CN104374576A - 一种提取低速轴承故障应力波的方法 - Google Patents
一种提取低速轴承故障应力波的方法 Download PDFInfo
- Publication number
- CN104374576A CN104374576A CN201410683231.7A CN201410683231A CN104374576A CN 104374576 A CN104374576 A CN 104374576A CN 201410683231 A CN201410683231 A CN 201410683231A CN 104374576 A CN104374576 A CN 104374576A
- Authority
- CN
- China
- Prior art keywords
- low
- signal
- fault
- nonlinear
- stress wave
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种提取低速轴承故障应力波的方法,涉及一种提取故障参数的方法,低速机械应力波故障信号极其微弱,包含各种背景噪声和其它运转部件之间的干扰。但根据来自不同的部件、不同传播路径的源信号所具有的非平稳特性,可提取特征波形并结合特征频率来识别多种故障类型。即使稳定运转的部件,弹性力也表现出非线性特征。采用RBFN可克服迭代过程单一选取非线性函数的弊端,使得信号处理***能够自适应学***稳信号相关性随时间逐渐下降的特点,同时降低了实际诊断时滞性所带来的影响,提高了分离精度。最后经过实际应用证明,这种识别低速轴承多故障的新方法能够高效、准确地监测大型低速机械的运行状态。
Description
技术领域
本发明涉及一种提取故障参数的方法,特别是涉及一种提取低速轴承故障应力波的方法。
背景技术
低速机械一般是指转速低于600rpm的装置,广泛应用于能源、化工、冶金、石化和建筑等重要领域,大型低速机械一旦发生故障将造成严重的经济损失和人员伤亡。但由于低速机械故障特征极其微细很容易淹没在环境噪声中,采集到的信号不但包含高斯噪声还有其它运转部件之间的干扰,此时传统的时频信号处理技术无法使降噪和提取故障特征兼得,致使低速机械故障诊断少有论述。因此,在振动混合路径和原始信号特征未知的条件下,找到一种提取低速机械多故障特征的方法是非常复杂而又有实际意义的。
发明内容
本发明的目的在于提供一种提取低速轴承故障应力波的方法,本发明在风力机组滚动轴承诊断中,提取了滚子裂纹和油污故障特征波形和频率,从而证明提取非线性非平稳应力波信号的方法能够高效、准确地监测大型低速机械的运行状态。
本发明的目的是通过以下技术方案实现的:
一种提取低速轴承故障应力波的方法,所述方法包括包括应力波的传播规律,非线性盲信号处理,提取应用;低速机械应力波传播机理,当低速机械载荷稳定时,故障部件表面所受应力达到材料强度时将产生细微裂缝,为保持能量守恒,部件将会由高能态转换为低能态后,在此过程中产生应力波;应力波的传播规律进行计算,以低速滚动轴承为例,应力波沿故障表面传播,这些区域的机械强度将下降,最后导致轴承由细微裂纹变为全部破坏;非线性盲信号处理,在一个多输入-多输出非线性动态***中检测到的传感器信号,要找到一个自适应逆***,计算得以估计出未知原始信号,对于非平稳信号,在迭代过程中其相关属性逐渐下降,输出结果趋于对角化,从而确保计算精度满足要求;低速机械应力波故障信号极其微弱,包含各种背景噪声和其它运转部件之间的干扰;根据来自不同部件、不同传播路径的源信号所具有的非平稳特性,提取特征波形并结合特征频率来识别多种故障类型;即使稳定运转的部件,弹性力也表现出非线性特征;采用RBFN可克服迭代过程单一选取非线性函数的弊端,使得信号处理***能够自适应学***稳信号相关性随时间逐渐下降的特点,同时降低了实际诊断时滞性所带来的影响,提高分离精度。
所述的一种提取低速轴承故障应力波的方法,所述方法通过非线性盲分离处理后的SIR比小波分析的结果大,而SIR越大,说明分离精度越高,输出的相互独立性越强。
所述的一种提取低速轴承故障应力波的方法,所述采集的混合信号根据不同故障的非平稳特性,能够提取多故障特征波形,但幅值的大小并不能代表故障的损伤程度。
本发明的优点与效果是:
本发明在无任何先验知识情况下提取低速轴承应力波多故障特征的方法。首先分析低速机械应力波的发生和传播机理,在此基础上研究利用动态神经网络的非线性映射关系更新分离矩阵,模拟了摩擦和松动故障得到典型故障应力波并分离背景噪声。最后经过实际应用证明,这种识别低速轴承多故障的新方法能够高效、准确地监测大型低速机械的运行状态。
本发明分析低速机械应力波发生和传播机理,在此基础上研究利用动态神经网络的非线性映射关系更新分离矩阵,模拟了摩擦和松动故障得到典型故障应力波。
附图说明
图1非线性盲信号处理过程示意图;
图2更新参数的神经网络结构图;
图3径向基神经元示意图;
图4实验台示意图;
图5背景噪声;
图6应力波原始信号之一;
