CN111678699A - 一种面向滚动轴承早期故障监测与诊断方法及*** - Google Patents

Abstract

本发明公开了一种面向滚动轴承早期故障监测与诊断方法，解决了现有技术中早期故障存在漏检或延迟检出的问题，具有实现在线监测滚动轴承的运行状态，在滚动轴承出现早期故障时及时准确的监测到的有益效果，具体方案如下：一种面向滚动轴承早期故障监测与诊断方法，包括采集轴承运行时的振动信号，用非重叠的滑动窗将采集的振动信号划分为多个信号片段，使用具有自适应时频分辨率的小波包分解技术对每个信号片段进行分解，得到每个片段的在不同频带的小波包系数；利用能够捕获数据相关性的图模型对每个小波包系数序列进行图建模，形成小波包系数图集，根据图建模进行故障监测与故障诊断。

Description

一种面向滚动轴承早期故障监测与诊断方法及***

技术领域

本发明属于机械***中状态监测与故障诊断技术领域，尤其是一种面向滚动轴承早期故障监测与诊断方法及***。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

滚动轴承的早期故障监测与诊断在现在工业领域研究中的热点，特别是随着智能化技术的发展，使得机械设备的自动化程度越来越高，而滚动轴承是机械设备的关键部件，故对滚动轴承的运行状态监测也提出的更高的要求。滚动轴承在运行中出现的故障在早期阶段均比较微弱，现阶段所采集的信号属于弱信号，发明人发现，若采用目前常用的频域监测技术对其信号进行处理时，有效的故障信息会被整个频率带所稀释，进而造成对早期故障的漏检，从而在滚动轴承发生明显故障时才被检测出来，严重时引起经济财产损失；同时，在故障诊断阶段，需要对轴承的结构精确地建立动力学模型，而建立过程中动力学模型结构参数需要非常精确，否则影响到模型建立的精度，而且不同的轴承所建立的模型也是有较大区别的，这不利于智能化和自动化***的建立；若采用时频方法的短时傅里叶变化时，早期故障的弱信息也受到时频的分辨的影响，对于固定的时频分辨率会弱化有效的故障信息，造成漏检或延迟检测出早期故障，造成经济损失。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种面向滚动轴承早期故障监测与诊断方法，能够增强早期故障信号中微弱的特征信息，降低漏检的概率；并将监测得到的信号进行分析处理，实现在线监测滚动轴承的运行状态，在滚动轴承出现早期故障时及时准确的监测到，并预警提示，然后对早期的故障类型进行故障的类型判别。

为了实现上述目的，本发明是通过如下的技术方案来实现：

一种面向滚动轴承早期故障监测与诊断方法，采集轴承运行时的振动信号，用非重叠的滑动窗将采集的振动信号划分为多个信号片段，使用具有自适应时频分辨率的小波包分解技术对每个信号片段进行分解，得到每个片段的在不同频带的小波包系数；利用能够捕获数据相关性的图模型对每个小波包系数序列进行图建模，形成小波包系数图集，根据图建模进行故障监测与故障诊断。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，所述故障监测包括如下内容：每个频带上的小波包系数图按时序进行相似度度量，得到相似度分数，将多维的相似度分数融合为一维的异常度分数，以将多种故障通过一维的异常度分数被监测；对异常度分数序列进行健康状态的评估，确认是否有早期故障的发生。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，通过自适应多维序列融合的算法将所述多维的相似度分数融合为一维的异常度分数。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，使用假设检验对所述异常度分数序列进行健康状态的评估。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，所述故障诊断包括如下内容：在监测到异常状态后，对监测到异常状态下的信号片段的小波包系数图集进行进一步的故障分辨特征提取，并构建奇异值特征序列，将得到的待诊断的特征与训练集的特征进行判别，诊断出故障的类型。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，所述故障分辨特征提取包括奇异值提取，采用奇异值分解技术对信号片段的每一个图模型进行奇异值提取，并按照序数构建奇异值特征序列。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，所述利用能够捕获数据相关性的图模型对每个小波包系数序列进行图建模,包括如下内容:将小波包系数序列中任意两个系数

和

作为图模型的顶点，将连接这两个顶点的线作为图模型的边l(p,q)；计算两个系数

和

之间的欧式距离作为边l(p,q)的权重d(p,q)；进而小波包系数序列构建的图模型

由邻接矩阵α表示，其中α＝{d(p,q)}；

采用上述的图建模方式对小波包系数序列集中的每个小波包系数进行建模，可以获得对应的所述小波系数图集。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，所述自适应多维序列融合的算法包括如下内容：

为了消除多维数据之间尺度的差异，进行数据的标准化处理，按照如下公式对相似度

进行标准化处理，得出第j维第i个标准化后的数据

其中，min{s_3,j}和max{s_3,j}分别为多维相似度分数

中最小值和最大值，k为监测到的第k个信号片段；

根据方差公式,

计算自适应多维融合的权重w_3，j,

其中，

为第j维第i个标准化后数据的平均值；

根据得到的多维融合的权重，将多维的相似度分数融合为一维的异常度分数q_k：

将多维的相似度分数转化为一维的异常度分数{q₁,q₂,....,q_k}。

如上所述的一种面向滚动轴承早期故障监测与诊断方法，所述采用奇异值分解技术对信号片段的每一个图模型进行奇异值提取，包括如下内容：

对其中任一图模型

进行奇异值分解

其中U和V分别为左奇异矩阵和右奇异矩阵,u₁为是左奇异矩阵U的第1个行向量，v₁为是右奇异矩阵V的第1个列向量，∑为对角矩阵，且对角元素[σ₁,σ₂,...,σ_n]为分解后的奇异值序列，n为自然数；选取前10％的奇异值段

构建奇异值特征序列；

将小波包系数图集中的每个图模型进行上述的操作，获得多个奇异值段，使其按照小波包系数图集中的顺序进行串联排列，获得奇异值特征序列

如上所述的一种面向滚动轴承早期故障监测与诊断方法，通过KNN分类器(近邻分类器)对所述奇异值特征序列进行故障类型的判别。

第二方面，本发明还提供了一种面向滚动轴承早期故障监测与诊断***，包括滚动轴承状态信号采集模块、滚动轴承状态信号建模模块、滚动轴承故障监测模块、滚动轴承故障诊断模块。

滚动轴承状态信号采集模块，用于采集被监测滚动轴承的状态信号；

滚动轴承状态信号建模模块，与滚动轴承状态信号采集模块连接，滚动轴承状态信号建模模块利用小波包分解方法对采集的滚动轴承状态信号进行分解以获取小波包系数；滚动轴承状态信号建模模块利用图模型对小波包系数进行建模，形成小波包系数图集，以表征滚动轴承的状态信息；

滚动轴承故障监测模块，与滚动轴承状态信号建模模块连接，滚动轴承故障监测模块对每个频带上的小波包系数图进行相似度度量以获得相似度分数；将多维的相似度分数融合为一维的异常度分数；对异常度分数序列采用基于假设检验的异常决策检测算法实现滚动轴承健康状态的评估；

利用自适应多维序列融合的算法将多维的相似度分数融合为一维的异常度分数。

滚动轴承故障诊断模块，与滚动轴承故障监测模块相连，滚动轴承故障诊断模块对监测到异常状态下的信号片段的小波包系数图集，构建奇异值特征序列作为故障分辨特征；将该特征送入分类器以识别出滚动轴承故障的类型。

上述本发明的有益效果如下：

1)本发明采用图模型对小波包系数进行建模，考虑了小波包系数之间的相关性并描述小波包系数的整体性，增加了早期故障弱信号特征的表现力，相对于其他的小波包技术信号处理的增强方式，如峭度、能量、熵和多尺度熵排列来说，能够很好地描述数据的相关性，增强小波包技术；对小波包系数之间和整体的数据信息挖掘和表现更加的完整，能够增强早期故障信号中微弱的特征信息，降低漏检的概率，使后续的监测和诊断更加的准确全面。

2)本发明采用自适应多维序列融合的算法将单一频带上的信息融合为一个监测指标，能够更加智能化的满足实际工业中对出现多样性的故障全面的监测的问题；相比于目前的频域分析方法，在特定频率范围内诊断故障，该方法不需要先验的结构特征频率，便可以实现多个频率带的监测。

