CN117836599A - 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 - Google Patents
检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 Download PDFInfo
- Publication number
- CN117836599A CN117836599A CN202280056166.8A CN202280056166A CN117836599A CN 117836599 A CN117836599 A CN 117836599A CN 202280056166 A CN202280056166 A CN 202280056166A CN 117836599 A CN117836599 A CN 117836599A
- Authority
- CN
- China
- Prior art keywords
- defect
- bearing
- frequency
- defects
- spectral
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000012544 monitoring process Methods 0.000 title claims description 9
- 230000003595 spectral effect Effects 0.000 claims abstract description 89
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000005096 rolling process Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 6
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 12
- 230000010354 integration Effects 0.000 description 8
- 238000010183 spectrum analysis Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
- 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
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/042—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by using materials which expand, contract, disintegrate, or decompose in contact with a fluid
- G01M3/045—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by using materials which expand, contract, disintegrate, or decompose in contact with a fluid with electrical detection means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
根据一方面,本发明涉及一种用于检测旋转系统的轴承中的缺陷的方法(100),一种用于检测旋转系统的轴承中的缺陷的方法(100),包括以下步骤:a)获取(110)轴承位置信号θ[n]、轴承的振动信号x[n]以及轴承的理论特征向量(Vthe=[BPFOthe,BPFIthe,BSFthe,FTFthe,SRF]);b)确定(120)振动信号的确定性部分并去除所述确定性部分以根据位置信号获得残差信号r[n];c)根据理论特征向量计算(130)缺陷频率的下界V下=[BPFO下,BPFI下,BSF下,FTF下,SRF]和缺陷频率的上界VHi=[BPFOHi,BPFIHi,BSFHi,FTFHi,SRF];d)根据振动信号计算(140)频谱相干性以及频谱相干性幅值的平方根据频谱相干性幅值的平方和缺陷频率的下界和上界,计算(150)轴承的当前特征向量(Vact=[BPFOact,BPFIact,BSFact,FTFact,SRF]);f)确定(160)缺陷的频谱循环对比度EBPFO(fk)、EBPFI(fk)、EBSF(fk)、EFTF(fk);g)通过计算与缺陷 相关的积分加权循环相干性,精确识别(170)位于窄频带中的感兴趣识别标志;h)操作员确定(180)可解释的诊断指标。
Description
技术领域
本发明涉及一种用于检测旋转系统的轴承(例如航空涡轮发动机的轴承)中的缺陷的方法。
本发明应用于监测诸如风力涡轮或汽车发动机或电机的轴承等轴承上的磨损领域。特别是,它在航空航天工业中用于监测涡轮发动机旋转系统的轴承。
背景技术
在工业领域,特别是在航空领域,轴承(例如滚珠轴承或滚柱轴承)通常需要接受特定的监控,以便在早期阶段检测到任何损坏或磨损。轴承是例如涡轮喷气发动机、压缩机、推力反向器等各种设备中承受最高应力和关键的机械部件的一部分。轴承的过早磨损或意外故障会影响设备的运行安全,在某些情况下,甚至影响到用户的安全。因此,有必要监测由多个旋转元件(燃烧棒、轴承、齿轮、风扇等)组成的复杂设备的健康状况,特别是轴承的健康状况,以便尽早发现缺陷或损坏的出现。
一般来说,有缺陷的轴承的运行,特别是在航空发动机和变速箱中,以脉冲信号为特征。然而,该脉冲信号经常被大量噪声产生源的存在所掩盖,导致信噪比非常低。以飞机为例,振动信号主要由空气动力噪声以及因此飞机其他旋转部件(例如压气机、风扇、涡轮、齿轮等)产生的干扰主导。这种干扰使得通过它的振动信号检测轴承缺陷变得困难。
由于轴承缺陷的检测是一个关键问题,因此已经考虑或设计了许多方法来尝试尽可能有效地检测轴承的任何缺陷或损坏。多个专利文献提供了不同的检测技术。具体地,专利文献EP1970691 A1提供了一种用于检测支撑发动机的至少一个旋转轴的轴承的损坏的方法,其中限定了与发动机低速运行下的可再生活动期间的轴转速范围相对应的测量周期。该方法然后包括在整个测量周期内获取振动加速度信号,然后在测量周期内根据电机旋转速度对振动信号进行采样,然后将采样的振动信号转换成频率信号,以获得根据轴的旋转速度排序的频谱频率线,然后对频谱线的幅度进行平均,确定损坏转子的理论频率的倍数附近的幅度峰值,计算每个幅度峰值与健康轴承的完整振幅水平的比率,并将获得的比率与至少一个预定的损坏阈值进行比较。该方法的缺点是基于信号频谱分析。然而,众所周知,对信号频谱的简单分析并不是检测轴承缺陷的合适方法,特别是当信噪比非常低时,如航空航天业的情况。
专利文献CN 106771598 A描述了一种用于检测轴承缺陷的方法,其中在轴速度N变化的测量周期P内获取来自发动机部件的机械振动信号。然后该方法包括在周期P期间对信号进行采样,然后同步速度N的变化和信号,将信号转换为频率信号以获得根据速度N排序的谱线,计算谱线的幅度的平均值以获得发动机的当前振动识别标志,计算测量识别标志与参考声音振动识别标志之间的偏差率,并将偏差率与列出发动机轴承的理论损坏的预先建立的数据库中的缺陷指标进行比较,以便确定对所述轴承的潜在损坏。然而,与之前的方法一样,该方法基于信号频谱分析,这必然会失败,尤其是在非常嘈杂的环境中。
专利文献EP 2693176A1描述了一种通过振动分析检测轴承中的缺陷的方法。该方法基于信号预处理以及随后的包络分析。该预处理的目的是将确定性部分与随机部分分开并改善信号的脉冲性。一旦计算出包络谱,概率方法用于解决缺陷频偏问题。因此,基于包络中的缺陷频率的谐波的幅度之和的指标被提供作为诊断指标。然而,预处理技术的计算成本很高,并且很大程度上依赖于定义为输入参数的参数。
专利文献CN 104236908B描述了一种通过振动分析来检测轴承中的缺陷的方法。该方法基于使用调制强度分布对振动信号进行循环平稳分析。该方法的缺点是在提取缺陷描述符之前需要计算矩阵。它还具有没有处理缺陷频率偏差问题的缺点。
专利文献EP 1970691A1还描述了一种通过振动分析来检测轴承中的缺陷的方法。该方法包括计算频谱图输出。特别地,频谱图中的频率变量由被监测的轴承所承载的旋转轴的阶次所取代。然后计算相对于时间的平均值,并将缺陷频率(及其倍数)与轴承健康的参考案例进行比较。由于诊断信息是通过1阶频谱分析获得的,因此其有效性仅限于明确定义的应用。
专利文献CN 105092249A描述了一种使用振动分析来检测轴承缺陷的方法。该方法涉及设计伽柏(Gabor)滤波器,其参数(中心频率和带宽)经过优化,以最大化滤波信号的范数指数。然后根据滤波后的信号计算包络自相关谱。诊断信息可以在此分布中找到。该方法基于振动信号预处理后的包络分析,其缺点是成本昂贵,特别是由于预处理。它还有一个缺点,就是没有处理偏离特征频率的问题。
专利文献CN 104655423A描述了一种通过振动分析检测轴承缺陷的方法。该方法基于时-频域中缺陷描述符的融合。它涉及计算健康案例和包含不同类型缺陷的案例的时频分布。消除了分布之间的冗余,仅保留使操作员能够做出判断的独特描述符。然而,这种方法需要包含所有类型缺陷的数据库,这在航空领域很少有。此外,该方法的计算成本较高。
专利文献CN106771598 A描述了一种使用循环平稳分析来检测轴承缺陷的方法。该方法使用循环相干性及其积分版本来提取由缺陷谐波之和组成的指标。该方法的缺点是在航空振动信号的情况下,信噪比非常低的缺陷的可检测性相对较低。
一些实际困难使市场监测方法的有效性受到质疑。基于频谱分析或包络分析的传统方法通常无法检测识别标志较弱(即信噪比低)的缺陷。这会导致缺陷检测失败,或者最好的情况是导致延迟检测缺陷。其它更有效的方法基于源分离技术。然而,这些方法计算起来特别耗时,导致计算成本很高,无法实时实现。其它方法使用复杂的循环平稳方法在缺陷识别标志较低时执行检测。然而,这些方法没有考虑到可能的轴承打滑以及损坏通常伴随着摩擦的事实,这往往会减慢损坏元件的旋转速度;因此,他们没有考虑到实际缺陷频率可能与计算的理论值不同的事实。
因此,确实需要一种能够在信噪比较低时检测轴承缺陷并考虑轴承滑动和摩擦的潜在现象的方法。
发明内容
针对上述在低信噪比时检测轴承缺陷的问题,申请人提供了一种在非常嘈杂的环境中检测轴承缺陷的方法,该方法基于对由一个或多个加速度计捕获的振动信号进行先进的循环平稳分析。该方法可以对信号进行去噪,估计轴承缺陷的实际频率,使用循环平稳分析来分析信号,即使在信噪比很小的情况下也能获得缺陷识别标志,并计算给出关于轴承健康状况的信息的诊断指标。
根据第一方面,本发明涉及一种用于检测旋转系统的轴承中的缺陷的方法,包括以下步骤:
-获取轴承位置信号、轴承振动信号和轴承理论特征向量;
-确定振动信号的确定性部分并去除所述确定性部分以获得基于位置信号的残差信号;
-根据理论特征向量计算缺陷频率的上下界;
-根据振动信号计算频谱相干性和频谱相干性幅值的平方;
-根据频谱相干性幅值的平方和缺陷频率的下界和上界计算轴承的当前特征向量;
-确定缺陷的频谱循环对比度;
-通过计算与缺陷相关的加权积分循环相干性来精确识别感兴趣的识别标志;
-确定操作员易于解释的诊断指标。
该方法的优点是能够检测非常弱的识别标志,即具有非常低的信噪比,以能够考虑与轴承环境相关的空气动力和机械干扰。该方法还具有高度自动化且几乎不需要用户干预的优点。
在说明书中,“缺陷”是指诸如滚珠轴承或滚柱轴承的轴承的一个或多个元件的任何损坏或磨损。
此外,标记为的“识别标志”是指由振动信号生成并通过对振动信号应用某些变换(例如傅立叶变换、包络谱、谱相关性等)来揭示的频率集。
除了在前一段中刚刚讨论的特征之外,根据本发明的一个方面的用于检测轴承缺陷的方法可以具有单独考虑或根据任何技术上可能的组合考虑的以下特征中的一个或多个附加特征:
-缺陷包括四种类型的缺陷,以及针对每种类型的缺陷确定的缺陷频率和缺陷识别标志。
-这四种缺陷是:外圈缺陷、内圈缺陷、滚动体缺陷和保持架缺陷。
-步骤e)包括,针对每种类型的缺陷,估计与下界和上界之间的与最可能频率相对应的当前缺陷频率。
-步骤f)包括,对于每种类型的缺陷,确定缺陷识别标志的对比度,然后将该对比度应用于频谱相干性的幅值的平方。
-步骤g)包括,对于每种类型的缺陷,确定与所述缺陷相关联的权重,然后计算所述缺陷的加权积分循环一致性。
-对于每种类型的缺陷,诊断指标包括加权积分循环相干性中感兴趣的识别标志的对比度、残余信号的包络频谱中感兴趣的识别标志的对比度以及感兴趣的识别标志的相关性指标。
-每个诊断指标都通过一个值来量化,在不存在缺陷的情况下所述值接近于零。
步骤c)在步骤b)之前、步骤d)之后或与步骤b)或d)同时进行,下界和上界是步骤e)的输入数据。
根据另一方面,本发明涉及一种用于监测飞行器的健康状况的系统,其特征在于,其包括实施如先前所定义的方法的装置。
附图说明
通过阅读附图所示的以下描述,本发明的其它优点和特征将变得显而易见,其中:
图1以功能图的形式示出了根据本发明的用于检测轴承缺陷的方法的不同操作的示例。
图2表示轴承及其几何特性的示例的示意性剖视图。
图3表示通过图1的方法的第一操作获得的原始、确定性和随机信号的示例;
图4表示通过图1的方法中的频谱相干性计算操作获得的信号的示例;
图5表示通过图1的方法中确定频谱循环对比度的操作获得的信号的示例;
图6表示通过图1的方法的计算频谱相干性、积分以及积分和加权的操作获得的信号的示例。
图7表示作为在图1的方法结束时针对四种类型的缺陷获得的诊断指标的信号的示例。
详细说明
参考附图,下面详细描述适用于非常嘈杂的环境的用于检测轴承缺陷的方法的示例性实施例。该实施例说明了本发明的特征和优点。然而,本发明不限于该示例。
在附图中,相同的元件由相同的附图标记标识。出于易读性的原因,不考虑所表示元素之间的尺寸比例。
