CN117629636B - 一种燃机滚动轴承的健康评估、故障诊断方法及系统 - Google Patents

一种燃机滚动轴承的健康评估、故障诊断方法及系统 Download PDF

Info

Publication number
CN117629636B
CN117629636B CN202311653396.5A CN202311653396A CN117629636B CN 117629636 B CN117629636 B CN 117629636B CN 202311653396 A CN202311653396 A CN 202311653396A CN 117629636 B CN117629636 B CN 117629636B
Authority
CN
China
Prior art keywords
rolling bearing
health
signal
combustion engine
distance curve
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
Application number
CN202311653396.5A
Other languages
English (en)
Other versions
CN117629636A (zh
Inventor
史修江
冯彦
邱卓一
费云飞
刘坤鹏
李仁泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202311653396.5A priority Critical patent/CN117629636B/zh
Priority to GBGB2401500.0A priority patent/GB202401500D0/en
Publication of CN117629636A publication Critical patent/CN117629636A/zh
Application granted granted Critical
Publication of CN117629636B publication Critical patent/CN117629636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C19/00—Bearings with rolling contact, for exclusively rotary movement
    • F16C19/52—Bearings with rolling contact, for exclusively rotary movement with devices affected by abnormal or undesired conditions
    • F16C19/527—Bearings with rolling contact, for exclusively rotary movement with devices affected by abnormal or undesired conditions related to vibration and noise
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F02C7/06—Arrangements of bearings; Lubricating
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • 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
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/12—Testing internal-combustion engines by monitoring vibrations
    • 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
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/81—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/334—Vibration measurements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2360/00—Engines or pumps
    • F16C2360/23—Gas turbine engines
    • 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
    • G06F2218/04—Denoising
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种燃机滚动轴承的健康评估、故障诊断方法及系统，涉及轴承性能评估技术领域，利用ICEEMDAN算法对原始振动信号进行分解重构，得到燃机滚动轴承的重构信号，并基于训练好的SVDD模型，得到重构信号每一采样点与健康信号的距离曲线，再对距离曲线进行平滑处理，得到平滑距离曲线，以更加直观表达出滚动轴承随时间变化，逐渐偏离健康信号、性能产生退化的程度；进一步可以据此量化出每一时刻的滚动轴承健康度，以判断滚动轴承的健康状况；当确定滚动轴承处于故障状态时，对提取得到的重构信号滤波后提取包络谱的特征频率，将其特征频率与理论特征频率相比，可以准确、快速的找出最贴合的理论特征频率及其对应故障种类。

