CN107506710A - 一种滚动轴承复合故障提取方法 - Google Patents
一种滚动轴承复合故障提取方法 Download PDFInfo
- Publication number
- CN107506710A CN107506710A CN201710695141.3A CN201710695141A CN107506710A CN 107506710 A CN107506710 A CN 107506710A CN 201710695141 A CN201710695141 A CN 201710695141A CN 107506710 A CN107506710 A CN 107506710A
- Authority
- CN
- China
- Prior art keywords
- failure
- fault
- parameter
- deconvolution
- kurtosis
- 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
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种滚动轴承复合故障提取方法,以最大相关峭度解卷积作为滤波器对原始振动信号滤波,通过合理的设计解卷积参数,使原始信号通过解卷积处理后升维成四组信号,分别对应四种故障类型,且所升维得到的四组信号各对应一个故障共振频带,以快速谱峭度图处理单共振频带信号,可以准确识别故障敏感频带并进行滤波,进而得到四组信号的包络谱,通过对比四组信号包络谱与理论计算所得故障特征频率的对应关系,可以判别原复合故障信号的故障类型。同时,在最大相关峭度解卷积参数的选择上,本发明采取经验区间内的粒子群寻优方法,能够提高参数选择的准确性和自适应性。
Description
技术领域
本发明涉及一种轴承复合故障提取方法,尤其涉及一种滚动轴承复合故障提取方法,属于轴承故障诊断技术领域。
背景技术
滚动轴承是机械设备中应用最广泛的零部件之一,其运行状况是否良好直接影响机械设备的安全运行。实际工程中,轴承在恶劣的工程条件下运行,往往出现多种故障并存的现象。近年来,人们提出的包络解调、小波变换、形态学滤波等方法主要针对单故障,对复合故障分离存在困难。
快速谱峭度图算法能够自适应的识别共振频带并通过包络解调方法提取故障特征,但在实际应用中,多故障源及噪声的干扰会导致谱峭度图对共振频带的选取不准确。为提高快速谱峭度分析复合故障的准确性,提出一种以最大相关峭度解卷积作为前置处理,以理论计算所得故障特征频率作为解卷积周期滤波,进而对解卷积所得信号进行快速谱峭度分析的轴承复合故障诊断方法。
发明内容
本发明要解决的技术问题是提供一种滚动轴承复合故障提取方法。
为解决上述技术问题,本发明采用的技术方案是:
一种滚动轴承复合故障提取方法,包括以下步骤:
步骤1:样本采集:通过振动加速度传感器获得轴承运行过程的时域信号样本集;
步骤2:获得最优化解卷积滤波参数:以自适应寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化为寻优指标,寻得最佳解卷积滤波参数组合(T*,L*),T*为最优解卷积周期,L*为最优滤波器长度;
步骤3:滤波:分别使用预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数,在最优化滤波参数条件下滤波时域信号样本集,得到与内圈故障、外圈故障、滚动体故障、保持架故障相对应的解卷积滤波输出数据;
步骤4:确定故障类型:分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度分析,通过快速谱峭度图确定共振中心频率及带宽,再以共振中心频率及带宽为参数分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度滤波,提取相应输出数据的包络谱频率特征,分别计算与理论计算故障特征频率的相关性,根据相关性判定时域信号样本集对应的故障类型。
所述步骤2中最优解卷积周期中心为fs为采样频率,f*为故障特征频率,解卷积周期寻优区间为滤波器长度寻优区间[50,300]。
所述时域信号样本集对应一种故障类型,最大相关性对应的故障类型为时域信号样本集所对应的故障类型。
所述时域信号样本集对应一种以上故障类型,根据相关性是否大于预设相应故障相关性阈值判定其对应的故障类型。
与内圈故障、外圈故障、滚动体故障、保持架故障对应的最优化滤波参数分别在预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数条件下求取。
所述最优化解卷积滤波参数使用粒子群寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化寻优求取。
采用上述技术方案所取得的技术效果在于:
1、本发明可以准确识别故障敏感频带并进行滤波,通过对比四组信号包络谱与理论计算所得故障特征频率的对应关系,可以判别原复合故障信号的故障类型。
2、本发明采取经验区间内的粒子群寻优方法选择最大相关峭度解卷积参数,能够提高参数选择的准确性和自适应性。
附图说明
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。
图1是流程图;
图2是本发明实施例的时域信号样本集;
图3是本发明实施例的与内圈故障相对应的解卷积滤波输出数据;
图4是本发明实施例的与外圈故障相对应的解卷积滤波输出数据;
图5是本发明实施例的与滚动体故障相对应的解卷积滤波输出数据;
图6是本发明实施例的与保持架故障相对应的解卷积滤波输出数据;
图7是本发明实施例的与内圈故障相对应的解卷积滤波输出数据的快速谱峭度图;
图8是本发明实施例的与外圈故障相对应的解卷积滤波输出数据的快速谱峭度图;
图9是本发明实施例的与滚动体故障相对应的解卷积滤波输出数据的快速谱峭度图;
图10是本发明实施例的与保持架故障相对应的解卷积滤波输出数据的快速谱峭度图;
图11是本发明实施例的与内圈故障对应的输出数据进行快速谱峭度滤波输出数据;
图12是本发明实施例的与外圈故障对应的输出数据进行快速谱峭度滤波输出数据;
图13是本发明实施例的与滚动体故障对应的输出数据进行快速谱峭度滤波输出数据;
图14是本发明实施例的与保持架故障对应的输出数据进行快速谱峭度滤波输出数据;
图15是本发明实施例的与内圈故障对应的包络谱信号;
图16是本发明实施例的与外圈故障对应的包络谱信号;
图17是本发明实施例的与滚动体故障对应的包络谱信号;
图18是本发明实施例的与保持架故障对应的包络谱信号。
具体实施方式
实施例1:
一种滚动轴承复合故障提取方法,包括以下步骤:
步骤1:样本采集:通过振动加速度传感器获得轴承运行过程的时域信号样本集;
步骤2:获得最优化解卷积滤波参数:以自适应寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化为寻优指标,寻得最佳解卷积滤波参数组合(T*,L*),T*为最优解卷积周期中心,L*为最优滤波器长度;
步骤3:滤波:分别使用预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数,在最优化滤波参数条件下滤波时域信号样本集,得到与内圈故障、外圈故障、滚动体故障、保持架故障相对应的解卷积滤波输出数据;
步骤4:确定故障类型:分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度分析,通过快速谱峭度图确定共振中心频率及带宽,再以共振中心频率及带宽为参数分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度滤波,提取相应输出数据的包络谱频率特征,分别计算与理论计算故障特征频率的相关性,根据相关性判定时域信号样本集对应的故障类型。
所述步骤2中最优解卷积周期中心为fs为采样频率,f*为故障特征频率,解卷积周期寻优区间为滤波器长度寻优区间[50,300]。
所述时域信号样本集对应一种故障类型,最大相关性对应的故障类型为时域信号样本集所对应的故障类型。
所述时域信号样本集对应一种以上故障类型,根据相关性是否大于预设相应故障相关性阈值判定其对应的故障类型。
与内圈故障、外圈故障、滚动体故障、保持架故障对应的最优化滤波参数分别在预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数,在最优化滤波参数条件下求取。
所述最优化解卷积滤波参数使用粒子群寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化寻优求取。
为了验证该方法对强背景噪声下轴承故障分离的有效性,在QPZZ轴承故障模拟实验台上完成了滚动轴承内圈、外圈复合故障模拟实验。试验采用6205E轴承,使用线切割机在轴承内圈、外圈上各加工出深1.5、宽0.2mm的凹槽来模拟轴承复合故障。采用数据采集卡由安装在轴承座上的加速度传感器采集振动信号。其中采样频率12800Hz,电机转速1466r/min。
轴承故障特征频率计算为:
其中:fi为内圈故障特征频率;fo为外圈故障特征频率;fball为滚动体故障
特征频率;fcage为保持架故障特征频率。
理论计算不同故障下解卷积周期中心
Toi=fs/fi=12800/132.2=96.8
Too=fs/fo=12800/87.7=146.0
Toball=fs/fball=12800/57.9=221.1
Tocage=fs/fcage=12800/9.8=1306.1 (2)
其中,Toi为内圈故障解卷积周期寻优中心;Too为外圈故障解卷积寻优中心;Toball为滚动体故障解卷积寻优中心;Tocage为保持架故障解卷积寻优中心。
利用粒子群寻优算法寻得不同故障下解卷积最佳参数组合,在第15代时域峭度最大,此时参数组合(96.6,120)为内圈故障解卷积最佳参数。
同理,获得外圈、滚动体、保持架故障解卷积最佳参数组合(145,90)、(225,110)、(1296,155)。分别以不同故障类型下的四种最佳参数组合设置最大相关峭度解卷积参数,对原始振动信号进行滤波,得到四组对应的输出信号。
对步骤4中所得到的四个输出信号进行包络谱分析,对比理论计算所得故障特征频率,若包络谱中包含该故障特征频率信息,则原始振动信号包含该故障成分,若未见理论故障特征频率,则不包含该故障成分,以此鉴别原始振动信号故障类型。在包络谱中可见内圈、外圈故障特征频率(132Hz、87.7Hz),未包含滚动体、保持架故障特征频率成分(57.9Hz,9.8Hz),因此诊断为内外圈复合故障。
本发明针对快速谱峭度图在处理噪源干扰及复合故障工况下,对多个共振频带缺乏敏感性的缺点,以最大相关峭度解卷积将原始故障信号转变成四组单故障信号,以达到协助快速谱峭度图选取故障共振频带区间的目的。其特征在于以最大相关峭度解卷积作为滤波器对原始振动信号滤波,通过合理的设计解卷积参数,使原始信号通过解卷积处理后升维成四组信号,分别对应四种故障类型,且所升维得到的四组信号各对应一个故障共振频带,以快速谱峭度图处理单共振频带信号,可以准确识别故障敏感频带并进行滤波,进而得到四组信号的包络谱,通过对比四组信号包络谱与理论计算所得故障特征频率的对应关系,可以判别原复合故障信号的故障类型。同时,在最大相关峭度解卷积参数的选择上,本发明采取经验区间内的粒子群寻优方法,能够提高参数选择的准确性和自适应性。
Claims (6)
1.一种滚动轴承复合故障提取方法,其特征在于:包括以下步骤:
步骤1:样本采集:通过振动加速度传感器获得轴承运行过程的时域信号样本集;
步骤2:获得最优化解卷积滤波参数:以自适应寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化为寻优指标,寻得最佳解卷积滤波参数组合(T*,L*),T*为最优解卷积周期,L*为最优滤波器长度;
步骤3:滤波:分别使用预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数,在最优化滤波参数条件下滤波时域信号样本集,得到与内圈故障、外圈故障、滚动体故障、保持架故障相对应的解卷积滤波输出数据;
步骤4:确定故障类型:分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度分析,通过快速谱峭度图确定共振中心频率及带宽,再以共振中心频率及带宽为参数分别对与内圈故障、外圈故障、滚动体故障、保持架故障对应的输出数据进行快速谱峭度滤波,提取相应输出数据的包络谱频率特征,分别计算与理论计算故障特征频率的相关性,根据相关性判定时域信号样本集对应的故障类型。
2.根据权利要求1所述的滚动轴承复合故障提取方法,其特征在于:
所述步骤2中最优解卷积周期中心To*为To*=fs/f*,fs为采样频率,f*为故障
特征频率,解卷积周期寻优区间为滤波器长度寻优区间[50,300]。
3.根据权利要求1所述的滚动轴承复合故障提取方法,其特征在于:
所述时域信号样本集对应一种故障类型,最大相关性对应的故障类型为时域信号样本集所对应的故障类型。
4.根据权利要求1所述的滚动轴承复合故障提取方法,其特征在于:
所述时域信号样本集对应一种以上故障类型,根据相关性是否大于预设相应故障相关性阈值判定其对应的故障类型。
5.根据权利要求1所述的滚动轴承复合故障提取方法,其特征在于:
与内圈故障、外圈故障、滚动体故障、保持架故障对应的最优化滤波参数分别在预置的内圈故障参数、外圈故障参数、滚动体故障参数、保持架故障参数条件下求取。
6.根据权利要求1所述的滚动轴承复合故障提取方法,其特征在于:所述最优化解卷积滤波参数使用粒子群寻优方法在预设的解卷积周期寻优区间及滤波器长度寻优区间内以峭度值最大化寻优求取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710695141.3A CN107506710A (zh) | 2017-08-15 | 2017-08-15 | 一种滚动轴承复合故障提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710695141.3A CN107506710A (zh) | 2017-08-15 | 2017-08-15 | 一种滚动轴承复合故障提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506710A true CN107506710A (zh) | 2017-12-22 |
Family
ID=60690912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710695141.3A Pending CN107506710A (zh) | 2017-08-15 | 2017-08-15 | 一种滚动轴承复合故障提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506710A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN109596354A (zh) * | 2018-12-21 | 2019-04-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
CN109682601A (zh) * | 2019-03-04 | 2019-04-26 | 北京天泽智云科技有限公司 | 一种变转速工况下滚动轴承的早期故障识别方法 |
CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学(保定) | 滚动轴承复合故障确定的方法及终端设备 |
CN110173439A (zh) * | 2019-05-29 | 2019-08-27 | 浙江大学 | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 |
CN110261108A (zh) * | 2019-01-18 | 2019-09-20 | 北京化工大学 | 基于cnn彩色特征图的额定运转时轴承故障识别法 |
CN110647136A (zh) * | 2019-09-29 | 2020-01-03 | 华东交通大学 | 一种牵引电机驱动***复合故障检测与分离方法 |
CN111678698A (zh) * | 2020-06-17 | 2020-09-18 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN112484999A (zh) * | 2020-12-24 | 2021-03-12 | 温州大学 | 一种滚动轴承复合故障诊断方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2017
- 2017-08-15 CN CN201710695141.3A patent/CN107506710A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (4)
Title |
---|
唐贵基 等: "基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法", 《中国机械工程》 * |
唐贵基 等: "自适应最大相关峭度解卷积方法及其在轴承早期故障诊断中的应用", 《中国电机工程学报》 * |
王晓龙 等: "基于变分模态分解和1.5 维谱的轴承早期故障诊断方法", 《电力自动化设备》 * |
钟先友 等: "基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究", 《振动与冲击》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN109596354B (zh) * | 2018-12-21 | 2020-06-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
CN109596354A (zh) * | 2018-12-21 | 2019-04-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
CN110261108A (zh) * | 2019-01-18 | 2019-09-20 | 北京化工大学 | 基于cnn彩色特征图的额定运转时轴承故障识别法 |
CN109682601A (zh) * | 2019-03-04 | 2019-04-26 | 北京天泽智云科技有限公司 | 一种变转速工况下滚动轴承的早期故障识别方法 |
CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学(保定) | 滚动轴承复合故障确定的方法及终端设备 |
CN110173439A (zh) * | 2019-05-29 | 2019-08-27 | 浙江大学 | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 |
CN110173439B (zh) * | 2019-05-29 | 2020-05-08 | 浙江大学 | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 |
CN110647136A (zh) * | 2019-09-29 | 2020-01-03 | 华东交通大学 | 一种牵引电机驱动***复合故障检测与分离方法 |
CN110647136B (zh) * | 2019-09-29 | 2021-01-05 | 华东交通大学 | 一种牵引电机驱动***复合故障检测与分离方法 |
CN111678698A (zh) * | 2020-06-17 | 2020-09-18 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN111678698B (zh) * | 2020-06-17 | 2022-03-04 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN112484999A (zh) * | 2020-12-24 | 2021-03-12 | 温州大学 | 一种滚动轴承复合故障诊断方法及装置 |
CN112484999B (zh) * | 2020-12-24 | 2022-04-15 | 温州大学 | 一种滚动轴承复合故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及*** | |
CN106096313B (zh) | 一种基于奇异谱分解和谱峭度的包络分析方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN109765052B (zh) | 基于goa-asr的行星齿轮箱早期故障诊断方法 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN110555243B (zh) | 一种铣削过程中机床主轴振动信息的二维图谱构建方法 | |
CN106096200B (zh) | 一种基于小波分解和谱峭度的包络分析方法 | |
CN114004256A (zh) | 基于数字孪生体的制造装备主轴承的故障诊断方法 | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断*** | |
CN111122161A (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
CN112733612A (zh) | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN116089813A (zh) | 一种基于机器学习的风电机组传动链故障诊断方法 | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
CN105954031B (zh) | 一种基于奇异谱分解滤波的包络分析方法 | |
CN106053060B (zh) | 一种基于非线性模式分解滤波的包络分析方法 | |
CN116821762A (zh) | 一种基于多尺度图注意力融合网络的机械故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |