CN108195584A - 一种基于准确度谱图的滚动轴承故障诊断方法 - Google Patents
一种基于准确度谱图的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN108195584A CN108195584A CN201711426261.XA CN201711426261A CN108195584A CN 108195584 A CN108195584 A CN 108195584A CN 201711426261 A CN201711426261 A CN 201711426261A CN 108195584 A CN108195584 A CN 108195584A
- Authority
- CN
- China
- Prior art keywords
- frequency range
- frequency
- accuracy
- data
- signal
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于准确度谱图的滚动轴承故障诊断方法,通过对滚动轴承待测模式和正常模式下的振动加速度信号的采集、预处理以及特征提取,然后将数据段特征数据在不同频段进行交叉验证,得到相应的一系列分类准确度找到其中的最大值,分类准确度最大的频段表明待检测振动信号和正常振动信号在所计算的故障特征频率上相差最大,因此准确度最大的频段则是待检测信号中包含信息最多的频段,随后结合平方包络分析,对滤波出来的信号做进一步分析,找出具体的故障类型。同时,本发明利用了正常振动信号做为一个基准,也进一步提升了所找频段的准确性,从而更为准确地确定所存在的故障。
Description
技术领域
本发明属于轴承故障诊断技术领域,更为具体地讲,涉及一种基于准确度谱图的滚动轴承故障诊断方法。
背景技术
滚动轴承是旋转机械中应用最广泛的一种部件,而且作为旋转机械关键部件之一,其工作状态的好坏会影响整个设备的运行状态。滚动轴承一旦发生故障,必将导致旋转机械结构失效,从而带来经济损失,严重时还会引发安全事故。因此,对滚动轴承进行故障诊断具有重要的工程意义。
滚动轴承结构发生局部故障时,其运行中的振动信号将出现周期性的脉冲冲击。为了得到振动信号中的故障信息,各种不同的故障诊断方法相继被提出。其中,几乎所有的方法最后都要用到包络谱分析,只是获得包络信号的方法不同,也就是如何获得故障信号所在频段的中心频率与带宽(即敏感频段),然后对其进行包络分析。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于准确度谱图的滚动轴承故障诊断方法,以有效地找出与正常信号有微弱区别的频段即故障信号的敏感频段,从而更为准确地确定所存在的故障。
为实现上述发明目的,本发明基于准确度谱图的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
(1)、滚动轴承振动信号的采集
使用振动数据采集仪采集待检测滚动轴承在运行状态下垂直方向的振动加速度信号,得到滚动轴承的待检测振动数据xg;
同时在相同工况下,采集正常(无故障)滚动轴承在运行状态下垂直方向的振动加速度信号,得到滚动轴承的正常振动数据xz;
(2)、振动数据预处理、特征提取以及分类准确度计算
2.1)、首先对待检测振动数据xg和正常振动数据xz均滑动分割成为N段(得到2×N个数据段),然后提取每个数据段的平方包络负熵NESE和平方包络谱负熵NESES:
其中,εx是数据段的平方包络,Ex是εx通过离散傅里叶变换获得的幅值,表示均值运算;
将每个数据段映射到一个二维平面上的一个点(该点为该数据段的特征信息),其中横纵坐标分别是平方包络负熵和平方包络谱负熵;
并将所有数据段的特征信息作为一个训练样本集合S,将它作为交叉验证的输入,并以最近邻分类方法作为交叉验证的主体,然后得到一个分类准确度Accuracy
2.2)、将2×N个数据段通过滤波器在频域上进行二分,得到2×N个低频段信号数据和2×N个高频段信号数据,按照步骤2.1)方法,得到低频段的一个低频段分类准确度Accuracy和一个高频段分类准确度Accuracy
2.3)、将2×N个数据段通过滤波器在频域上进行三分,得到2×N个低频段信号数据、2×N个中频段信号数据以及2×N个高频段信号数据,按照步骤2.1)方法,得到低频段的一个低频段分类准确度Accuracy一个中频段分类准确度Accuracy以及一个高频段分类准确度Accuracy
2.4)、这样,在频域上不断对数据段进行分割,直至指定的深度,使用交叉验证的方法,得到一系列不同频段的分类准确度Accuracy其中,j表示所在深度等级,i表示此等级下频段的索引,每个频段的中心频率和带宽计算如下,