Description

一种燃机滚动轴承的健康评估、故障诊断方法及系统
技术领域
本发明涉及轴承性能评估技术领域，特别是涉及一种燃机滚动轴承的健康评估、故障诊断方法及系统。
背景技术
复杂化以及精密化是燃机动力涡轮机这类机械设备的重要发展方向，滚动轴承作为其重要组成部分之一，对这类设备的健康状况十分重要，是保证该设备高效、安全运行的关键。滚动轴承发生意外故障可能导致机械设备发生重大难以预料的故障，造成设备停产、停机，导致重大经济损失以及人员伤亡等。
现阶段大量研究证明，当滚动轴承出现局部损伤或缺陷时，往往使设备产生大量噪声以及振动异常等情况，但这些信息常常被强背景噪声和干扰淹没，难以直观从振动信号中获取到关键信息。因此，亟需一种能够实现对燃机滚动轴承的健康评估和故障诊断，以提高燃机整体的可靠性和安全性的方法。
发明内容
本发明的目的是提供一种燃机滚动轴承的健康评估、故障诊断方法及系统，实现了对燃机滚动轴承原始振动信号的分解重构，便于后续对滚动轴承进行健康程度的量化评估以及进行故障诊断，提高了燃机整体的可靠性和安全性。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提供了一种燃机滚动轴承的健康评估方法，包括：
获取燃机滚动轴承的原始振动信号。
基于ICEEMDAN算法，对原始振动信号进行分解，得到若干个分解信号。
根据若干个分解信号，确定得到燃机滚动轴承的重构信号。
基于训练好的SVDD模型，根据重构信号，生成距离曲线；距离曲线上每一个数据点表征重构信号每一采样点与健康信号的距离数值。
基于曲线平滑机制，对距离曲线进行平滑处理，得到平滑距离曲线。
根据平衡距离曲线，确定得到滚动轴承每一时刻的滚动轴承健康度。
根据当前时刻的滚动轴承健康度，确定得到滚动轴承的健康状态；滚动轴承的健康状态为健康、预警和故障中的任意一种。
可选地，基于ICEEMDAN算法，对原始振动信号进行分解，得到若干个分解信号，具体包括：
利用ICEEMDAN算法对原始振动信号进行分解，剔除掉故障信号中的低频干扰部分，得到若干个IMF分信号和残差。
对残差进行噪声的自适应估计和减除。
判断IMF分信号是否满足预设条件；预设条件为IMF分信号中的高频信号明显易识别。
若是，则将若干个IMF分信号作为若干个分解信号。
若否，则跳转到步骤“对残差进行噪声的自适应估计和减除”。
可选地，根据若干个分解信号，确定得到重构信号，具体包括：
计算得到每一分解信号的峭度值。
将若干个分解信号中峭度值大于峭度平均值的多个分解信号相加，得到重构信号。
可选地，基于训练好的SVDD模型，根据重构信号，生成距离曲线，具体包括：
利用健康信号训练SVDD模型，得到训练好的SVDD模型。
将重构信号输入到训练好的SVDD模型中，得到燃机滚动轴承的距离曲线。
可选地，基于曲线平滑机制，对距离曲线进行平滑处理，得到平滑距离曲线，具体包括：
将距离曲线上的第三个数据点作为当前数据点。
将当前数据点与当前数据点前面相邻的两个数据点相加并求平均，得到三点均值。
依次将距离曲线上的下一个数据点作为当前数据点，重复“将当前数据点与当前数据点前面相邻的两个数据点相加并求平均，得到三点均值”，得到若干个三点均值。
针对若干个三点均值，进行单调性调整，得到平滑距离曲线。
根据下式得到三点均值：
其中，xi表示第i个数据点的数值，xi'表示根据数据点xi-2、数据点xi-1和数据点xi得到的三点均值，i为数据点的下标，n为距离曲线上数据点的数量。
根据下式对若干个三点均值，进行单调性调整：
其中，yi表示平滑距离曲线上第i个数据点的数值。
可选地，根据下式确定得到滚动轴承健康度：
其中，hi为第i个数据点时刻的滚动轴承健康度，y’为平滑距离曲线上所有数据点的平均值。
可选地，方法还包括：将滚动轴承前n个时刻的滚动轴承健康度输入到健康预测模型中，预测得到滚动轴承下一时刻的滚动轴承健康度；健康预测模型为自动回归模型、线性回归预测模型和径向基神经网络模型中至少两种子模型的混合模型。
可选地，方法还包括：利用方差-协方差权重分配法，确定健康预测模型中各子模型的权重。
对应于前述的燃机滚动轴承的健康评估方法，本发明还提供了一种燃机滚动轴承的健康评估系统，燃机滚动轴承的健康评估系统在被计算机运行时，执行如前文的燃机滚动轴承的健康评估方法。
另一方面，本发明提供了一种燃机滚动轴承的故障诊断方法，包括以下步骤：
执行前文的一种燃机滚动轴承的故障诊断方法。
在滚动轴承的健康状态为故障时，根据重构信号确定最佳带通滤波器。
利用最佳带通滤波器，对重构信号进行带通滤波，得到滤波后的重构信号。
根据滤波后的重构信号，确定得到包络谱。
在理论特征频率集中确定得到与包络谱的特征频率相匹配的理论特征频率；理论特征频率集中包括滚动轴承的若干种故障种类，及每一故障种类对应的理论特征频率。
根据与包络谱的特征频率相匹配的理论特征频率，确定滚动轴承的故障种类。