图7应力波原始信号之二;
图8提取的摩擦故障典型特征之一;
图9提取的摩擦故障典型特征之二;
图10提取的松动故障典型特征之一;
图11提取的松动故障典型特征之二;
图12低速轴承的原始信号;
图13提取的滚子故障典型特征之一;
图14提取的滚子故障典型特征之二;
图15提取的油污故障典型特征之一;
图16提取的油污故障典型特征之二。
具体实施方式
下面结合附图所示实施例,对本发明作进一步详述。
本发明具体实施方案如下:
1 低速机械应力波传播机理
当低速机械载荷稳定时,故障部件表面所受应力达到材料强度时将产生细微裂缝,为保持能量守恒,部件将会由高能态转换为低能态后,在此过程中产生应力波。应力波的传播规律可用下式表示:
(1)
其中,
,; u, v和w 分别为 x, y 和 z 方向上的位移; E, 和 分别是杨氏模量,密度和泊松比。 如果引入位移函数, 则波动方程可写为:
(2)
这里,c 为应力波传播速度。以低速滚动轴承为例,应力波沿故障表面传播,这些区域的机械强度将下降,最后导致轴承由细微裂纹变为全部破坏。与其它的故障诊断方法不同,应力波信号处理技术最大的难点在于:(1)应力波是多源混合信号;(2) 信号很微弱; (3)信号是非平稳态的。另外,采集信号过程还包括电磁噪声、摩擦噪声和冲击噪声等干扰的影响,这使得应力波在实际中的应用困难重重。
2 非线性盲信号处理
所谓盲信号处理是指在一个多输入-多输出非线性动态***中检测到的传感器信号,要找到一个自适应逆***,得以估计出未知原始信号,可描述为:
(3)
(4)
这里, X (k)是m维含噪的传感器观测信号矢量, S (k)是n维源信号矢量, v (k)是m维噪声矢量,A是未知混合矩阵,W是待求分离矩阵,g 是非线性函数关系,如图1所示。
根据互信息理论,分离的标准是任意两个输出信号相互独立,其核心思想就是最小化互信息 I(X,Y) :
(5)
式中,H 是微熵,则输出微熵表示为:
(6)
式中,E为数学期望; p y (Y)是Y的概率密度函数。对式(5)关于分离参数W求导:
(7)
若采用自然梯度方法,用差分方程代替微分方程,用瞬态值代替期望值可得迭代方程为:
(8)
这里,μ(k) 是已定义的学***稳信号,在迭代过程中其相关属性逐渐下降,输出结果趋于对角化,从而确保计算精度满足要求。以往非线性函数 g(X) 常见的有指数函数和正切函数,要求函数的二阶偏导是单调递增并与原始输入信号的概率密度函数匹配,这使得非线性函数的选取不适用于非平稳***的特征提取。旋转机械实际运转时通常引起非平稳动态信号,振动信号也表现出非线性特性。因此研究非线性非平稳信号的盲处理技术是十分有意义的。
近年来,人工神经网络越来越多地应用于各种领域,由于其联想记忆、并行处理和自适应的学***稳性,选用RBFN动态网可避免时滞性的影响,并利用网络自适应学习功能更新参数,直到达到分离条件后输出分离矩阵W,克服了非线性函数选取时的限制。
径向基函数网络 (RBFN)由输入层、输出层、分离层和一个非线性隐含层组成,如图2所示。
径向基传递函数有很多,其中高斯函数是最常见的一种。当传感器信号矢量X 输入到输入层后,φ 为隐含层的所产生的响应,表示为:
(9)
这里,ω j 是第j隐层神经元的权重, σ j 是高斯函数的常数。将采集到的信号输入到分离层,提取出独立的序列输入到隐含层中进行训练得到分离矩阵。一个径向基神经元如图3所示。
3 实验模拟和应用
当机械故障发生时,传感器信号是非线性的多源混合信号。因此,传统的线性信号处理方法并不适用。此时,应用非线性盲处理方法得到的时频波形更为有效。如图4所示是一台模拟低速机械故障的实验台。所使用的应力波传感器测量频率范围10~1000kHz,温度范围为 -15~ 255℃。在模拟之前,首先进行了衰减实验以确定最佳传感器安装位置。实验发现,轴承座是安放传感器最佳的位置,此时最大程度避免了多信号源的混合和传播。
实验台在轴承1上分别模拟了摩擦故障和松动故障,并分别记录了这两种故障的应力波特征和停止运转时的背景噪声(图5)。然后,同时模拟摩擦和松动的故障,通过数据采集***记录的原始混合信号如图6所示,剔除掉背景噪声后的故障信号提取出两种典型特征,分别如图7-8所示。
图7-8所提取的故障特征与单独记录的模拟信号波形基本一致。为了检测提取信号的性能,将图6进行小波分解后提取信号的信噪比(SIR)比较。如表1,SIR1和SIR2分别代表提取摩擦故障和松动故障的信噪比。
表1 提取信号的性能比较
信号处理方法 | SIR1/dB | SIR2/dB |
盲信号处理 | 68.1039 | 60.9711 |
小波分析法 | 53.2818 | 56.0547 |
表1说明,通过非线性盲分离处理后的SIR比小波分析的结果大,而SIR越大,说明分离精度越高,输出的相互独立性越强。由图6、图7可知,实验台检测的应力波信号持续时间不超过1ms,说明应力波信号非常微弱,不同于传统的振动冲击信号。故障的频率范围均在100~600KHz,而且每种故障特征差别比较微细。如图8、图9所示, 摩擦故障的应力波特征值为100KHz ,次特征频率分别在180KHz和240KHz。在图10、图11中,松动故障的应力波特征值为110K Hz ,边频带范围70~300KHz,时域波形有明显的冲击衰减特性。
