CN117686226A - 一种基于能量比和能量和的轴承自动故障诊断方法及系统 - Google Patents
一种基于能量比和能量和的轴承自动故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117686226A CN117686226A CN202410158516.2A CN202410158516A CN117686226A CN 117686226 A CN117686226 A CN 117686226A CN 202410158516 A CN202410158516 A CN 202410158516A CN 117686226 A CN117686226 A CN 117686226A
- Authority
- CN
- China
- Prior art keywords
- energy
- fault diagnosis
- bearing
- frequency
- ratio
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003993 interaction 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
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于能量比和能量和的轴承自动故障诊断方法及系统,通过计算轴承的加速度振动信号经过集合经验模态分解的分量、再经过FFT的能量和,以及计算轴承的加速度振动信号经过FFT的能量和,根据两者的比值筛选分量重构信号,运用轴承部件的能量比诊断轴承部件的故障,实现了自动识别轴承故障的功能。本发明替代了人工诊断,提高了诊断效率和识别结果的准确性,从而提高了系统的可靠性。本发明避免了轴承损坏导致设备停机、造成经济损失的后果。
Description
技术领域
本发明属于轴承故障诊断技术领域,具体涉及一种基于能量比和能量和的轴承自动故障诊断方法及系统。
背景技术
轴承作为广泛地应用于工业领域的部件,具有支撑平稳、结构紧凑的特点。对于流程行业而言,当轴承发生故障时造成的停机或停产会造成很大的经济损失。因此实时掌握轴承的运行状态,提前预知轴承故障对企业安全高效生产具有重大的意义。
在轴承发生故障时,轴承的振动信号会发生明显的变化,因此振动监测作为旋转机械状态检测的有效手段已被行业广泛接受。过去常用的办法是依靠专业技术人员识别轴承的故障信号,完成对轴承的故障诊断;但在大规模的系统中仅仅依靠人工识别的方式,存在效率低下、人员经验水平参差不齐,导致识别结果不准确、可靠性不高等问题。
发明内容
本发明要解决的技术问题是:提供一种基于能量比和能量和的轴承自动故障诊断方法及系统,用于自动识别轴承的故障。
本发明为解决上述技术问题所采取的技术方案为:一种基于能量比和能量和的轴承自动故障诊断方法,包括以下步骤:
S1:获取轴承的原始加速度振动信号;
S2:对原始加速度振动信号进行快速傅里叶变换,取快速傅里叶变换后一段频带的数据计算能量和;
S3:对原始加速度振动信号进行集合经验模态分解,得到各个基本模态分量;对每个分量进行快速傅里叶变换,取变换后与步骤S2相同频带的数据计算每个分量的能量和;
S4:计算步骤S3得到的每个分量的能量和与步骤S2得到的原始加速度振动信号FFT变换后的能量和的比值;
S5:将步骤S4计算的比值大于第一预设值的分量相加得到重构信号;对重构信号进行希尔伯特变换得到包络信号;对包络信号进行快速傅里叶变换得到包络谱数据;
S6:根据轴承部件的中心频率和预设的边带频率计算轴承部件的能量比;
S7:当能量比小于第二预设值时,判断该轴承部件出现故障,完成对轴承的故障诊断。
按上述方案,所述的步骤S2中,设Z为振动频率,T3为频率上限,T2为频率下限;f(Z)为T2到T3范围内所有幅值的平方和;则能量和的计算公式为:
。
按上述方案,所述的步骤S2和S3中,频带为[5K,10K]。
按上述方案,所述的步骤S5中,第一预设值为0.5。
按上述方案,所述的步骤S6中,设K为倍频数,T4为倍频上限,K=[1,T4],KX为中心频率,Y为边带频率,n为边带个数,f(.)为所对应频率的幅值;则能量比的计算公式为:
。
按上述方案,所述的步骤S6中,预设的边带频率为2Hz。
按上述方案,所述的步骤S6中,令轴承部件的特征频率为轴承部件的中心频率;轴承部件包括内圈、外圈、滚子和保持架。
按上述方案,所述的步骤S7中,第二预设值为2。
一种计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行一种基于能量比和能量和的轴承自动故障诊断方法。
一种基于能量比和能量和的轴承自动故障诊断系统,该系统包括处理器和存储器,其特征在于:所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现一种基于能量比和能量和的轴承自动故障诊断方法的步骤。
本发明的有益效果为:
1.本发明的一种基于能量比和能量和的轴承自动故障诊断方法及系统,通过计算轴承的加速度振动信号经过集合经验模态分解的分量、再经过FFT的能量和,以及计算轴承的加速度振动信号经过FFT的能量和,根据两者的比值筛选分量重构信号,运用轴承部件的能量比诊断轴承部件的故障,实现了自动识别轴承故障的功能。
2.本发明替代了人工诊断,提高了诊断效率和识别结果的准确性,从而提高了系统的可靠性。
3.本发明避免了轴承损坏导致设备停机、造成经济损失的后果。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的能量和HRS的算法示意图。
图3是本发明实施例的重构信号的包络谱图。
图4是本发明实施例的能量比HCR的算法示意图。
具体实施方式
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
参见图1,本发明实施例的一种基于能量比和能量和的轴承自动故障诊断方法,包括以下步骤:
S1:运用采集器、传感器等设备获取某个故障轴承的原始加速度振动信号,转速为1800r/min。
S2:对原始加速度振动信号进行FFT变换(快速傅里叶变换),取FFT变换后【5K,10K】的数据计算能量和HRS;设Z为振动频率,T3为频率上限,T2为频率下限;f(Z)为T2到T3范围内所有幅值的平方和,则能量和HRS的计算方式如公式(1)所示,算法示意图如图2所示。
(1)。
S3:对原始加速度振动信号进行EEMD分解(集合经验模态分解),得到各个基本模态分量IMF。
S4:对每个分量IMF进行FFT变换,取变换后5K到10K的数据计算每个分量IMF的能量和HRS_IMF;
S5:计算步骤S4得到的每个分量的能量和HRS_IMF与步骤S2得到的原始加速度振动信号FFT变换后的能量和HRS的比值HRS_IMF_Ratio,如表1所示。