3)本发明采用奇异值分解技术的方法对图模型的特征信息进行提取，能够较完整地保留下图模型的特征信息，同时能简化计算的复杂度，加快早期故障诊断的速度，不会造成延误；相比较于其他的诊断方法，本本发明方法具有在较小的训练样下有较高诊断精度。

4)本发明提出的方法，能够及时有效的对其运行状态进行在线监测，并出现早期故障症状时发出预警指示，且对早期故障的类型进行故障类型的判别，以便相关操作人员做出合理的维护方案，减少停机造成的经济损失等。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例1中提出的一种面向滚动轴承早期故障监测与诊断方法的整体流程图；

图2是本发明实施例1中在仿真信号中应用自适应多维算法的实例图；

图3是本发明实施例1中在具体实验得到的早期故障监测实例数据分析图；

图4是本发明实施例1中在具体实验得到的早期故障诊断分辨特征集的三维可视图；

图5是本发明实施例1中在具体实验中得到的早期故障诊断结果图。

图6是本发明实施例2中一种面向滚动轴承早期故障监测与诊断***的流程示意图；

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非本发明另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；

为了方便叙述，本发明中如果出现“上”、“下”、“左”“右”字样，仅表示与附图本身的上、下、左、右方向一致，并不对结构起限定作用,仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

正如背景技术所介绍的，现有技术中存在早起故障漏检的问题，为了解决如上的技术问题，本发明提出了一种面向滚动轴承早期故障监测与诊断方法。

实施例1

以滚动轴承作为监测对象，本发明的一种典型的实施方式中，一种面向滚动轴承早期故障监测与诊断方法，包括如下内容：

步骤1，利用振动加速度传感器收集被监测轴承的振动信号X，采用一个非重叠的滑动窗将采集的振动信号划分为多个信号片段{X¹,X²,X³,...,X^k}；对每个信号片段进行3层的小波包分解，以第k个信号片段X^k为例，可以分解为小波包系数序列集

其中

为第三层第j(j＝0,1,...,7)个小波包系数序列。

步骤2，利用图模型对上述获得小波包系数序列

进行图建模；将小波包系数序列中任意两个系数

和

作为图模型的顶点，将连接这两个顶的线作为图模型的边l(p,q)；然后计算两个系数

和

之间的欧式距离作为边l(p,q)的权重d(p,q)；进而小波包系数序列构建的图模型

可以由邻接矩阵α表示，其中α＝{d(p,q)}。

采用上述的图建模方式对小波包系数序列集

中的每个小波包系数进行建模，可以获得由小波包系数图组成的对应小波系数图集

早期故障监测：

步骤3，对某一特定频带的小波包系数图模型，在时序上具有相近特征信息，即第j个子频带在时序上的图模型为

通过度量两个图模型之间的相似度分数可以判断是否在该频带有异常发生。对于k个片段，在特定频带的相似度分数

可以通过下式计算获得，

n指图模型的维数，由上述的特定频带的相似度序列

可以评估该频带是否有异常的发生。

步骤4，为了满足实际工业应用中出现多种多样的故障，因为不同类型的故障反映在不同的频带上，一些采用频域的故障监测时，需要给出滚动轴承的工况以及相应的结构模型，这个比较费时且需要专业人士完成。因此本实施例提出一种自适应多维融合算法将多维的相似度分数融合为一维的异常度分数，不需要研究机械设备的工况和结构特性，进而实现早期故障监测的智能化。

自适应多维融合算法的具体计算如下：

(1)为了消除多维数据之间尺度的差异，进行数据的标准化处理，对相似度分数序列

进行标准化处理，得出第j维第i个标准化后的数据

其中，min{s_3,j}和max{s_3,j}分别为多维相似度分数

中最小值和最大值，k为监测到的第k个信号片段。

(2)方差是能够反映数据波动状况的一个重要指标，这里认为较小的方差在后续的决策中扮演更重要的角色，其计算公式为，

其中，

为第j维第i个标准化后数据的平均值；

(3)根据上述的方差可以计算自适应多维融合的权重w_3，j,

(4)根据上述的计算得到的多维权重，可以将多维的相似度分数融合为一维的异常度分数q_k

最终多维的相似度分数转化为一维的异常度分数{q₁,q₂,....,q_k}。

步骤5，对于上述的异常度分数，采用基于假设检验的异常决策检测是否有异常的状态的产生，检测过程如下：

H₀:q_k≤|μ_k-1±3σ_k-1|

H₁:q_k>|μ_k-1±3σ_k-1|

其中H₀表示没有异常的状态发生，而H₁表示有异常的状态发生；μ_k-1和σ_k-1分别为前k-1个异常度分数的均值和方差。

图2展示一个仿真信号的多维相似度分数和一维的异常度分数，且在异常度分数上监测到状态1正常状态到状态2故障状态的故障点。

图3展示一个实测信号的早期故障监测实例，该实测信号是来西安交通大学的全寿命轴承实验数据库，可以看见本方法能够在故障的早期及时的监测到，并给出相应的指示。

早期故障的诊断：

步骤6，在监测到有故障产生后，对测到异常点的一个信号片段的小波包系数图集

进一步提取故障判别特征。因为图模型是二维的特征，对多个图进行直接判断会增加识别的复杂度，不利于在监测出早期故障点后及时的判断出故障的类型。因为图模型是邻接矩阵，且奇异值分解能够保留原来的特征信息，故这里奇异值分解技术用来对图集中的每个图模型进行分解并提取出其奇异值序列，构建奇异值特征序列。其具体计算如下：

(1)对其中任一图模型

进行奇异值分解

其中U和V分别为左奇异矩阵和右奇异矩阵，∑为对角矩阵，且对角元素[σ₁,σ₂,...,σ_n]为分解后的奇异值序列。由于奇异值有信息集中在前部分，故选取了前10％(m＝0.1n)的奇异值段

去构建奇异值特征序列。

(2)将图集中的每个图模型进行上述的操作，可以获得8个奇异值段，使其按照图集中的顺序进行串联排列可以获得奇异值特征序列

获得奇异值特征序列将被送入分类器进行故障类型的判别。

图4展示了在早期故障中提取的奇异值特征序列的可视化图，可以清楚的看见同类聚集在一起，而不同类的分开较大，表示特征序列具有很强的可分性，能够准确有效的诊断出早期故障。该部分的早期故障实验数据是来自凯斯西储大学数轴承数据库。

步骤7，分类器的类型有很多，这里利用最简单且方便的KNN分类器对上述的奇异值特征序列进行故障类型的判别。

图5展示了以10％的训练样本下，早期故障的监测结果，可以清楚地看见就所提出的方法能够识别出故障的类型，且精度为100％。

实施例2

一种面向滚动轴承早期故障监测与诊断***，参考图6所示，包括滚动轴承状态信号采集模块、滚动轴承状态信号建模模块、滚动轴承故障监测模块、滚动轴承故障诊断模块。

滚动轴承状态信号采集模块用于采集被监测滚动轴承的状态信号；

滚动轴承状态信号建模模块与滚动轴承状态信号采集模块连接，滚动轴承状态信号建模模块首先利用小波包分解方法对采集的滚动轴承状态信号进行分解以获取小波包系数；再利用图模型对获得的每个频带上的小波包系数进行图建模，可以得到一个包含多个图模型的图集，以表征滚动轴承的状态信息。

滚动轴承故障监测模块与滚动轴承状态信号建模模块连接，滚动轴承故障监测模块对每个频带上的小波包系数图按时序进行相似度度量以获得相似度分数；然后利用一种自适应多维序列融合的算法将多维的相似度分数融合为一维的异常度分数，即滚动轴承健康状态监测的指标；然后采用基于假设检验的异常决策检测算法对异常度分数序列进行评估，以实现滚动轴承健康状态评估，完成滚动轴承故障的监测。

滚动轴承故障诊断模块与滚动轴承故障监测模块相连，滚动轴承故障诊断模块对监测到故障的图集进行故障特征的进一步提取，首先利用奇异值分解算法对图集中的每个图模型进行分解获取其奇异值，并利用其前10％重新构建出故障分辨特征，即奇异值序列特征；将该特征送入KNN分类器以识别出滚动轴承故障的类型。

