的中心化互相关系数ρ(τ)：
式中，i(t)表示发电机定子侧电流信号；
当ρ(τ)接近1时，轴承声音信号与温度有相关性，则判断此时轴承出现故障。
7.根据权利要求1所述的一种基于超声相控阵的轴承故障检测方法，其特征在于，所述采用超声相控阵技术定位故障点位置，包括以下步骤：
利用近场线阵模型求解空间角度和距离；
采用嵌套阵模型，通过构造差和矩阵实现孔径扩展；
利用Gabor小波变换提取信号中某一频率作为传感器阵列的接收信号的实际频率；
通过凸优化求解得到相应的坐标数据，获得故障点位置空间图像。
8.根据权利要求7所述的一种基于超声相控阵的轴承故障检测方法，其特征在于，所述采用超声相控阵技术定位故障点位置，具体过程如下：
当K个近场球面波入射到超声传感器阵列，其中第i个阵元的接收信号表示为：
式中，xi(t)为第i个阵元接收的信号，rki和θki为第k个信号源与第i个阵元的距离大小和方位角，Sk(t)为第k个源信号，ni(t)为第i个阵元接收的噪声总和，αi(rki,θki)为第k个信号源相对于第i个阵元的方向函数；
空间阵列中所有传感器阵元的接收信号表示为：
X(t)＝A(r,θ)S(t)+N(t)
式中，X(t)为M个阵元的接收信号，S(t)为K个近场入射信号，A(r,θ)表示声发射源相对于信号接收阵列的流型矩阵；N(t)表示阵元接收的噪声信号；
进行波达方向估计，整个阵列的接收信号为：
X(fi)＝A(f,θ)S(fj)+N(fj)
式中，f表示原信号频率值，fi表示第i个阵元接受信号时的频率，fj表示子带内任意频率；
采取宽带声源位置估计算法选择最优聚焦矩阵；
T(fi)＝V(fi)UH(fi)
式中，V(fi)和UH(fi)分别是以矩阵A(fi,θ)AH(f0,θ)的左奇异和右奇异向量为列向量构成的矩阵；AH(f0,θ)表示声发射源相对于信号接收阵列的流型矩阵，f0为聚焦频率；
使用嵌套阵模型，通过构造差和矩阵实现孔径扩展，利用阵列的非均匀性减少空间采样的冗余性；
对宽带信号进行分析，将阵列的接收信号x(t)划分为m段；将每一段分别进行快速傅里叶变换得到频域信号；估计后的频域数据为：
XT＝A(f0)S+NT
式中，XT表示频域数据，A为阵列流型矩阵，f0为参考频率，S为信号矢量，NT为噪声矢量；
采用Gabor小波变换来提取信号中某一频率作为传感器阵列的接收信号的实际频率：
其中，ku,v为中心频率；σ为与小波频率带宽相关的常数；u为方向因子；v表示尺度因子，z为给定位置(x,y)的坐标；i表示采样点个数；
当时域上的采样点数为T时，波达方向估计的不含约束条件的数学模型为：
式中，λ用来平衡误差向量和解向量，是由S所有行向量的l2范数构成的列向量；
将上式转换为二阶锥规划问题为：
minp+λq
式中，XSV表示信号能量的大部分，SSV＝SVDK是奇异值分解的降维矩阵， l表示阵列长度，r表示远近场划分边界，/>其中λ表示信号波长；
通过凸优化求解得到SSV，根据SSV的峰值位置确定轴承声音信号的方向和距离；
使用轴承声音信号的方向和距离的坐标数据来建立x轴和y轴，以SSV值建立z轴，得到故障点位置空间图像。
9.一种基于超声相控阵的轴承故障定位检测装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的基于超声相控阵的轴承故障检测方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的基于超声相控阵的轴承故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310778563.2A CN116818321A (zh) | 2023-06-28 | 2023-06-28 | 基于超声相控阵的轴承故障检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310778563.2A CN116818321A (zh) | 2023-06-28 | 2023-06-28 | 基于超声相控阵的轴承故障检测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116818321A true CN116818321A (zh) | 2023-09-29 |
Family
ID=88125358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310778563.2A Pending CN116818321A (zh) | 2023-06-28 | 2023-06-28 | 基于超声相控阵的轴承故障检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116818321A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117072424A (zh) * | 2023-10-13 | 2023-11-17 | 意朗智能科技(南通)有限公司 | 一种降低空压机工作噪音的调试方法及系统 |
-
2023
- 2023-06-28 CN CN202310778563.2A patent/CN116818321A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117072424A (zh) * | 2023-10-13 | 2023-11-17 | 意朗智能科技(南通)有限公司 | 一种降低空压机工作噪音的调试方法及系统 |
| CN117072424B (zh) * | 2023-10-13 | 2023-12-12 | 意朗智能科技(南通)有限公司 | 一种降低空压机工作噪音的调试方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
| Yuan et al. | Robust fault diagnosis of rolling bearings using multivariate intrinsic multiscale entropy analysis and neural network under varying operating conditions | |
| CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
| CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
| CN116818321A (zh) | 基于超声相控阵的轴承故障检测方法、装置及存储介质 | |
| CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
| CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| CN107292243A (zh) | 一种基于图像处理的转子系统轴心轨迹识别方法 | |
| Zhou et al. | Convolutional sparse coding using pathfinder algorithm-optimized orthogonal matching pursuit with asymmetric Gaussian chirplet model in bearing fault detection | |
| Shaheryar et al. | robust feature extraction on vibration data under deep-learning framework: An application for fault identification in rotary machines | |
| CN112747921A (zh) | 一种基于na-memd的多传感器机械故障诊断的方法 | |
| CN106548031A (zh) | 一种结构模态参数识别方法 | |
| CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
| Ju et al. | A new low SNR underwater acoustic signal classification method based on intrinsic modal features maintaining dimensionality reduction | |
| CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
| Qiu et al. | Fault diagnosis of bearings with adjusted vibration spectrum images | |
| CN114113837A (zh) | 一种基于声学特征的变压器带电检测方法及系统 | |
| Shang et al. | Varying Speed Bearing Fault Diagnosis Based on Synchroextracting Transform and Deep Residual Network | |
| Liu et al. | A Method for Identifying Weak Faults of Rolling Bearings Around Railway Based on PCA&SVD-LMD | |
| CN114492196B (zh) | 基于简正波能量比理论的故障快速检测方法及系统 | |
| CN116222997B (zh) | 基于波束形成及时空网络的托辊故障声源距离估计方法 | |
| Li et al. | Acoustic signal analysis for gear fault diagnosis using a uniform circular microphone array | |
| CN117235583B (zh) | 一种gis断路器执行机构的监测方法及系统 | |
| CN112269164B (zh) | 深海可靠声路径下基于干涉结构匹配处理弱目标定位方法 |
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 |