根据本发明的用于检测轴承中的缺陷的方法100包括七个操作或阶段,在图1中标记为120至180。其还包括获取用于该方法的输入数据的初步操作110。该输入数据通过使用一个或多个传感器(在恒定或可变操作条件下)进行测量或通过理论计算获得,包括轴承相对于安装有轴承的旋转系统的旋转轴的位置信号,轴承的振动信号和所述轴承的理论特征向量。位置信号是来自例如位置传感器(例如编码器或转速计)的信号,并且携带关于参考轴的角位置的信息,从该信息可以推导出轴承轴的位置。
测量传感器可以是,例如位置传感器、加速度计、麦克风、应变计、激光测微计和/或任何其他振动或声学传感器。在一个实施例中,加速度计安装在旋转系统的固定部分上,并且位置传感器安装在所述旋转系统的参考轴附近以测量所述系统的旋转。因此,这些传感器和加速度计可以在准静态速度范围内获取振动信号和位置信号。它们可以以数字形式保存,例如保存在数据库中,然后传输到数据处理设备(例如计算机),无论是否在飞行器上。
轴承的动力学,即所述轴承的理论特征向量,可以从轴承的几何尺寸理论上计算出来。实施本发明的方法所需的轴承的不同尺寸和特性的示例在图2中示出。提醒一下,轴承包括同轴的内圈和外圈,在它们之间旋转的滚动元件(通常是滚珠或滚柱),由保持架间隔开。在说明书的其余部分中,滚珠、滚柱或旋转元件将可互换地使用,应当理解,这些是容纳在两个同轴环之间的旋转元件。在图2的例子中,轴承的节圆直径,即外圈直径和内圈直径之间的平均直径,称为Dp;轴承内部的滚珠或滚动体的直径称为DB;滚动体的接触角,即滚动体的旋转轴线与旋转轴的轴线之间的夹角,称为β;滚动体(例如滚珠)的数量称为NB。轴承的运动学由四个理论特征频率定义:
外圈缺陷频率(滚珠通过外圈频率("Ball-Pass Frequency on the Outer RaceFrequency):BPFOthe");
内圈缺陷频率(滚珠通过内圈频率“Ball-Pass Frequency on the Inner racefrequency:BPFIthe");
滚珠缺陷频率(滚珠旋转频率(Ball Spin Frequency)(BSFthe);和
保持架缺陷频率(故障系列频率("Failure Train Frequency):FTFthe"),保持架是滚动体在其中运行的轴承的外壳或壳体。
如果SRF是被视为参考轴的轴承轴的旋转频率(轴旋转频率),并且如果SRF以每转事件数(evt/rev)表示,则轴承的理论特征频率,它定义轴承的理论特征向量可按下式计算:
外圈故障频率:
内圈故障频率:
滚珠缺陷频率:
保持架缺陷频率:
步骤120:在步骤110中获取输入数据之后,检测方法100包括分离先前获取的振动信号的确定性部分的操作120,即用于确定并去除该确定性部分以获得残差信号。在该步骤中,也称为操作,并且在该方法的其余部分中,将振动信号(其为时间信号)记为x[n];位置信号记为θ[n];轴承的理论特征向量记为Vthe,其分量为BPFOthe,BPFIthe,BSFthe,FTFthe,SRF。
分离振动信号的确定性部分的操作120包括确定所述振动信号的确定性部分并然后消除所述振动信号的确定性部分。来自缺陷轴承的振动信号具有随机循环平稳性质,其特征是与缺陷相关的隐藏周期性,可能会被与轴承缺陷无关的振动现象(例如齿轮缺陷、轴不对齐和不平衡)产生的确定性信号所掩盖。为了建立准确的诊断,重要的是消除这些与轴承缺陷无关的振动现象可能产生的任何确定性信号,使得它们不会掩盖轴承缺陷的识别标志而扭曲诊断。
需要说明的是,利用位置信号θ[n]将时间信号x[n]变换到角度域,得到角度信号x[θ]。该过程对于本领域技术人员来说被称为角度重采样。由于信号x[θ]是数字信号,因此选择用n代替θ;这给出了x[n]。然后通过使用如下定义的滤波器hi对信号x[n]进行滤波来计算残差信号。卷积的结果产生残差信号r[n],其中: 在绝大多数应用中,旋转系统的旋转速度可能波动或变化。因此选择用角度而不是时间来定义振动信号的确定性部分的周期性。为此,使用位置信号或例如由旋转系统的参考轴之一上的传感器设施测量的速度信号以角度对以时间信号形式获取的振动信号进行重新采样。频率的概念将被顺序的概念所取代。阶数(order)表示参考轴每转的事件数,其单位用[evt/rev]表示。例如,分量的阶数2相当于参考轴的旋转频率的两倍。重采样信号在由角分辨率Δθ=θref/Nrev等间隔的角时刻上以数字方式表示,其中θref表示参考轴的完整角旋转,Nrev表示每次参考旋转的点数。为了避免折叠,必须满足以下条件:Nrev=ceil(Fs/min(fref(t)))。其中ceil是内容四舍五入到较大整数,fref(t)是参考轴的瞬时旋转频率,Fs是采样频率。重采样后,振动信号xi变为xi=x(iΔθ)并且是在N个样本上定义的角域中的振动信号。
在本发明描述的方法中,应用了无监督方法,其使得所有旋转系统都能够被监测,尤其是其中所有旋转部件的运动学不一定可获取的复杂旋转系统。为了实现这一点,提出应用SANC方法的频率版本,也称为“频域噪声消除”。SANC方法的原理及其频域版本是已知的,并在以下文档中进行了解释,该文档引入本文作为参考:Antoni,R.B.Randall,振动信号的无监督噪声消除:第二部分-一种新颖的频域算法,机械系统和信号处理,第18卷,第1期,2004年,第103-11页(Antoni,R.B.Randall,Unsupervised noise cancellation forvibratory signals:part II-A novel frequency-domain algorithm,MechanicalSystems and Signal Processing,Volume 18,Issue 1,2004,Pages 103-11)。该SANC方法包括使用有限数量的过去时刻[n-Δ-i],i=0…Nf-1找到信号x[n]的预测变量其中Nf是滤波器的长度,Δ使得对于所有|m|>Δ,Rxx[m]=E{r[n]r[n-m]}=0。该问题的最优解由以下线性回归给出(相当于线性时间-不变滤波(time-invariant linear filter)),其中hi表示滤波器的第i个系数:
随机部分可以推导出如下:
估计滤波器系数以最小化平方误差。该滤波器在频域中的良好估计量由以下等式给出:
其中,Xk(f)和是在M≥Nf上计算的xk[n]和/>的离散傅里叶变换,xk[n]=x[n+kT].wN[n],其中wN[n]是大小为N的加权窗口,并且其中/> 时间滤波器可以通过对M个点应用离散傅里叶逆变换来获得。得到的时间滤波器如下:
请注意,滤波器的有效长度是Nf而不是M,M用于加速计算(特别是通过快速傅立叶变换(FFT)算法)。
从上面可以看出,用于分离确定性部分的操作120使用在步骤110中测量的时间振动信号x[n]和位置信号θ[n]来生成随机残差信号r[n]。它还使用诸如样本数量中的延迟Δ和样本数量中的滤波器长度Nf等参数。这些参数可以由操作员设置,也可以默认定义为(其中Nrev是参考树每个周期的角度样本数)和/>