从结果还可以看出,松动故障产生应力波信号幅值更大,这是因为松动表面上有固体颗粒积压后增大了应力波的能量。这表明,应力波传感器很敏感,采集的混合信号根据不同故障的非平稳特性,能够提取多故障特征波形,但幅值的大小并不能代表故障的损伤程度。
为了验证这种诊断低速机械多故障的应力波方法,将本文提出的方法应用在风力机组的电机/齿轮滚动轴承的诊断中。轴承的内圈直径为100mm,当风力机组转速为1.12r/min时,采集的原始应力波信号如图12所示。
图12中的传感器信号通过处理后,提取了两个典型故障特征图。图13、图14表示有某一故障频率特征在100 ~ 120 KHz,边频带延长至200 KHz,时域图表现出不规则的冲击脉冲,这与滚子故障的频率特征相吻合,因此诊断出该低速轴承具有滚子故障。图15、图16中,时域波形是脉冲信号,带有明显的快速衰减特征,频域图的典型特征为110 KHz ,边频带延长至 270 KHz ,说明轴承具有油污故障,这也是风力机组在户外作业,灰尘污染轴承润滑液后常见的故障之一。经停机检验后证明,轴承的滚子出现裂纹,润滑液已受到污染需要更换。值得注意的是,图13、图14和图15、图16相比,滚子的应力波信号幅值较大,主要是因为故障源与传感器距离小。当传感器安装在轴承座上时,采集到的来自外圈的故障幅值可能最大,而来自内圈的故障幅值可能最小。
低速机械应力波故障信号极其微弱,包含各种背景噪声和其它运转部件之间的干扰。但根据来自不同的部件、不同传播路径的源信号所具有的非平稳特性,可提取特征波形并结合特征频率来识别多种故障类型;
即使稳定运转的部件,弹性力也表现出非线性特征。采用RBFN可克服迭代过程单一选取非线性函数的弊端,使得信号处理***能够自适应学***稳信号相关性随时间逐渐下降的特点,同时降低了实际诊断时滞性所带来的影响,提高了分离精度;
故障表面的机械强度虽然下降,但信号幅值的大小并不代表故障损伤程度,因为幅值的变化与传感器距离故障点的距离和应力波强度有关,所以这种无法进行故障点定位。若想提高诊断自动化程度,应考虑通过信号幅值和传感器位置进一步确定故障点。
Claims (3)
1.一种提取低速轴承故障应力波的方法,其特征在于,所述方法包括应力波的传播规律,非线性盲信号处理,提取应用;低速机械应力波传播机理,当低速机械载荷稳定时,故障部件表面所受应力达到材料强度时将产生细微裂缝,为保持能量守恒,部件将会由高能态转换为低能态后,在此过程中产生应力波;应力波的传播规律进行计算,以低速滚动轴承为例,应力波沿故障表面传播,这些区域的机械强度将下降,最后导致轴承由细微裂纹变为全部破坏;非线性盲信号处理,在一个多输入-多输出非线性动态***中检测到的传感器信号,要找到一个自适应逆***,计算得以估计出未知原始信号,对于非平稳信号,在迭代过程中其相关属性逐渐下降,输出结果趋于对角化,从而确保计算精度满足要求;低速机械应力波故障信号极其微弱,包含各种背景噪声和其它运转部件之间的干扰;根据来自不同部件、不同传播路径的源信号所具有的非平稳特性,提取特征波形并结合特征频率来识别多种故障类型;即使稳定运转的部件,弹性力也表现出非线性特征;采用RBFN可克服迭代过程单一选取非线性函数的弊端,使得信号处理***能够自适应学***稳信号相关性随时间逐渐下降的特点,同时降低了实际诊断时滞性所带来的影响,提高分离精度。
2.根据权利要求1所述的一种提取低速轴承故障应力波的方法,其特征在于,所述方法通过非线性盲分离处理后的SIR比小波分析的结果大,而SIR越大,说明分离精度越高,输出的相互独立性越强。
3.根据权利要求1所述的一种提取低速轴承故障应力波的方法,其特征在于,所述采集的混合信号根据不同故障的非平稳特性,能够提取多故障特征波形,但幅值的大小并不能代表故障的损伤程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410683231.7A CN104374576A (zh) | 2014-11-25 | 2014-11-25 | 一种提取低速轴承故障应力波的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410683231.7A CN104374576A (zh) | 2014-11-25 | 2014-11-25 | 一种提取低速轴承故障应力波的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104374576A true CN104374576A (zh) | 2015-02-25 |
Family