其中，滚动轴承状态信号采集模块包括振动加速度传感器、位移传感器等。

滚动轴承状态信号建模模块、滚动轴承故障监测模块、滚动轴承故障诊断模块集成于控制器中，控制器与滚动轴承状态信号采集模块连接，控制器可为工控机或其他类型的控制器。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向滚动轴承早期故障监测与诊断方法，其特征在于，采集轴承运行时的振动信号，用非重叠的滑动窗将采集的振动信号划分为多个信号片段，使用具有自适应时频分辨率的小波包分解技术对每个信号片段进行分解，得到每个片段的在不同频带的小波包系数；利用能够捕获数据相关性的图模型对每个小波包系数序列进行图建模，形成小波包系数图集，根据图建模进行故障监测与故障诊断。

2.根据权利要求1所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，所述故障监测包括如下内容：每个频带上的小波包系数图按时序进行相似度度量，得到相似度分数，将多维的相似度分数融合为一维的异常度分数，以将多种故障通过一维的异常度分数被监测；对异常度分数序列进行健康状态的评估，确认是否有早期故障的发生。

3.根据权利要求2所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，通过自适应多维序列融合的算法将所述多维的相似度分数融合为一维的异常度分数。

4.根据权利要求2所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，使用假设检验对所述异常度分数序列进行健康状态的评估。

5.根据权利要求1或2所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，所述故障诊断包括如下内容：在监测到异常状态后，对监测到异常状态下的信号片段的小波包系数图集进行进一步的故障分辨特征提取，并构建奇异值特征序列，将得到的待诊断的特征与训练集的特征进行判别，诊断出故障的类型。

6.根据权利要求5所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，所述故障分辨特征提取包括奇异值提取，采用奇异值分解技术对信号片段的每一个图模型进行奇异值提取，并按照序数构建奇异值特征序列。

7.根据权利要求1所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，所述利用能够捕获数据相关性的图模型对每个小波包系数序列进行图建模,包括如下内容:将小波包系数序列中任意两个系数

和

作为图模型的顶点，将连接这两个顶点的线作为图模型的边l(p,q)；计算两个系数

和

之间的欧式距离作为边l(p,q)的权重d(p,q)；进而小波包系数序列构建的图模型

由邻接矩阵α表示，其中α＝{d(p,q)}。

8.根据权利要求3所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，所述自适应多维序列融合的算法包括如下内容：

为了消除多维数据之间尺度的差异，进行数据的标准化处理，按照如下公式对相似度

进行标准化处理：

其中min{s_3,j}和max{s_3,j}分别为多维相似度分数

中最小值和最大值；

根据方差公式，

计算自适应多维融合的权重w_3，j,

根据得到的多维融合的权重，将多维的相似度分数融合为一维的异常度分数q_k：

9.根据权利要求6所述的一种面向滚动轴承早期故障监测与诊断方法，其特征在于，所述采用奇异值分解技术对信号片段的每一个图模型进行奇异值提取，包括如下内容：

对其中任一图模型

进行奇异值分解

其中U和V分别为左奇异矩阵和右奇异矩阵，∑为对角矩阵，且对角元素[σ₁,σ₂,...,σ_n]为分解后的奇异值序列；选取前10％的奇异值段

构建奇异值特征序列；

将小波包系数图集中的每个图模型进行上述的操作，获得多个奇异值段，使其按照小波包系数图集中的顺序进行串联排列，获得奇异值特征序列

10.一种面向滚动轴承早期故障监测与诊断***，其特征在于，包括：

滚动轴承状态信号采集模块，用于采集被监测滚动轴承的状态信号；

滚动轴承状态信号建模模块，与滚动轴承状态信号采集模块连接，滚动轴承状态信号建模模块利用小波包分解方法对采集的滚动轴承状态信号进行分解以获取小波包系数；滚动轴承状态信号建模模块利用图模型对小波包系数进行建模，形成小波包系数图集，以表征滚动轴承的状态信息；

滚动轴承故障监测模块，与滚动轴承状态信号建模模块连接，滚动轴承故障监测模块对每个频带上的小波包系数图进行相似度度量以获得相似度分数；将多维的相似度分数融合为一维的异常度分数；对异常度分数序列采用基于假设检验的异常决策检测算法实现滚动轴承健康状态的评估；

滚动轴承故障诊断模块，与滚动轴承故障监测模块相连，滚动轴承故障诊断模块对监测到异常状态下的信号片段的小波包系数图集，构建奇异值特征序列作为故障分辨特征；将该特征送入分类器以识别出滚动轴承故障的类型。

Images