在步骤110中获取的原始振动信号的示例、振动信号的确定性部分的示例和通过应用用于分离确定性部分的操作120获得的随机残差信号的示例分别表示为图3部分A、部分B和部分C。以部分A表示的原始振动信号显示了一些与轴承以外的旋转系统元件缺陷(例如齿轮缺陷)相关的脉冲。确定性信号,即振动信号的确定性部分,在图3的部分B清楚地显示了这些脉冲,从而指示了啮合周期。在操作120结束时获得的随机残余信号在图3的部分C上清楚地示出了由外圈缺陷生成的脉冲。通过比较部分A和部分C,可以看出外圈缺陷被原始振动信号中的确定性信号完全掩盖。因此,操作120使得可以突出显示轴承缺陷特有的振动信号。
步骤130:方法100然后包括用于计算缺陷频率界限的操作130。人们普遍认为,轴承缺陷频率会受到运动过程中接触角变化所产生的偏差的影响。因此,实际的缺陷频率与理论计算的缺陷频率有很大不同。因此,估计轴承缺陷频率中的不确定性区间是有用的,这些区间的估计对应于针对每个缺陷频率,计算缺陷频率的下界和上界。为此,我们指定∈为保持架缺陷频率的不确定性,根据保持架缺陷频率的不确定性∈并基于其它轴承元件的缺陷频率与保持架的缺陷频率之间的线性关系,估计四种轴承缺陷频率(外圈缺陷、内圈缺陷、保持架缺陷和滚珠缺陷)的不确定性区间(u下界和上界)。更准确地说,轴承元件的特征频率作为保持架缺陷频率(FTF)的函数,表示如下:
-外圈缺陷频率(BPFO):
BPFO=NbFTF。
内圈缺陷频率(BPFI):
BPFI=Nb(1-FTF)。
滚珠或其它滚动体缺陷频率(BSF):
根据以上公式,轴承缺陷频率的不确定区间计算如下:
BPFO频率不确定性区间:
IBPFO=[BPFO下;BPFOHi]=[BPFOthe(1-∈);BPFOthe(1+∈)]。
BPFI频率不确定区间:
IBPFI=[BPFI下;BPFIHi]=[BPFIthe-∈.BPFOthe;BPFIthe+∈.BPFOthe]。
BSF频率不确定区间:
IBSF=[BSF下;BSFHi]=[BSFthe(1-∈);BSFthe(1+∈)]。
频率不确定度区间FTF:
IFTF=[FTF下;FTFHi]=[FTFthe(1-∈);FTFthe(1+∈)]。
对于四个缺陷频率中的每一个,用于计算频率界限的操作130需要轴承的理论特征向量作为输入数据:Vthe=[BPFOthe,BPFIthe,BSFthe,FTFthe,SRF]作为输入数据,生成下界V下=[BPFO下,BPFI下,BSF下,FTF下,SRF]和上界VHi=[BPFOHi,BPFIHi,BSFHi,FTFHi,SRF]。该操作130使用关于保持架缺陷的频率的不确定性ε和以样本数量表示的滤波器的长度Nf作为参数。不确定性参数∈参数可以由操作员预定义或默认设置为0.03。
应当注意,轴承特征向量是用户配置的输入,包括被监测的轴承的特征频率。每个轴承由四个特征频率定义,即由其旋转频率定义。用于外圈故障、内圈故障、滚珠故障和保持架故障的这些频率使用本领域技术人员已知的和先前参考的公式来计算。
刚刚描述的操作120和130可以以任何顺序相继执行,或者如果数据处理设备允许则同时执行。
步骤140:方法100然后包括用于计算频谱相干性的操作140,其在用于分离振动信号的确定性部分的操作120之后执行。频谱相干性是基于残差信号定义的复量,如下所述。操作140使用在操作110期间确定的重采样(以角度)振动信号作为输入数据。它还使用角度偏移R、窗口大小Nw、关于保持架缺陷频率的不确定性ε和滤波器的长度Nf(以样本数为单位)作为参数。角度偏移R和窗口尺寸Nw可以由操作员设置或默认定义。当设置为默认值时:
-Nw=nextpow2(25*Nrev)。
其中Hd和Hm,指代所考虑的识别标志中的缺陷谐波的数量和侧线对的数量,值分别为6和3。
科学界广泛接受轴承缺陷信号的性质是循环平稳的(2阶)。循环平稳方法已被证明可以有效地检测和识别轴承缺陷。许多研究都集中在不同的二阶统计工具上,例如包络平方谱、频谱相关性、频谱相干性和积分频谱相干性。这些不同的工具在以下文献中有特别描述:(1)循环频谱分析实践,机械系统和信号处理,第21卷,第2期,2007年,第597-630页,ISSN 0888-3270(/>Cyclic spectral analysis in practice,Mechanical Systems and Signal Processing,Volume 21,Issue 2,2007,Pages 597-630,ISSN 0888-3270);(2)J.Antoni,滚动轴承信号的循环频谱分析:事实与虚构,声音与振动杂志304(2007)497-529(J.Antoni,Cyclic spectral analysis of rolling-elementbearing signals:Facts and fictions,Journal of Sound and Vibration 304(2007)497-529);(3)Antoni J.,循环平稳性举例,机械系统和信号处理,23(2009)987-1036(Antoni J.,Cyclostationarity by examples.Mech.Syst.and Sign.Proc.23(2009)987-1036)。
由于这些原因,频谱相干性的幅度是揭示轴承缺陷症状的重要工具并且有助于精确地查明这些频率。频谱相干性是频谱关性的归一化版本,定义为自相关函数的双傅立叶变换。频谱相关性定义为:
-
频谱相干性具有0和1之间的有界幅度,并且以信噪比的形式指示循环平稳性的强度。它的定义如下:
其中S2x(f)=S2x(0,f)是功率谱。在方法100中,将快速频谱相关应用于残差信号r[na],其中na表示与角度变量r(θ)=r(naΔθ)=r[na]相关的指标。
快速频谱相关估计值基于信号的短期傅里叶变换,如Antoni、Ge Xin、Nacer Hamzaoui,频谱相关的快速计算,机械系统和信号处理,第92卷,2017年,第248 -277页中所述,ISSN 0888-3270(/>Antoni,Ge Xin,Nacer Hamzaoui,Fast computationof the spectral correlation,Mechanical Systems and Signal Processing,Volume92,2017,Pages 248-277,ISSN 0888-3270)。然后,将该估计值写为:
其中ak=kΔa,k=0,…Nw-1是以[evts/rev]表示的谱频,M是每转的样本数,Δa是频谱分辨率,等于w是大小为NW的对称窗口,中心指数为N0,使得w[N0+N]=w[N0-n](如果Nw为偶数,则/>否则/>R是两个连续窗口之间的偏移量。
以Hz为单位表示频谱频率可得:其中Δf是以Hz为单位的频谱分辨率。
在定义快速频谱相关性之前,先定义扫描频谱相关性,如下:
快速频谱相关性则表示为:
P=floor(Nw/2R),其中floor(*)函数将实数输入四舍五入为最小整数,其中Rw(α)是窗口自相关函数。快速频谱相干性可以写为:
频谱相干性是一个复杂的量。对其幅值平方的分析揭示了轴承缺陷的存在。频谱相干幅值的平方定义如下:
图4表示将频谱相干性应用于振动信号的残余部分的示例。图4显示了平行于频率轴且位于外圈缺陷频率及其谐波上的谱线。这表明存在二阶循环平稳性,这是轴承缺陷的症状。谱线的强度在4至8kHz之间的宽频带内增强,表明该区域存在共振。积分频谱相干性还可以通过对频谱频率变量的频谱相干性进行平均来计算。所得频谱也称为“增强包络频谱”,是轴承缺陷检测的良好指标。轴承缺陷识别标志在此频谱中清晰可见。应该注意的是,与齿轮相关的分量仍然存在,并且可以在频谱相干性中看到,从而在改进的包络谱中看到。
步骤150:方法100然后包括用于计算轴承的实际特征向量(也称为当前特征向量)的操作150。该操作150使得能够识别真实缺陷频率(与理论频率相反的“真实”),该操作150使用在操作140结束时获得的诊断指标(即,频谱相干性的幅值的平方)作为输入数据。它还使用在操作130期间确定的频率下界和上界作为输入数据。
由于与特征频率的偏差,该方法提供最可能的缺陷频率的估计,假设它位于操作130中计算的频率界限内。预期,在最可能的频率处,在多重谐波存时循环平稳性将是最强的。用于识别最可能的缺陷频率的标准包括将峰值定位在积分频谱相干性幅值的平方中。积分循环相干性幅值的平方表示为:
峰值由大于两个相邻样本(右侧两个样本和左侧两个样本)的值的存在来定义。与轴承轴旋转频率的倍数相关的峰值被认为是不需要的干扰并且不被考虑。比较两个谐波周围的峰值以找到潜在的谐波。实际缺陷频率是具有最高能量和多次谐波的频率。如果不存在二次谐波,则使用与一次谐波周围的最大幅值相关的频率。请注意,此步骤中不考虑调制。
操作150借助于积分频谱相干性的幅值的平方来计算四个特征轴承缺陷频率中的每一个的当前缺陷频率。例如,对于外圈缺陷频率BPFO下和BPFOHi用于界定缺陷频率的不确定性区间。然后将该方法应用于快速频谱相干性以获得外圈缺陷最可能的当前频率。相同的方法适用于四种缺陷频率(外圈、内圈、保持架和滚珠)中的每一个。操作150的输出是轴承的当前特征向量:Vact=[BPFOact,BPFiact,BSFact,FTFact,SRF]。
步骤160:方法100在操作150之后包括用于使用快速频谱相干性的幅值的平方作为输入数据来估计轴承缺陷识别标志的频率支持的操作160,特征频率下界V下=[BPFO下,BPFI下,BSF下,FTF下,SRF],特征频率上界VHi=[BPFOHi,BPFIHi,BSFHi,FTFHi,SRF]和轴承当前的特征向量Vact=[BPFOact,BPFIact,BSFact,FTFact,SRF]。该步骤160还使用诸如Hd(为缺陷识别标志考虑的谐波的数量)和Hm(为缺陷识别标志考虑的边带对的数量)等参数。这些参数可以由操作者定义;它们也可以默认定义,例如Hd=6和Hm=3。
操作160提供了计算轴承缺陷的频谱循环对比度的方法。使用相关的特征缺陷频率来计算每个潜在缺陷的循环对比度。如下所述,可以使用变量αd(可疑缺陷的频率)和变量αm(其潜在的调制)来计算循环对比度。事实上,缺陷的检测和识别是基于与缺陷的不同识别标志相关的信号中循环稳定性的存在(根据缺陷的类型)。考虑到这一点,方法100使用与频谱频率相关的包络谱或积分循环相干性的幅值的平方这种指标与早期缺陷检测相关,并且与复杂的最先进方法相比提供了更好的结果,例如Abboud、M.Elbadaoui、W.A.Smith、R.B.Randall的“高级轴承诊断:两种强大方法比较研究”中描述的方法,机械系统和信号处理,第114卷,2019年,第604-627页(Abboud,M.Elbadaoui,W.A.Smith,R.B.Randall,"Advanced bearing diagnostics:A comparativestudy of two powerfulapproaches",Mechanical Systems and Signal Processing,Volume 114,2019,Pages604-627)。
尽管这种方法有效,但也可以通过使用动力学的先验知识来改进缺陷检测,从而识别最可能的当前缺陷频率。缺陷检测的这种改进基于频谱相干性幅值平方的识别标志对比度。
下面解释在轴承缺陷识别标志包括缺陷频率fd及其由频率fm调制的多个谐波的一般情况下的识别标志对比度。例如,在内圈缺陷识别标志的情况下,频率fd是内圈缺陷频率(BPFI),fm是轴承轴旋转频率(SRF)。如果使用 则具有调制的频率(或阶次)αd处的缺陷识别标志在频率(或阶次)αm处,任何函数Z(α)中的识别标志S的对比度(其中α表示以[evt/rev]的频率或阶次变量)被定义为与该识别标志相关的谐波幅值除以通过其峰值周围的背景噪声的平均值。然后,通过计算在接近缺陷频率的频率处计算的相同识别标志的振幅之和来确定S识别标志的对比度。Z(α)中识别标志/>的对比度定义如下:
其中δj是在以αd为中心、大小为σδ的窗口上的均匀随机变量,并在[αd-σδ/2;αd+σδ/2]上定义。中值相当于背景噪声的幅值,并且不受大峰值的影响。如果没有峰值,则峰值之和非常接近背景噪声的平均值,并且对比度趋向于1。如果存在一个或多个峰值,则对比度随着幅值和谐波数量而增加。为了将对比度居中为零,可以通过从对比度中减去值1来方便地定义居中出现。那么识别标志对比度是:
在没有识别标志的情况下,对比度保持接近于零。在存在识别标志的情况下,对比度会增加。
信号z[n]的识别标志的频谱循环对比度只是居中的对比度,应用于频谱相干性Γ2z(α,f)的振幅的平方:
频谱循环对比度是频谱频率的函数。它识别对该识别标志表现出循环平稳性的频谱频率(这些频率的对比度大于零)。该函数的目的是计算与四种类型的缺陷(外圈、内圈、保持架和滚珠)相关的识别标志,并确定每个缺陷频率的频谱循环对比度。
提醒一下,缺陷谐波和边线的数量分别用Hd和Hm表示。因此,我们考虑采用2Hm调制的Hd缺陷谐波。使用包括最可能的缺陷频率的轴承的当前特征向量,不同的缺陷识别标志是:
a1)外圈缺陷识别标志:
a2)内圈缺陷识别标志:
a3)滚珠(或其它滚动体)缺陷识别标志:
a4)保持架识别标志:
然后可以计算频谱循环对比度。与每个缺陷相关的频谱循环对比度为:
b1)外圈缺陷识别标志:
b2)内圈缺陷识别标志:
b3)滚珠(或其它滚动体)缺陷识别标志:
b4)保持架缺陷识别标志:
四种缺陷类型的频谱循环对比度示例如图5所示,其中x轴为频率,y轴为百分比对比度。图5中,部分A示出了外圈缺陷的频谱循环对比度的示例;部分B显示了内圈缺陷的频谱循环对比度示例;部分C显示了滚珠缺陷的频谱循环对比的示例;部分D显示了保持架缺陷的频谱循环对比度示例。图5中的示例表明,与外圈相关的分布具有2至4.5kHz范围内的高对比度值,并且频谱循环对比度增加的频带相对于轴承谐振的频谱带(与图4中的频谱相干性相比)。这很好地对应于本发明的范围内所寻求的保护:找到轴承的动态特性的图像,以便使用这些图像来改进缺陷识别标志。该谐振区在4kHz至5kHz之间延伸。对于与内圈相关的频谱循环对比度,在1kHz和4kHz之间存在增加(不如外圈显着),但该频谱区域与齿轮的动力学相关,这意味着系统必须将与齿轮余量(residue)相关的谐波视为内圈谐波。然而,由于频谱循环对比度的计算基于多个谐波和调制(如识别标志中所定义),因此该误差的影响仍然很小并且不会影响该过程的实施。事实上,考虑识别标志而不是谐波使得系统动态特性的识别更加稳健。此外,图5表明,与滚珠和保持架缺陷相关的频谱循环对比度没有提供信息,并且在特定频带上没有显示出增加。