表1 每个分量与原始信号能量和的比值
S6:由表1可知,分量IMF1和分量IMF2的HRS_IMF_Ratio大于0.5,所以将分量信号IMF1和IMF2相加得到重构信号。
S7:对重构信号进行希尔伯特变换,得到包络信号;
S8:对包络信号进行FFT变换,得到重构信号的包络谱,如图3所示。
S9:设K为倍频数,T4为倍频上限,K=[1,T4],KX为中心频率,Y为边带频率,n为边带个数,f(.)为所对应频率的幅值,则能量比HCR的计算公式为:
(2)。
令轴承的内圈特征频率BPFI、外圈特征频率BPFO、滚子特征频率BSF、保持架特征频率FTF分别为对应轴承部件的中心频率,边带频率为2Hz;分别计算轴承的内圈、外圈、滚子和保持架的能量比HCR,如表2所示。
表2 轴承部件能量比
HCR的算法示意图如图4所示。
S10:当HCR<2时,判断该轴承部件出现故障,完成对轴承的故障诊断。
由表2可知,内圈的能量比HCR小于2,所以轴承内圈出现了故障。通过图3也可知道轴承内圈出现了故障,由此完成了对轴承的自动诊断。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例2
本实施例的一种基于能量比和能量和的轴承自动故障诊断系统,包括传感器、控制器、人机交互界面和存储介质,存储介质内存储有可被计算机处理器执行的计算机程序,用于执行实施例1的一种基于能量比和能量和的轴承自动故障诊断方法的步骤。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (10)
1.一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:包括以下步骤:
S1:获取轴承的原始加速度振动信号;
S2:对原始加速度振动信号进行快速傅里叶变换,取快速傅里叶变换后一段频带的数据计算能量和;
S3:对原始加速度振动信号进行集合经验模态分解,得到各个基本模态分量;对每个分量进行快速傅里叶变换,取变换后与步骤S2相同频带的数据计算每个分量的能量和;
S4:计算步骤S3得到的每个分量的能量和与步骤S2得到的原始加速度振动信号FFT变换后的能量和的比值;
S5:将步骤S4计算的比值大于第一预设值的分量相加得到重构信号;对重构信号进行希尔伯特变换得到包络信号;对包络信号进行快速傅里叶变换得到包络谱数据;
S6:根据轴承部件的中心频率和预设的边带频率计算轴承部件的能量比;
S7:当能量比小于第二预设值时,判断该轴承部件出现故障,完成对轴承的故障诊断。
2.根据权利要求1所述的一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:所述的步骤S2中,设Z为振动频率,T3为频率上限,T2为频率下限;f(Z)为T2到T3范围内所有幅值的平方和;则能量和的计算公式为:
。
3.根据权利要求1所述的一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:所述的步骤S2和S3中,频带为[5K,10K]。
4.根据权利要求1所述的一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:所述的步骤S5中,第一预设值为0.5。
5.根据权利要求1所述的一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:所述的步骤S6中,设K为倍频数,T4为倍频上限,K=[1,T4],KX为中心频率,Y为边带频率,n为边带个数,f(.)为所对应频率的幅值;则能量比的计算公式为:
。
6.根据权利要求1所述的一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:所述的步骤S6中,预设的边带频率为2Hz。
7.根据权利要求1所述的一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:所述的步骤S6中,令轴承部件的特征频率为轴承部件的中心频率;轴承部件包括内圈、外圈、滚子和保持架。
8.根据权利要求1所述的一种基于能量比和能量和的轴承自动故障诊断方法,其特征在于:所述的步骤S7中,第二预设值为2。
9.一种计算机存储介质,其特征在于:其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行如权利要求1至权利要求8中任意一项所述的一种基于能量比和能量和的轴承自动故障诊断方法。
10.一种基于能量比和能量和的轴承自动故障诊断系统,其特征在于:该系统包括处理器和存储器,其特征在于:所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如权利要求1至权利要求8中任意一项所述的一种基于能量比和能量和的轴承自动故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410158516.2A CN117686226B (zh) | 2024-02-04 | 2024-02-04 | 一种基于能量比和能量和的轴承自动故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410158516.2A CN117686226B (zh) | 2024-02-04 | 2024-02-04 | 一种基于能量比和能量和的轴承自动故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117686226A true CN117686226A (zh) | 2024-03-12 |
CN117686226B CN117686226B (zh) | 2024-04-16 |
Family
ID=90133846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410158516.2A Active CN117686226B (zh) | 2024-02-04 | 2024-02-04 | 一种基于能量比和能量和的轴承自动故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117686226B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111476339A (zh) * | 2020-04-20 | 2020-07-31 | 山东师范大学 | 滚动轴承故障特征提取方法、智能诊断方法及系统 |
CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
CN114636556A (zh) * | 2022-03-15 | 2022-06-17 | 南京凯奥思数据技术有限公司 | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 |