对应于前述的燃机滚动轴承的故障诊断方法，本发明还提供了一种燃机滚动轴承的故障诊断系统，燃机滚动轴承的故障诊断系统在被计算机运行时，执行如前文的燃机滚动轴承的故障诊断方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种燃机滚动轴承的健康评估、故障诊断方法及系统，在健康评估方法中，利用ICEEMDAN算法对原始振动信号进行分解重构，得到燃机滚动轴承的重构信号，并基于训练好的SVDD模型，得到重构信号每一采样点与健康信号的距离生成距离曲线，再对距离曲线进行平滑处理，得到平滑距离曲线，以更加直观表达出滚动轴承随时间变化，逐渐偏离健康信号、性能产生退化的程度；进一步可以据此量化出每一时刻的滚动轴承健康度，以判断滚动轴承的健康状况。本发明基于ICEEMDAN算法从原始振动信号中剔除高频干扰，获取到低频关键信息，实现了对燃机滚动轴承原始振动信号的分解重构，通过SVDD模型得到振动信号相对于健康信号的变化，能够更好量化滚动轴承的健康程度，去判断健康状态。故障诊断方法中，在健康评估方法的基础上，当确定滚动轴承处于故障状态时，对提取得到的重构信号滤波后提取包络谱的特征频率，据此在理论特征频率集中匹配到相应的理论特征频率，以确定该滚动轴承处于何种故障种类。本发明利用ICEEMDAN算法提取的重构信号进行包络谱的生成以及将其特征频率与理论特征频率相比，可以准确、快速的找出最贴合的理论特征频率及其对应故障种类，提高了燃机整体的可靠性和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种燃机滚动轴承的健康评估方法的流程图；
图2为本发明实施例1提供的方法中对原始振动信号进行预处理的效果示意图；
图3为本发明实施例1提供的方法中SVDD算法构建超球体的示意图；
图4为本发明实施例1提供的方法中步骤A5的流程图；
图5为本发明实施例1提供的方法中进行曲线平滑后的效果示意图；
图6为本发明实施例2提供的一种燃机滚动轴承的健康评估系统的结构示意图；
图7为本发明实施例3提供的一种燃机滚动轴承的故障诊断方法的流程图；
图8为本发明实施例4提供的一种燃机滚动轴承的故障诊断系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明的目的是提供一种燃机滚动轴承的健康评估、故障诊断方法及系统，实现了对燃机滚动轴承原始振动信号的分解重构，便于后续对滚动轴承进行健康程度的量化评估以及进行故障诊断，提高了燃机整体的可靠性和安全性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例提供了一种燃机滚动轴承的健康评估方法，如图1所述的流程图，该健康评估方法包括以下步骤：
A1、获取燃机滚动轴承的原始振动信号。本实施例中，采用离线方式导入燃机滚动轴承的原始振动信号数据，离线方式是指将离线采集获得的数据以特定的格式读取进来，然后转入其他处理模块，离线方式导入的优点是用户可以自己选择需要分析的数据，不但提高效率，而且稳定可靠。
A2、基于ICEEMDAN算法，对原始振动信号进行分解，得到若干个分解信号。具体地，现阶段常用的分解手段是经验模态分解方法(EMD)，其是一种基于数据的自适应信号分解方法，它能将任意非线性、非平稳信号分解成一系列IMF，每个IMF都代表了信号的不同频率成分和振动模式。经验模态分解的优点在于它不需要任何先验知识，也不需要对信号进行任何假设，因此可以对任何信号进行分解。
但由于EMD算法在分解的过程中会导致高频和低频信号的混叠，使得这算法中存在的优势被破坏。因此，后续研究中出现了通过添加辅助白噪声减少模态混叠现象的方法，这其中ICEEMDAN作为一种改进的EMD方法，它在EMD的基础上添加了自适应噪声和稳定性控制，使得其在噪声干扰和数据短时性方面具有更好的性能。ICEEMDAN的分解过程如下：
(1)对ICEEMDAN的初始参数进行选择，在N＝100时，噪声的幅值的标准差为信号的标准差的0.2倍。
(2)利用ICEEMDAN能够从高频共振区域解调出低频振动成分，剔除掉故障信号中的低频干扰部分，分解出得出IMF分信号。
(3)添加自适应噪声，通过对IMF分解的残差进行噪声的自适应估计和减除，提高了分解的稳定性和准确性。
(4)通过对原始信号设置阈值，对分解得到的IMF分信号进行稳定性控制，以避免出现过分解和欠分解的现象。
(5)重复步骤(3)～(4)，直到得到的IMF分信号中高频信号明显易识别。实际工况中，采集得到的轴承加速度结果、速度结果这些轴承故障信号信号成分经常被噪声信号所淹没，难以直接观察到，因此本实施例中提出用ICEEMDAN方法将含噪声信号变化到本征模态分量IMF，将噪声信号减除，使故障信号更容易被观察到。
在本实施例中，步骤A2具体包括：
A21、利用ICEEMDAN算法对原始振动信号进行分解，剔除掉故障信号中的低频干扰部分，得到若干个IMF分信号和残差。
A22、对残差进行噪声的自适应估计和减除。
A23、判断IMF分信号是否满足预设条件；预设条件为IMF分信号中的高频信号明显易识别。若是，则执行步骤A24；若否，则跳转到步骤A22。
A24、将若干个IMF分信号作为若干个分解信号。
A3、根据若干个分解信号，确定得到燃机滚动轴承的重构信号。在本实施例中，步骤A3具体包括：
A31、计算得到每一分解信号的峭度值。峭度值是对信号在频域内的峰值特征进行描述的指标，它能够反映信号在频域内的非高斯性和非线性特性。当信号中存在非高斯和非线性成分时，峭度值较大；当信号为高斯白噪声时，峭度值为0。本实施例中，根据下式计算峭度值：
其中，μ2为分解后所有分解信号的二阶中心矩(即信号的方差)，μ4为所有分解信号的四阶中心矩，定义为：
μn＝E[(x-E(x))n] (2)
其中，E(·)表示数学期望运算符，x代表分解信号中的样本点，n表示计算的是n阶中心距。
A32、将若干个分解信号中峭度值大于峭度平均值的多个分解信号相加，得到重构信号。
上述步骤A2和步骤A3实际上为对输入信号的预处理，主要是对信号进行降噪处理，可通过MATLAB Script节点进行LabVIEW与MATLAB混合编程，实现人机交互功能。本实施例中采用的降噪方式为ICEEMDAN分解，通过对分解的信号进行重组，剔除多余的模态分量，得到故障特征更明显的重构信号。如图2所示，左上侧所示曲线为导入的原始振动信号，右侧四个图分别为ICEEMDAN分解所得到的四个模态分量，左下侧为重构信号。
A4、基于训练好的SVDD模型，根据重构信号，生成距离曲线；距离曲线上每一个数据点表征重构信号每一采样点与健康信号的距离数值。如图3所示的，SVDD算法能够实现目标样本(健康信号)和非目标样本(故障信号)的划分，经常被应用于异常检测和故障检测等领域，其原理是通过将燃机动力涡轮机匣处的正常振动样本数据映射到高维的内积空间上，在空间中构造出一个半径最小但包含几乎全部的正常数据的超球体。通过求取测试样本到超球体的球心距离，来反映轴承的性能退化程度。距离越大，表示测试样本所代表的滚动轴承的性能偏离正常工作状态越远，退化程度越明显。
在本实施例中，步骤A4具体包括：
A41、利用健康信号训练SVDD模型，得到训练好的SVDD模型。具体来说，利用遗传算法对SVDD模型的关键参数gamma值和惩罚系数进行寻优操作，将随机选取的两个参数和优化得到的参数分别建立SVDD模型；利用全寿命数据前20％左右的采样点作为健康信号设置为训练样本，将训练样本送入SVDD模型中进行训练。
A42、将重构信号输入到训练好的SVDD模型中，得到燃机滚动轴承的距离曲线。将重构信号输入到训练好的SVDD模型中，得出燃机滚动轴承的距离曲线。
轴承健康评估的SVDD模型的优化问题如下式所示：
式中，R是轴承正常运行时机匣处振动数据的超球体半径，a为球心，ξi是第i个训练样本的松弛因子，此处的n表示训练样本的数量，i是下标，表示第i个训练样本，C是一个权衡该超球体体积和误分率的惩罚参数，Φ(xi)是SVDD算法中的映射函数，SVDD算法利用映射函数，将所有训练样本映射到高维空间，并构建一个边界区域，正常的训练样本在超球体的边界内，超球体边界外的训练样本则称为故障样本。结合Lagrange对偶问题可转换为下式，
其中，0≤αi≤C,αi是训练样本xi对应的拉格朗日系数。求解该对偶问题后可以获取所有训练样本对应的拉格朗日系数。根据拉格朗日系数可以计算出球心a和超球体半径R。对于重构信号xt到球心的距离，可以由下式得出：
若d≤R，则认为重构信号在超球体的内部，属于正常工作状态；若d＞R，则认为重构信号在超球体的外部，属于故障状态，而且距离越大，表示退化程度越大。
A5、基于曲线平滑机制，对距离曲线进行平滑处理，得到平滑距离曲线。通过SVDD模型生成燃机滚动轴承的距离曲线后，在未进一步处理时，该距离曲线的波动过大，实际应用效果有限，需要对距离曲线进行平滑处理；在本实施例中，如图4所示的流程图，步骤A5具体包括：
A51、将距离曲线上的第三个数据点作为当前数据点。
A52、将当前数据点与当前数据点前面相邻的两个数据点相加并求平均，得到三点均值。本实施例中，根据下式得到三点均值：
其中，xi表示第i个数据点的数值，xi'表示根据数据点xi-2、数据点xi-1和数据点xi得到的三点均值，i为数据点的下标，n为距离曲线上数据点的数量，表示为i取值为等号后任意数值。
A53、依次将距离曲线上的下一个数据点作为当前数据点，重复步骤A52和步骤A53，得到若干个三点均值。
A54、针对若干个三点均值，进行单调性调整，得到平滑距离曲线。采用步骤A5的平滑机制对距离曲线平滑后的效果如图5所示。
本实施例中，根据下式对若干个三点均值，进行单调性调整：
其中，yi表示平滑距离曲线上第i个数据点的数值。
A6、根据平衡距离曲线，确定得到滚动轴承每一时刻的滚动轴承健康度。在本实施例中，根据下式确定得到滚动轴承健康度：
其中，hi为第i个数据点时刻的滚动轴承健康度，y’为平滑距离曲线上所有数据点的平均值。此公式可以将距离映射到0到1之间，使评估结果更加直观准确。
A7、根据当前时刻的滚动轴承健康度，确定得到滚动轴承的健康状态；滚动轴承的健康状态为健康、预警和故障中的任意一种。本实施例中，设置了三个不同的区间来区分滚动轴承的健康状态，分别是：健康(滚动轴承健康度∈[1-0.6])、预警(滚动轴承健康度∈[0.4-0.6))、故障(滚动轴承健康度∈[0-0.4))。
除了上述对当前时刻的滚动轴承的健康状态进行确定以外，本实施例中还预先通过自动回归模型、线性回归预测模型和径向基神经网络模型中至少两种子模型组合为一健康预测模型，并将滚动轴承前n个时刻的滚动轴承健康度输入到健康预测模型中，预测得到滚动轴承下一时刻的滚动轴承健康度。在以下实施例中，在这之前，还利用方差-协方差权重分配法，确定健康预测模型中各子模型的权重，在更换设备和对象后，可采用如下方法确定新的权重分配：
其中，w1，w2，w3分别为自动回归模型、径向基神经网络模型、线性回归预测模型的权重，σ11，σ22，σ33分别为自动回归模型、径向基神经网络模型、线性回归预测模型的测误差方差，最后将计算好的权重重新在程序中更改即可，本实施例中对自动回归模型权重设置为0.3608，径向基神经网络模型的权重设置为0.1524，线性回归预测模型的权重设置为0.4868。
本实施例提供的一种燃机滚动轴承的健康评估方法，利用ICEEMDAN算法对原始振动信号进行分解重构，得到燃机滚动轴承的重构信号，并基于训练好的SVDD模型，得到重构信号每一采样点与健康信号的距离生成距离曲线，再对距离曲线进行平滑处理，得到平滑距离曲线，以更加直观表达出滚动轴承随时间变化，逐渐偏离健康信号、性能产生退化的程度；进一步可以据此量化出每一时刻的滚动轴承健康度，以判断滚动轴承的健康状况。本发明基于ICEEMDAN算法从原始振动信号中剔除高频干扰，获取到低频关键信息，实现了对燃机滚动轴承原始振动信号的分解重构，通过SVDD模型得到振动信号相对于健康信号的变化，能够更好量化滚动轴承的健康程度，去判断健康状态。
实施例2：
此外，本发明实施例1的健康评估方法也可以借助于图6所示的燃机滚动轴承的健康评估系统的架构来实现。如图6所示，该健康评估系统可以包括信号导入模块、数据预处理模块、距离曲线生成模块、健康度确定模块和健康状态评估模块；一些模块还可以有用于实现其功能的子单元。当然，图6所示的架构只是示例性的，在实现不同的功能时，根据实际需要，可以省略图6示出的系统中的一个或至少两个组件。
实施例3：
本实施例提供了一种燃机滚动轴承的故障诊断方法，如图7所示的流程图，该故障诊断方法包括以下步骤：
B1、执行前文的一种燃机滚动轴承的故障诊断方法。
B2、在滚动轴承的健康状态为故障时，根据重构信号确定最佳带通滤波器。具体到本实施例中，对重构信号进行快速峭度图的计算，从而确定重构信号的主要频率成分，根据主要频率成分可确定最佳带通滤波器。
B3、利用最佳带通滤波器，对重构信号进行带通滤波，得到滤波后的重构信号。
B4、根据滤波后的重构信号，确定得到包络谱。具体到本实施例中，对滤波后的重构信号进行Hilbert变换得到包络信号，并通过FFT求出包络谱。
B5、在理论特征频率集中确定得到与包络谱的特征频率相匹配的理论特征频率；理论特征频率集中包括滚动轴承的若干种故障种类，及每一故障种类对应的理论特征频率。本实施例使用LabView自带的快速傅里叶变换以及MATLAB程序对读取的重构信号进行频谱分析以及故障特征频率的提取。
B6、根据与包络谱的特征频率相匹配的理论特征频率，确定滚动轴承的故障种类。此外，还可以计算出重构信号的故障频率以及计算结果与理论值之间的误差。
本实施提供的一种燃机滚动轴承的故障诊断方法，在实施例1的健康评估方法的基础上，当确定滚动轴承处于故障状态时，对提取得到的重构信号滤波后提取包络谱的特征频率，据此在理论特征频率集中匹配到相应的理论特征频率，以确定该滚动轴承处于何种故障种类。本发明利用ICEEMDAN算法提取的重构信号进行包络谱的生成以及将其特征频率与理论特征频率相比，可以准确、快速的找出最贴合的理论特征频率及其对应故障种类
实施例4：
此外，本发明实施例1的方法也可以借助于图8所示的燃机滚动轴承的故障诊断系统的架构来实现。如图8所示，该故障诊断系统可以包括健康评估模块、滤波器确定模块、带通滤波模块、特征频率提取模块和故障诊断模块；一些模块还可以有用于实现其功能的子单元。当然，图8所示的架构只是示例性的，在实现不同的功能时，根据实际需要，可以省略图8示出的系统中的一个或至少两个组件。
本文中应用了具体个例，但以上描述仅是对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；本领域的技术人员应该理解，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种燃机滚动轴承的健康评估方法，其特征在于，包括：
获取燃机滚动轴承的原始振动信号；
基于ICEEMDAN算法，对所述原始振动信号进行分解，得到若干个分解信号；基于ICEEMDAN算法，对所述原始振动信号进行分解，得到若干个分解信号，具体包括：
利用ICEEMDAN算法对所述原始振动信号进行分解，剔除掉故障信号中的低频干扰部分，得到若干个IMF分信号和残差；
对所述残差进行噪声的自适应估计和减除；
判断所述IMF分信号是否满足预设条件；所述预设条件为所述IMF分信号中的高频信号明显易识别；
若是，则将若干个IMF分信号作为若干个所述分解信号；
若否，则跳转到步骤“对所述残差进行噪声的自适应估计和减除”；
根据若干个所述分解信号，确定得到燃机滚动轴承的重构信号；根据若干个所述分解信号，确定得到燃机滚动轴承的重构信号，具体包括：
计算得到每一分解信号的峭度值；
将若干个所述分解信号中峭度值大于峭度平均值的多个分解信号相加，得到重构信号；
基于训练好的SVDD模型，根据所述重构信号，生成距离曲线；所述距离曲线上每一个数据点表征所述重构信号每一采样点与健康信号的距离数值；
基于曲线平滑机制，对所述距离曲线进行平滑处理，得到平滑距离曲线；基于曲线平滑机制，对所述距离曲线进行平滑处理，得到平滑距离曲线，具体包括：
将所述距离曲线上的第三个数据点作为当前数据点；
将所述当前数据点与所述当前数据点前面相邻的两个数据点相加并求平均，得到三点均值；
依次将所述距离曲线上的下一个数据点作为当前数据点，重复“将所述当前数据点与所述当前数据点前面相邻的两个数据点相加并求平均，得到三点均值”，得到若干个三点均值；
针对若干个所述三点均值，进行单调性调整，得到平滑距离曲线；
根据下式得到三点均值：
其中，xi表示第i个数据点的数值，xi'表示根据数据点xi-2、数据点xi-1和数据点xi得到的三点均值，i为数据点的下标，n为所述距离曲线上数据点的数量；
根据下式对若干个所述三点均值，进行单调性调整：
其中，yi表示所述平滑距离曲线上第i个数据点的数值；
根据所述平滑距离曲线，确定得到滚动轴承每一时刻的滚动轴承健康度；根据下式确定得到滚动轴承健康度：
其中，hi为第i个数据点时刻的滚动轴承健康度，y’为所述平滑距离曲线上所有数据点的平均值；
根据当前时刻的所述滚动轴承健康度，确定得到所述滚动轴承的健康状态；所述滚动轴承的健康状态为健康、预警和故障中的任意一种。
2.根据权利要求1所述的一种燃机滚动轴承的健康评估方法，其特征在于，基于训练好的SVDD模型，根据所述重构信号，生成距离曲线，具体包括：
利用健康信号训练SVDD模型，得到训练好的SVDD模型；
将所述重构信号输入到所述训练好的SVDD模型中，得到所述燃机滚动轴承的距离曲线。
3.根据权利要求1所述的一种燃机滚动轴承的健康评估方法，其特征在于，所述方法还包括：
将所述滚动轴承前n个时刻的滚动轴承健康度输入到健康预测模型中，预测得到所述滚动轴承下一时刻的滚动轴承健康度；所述健康预测模型为自动回归模型、线性回归预测模型和径向基神经网络模型中至少两种子模型的混合模型。
4.根据权利要求3所述的一种燃机滚动轴承的健康评估方法，其特征在于，所述方法还包括：
利用方差-协方差权重分配法，确定所述健康预测模型中各子模型的权重。
5.一种燃机滚动轴承的故障诊断方法，其特征在于，包括：
执行如权利要求1-4任一项所述的燃机滚动轴承的健康评估方法；
在所述滚动轴承的健康状态为故障时，根据重构信号确定最佳带通滤波器；
利用所述最佳带通滤波器，对所述重构信号进行带通滤波，得到滤波后的重构信号；
根据所述滤波后的重构信号，确定得到包络谱；
在理论特征频率集中确定得到与所述包络谱的特征频率相匹配的理论特征频率；所述理论特征频率集中包括滚动轴承的若干种故障种类，及每一故障种类对应的理论特征频率；
根据与所述包络谱的特征频率相匹配的理论特征频率，确定所述滚动轴承的故障种类。
6.一种燃机滚动轴承的故障诊断系统，其特征在于，所述燃机滚动轴承的故障诊断系统在被计算机运行时，执行如权利要求5所述的燃机滚动轴承的故障诊断方法。
CN202311653396.5A 2023-12-05 2023-12-05 一种燃机滚动轴承的健康评估、故障诊断方法及系统 Active CN117629636B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202311653396.5A CN117629636B (zh) 2023-12-05 2023-12-05 一种燃机滚动轴承的健康评估、故障诊断方法及系统
GBGB2401500.0A GB202401500D0 (en) 2023-12-05 2024-02-05 Method and system for health assessment of rolling bearing of gas turbine and method and system for fault diagnosis of rolling bearing of gas turbine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311653396.5A CN117629636B (zh) 2023-12-05 2023-12-05 一种燃机滚动轴承的健康评估、故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN117629636A CN117629636A (zh) 2024-03-01
CN117629636B true CN117629636B (zh) 2024-05-24

Family

ID=90036184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311653396.5A Active CN117629636B (zh) 2023-12-05 2023-12-05 一种燃机滚动轴承的健康评估、故障诊断方法及系统

Country Status (2)

Country Link
CN (1) CN117629636B (zh)
GB (1) GB202401500D0 (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019179340A1 (zh) * 2018-03-19 2019-09-26 河北工业大学 基于eemd和msb的滚动轴承故障特征提取方法
US10558207B1 (en) * 2019-04-11 2020-02-11 Sas Institute Inc. Event monitoring system
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
AU2020103681A4 (en) * 2020-11-26 2021-02-04 Anhui University Of Technology Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value
CN113780056A (zh) * 2021-07-22 2021-12-10 山东科技大学 基于振动信号的滚动轴承故障诊断方法
CN114252266A (zh) * 2021-12-27 2022-03-29 上海应用技术大学 一种基于dbn-svdd模型的滚动轴承性能退化评估方法
CN114964777A (zh) * 2022-05-11 2022-08-30 盐城工学院 一种滚动轴承故障检测方法
CN115130495A (zh) * 2022-05-12 2022-09-30 哈尔滨工程大学 一种滚动轴承故障预测方法及系统
CN116502049A (zh) * 2023-06-25 2023-07-28 山东科技大学 滚动轴承剩余使用寿命预测方法、系统、设备及存储介质
DE202023106043U1 (de) * 2023-10-19 2023-11-24 Prashant Tiwari Selbstadaptives Vibrationssignalanalysesystem auf Basis der versteckten Komponentenzersetzung bei der Lagerfehlerdiagnose
CN117109923A (zh) * 2023-08-31 2023-11-24 河南科技大学 一种滚动轴承故障诊断方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210356361A1 (en) * 2020-05-15 2021-11-18 Deere & Company Fault detection technique for a bearing

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019179340A1 (zh) * 2018-03-19 2019-09-26 河北工业大学 基于eemd和msb的滚动轴承故障特征提取方法
US10558207B1 (en) * 2019-04-11 2020-02-11 Sas Institute Inc. Event monitoring system
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
AU2020103681A4 (en) * 2020-11-26 2021-02-04 Anhui University Of Technology Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value
CN113780056A (zh) * 2021-07-22 2021-12-10 山东科技大学 基于振动信号的滚动轴承故障诊断方法
CN114252266A (zh) * 2021-12-27 2022-03-29 上海应用技术大学 一种基于dbn-svdd模型的滚动轴承性能退化评估方法
CN114964777A (zh) * 2022-05-11 2022-08-30 盐城工学院 一种滚动轴承故障检测方法
CN115130495A (zh) * 2022-05-12 2022-09-30 哈尔滨工程大学 一种滚动轴承故障预测方法及系统
CN116502049A (zh) * 2023-06-25 2023-07-28 山东科技大学 滚动轴承剩余使用寿命预测方法、系统、设备及存储介质
CN117109923A (zh) * 2023-08-31 2023-11-24 河南科技大学 一种滚动轴承故障诊断方法及系统
DE202023106043U1 (de) * 2023-10-19 2023-11-24 Prashant Tiwari Selbstadaptives Vibrationssignalanalysesystem auf Basis der versteckten Komponentenzersetzung bei der Lagerfehlerdiagnose

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂装备滚动轴承的故障诊断与预测方法研究综述;赵磊;张永祥;朱丹宸;;中国测试;20200331(第03期);第17-25页 *

Also Published As

Publication number Publication date
CN117629636A (zh) 2024-03-01
GB202401500D0 (en) 2024-03-20

Similar Documents

Publication Publication Date Title
Yan et al. Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment
CN105275833A (zh) 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法
CN116624343B (zh) 一种风电机组塔筒异常振动监测及健康度评价方法及系统
CN108535635B (zh) 一种基于eemd和hmm的模拟电路间歇故障诊断方法
CN113033011B (zh) 一种船舶机械健康状态评估方法及系统
CN116933152B (zh) 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统
Shao et al. Detecting wind turbine anomalies using nonlinear dynamic parameters-assisted machine learning with normal samples
CN115409052A (zh) 一种数据失衡下风力发电机组轴承的故障诊断方法及系统
CN114662386A (zh) 一种轴承故障诊断方法及系统
CN117458955A (zh) 电机的运行控制方法及系统
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN115877205A (zh) 一种伺服电机的故障智能诊断系统及其诊断方法
CN117886241B (zh) 基于振动分析的塔式起重机自检系统
Yan et al. Investigations on generalized Hjorth's parameters for machine performance degradation assessment
Lv et al. A new performance degradation evaluation method integrating PCA, PSR and KELM
CN117629636B (zh) 一种燃机滚动轴承的健康评估、故障诊断方法及系统
CN117708542A (zh) 一种基于深度神经网络的设备故障诊断方法及系统
CN116383661A (zh) 离心泵故障诊断模型训练方法、故障诊断方法及装置
Yanqiang et al. A novel bevel gear fault diagnosis method based on ensemble empirical mode decomposition and support vector machines
Kini et al. Improved anomaly detection based on integrated multi-scale principal component analysis using wavelets: An application to high dimensional processes
Liu et al. Prognostics for rotating machinery using variational mode decomposition and long short-term memory network
Deng et al. A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring
CN114235408A (zh) 基于改进级联变分模态分解的轴承故障诊断方法及系统
Cao et al. Bearing remaining useful life prediction based on optimized support vector regression model with denoising technique
Song et al. Remaining life prediction of rolling bearings with secondary feature selection and BSBiLSTM

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