Δf=2-j-1×fs (4)
其中,fs表示振动加速度信号的采集频率;
(3)、生成准确度谱图,记录敏感频段
得到一系列不同频段的分类准确度后,将它们放在预置的一个矩阵中,获得一副准确度谱图,并记录下准确度最高的频段(该频段为敏感频段)所在的中心频率fc和带宽△f;
(4)、敏感频段的处理
通过所得敏感频段的中心频率和带宽的信息,将待检测振动数据xg目标频段通过滤波器滤出来,得到其平方包络谱,然后观察滚动轴承的内圈、外圈、滚动体和保持架的故障特征频率,如果相应的故障特征频率处出现幅值明显变化,则认为滚动轴承发生相应的故障,从而完成故障诊断。
本发明的目的是这样实现的。
本发明基于准确度谱图的滚动轴承故障诊断方法,通过对滚动轴承待测模式和正常模式下的振动加速度信号的采集、预处理以及特征提取,然后将数据段特征数据在不同频段进行交叉验证,得到相应的一系列分类准确度Accuracy找到其中的最大值,分类准确度最大的频段表明待检测振动信号和正常振动信号在所计算的故障特征频率上相差最大,因此准确度最大的频段则是待检测信号中包含信息最多的频段,随后结合平方包络分析,对滤波出来的信号进行进一步分析,找出具体的故障类型。同时,本发明利用了正常振动信号做为一个基准,也进一步提升了所找频段的准确性,从而更为准确地确定所存在的故障。
附图说明
图1是本发明基于准确度谱图的滚动轴承故障诊断方法一种具体实施方式的流程图;
图2是图1所示滑动分割的示意图;
图3是准确度矩阵。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
本发明的本质是寻找待检测信号即振动加速度信号中的一个频段(故障信号的敏感频段),其与正常加速度信号差距最大,从而更为准确地确定所存在的故障。
本发明通过对分段信号的特征进行最近邻分类交叉验证处理从而提出了准确度谱图方法找到一个故障敏感频段,然后对其做平方包络谱找出故障特征频率信息。具体如图1所示。
图1是本发明基于准确度谱图的滚动轴承故障诊断方法一种具体实施方式的流程图。
在本实施例中,如图1所示,本发明基于敏感频段选择的滚动轴承故障诊断方法包括以下步骤:
步骤S1:滚动轴承振动信号的采集
使用振动数据采集仪采集待检测滚动轴承、正常(无故障)滚动轴承在相同运行状态即工况下垂直方向的振动加速度信号,得到滚动轴承的待检测振动数据xg以及正常振动数据xz。
步骤S2:振动数据预处理
首先就是预处理即对待检测振动数据xg以及正常振动数据xz即待分割信号进行时域上等间隔分割,这个预处理过程选择用滑动分割的算法,图2是滑动分割一个示意图,分别将他们分解为N个数据段,其中有一个的重叠量可以预先设置,这样的滑动分割灵活、可以兼顾到数据总长度和分割段数之间的关系。其中重叠量overlap、数据段数N、每段数据长度length以及总信号长度n之间的关系如下:
(N-1)×(length-overlap)+length=n (5)
在本实施例中,N=100,overlap=80,其中,重叠量overlap可根据实际的数据长度设置。
步骤S3:振动数据特征提取以及分类准确度计算
在本实施例中,首先,计算这200个数据段的两个特征(平方包络负熵NESE和平方包络谱负熵NESES),将它们看成是200个二维平面的点,然后作为一个训练样本集合S,将它作为10折交叉验证的输入,交叉验证的主体是3近邻分类方法,从而获得一个分类准确度Accuracy这个分类准确度表示在全频段上待检测数据(信号)和正常数据(信号)的差距。
然后,将每段数据在频域上分割成段低频信号和高频信号,此时就有200个低频信号数据段,根据同样的方法,能得到一个低频段的准确度Accuracy和一个高频段的准确度Accuracy它们分别指示着相应频段上正常信号和待检测信号的差异程度。
然后进一步将200个数据段在频域不断进行三分、四分,直到分割到指定的分割深度,并在每次分割后计算各个频段的分类准确度,获得一系列分类准确度Accuracy
步骤S4:生成准确度谱图,记录敏感频段
然后将所得到的一系列准确度放入矩阵中对应的位置,如图3所示,然后通过MATLAB中的imagesc函数将其展现出来,便获得了此待测模式下的一副准确度谱图。同时记录下准确图中最高的准确度并且处于更深的分割等级所在的频段,即中心频率和带宽。如果同一个等级下有相同的最大准确度,则通过待测模式下的中心到正常模式下的中心距离来判定选取哪个频段。
步骤S5:敏感频段的处理
将上一步得到的敏感频段的信息作为滤波器的参数,将所选定的频段从待检测信号xg中滤出来,将目标信号做平方后,再做傅里叶变换,得到其平方包络谱,然后在频谱上找出幅值变化显著的故障特征频率,最后得出诊断结果。
在本次实施案例中,以凯斯西储大学的滚动轴承实验数据为例,试验台的相关信息如下:
该滚动轴承故障诊断试验台由电机、转矩传感器/编码器、测力计和控制电子设备等组成。两个测试轴承(分别为驱动端轴承与风扇端轴承)支撑电机轴,并通过电火花加工技术加工了单点故障。故障严重程度(直径)包括0.007英寸、0.014英寸,0.021英寸,故障类型包含内圈故障、外圈故障和滚动体故障。由于滚动轴承外圈固定,外圈故障还包括故障点所处位置。实验中所用滚动轴承型号为6205-2RS JEM SKF。
选取驱动端轴承内圈故障8组数据作为本实验的验证,由三个加速器(分别垂向安装在驱动端、风扇端和支撑台)采集滚动轴承不同故障类型及故障严重程度下的振动数据用于诊断分析,采样频率为48kHz,每种模式采样时间大约10秒。其故障数据信息如下表所示,
表1
所用的正常数据信息如表2所示:
序号 | 轴承位置 | 模式类型 | 故障直径/英寸 | 转速(rpm) |
97 | 驱动端 | 正常 | 0.007 | 1796 |
98 | 驱动端 | 正常 | 0.014 | 1772 |
99 | 驱动端 | 正常 | 0.021 | 1748 |
100 | 驱动端 | 正常 | 0.007 | 1721 |
表2
运用本发明将上述的数据进行分析诊断可得出结果如表3所示:
表3
其中,M1:表示直接对原始信号做平方包络分析
M2:快速峭度图(Fast Kurtogram)
M3:信息图(Inforgram)
M4:本发明
Y:表示从平方包络谱中清晰的诊断出结果,展示出故障特征频率占主导;
P:表示可以分析出结果,但是所展现出的特征频率在包络谱中并不是占主导的成分;
N:表示完全不能诊断出结果;
A/B:A为驱动端传感器数据的结果即Y、P或N,B为风扇端传感器数据的结果即Y、P或N。
从表3中从滚动轴承故障诊断的实验结果可以看出,本发明与现有滚动轴承故障诊断方法(直接对原始信号做平方包络分析、快速峭度图、信息图)相比,本发明在诊断结果上明显优于其他的方法,并且具有更强的适应性。本发明应用于滚动轴承敏感频段筛选,在频段选取效率以及准确度方面也具有一定优点,也体现了利用正常信号进行监督性选择的优势。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于准确度谱图的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
(1)、滚动轴承振动信号的采集
使用振动数据采集仪采集待检测滚动轴承在运行状态下垂直方向的振动加速度信号,得到滚动轴承的待检测振动数据xg;
同时在相同工况下,采集正常(无故障)滚动轴承在运行状态下垂直方向的振动加速度信号,得到滚动轴承的正常振动数据xz;
(2)、振动数据预处理、特征提取以及分类准确度计算
2.1)、首先对待检测振动数据xg和正常振动数据xz均滑动分割成为N段(得到2×N个数据段),然后提取每个数据段的平方包络负熵NESE和平方包络谱负熵NESES:
其中,εx是数据段的平方包络,Ex是εx通过离散傅里叶变换获得的幅值,表示均值运算;
将每个数据段映射到一个二维平面上的一个点(该点为该数据段的特征信息),其中横纵坐标分别是平方包络负熵和平方包络谱负熵;
并将所有数据段的特征信息作为一个训练样本集合S,将它作为交叉验证的输入,并以最近邻分类方法作为交叉验证的主体,然后得到一个分类准确度
2.2)、将2×N个数据段通过滤波器在频域上进行二分,得到2×N个低频段信号数据和2×N个高频段信号数据,按照步骤2.1)方法,得到低频段的一个低频段分类准确度和一个高频段分类准确度
2.3)、将2×N个数据段通过滤波器在频域上进行三分,得到2×N个低频段信号数据、2×N个中频段信号数据以及2×N个高频段信号数据,按照步骤2.1)方法,得到低频段的一个低频段分类准确度一个中频段分类准确度以及一个高频段分类准确度
2.4)、这样,在频域上不断对数据段进行分割,直至预先指定的深度,使用交叉验证的方法,得到一系列不同频段的分类准确度其中,j表示所在深度等级,i表示此等级下频段的索引,每个频段的中心频率和带宽计算如下,
Δf=2-j-1×fs (4)
其中,fs表示振动加速度信号的采集频率;
(3)、生成准确度谱图
得到一系列不同频段的分类准确度后,将它们放在预置的一个矩阵中,获得一副准确度谱图,并记录下准确度最高的频段(该频段为敏感频段)所在的中心频率fc和带宽△f;
(4)、敏感频段的处理
通过所得敏感频段的中心频率和带宽的信息,将待检测振动数据xg目标频段通过滤波器滤出来,得到其平方包络谱,然后观察滚动轴承的内圈、外圈、滚动体和保持架的故障特征频率,如果相应的故障特征频率处出现幅值明显变化,则认为滚动轴承发生相应的故障,从而完成故障诊断。
2.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,步骤(3)中,如果准确度最高的频段有多个,则选取更深的分割等级所在的频段。
3.根据权利要求1所述的滚动轴承故障诊断方法,其特征在于,步骤(3)中,如果同一个等级下有相同的最大准确度,则通过待测模式下的中心到正常模式下的中心距离来判定选取敏感频段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711426261.XA CN108195584B (zh) | 2017-12-26 | 2017-12-26 | 一种基于准确度谱图的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711426261.XA CN108195584B (zh) | 2017-12-26 | 2017-12-26 | 一种基于准确度谱图的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108195584A true CN108195584A (zh) | 2018-06-22 |
CN108195584B CN108195584B (zh) | 2019-08-20 |
Family
ID=62583930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711426261.XA Expired - Fee Related CN108195584B (zh) | 2017-12-26 | 2017-12-26 | 一种基于准确度谱图的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108195584B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN110631680A (zh) * | 2019-04-26 | 2019-12-31 | 深圳市豪视智能科技有限公司 | 振动检测*** |
CN112577722A (zh) * | 2020-11-19 | 2021-03-30 | 江苏科技大学 | 基于平方包络和零频率谐振器的柴油机曲轴轴瓦弱故障特征提取和诊断方法 |
CN112766219A (zh) * | 2021-01-31 | 2021-05-07 | 石家庄铁道大学 | 基于深度可分离卷积自编码器的轴承健康评估方法和装置 |
CN113392773A (zh) * | 2021-06-17 | 2021-09-14 | 齐丰科技股份有限公司 | 基于图谱信息融合的卷积神经网络的变压器故障诊断*** |
CN116558824A (zh) * | 2023-04-19 | 2023-08-08 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及*** |
CN113392773B (zh) * | 2021-06-17 | 2024-08-02 | 齐丰科技股份有限公司 | 基于图谱信息融合的卷积神经网络的变压器故障诊断方法 |
-
2017
- 2017-12-26 CN CN201711426261.XA patent/CN108195584B/zh not_active Expired - Fee Related
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109299705B (zh) * | 2018-10-24 | 2021-08-20 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN110631680A (zh) * | 2019-04-26 | 2019-12-31 | 深圳市豪视智能科技有限公司 | 振动检测*** |
CN112577722A (zh) * | 2020-11-19 | 2021-03-30 | 江苏科技大学 | 基于平方包络和零频率谐振器的柴油机曲轴轴瓦弱故障特征提取和诊断方法 |
CN112577722B (zh) * | 2020-11-19 | 2023-06-23 | 江苏科技大学 | 基于平方包络和零频率谐振器的弱故障诊断方法 |
CN112766219A (zh) * | 2021-01-31 | 2021-05-07 | 石家庄铁道大学 | 基于深度可分离卷积自编码器的轴承健康评估方法和装置 |
CN113392773A (zh) * | 2021-06-17 | 2021-09-14 | 齐丰科技股份有限公司 | 基于图谱信息融合的卷积神经网络的变压器故障诊断*** |
CN113392773B (zh) * | 2021-06-17 | 2024-08-02 | 齐丰科技股份有限公司 | 基于图谱信息融合的卷积神经网络的变压器故障诊断方法 |
CN116558824A (zh) * | 2023-04-19 | 2023-08-08 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及*** |
CN116558824B (zh) * | 2023-04-19 | 2024-02-06 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108195584B (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108195584B (zh) | 一种基于准确度谱图的滚动轴承故障诊断方法 | |
CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
CN111435105B (zh) | 基于振动频谱图的轴承和故障频率识别 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
Shakya et al. | Bearing diagnosis based on Mahalanobis–Taguchi–Gram–Schmidt method | |
Shakya et al. | Vibration-based fault diagnosis in rolling element bearings: ranking of various time, frequency and time-frequency domain data-based damage identi cation parameters | |
Jamaludin et al. | Monitoring extremely slow rolling element bearings: part I | |
JP5740208B2 (ja) | 軸受診断方法及びシステム | |
CN103616187A (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN104111154A (zh) | 风力发电机组的振动趋势分析方法和振动趋势分析*** | |
CN109946081A (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
Doguer et al. | Vibration analysis using time domain methods for the detection of small roller bearing defects | |
De Almeida et al. | New technique for evaluation of global vibration levels in rolling bearings | |
CN103335842A (zh) | 一种基于概率密度曲线的轴承故障识别***及其方法 | |
CN109934136A (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
JP2020144096A (ja) | 多方向信号融合による対象物の状態監視・診断法および診断システム | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及*** | |
CN112132069A (zh) | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 | |
Mohamad et al. | Gear fault diagnostics using extended phase space topology | |
CN115048960A (zh) | 一种设备状态检测方法 | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
Kogan et al. | Estimation of the spall size in a rolling element bearing | |
CN116399589B (zh) | 基于rcmwe的滚动轴承微弱信号特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190820 Termination date: 20211226 |
|
CF01 | Termination of patent right due to non-payment of annual fee |