CN114739674A (zh) * | 2022-05-06 | 2022-07-12 | 南京凯奥思数据技术有限公司 | 轴承故障诊断方法、系统、电子设备及存储介质 |
CN115186701A (zh) * | 2022-06-15 | 2022-10-14 | 西门子(中国)有限公司 | 轴承寿命预测方法、装置、电子设备及存储介质 |
CN115293188A (zh) * | 2022-03-01 | 2022-11-04 | 南京凯奥思数据技术有限公司 | 一种用于往复机械设备的故障诊断方法和装置 |
CN116429426A (zh) * | 2023-03-17 | 2023-07-14 | 华南理工大学 | 一种多域特征融合的轴承故障诊断方法、装置及介质 |
-
2024
- 2024-02-04 CN CN202410158516.2A patent/CN117686226B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111476339A (zh) * | 2020-04-20 | 2020-07-31 | 山东师范大学 | 滚动轴承故障特征提取方法、智能诊断方法及系统 |
CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
CN115293188A (zh) * | 2022-03-01 | 2022-11-04 | 南京凯奥思数据技术有限公司 | 一种用于往复机械设备的故障诊断方法和装置 |
CN114636556A (zh) * | 2022-03-15 | 2022-06-17 | 南京凯奥思数据技术有限公司 | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 |
CN114739674A (zh) * | 2022-05-06 | 2022-07-12 | 南京凯奥思数据技术有限公司 | 轴承故障诊断方法、系统、电子设备及存储介质 |
CN115186701A (zh) * | 2022-06-15 | 2022-10-14 | 西门子(中国)有限公司 | 轴承寿命预测方法、装置、电子设备及存储介质 |
CN116429426A (zh) * | 2023-03-17 | 2023-07-14 | 华南理工大学 | 一种多域特征融合的轴承故障诊断方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117686226B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107631877B (zh) | 一种针对机匣振动信号的滚动轴承故障协同诊断方法 | |
CN105806613A (zh) | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN113326636B (zh) | 一种远海海上风电场时序出力曲线快速生成方法及系统 | |
CN103900815A (zh) | 一种基于eemd和分布拟合检验的滚动轴承故障诊断方法 | |
CN117686226B (zh) | 一种基于能量比和能量和的轴承自动故障诊断方法及系统 | |
CN114742111B (zh) | 基于参数自适应特征模态分解故障诊断方法和系统 | |
Mauricio et al. | Vibration-based condition monitoring of helicopter gearboxes based on cyclostationary analysis | |
CN115876507A (zh) | 基于换流阀冷却系统的故障诊断系统 | |
CN114061947B (zh) | 基于稀疏时频分析的齿轮箱变转速故障诊断方法及系统 | |
CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN112345250B (zh) | 轴承振动监控方法及其系统及计算机可读存储介质 | |
CN117113200A (zh) | 转子故障诊断方法、装置、电子设备及介质 | |
Fa-jun et al. | Compound fault diagnosis of gearbox based on wavelet packet transform and sparse representation classification | |
Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
Wang et al. | A hybrid approach to bearing defect diagnosis in rotary machines | |
CN115795292B (zh) | 一种基于LabVIEW的铣齿机主轴箱故障诊断系统及方法 | |
Si et al. | Fault diagnosis of wind turbine planetary gearbox based on hht and structure resonance demodulation | |
CN110836770A (zh) | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 | |
Ma et al. | Stator fault detection of doubly-fed induction generators using rotor instantaneous power spectrum | |
CN114371007A (zh) | 基于包络谱的风电机组轴承故障诊断方法及设备 | |
Zhihao et al. | Rubbing fault diagnosis of rotary machinery based on wavelet and support vector machine | |
Shi et al. | Vibration fault diagnosis method for planetary gearbox of wind generating set based on EEMD | |
Fan et al. | Diagnosis for gear tooth surface damage by empirical mode decomposition in cyclic fatigue test | |
CN117150350A (zh) | 基于自适应iceemdan降噪的轴承故障诊断方法及系统 |
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 |