步骤170:方法100在步骤160之后包括对感兴趣的识别标志进行精确识别的操作170。感兴趣的识别标志的精确识别是通过向量V行动=[BPFOact,BPFIact,BSFact,FTFact,SRF]精确识别缺陷频率。轴承的缺陷频率偏离理论频率,这使得检测更加复杂。操作170使得能够以精确的方式识别这些频率并因此识别出识别标志。该操作170包括对于四种类型的缺陷(外圈、内圈、滚珠和保持架)中的每一种使用在先前步骤中计算的频谱循环对比度来对频谱相干性进行加权,然后将其与频谱相关变量fk进行积分。该操作170突出显示可以在窄频带中发现的弱识别标志。针对在步骤160中确定的与四种类型的缺陷相关联的四个频谱循环对比度中的每一个计算权重。步骤170首先提供限制和归一化频谱循环对比度的手段,使得整体循环稳定性内容在频谱相干性中不被修改。为了实现这一点,使用以下非标准化识别标志过滤器:
其中和/>分别是变量fk的最小值和最大值。标准化权重为:/>
其中是标准差/>
为了突出显示感兴趣的识别标志或可疑识别标志,即对应于轴承缺陷(而不是环境装置中的缺陷,例如齿轮缺陷)的缺陷的识别标志,方法100提供相对于频谱频率变量fk的循环相干性幅值平方的加权平均值积分。与识别标志相关的积分加权循环相干性为:
首先,使用非归一化滤波器,如上所示计算与四种缺陷中的每一种相关的权重。四种缺陷各自的权重如下:
外圈缺陷:其中/> 是与外圈相关的非标准化权重识别标志。
内圈缺陷:其中,/> 是与内圈相关的非标准化权重识别标志。
滚珠(或其它滚动体)缺陷:其中,其中,/> 是与滚珠相关的非归一化权重识别标志。
保持架缺陷:其中,/> 是与保持架相关的非归一化权重识别标志。
其次,如上所述,相对于变量fk对与四种类型的缺陷中的每一种相关联的非归一化权重进行积分。为缺陷识别标志获得的加权积分循环相干性为:
外圈缺陷:内圈缺陷:/>/>滚珠缺陷:/>保持架缺陷:/>
图6在部分A中表示积分频谱相干性的示例,在部分B中表示外圈缺陷的加权积分频谱相干性的示例。计算积分频谱相干性和积分加权频谱相干性中,加权具有强化弱识别标志的效果,甚至是非常弱的识别标志。
步骤180:方法100然后包括用于确定诊断指标、量化给定识别标志的存在的操作180。该操作180使用与外圈缺陷相关联的加权积分循环相干性与内圈缺陷相关联的加权积分循环相干性/>与滚珠(或其它滚动体)缺陷相关联的加权积分循环相干性/>以及和残差信号r[n]作为输入数据,以获得突出显示潜在缺陷识别标志的四个频频。这些频谱增强了弱识别标志并使它们在分布中脱颖而出。对于每个识别标志,提供了三个诊断指标值:
加权积分循环相干性中的识别标志对比度,如上所述;
残差信号的包络谱中的识别标志对比度,稍后描述;和
识别标志相关性指标值,定义如下。
给定频谱x(α)中的识别标志的相关性指标值是0到1之间的分数,根据存在的谐波数量与预期的谐波数量之间的比率描述频谱中峰值的存在。如果频谱中的谐波出现超过给定阈值,则认为存在该谐波。该阈值可以设置为例如2。识别标志相关性定义如下:
其中,card{*}定义变量的基数(元件数量),1条件(condition)是指标的函数。当条件为真时(即当峰值对比度超过值2时),此函数等于1,在其它情况下等于0。
残余信号的包络谱中的识别标志对比度包括将每个缺陷识别标志的对比度应用于信号包络的平方,信号包络是通过希尔伯特变换H{r[n]}: 获得的分析信号的绝对值。
在该操作180中,计算信号包络的平方的频谱,从而计算每种缺陷类型的三个标量指标,每个指标在子函数中计算。第一子函数用于计算四种缺陷类型中每一种的第一指标,包括对每种缺陷类型(外圈、内圈、滚珠和保持架)计算识别标志对比度的加权积分循环相干性:
外圈缺陷:
内圈缺陷:
滚珠或其它滚动体缺陷:
保持架缺陷:
然后,第二子函数计算四种缺陷类型中每一种的第二指标。第二子函数包括计算识别标志对比度的包络平方频谱。为此,首先计算残余信号包络平方的频谱,然后计算四种缺陷类型的四个对比度指标:
外圈缺陷:
内圈缺陷:
滚珠或滚动体缺陷:
保持架缺陷:
然后应用第三子函数来计算四种缺陷类型中每一种的第三指标。第三个子函数包括针对四种缺陷类型中的每一种计算识别标志相关性的加权积分循环相干性:
外圈缺陷:
内圈缺陷:
滚珠或其它滚动体缺陷:
保持架缺陷:
例如,这三种类型的指标可以应用于加速度计获取的数据并保存在数据库中。图7显示了针对四种缺陷类型中的每一种计算的这三种指标的演变示例。图7的部分A表示相干对比度的变化;图7的部分B表示包络对比度的变化;图7的部分C表示识别标志相关性的变化。这些部分A、B和C中的每一个都包含四条曲线,每条曲线都与四种可能的缺陷类型(外圈缺陷、内圈缺陷、滚珠缺陷和保持架缺陷)之一相关。这些指标的优点是能够准确识别曲线演变的不同阶段,并向操作员提供有关缺陷识别标志的大量信息。这些诊断指标可以解释如下:
阶段1:该阶段三个指标均保持不变。相干性对比度(部分A)的平均值约为5,表明信号中已存在非常小的外圈识别标志。包络对比度(部分B)接近于零,表明该识别标志在能量上非常小,并且尚未出现在信号的包络频谱中。外圈识别标志相关性指标(部分C)显示出一个在0.2和0.4之间波动的值,表明在加权积分相干性中存在一个或两个外圈谐波。通过阅读这些指标,我们可以看到外圈识别标志非常弱并且没有缺陷。这些指标可能解释了外圈的易感性或脆弱性。
阶段2:该阶段三项指标均大幅增长。识别标志出现在相干性和包络(部分A和B)中,并且谐波数量增加并超过5(这些指标是针对M=5谐波计算的)。这一变化清楚地表明了外圈缺陷的出现。这个阶段由指标明确定义并且相对容易解释。
阶段3:在此阶段,观察到相干性和包络(部分A和部分B)的对比度指标下降,而谐波数量保持在5个谐波以上(相关性指标等于1)。这意味着识别标志的能量正在减少,并且与经典指标一致。
阶段4:在此阶段,指标趋势显示信号的脉冲性趋于稳定,同时能量略有增加。事实上,外圈识别标志(部分A和部分C)的对比度和相关性的稳定表明存在明显且稳定的外圈识别标志,而包络对比度的增加表明该识别标志的能量正在轻微地增加。这与常规指标相符。
阶段5:在最后阶段,缺陷(部分B)产生的振动能量迅速增加,直到轴承完全失效。这通过能量的增加和信号的脉冲性来体现。RMS和峰度(或和/>)的增加证实了这一点。类似地,包络谱(部分B)中外圈识别标志的能量指标在此阶段经历增加。
与四种类型的缺陷中的每一种相关联的三个指标可以保存在存储器中,使得地面操作员(例如维护技术人员)可以在飞行器机维护操作期间解释它们。在解读这些诊断指标后,操作员能够确定轴承的损坏状态,从而确定轴承的健康状况。因此,他能够决定是否应该更换轴承。
从上面可以看出,根据本发明的方法是高度自动化的,操作者只需要解释在过程结束时获得的诊断指标。在替代方案中,操作员还可以选择该方法中使用的和前面描述的不同参数的值。在另一种替代方案中,如前所述,参数是默认定义的。
刚刚描述的方法100可以集成到飞行器中的机载监控系统中。它还可以集成到任何用于监测旋转系统振动的系统中,例如旋转机器或燃烧或防爆机器。
尽管通过多个示例、替代方案和实施例进行了描述,但是根据本发明的用于检测轴承缺陷的方法包括对本领域技术人员而言显而易见的各种替代方案、修改和改进,应当理解,这些替代方案、修改和改进包括在本发明的范围内。
Claims (10)
1.一种用于检测旋转系统的轴承中的缺陷的方法(100),包括以下步骤:
a)获取(110)相对于安装有轴承的旋转系统的旋转轴的轴承位置信号θ[n]、轴承的振动信号x[n]以及轴承的理论特征向量Vthe=[BPFOthe,BPFIthe,BSFthe,FTFthe,SRF],根据所述轴承的几何尺寸确定的轴承的理论特征向量;
b)确定(120)振动信号的确定性部分并去除所述确定性部分以根据位置信号获得残差信号r[n];
c)根据理论特征向量计算(130)缺陷频率的下界V下=[BPFO下,BPFI下,BSF下,FTF下,SRF]和缺陷频率的上界VHi=[BPFOHi,BPFIHi,BSFIHi,FTFHi,SRF];
d)根据振动信号计算(140)频谱相干性以及频谱相干性幅值的平方
e)根据频谱相干性幅值的平方和缺陷频率的下界和上界,计算(150)轴承的当前特征向量(Vact=[BPFOact,BPFIact,BSFact,FTFact,SRF]);
f)根据频谱频率确定(160)缺陷的频谱循环对比度EBPFO(fk)、EBPFI(fk)、EBSF(fk)、EFTF(fk);
g)通过计算与缺陷相关的积分加权循环相干性,精确识别(170)位于窄频带中的感兴趣识别标志;
h)操作员确定(180)可解释的诊断指标。
2.根据权利要求1所述的方法,其特征在于,所述缺陷包括四种类型的缺陷,针对每种类型的缺陷确定缺陷频率和缺陷识别标志。
3.根据权利要求2所述的方法,其特征在于,所述四种缺陷为:外圈缺陷、内圈缺陷、滚动体缺陷和保持架缺陷。
4.根据权利要求2或3所述的方法,其特征在于,步骤e)包括针对每种类型的缺陷估计与所述下界和所述上界之间的最可能频率相对应的当前缺陷频率。
5.根据权利要求2至4中任一项所述的方法,其特征在于,步骤f)包括对于每种类型的缺陷,确定所述缺陷识别标志的对比度,然后将该对比度应用于频谱相干性幅值的平方。
6.根据权利要求2至5中任一项所述的方法,其特征在于,步骤g)包括对于每种类型的缺陷,确定与所述缺陷相关联的权重,然后计算该缺陷的加权积分循环相干性。
7.根据权利要求2至6中任一项所述的方法,其特征在于,对于每种类型的缺陷,所述诊断指标包括感兴趣的识别标志的对比度的积分加权循环相干性 感兴趣的识别标志的对比度的残差信号的包络频谱/> 和感兴趣的识别标志的相关性指标/>
8.根据权利要求2至7中任一项所述的方法,其特征在于,所述诊断指标均通过值来量化,在不存在缺陷的情况下所述值接近于零。
9.根据权利要求1至8中任一项所述的方法,其特征在于,步骤c)在步骤b)之前、步骤d)之后进行或者与步骤b)或d)同时进行,所述下界和上界是用于步骤e)的输入数据。
10.一种用于通过检测轴承缺陷来监测飞行器的健康状况的系统,其特征在于,其包括实施根据权利要求1-9中任一项所述的方法的数据处理装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2108632A FR3126154B1 (fr) | 2021-08-11 | 2021-08-11 | Procédé de détection d’un défaut de roulement d’un système rotatif et système de surveillance mettant en œuvre ce procédé |
FRFR2108632 | 2021-08-11 | ||
PCT/FR2022/051573 WO2023017226A1 (fr) | 2021-08-11 | 2022-08-09 | Titre : procédé de détection d'un défaut de roulement d'un système rotatif et système de surveillance mettant en œuvre ce procédé |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117836599A true CN117836599A (zh) | 2024-04-05 |
Family
ID=77711236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280056166.8A Pending CN117836599A (zh) | 2021-08-11 | 2022-08-09 | 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN117836599A (zh) |
FR (1) | FR3126154B1 (zh) |
WO (1) | WO2023017226A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383721B (zh) * | 2023-05-25 | 2023-12-12 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
CN117705447B (zh) * | 2024-02-04 | 2024-04-26 | 南京凯奥思数据技术有限公司 | 一种基于冲击脉冲法的滚动轴承故障自诊断方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2913769B1 (fr) | 2007-03-12 | 2009-06-05 | Snecma Sa | Procede de detection d'un endommagement d'un roulement de palier d'un moteur |
FR2994261B1 (fr) | 2012-07-31 | 2014-07-18 | Eurocopter France | Procede de detection de defauts d'un roulement par analyse vibratoire |
CN104655423B (zh) | 2013-11-19 | 2017-09-15 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104236908B (zh) | 2014-09-23 | 2015-06-24 | 石家庄铁道大学 | 基于mid算法的组合切片轴承故障诊断方法 |
CN105092249A (zh) | 2015-09-22 | 2015-11-25 | 山东理工大学 | 基于Gabor滤波器的滚动轴承故障诊断方法 |
CN106771598B (zh) | 2017-03-03 | 2019-03-12 | 天津工业大学 | 一种自适应谱峭度信号处理方法 |