ID=52553625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410683231.7A Pending CN104374576A (zh) | 2014-11-25 | 2014-11-25 | 一种提取低速轴承故障应力波的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104374576A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730149A (zh) * | 2015-03-26 | 2015-06-24 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种水轮机叶片裂纹检测装置 |
CN108036941A (zh) * | 2017-12-26 | 2018-05-15 | 浙江大学 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
CN110487917A (zh) * | 2019-08-30 | 2019-11-22 | 重庆高开清芯科技产业发展有限公司 | 一种基于神经网络的应力波检测与分析*** |
CN113944600A (zh) * | 2021-10-15 | 2022-01-18 | 希音科技(杭州)有限公司 | 一种利用应力波技术检测风机主轴承故障的方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776390A (zh) * | 2005-11-30 | 2006-05-24 | 沈阳工业大学 | 一种低速重载旋转机械故障诊断方法 |
JP3952295B2 (ja) * | 2003-02-12 | 2007-08-01 | Ntn株式会社 | 軸受の寿命予測方法 |
CN101464211A (zh) * | 2007-12-18 | 2009-06-24 | 上海宝钢工业检测公司 | 利用振动监测低速重载设备状态的方法 |
JP2013088431A (ja) * | 2011-10-13 | 2013-05-13 | General Electric Co <Ge> | 転がり軸受けの破損を自動的に検出するための方法およびシステム |
-
2014
- 2014-11-25 CN CN201410683231.7A patent/CN104374576A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3952295B2 (ja) * | 2003-02-12 | 2007-08-01 | Ntn株式会社 | 軸受の寿命予測方法 |
CN1776390A (zh) * | 2005-11-30 | 2006-05-24 | 沈阳工业大学 | 一种低速重载旋转机械故障诊断方法 |
CN101464211A (zh) * | 2007-12-18 | 2009-06-24 | 上海宝钢工业检测公司 | 利用振动监测低速重载设备状态的方法 |
JP2013088431A (ja) * | 2011-10-13 | 2013-05-13 | General Electric Co <Ge> | 転がり軸受けの破損を自動的に検出するための方法およびシステム |
Non-Patent Citations (1)
Title |
---|
周勃等: "基于RBFN的低速机械多故障特征盲提取", 《机械设计与制造》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730149A (zh) * | 2015-03-26 | 2015-06-24 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种水轮机叶片裂纹检测装置 |
CN108036941A (zh) * | 2017-12-26 | 2018-05-15 | 浙江大学 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
CN110487917A (zh) * | 2019-08-30 | 2019-11-22 | 重庆高开清芯科技产业发展有限公司 | 一种基于神经网络的应力波检测与分析*** |
CN113944600A (zh) * | 2021-10-15 | 2022-01-18 | 希音科技(杭州)有限公司 | 一种利用应力波技术检测风机主轴承故障的方法和*** |
CN113944600B (zh) * | 2021-10-15 | 2024-01-12 | 希音科技(杭州)有限公司 | 一种利用应力波技术检测风机主轴承故障的方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Fault detection method for railway wheel flat using an adaptive multiscale morphological filter | |
Zhao et al. | Deep convolutional neural network based planet bearing fault classification | |
CN110220709B (zh) | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 | |
Mishra et al. | Rolling element bearing fault diagnosis under slow speed operation using wavelet de-noising | |
Yang et al. | Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion | |
Saufi et al. | Low-speed bearing fault diagnosis based on ArSSAE model using acoustic emission and vibration signals | |
CN105834834B (zh) | 基于果蝇优化算法的铣刀磨损状态监测方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
Lv et al. | Audio sensing and modeling of arc dynamic characteristic during pulsed Al alloy GTAW process | |
CN106841403A (zh) | 一种基于神经网络的声学玻璃缺陷检测方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN103674511A (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
CN104374576A (zh) | 一种提取低速轴承故障应力波的方法 | |
Yi et al. | Mechanical compound faults extraction based on improved frequency domain blind deconvolution algorithm | |
Deng et al. | Sparse representation of parametric dictionary based on fault impact matching for wheelset bearing fault diagnosis | |
Huang et al. | Novel morphological scale difference filter with application in localization diagnosis of outer raceway defect in rolling bearings | |
Marichal et al. | Extraction of rules for faulty bearing classification by a Neuro-Fuzzy approach | |
Gunn et al. | On validating numerical hydrodynamic models of complex tidal flow | |
CN104316167B (zh) | 一种低信噪比下结构响应异常检测方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
Xiao et al. | Research on fault feature extraction method of rolling bearing based on NMD and wavelet threshold denoising | |
Yan et al. | A bearing fault feature extraction method based on optimized singular spectrum decomposition and linear predictor | |
Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
Chen et al. | Operational damage identification scheme utilizing de-noised frequency response functions and artificial neural network | |
CN107563403A (zh) | 一种高速列车运行工况的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150225 |
|
WD01 | Invention patent application deemed withdrawn after publication |