US10852214B2 (en) * | 2017-05-19 | 2020-12-01 | Nutech Ventures | Detecting faults in wind turbines |
CN108120598B (zh) * | 2017-12-19 | 2019-09-13 | 胡文扬 | 二次相位耦合与改进双谱算法的轴承早期故障检测方法 |
-
2021
- 2021-08-11 FR FR2108632A patent/FR3126154B1/fr active Active
-
2022
- 2022-08-09 WO PCT/FR2022/051573 patent/WO2023017226A1/fr active Application Filing
- 2022-08-09 CN CN202280056166.8A patent/CN117836599A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023017226A1 (fr) | 2023-02-16 |
FR3126154B1 (fr) | 2023-06-30 |
FR3126154A1 (fr) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Early fault diagnosis and classification of ball bearing using enhanced kurtogram and Gaussian mixture model | |
Wang et al. | An online tacholess order tracking technique based on generalized demodulation for rolling bearing fault detection | |
Wang et al. | Rotating speed isolation and its application to rolling element bearing fault diagnosis under large speed variation conditions | |
CN117836599A (zh) | 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统 | |
CN110617964A (zh) | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 | |
Li et al. | Early fault diagnosis of rotating machinery by combining differential rational spline-based LMD and K–L divergence | |
CN111665051A (zh) | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 | |
Ding et al. | Sparsity-based algorithm for condition assessment of rotating machinery using internal encoder data | |
Zhao et al. | Rolling bearing fault diagnosis based on CEEMD and time series modeling | |
JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Attoui et al. | Novel machinery monitoring strategy based on time–frequency domain similarity measurement with limited labeled data | |
CN109029999A (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
Singh et al. | A review of vibration analysis techniques for rotating machines | |
Luo et al. | Fault diagnosis of rolling element bearing using an adaptive multiscale enhanced combination gradient morphological filter | |
Shi et al. | A dual-guided adaptive decomposition method of fault information and fault sensitivity for multi-component fault diagnosis under varying speeds | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
Bendjama et al. | Wavelets and principal component analysis method for vibration monitoring of rotating machinery | |
Chen et al. | Rolling Bearing Fault Feature Extraction Method Using Adaptive Maximum Cyclostationarity Blind Deconvolution | |
Pang et al. | The evolved kurtogram: a novel repetitive transients extraction method for bearing fault diagnosis | |
Li et al. | Sparsity-oriented nonconvex nonseparable regularization for rolling bearing compound fault under noisy environment | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
CN110866519B (zh) | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 | |
Guo et al. | Compound fault diagnosis of rolling bearing based on tunable Q-factor wavelet transform and sparse representation classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |