CN112903296B - 一种滚动轴承故障检测方法及*** - Google Patents
一种滚动轴承故障检测方法及*** Download PDFInfo
- Publication number
- CN112903296B CN112903296B CN202110097070.3A CN202110097070A CN112903296B CN 112903296 B CN112903296 B CN 112903296B CN 202110097070 A CN202110097070 A CN 202110097070A CN 112903296 B CN112903296 B CN 112903296B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- discrete
- envelope
- amplitude spectrum
- rolling bearing
- 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.)
- Active
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 174
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种滚动轴承故障检测方法及***。该方法包括获取待检测的滚动轴承的振动信号;对所述振动信号进行傅里叶变换确定离散幅值谱;利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间;并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率;将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量;利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。本发明提高了滚动轴承故障检测的准确性。
Description
技术领域
本发明涉及设备维护领域,特别是涉及一种滚动轴承故障检测方法及***。
背景技术
滚动轴承作为重要的支撑部件已广泛用于各种大型复杂旋转机械。但是,由于这些设备通常在恶劣环境和复杂工况下运行,滚动轴承不可避免地产生各种局部损伤。如果未能及时发现,不仅造成经济损失,甚至可能造成人员伤亡。对于滚动轴承而言,一旦某个部件(如内圈,外圈)出现损坏,由于缺陷表面与正常表面之间的撞击会产生一个冲击,而在旋转运动的作用下,会按照一定的周期产生一个冲击序列。因此,识别和提取振动信号中的周期脉冲对于检测滚动轴承故障至关重要。如何确定合适的中心频率和带宽来构造带通滤波器以提取振动信号中的周期脉冲一直是滚动轴承故障诊断技术的研究重点。
自适应信号分解方法可以根据信号的固有特性自动将其分解为多个模式分量,自适应确定每种模式的带宽和中心频率。因此,自适应信号分解方法为滚动轴承故障信号分析提供了有力的工具,并得到了快速的发展和应用。变分模态分解作为一种非递归式的自适应信号分解方法,可将输入信号同时分解为指定数量的模式分量,其性能优于经验模式分解。但是,变分模态分解算法性能高度依赖于输入参数,即模式数量和每个模式的初始中心频率。如果参数设置不当,会导致滚动轴承振动信号的过分解或欠分解,从而影响轴承故障特征的提取精度。
发明内容
本发明的目的是提供一种滚动轴承故障检测方法及***,提高滚动轴承故障检测的准确性。
为实现上述目的,本发明提供了如下方案:
一种滚动轴承故障检测方法,包括:
获取待检测的滚动轴承的振动信号;
对所述振动信号进行傅里叶变换确定离散幅值谱;
利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间;并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率;
将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量;所述输入参数包括模式的数量和每个模式的初始中心频率;
利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。
可选的,所述对所述振动信号进行傅里叶变换确定离散幅值谱,具体包括:
可选的,所述利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间,具体包括:
确定所述离散幅值谱的所有局部极大值及其坐标,并利用三次样条插值确定所述离散幅值谱的谱包络;
将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列;
然后利用宽度为Wd的滑动窗以逐点移动的方式将所述序列分割成J=N/2个片段;
利用最大值滤波器依次对得到J个所述片段进行处理,得到处理后的谱包络;
利用由细到粗的直方图分割算法将处理后的谱包络自动分割成P段,得到离散幅值谱的初始分割边和初始的区间;
根据所述初始分割边界,确定每个初始的区间内的离散幅值谱的最大幅值及对应的横坐标,并利用三次样条插值进行拟合;
将拟合确定的曲线作为所述离散幅值谱的新的谱包络,然后返回所述将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列的步骤,得到最终的分割边界;
根据所述最终的分割边界得到多个连续区间。
可选的,所述将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量,具体包括:
将所述连续区间的数量作为所述变分模态分解算法的模式的数量;
将每个所述连续区间的最大谱峰频率作为每个模式的初始中心频率。
一种滚动轴承故障检测***,包括:
振动信号获取模块,用于获取待检测的滚动轴承的振动信号;
离散幅值谱确定模块,用于对所述振动信号进行傅里叶变换确定离散幅值谱;
连续区间的参数确定模块,用于利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间;并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率;
模式分量确定模块,用于将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量;所述输入参数包括模式的数量和每个模式的初始中心频率;
故障检测模块,用于利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。
可选的,所述离散幅值谱确定模块具体包括:
可选的,所述连续区间的参数确定模块具体包括:
离散幅值谱的谱包络第一确定单元,用于确定所述离散幅值谱的所有局部极大值及其坐标,并利用三次样条插值确定所述离散幅值谱的谱包络;
序列确定单元,用于将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列;
序列分割单元,用于然后利用宽度为Wd的滑动窗以逐点移动的方式将所述序列分割成J=N/2个片段;
处理后的谱包络确定单元,用于利用最大值滤波器依次对得到J个所述片段进行处理,得到处理后的谱包络;
处理后的谱包络分割单元,用于利用由细到粗的直方图分割算法将处理后的谱包络自动分割成P段,得到离散幅值谱的初始分割边和初始的区间;
拟合确定单元,用于根据所述初始分割边界,确定每个初始的区间内的离散幅值谱的最大幅值及对应的横坐标,并利用三次样条插值进行拟合;
最终的分割边界确定单元,用于将拟合确定的曲线作为所述离散幅值谱的新的谱包络,然后返回所述将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列的步骤,得到最终的分割边界;
连续区间确定单元,用于根据所述最终的分割边界得到多个连续区间。
可选的,所述模式分量确定模块具体包括:
模式的数量确定单元,用于将所述连续区间的数量作为所述变分模态分解算法的模式的数量;
模式的初始中心频率确定单元,用于将每个所述连续区间的最大谱峰频率作为每个模式的初始中心频率。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种滚动轴承故障检测方法及***,首先采用一种基于谱包络的频谱分割算法对滚动轴承振动信号的幅值谱进行自动划分,从而获得多个有意义的模式分量;其次,将谱分割确定的模式数量以及每个模式中的最大谱峰频率作为变分模态分解算法的输入参数,即模式数量和每个模式的初始中心频率;最后利用变分模态分解算法对滚动轴轴承振动信号进行分解,通过计算每个模式分量的包络谱实现滚动轴承故障检测。该方法可自动选取变分模态分解算法参数,避免了人为选取的盲目性,实现了滚动轴承故障特征的有效提取,提高了算法的工程实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种滚动轴承故障检测方法流程示意图;
图2为本发明提供的待检测的滚动轴承的振动信号时域波形图;
图3为本发明提供的待检测的滚动轴承的振动信号的幅值谱;
图4为本发明提供的待检测的滚动轴承的振动信号的包络谱;
图5为本发明提供的基于谱包络的频谱分割算法确定的幅值谱的分割边界示意图;
图6为本发明提供的自适应变分模态分解算法得到分解结果示意图;
图7为本发明提供的滚动轴承振动信号分解结果的包络谱示意图;
图8为本发明所提供的一种滚动轴承故障检测***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种滚动轴承故障检测方法及***,以实现变分模态分解算法参数的自动获取和滚动轴承故障特征的有效提取,避免人为参数选取不当导致的过分解或欠分解问题,提高滚动轴承故障检测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,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为本发明所提供的一种滚动轴承故障检测方法流程示意图,如图1所示,本发明所提供的一种滚动轴承故障检测方法,包括:
S101,获取待检测的滚动轴承的振动信号。利用加速度传感器采集机械故障实验台上外圈损伤滚动轴承的振动信号,转速为1740r/min,采样频率为fs=51200Hz,得到的待检测的滚动轴承的振动信号x(n)(n=1,2,..,N)(N=15360)。
S102,对所述振动信号进行傅里叶变换确定离散幅值谱。如图2所示,对采集到待检测的振动信号x(n)进行傅里叶变换,得到相应的幅值谱X(k)(k=1,2,…,N/2),如图3所示。
S102具体包括:
S103,利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间;并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率。
所述利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间,具体包括:
确定所述离散幅值谱的所有局部极大值及其坐标,并利用三次样条插值确定所述离散幅值谱的谱包络。
将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列。
然后利用宽度为Wd的滑动窗以逐点移动的方式将所述序列分割成J=N/2个片段。
利用最大值滤波器依次对得到J个所述片段进行处理,得到处理后的谱包络。
利用由细到粗的直方图分割算法将处理后的谱包络自动分割成P段,得到离散幅值谱的初始分割边和初始的区间。
根据所述初始分割边界,确定每个初始的区间内的离散幅值谱的最大幅值及对应的横坐标,并利用三次样条插值进行拟合。
将拟合确定的曲线作为所述离散幅值谱的新的谱包络,然后返回所述将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列的步骤,得到最终的分割边界。
根据所述最终的分割边界得到多个连续区间。
作为一个具体的实施例,确定连续区间的过程具体如下:
a.找到离散幅值谱X(k)的所有局部极大值及其横坐标,并利用三次样条插值得到离散幅值谱X(k)的谱包络Ev(k);
b.将一长度为(Wd-1)/2的零值序列分别添加到谱包络Ev(k)的首尾两端,构成一长度为N/2+Wd-1的序列然后利用宽度为Wd的滑动窗以逐点移动的方式将序列分割成J=N/2个片段,第j个片段中的数据为其中j=1,2,…,J;
c.利用最大值滤波器依次对得到J个片段进行处理,得到处理后的谱包络FEv(j),FEv(j)=max{Ev(j),Ev(j+1),…,Ev(j+Wd-1)},1≤j≤J;
滑动窗宽度Wd的计算公式为Wd=k×round(N/2M)-1=378,其中M表示幅值谱X(k)的局部极大值的数量,round(.)表示四舍五入运算,在本实例中k取值为4;
d.利用由细到粗的直方图分割算法将上述得到的谱包络FEv(j)自动分割成P=36段,得到离散幅值谱X(k)的初始分割边界S0={ω0,ω1,…,ωP},其中ω0=0,ωP=fs/2。
e.根据初始分割边界S0,在每个区(ωl,ωl+1)(l=0,…,P-1)内找到幅值谱的最大幅值及其横坐标,并利用三次样条插值进行拟合,将获得的曲线作为幅值谱X(k)的新的谱包络Ev(k);
f.利用步骤b和步骤c所述的处理方法对更新后的谱包络Ev(k)进行处理,得到更新后的谱包络FEv(j);其中,所采用的滑动窗的宽度Wd的计算公式为Wd=4×round(N/2M)-1=56,其中M表示更新后谱包络Ev(k)的局部极大值的数量;
g.利用由细到粗的直方图分割算法对更新后的谱包络FEv(j)进行自动分割,获得最终的分割边界S={ω0,ω1,…,ωQ}(Q=3<P),其中ω0=0,ωQ=fs/2,结果如图5所示。
S104,将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量;所述输入参数包括模式的数量和每个模式的初始中心频率。
S104具体包括:
将所述连续区间的数量作为所述变分模态分解算法的模式的数量。
将每个所述连续区间的最大谱峰频率作为每个模式的初始中心频率。
利用上述基于谱包络的频谱分割算法得到的谱分割边界S将滚动轴承振动信号频谱分割成Q=3个片段,每个片段(ωl,ωl+1)(l=0,1,2)内最大谱峰值对应的频率作为该片段的主导频率;然后,将得到的Q=3值和每个片段对应的主导频率分别为变分模态分解算法输入参数-模式数量和每个模式的初始中心频率,设置变分模态分解算法中的惩罚参数为500,然后对滚动轴承振动x(n)进行分解,得到的分解结果如图6所示,利用Hilbert变换计算每个模式分量的包络谱,如图7所示;可以看出,与待检测的滚动轴承的振动信号的包络谱图3相比,本发明得到的包络谱中出现了滚动轴承外圈故障特征fo及其多个谐波分量,特征提取精度优于图3,预示了滚动轴承存在外圈损伤,与滚动轴承的实际健康状态相符。
S105,利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。
图8为本发明所提供的一种滚动轴承故障检测***结构示意图,如图5所示,本发明所提供的一种滚动轴承故障检测***,包括:
振动信号获取模块801,用于获取待检测的滚动轴承的振动信号。
离散幅值谱确定模块802,用于对所述振动信号进行傅里叶变换确定离散幅值谱。
连续区间的参数确定模块803,用于利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间;并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率。
模式分量确定模块804,用于将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量;所述输入参数包括模式的数量和每个模式的初始中心频率。
故障检测模块805,用于利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。
所述离散幅值谱确定模块802具体包括:
所述连续区间的参数确定模块803具体包括:
离散幅值谱的谱包络第一确定单元,用于确定所述离散幅值谱的所有局部极大值及其坐标,并利用三次样条插值确定所述离散幅值谱的谱包络。
序列确定单元,用于将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列。
序列分割单元,用于然后利用宽度为Wd的滑动窗以逐点移动的方式将所述序列分割成J=N/2个片段。
处理后的谱包络确定单元,用于利用最大值滤波器依次对得到J个所述片段进行处理,得到处理后的谱包络。
处理后的谱包络分割单元,用于利用由细到粗的直方图分割算法将处理后的谱包络自动分割成P段,得到离散幅值谱的初始分割边和初始的区间。
拟合确定单元,用于根据所述初始分割边界,确定每个初始的区间内的离散幅值谱的最大幅值及对应的横坐标,并利用三次样条插值进行拟合。
最终的分割边界确定单元,用于将拟合确定的曲线作为所述离散幅值谱的新的谱包络,然后返回所述将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列的步骤,得到最终的分割边界。
连续区间确定单元,用于根据所述最终的分割边界得到多个连续区间。
所述模式分量确定模块804具体包括:
模式的数量确定单元,用于将所述连续区间的数量作为所述变分模态分解算法的模式的数量。
模式的初始中心频率确定单元,用于将每个所述连续区间的最大谱峰频率作为每个模式的初始中心频率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种滚动轴承故障检测方法,其特征在于,包括:
获取待检测的滚动轴承的振动信号;
对所述振动信号进行傅里叶变换确定离散幅值谱;
利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间;并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率;
将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量;所述输入参数包括模式的数量和每个模式的初始中心频率;
利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测;
所述将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量,具体包括:
将所述连续区间的数量作为所述变分模态分解算法的模式的数量;
将每个所述连续区间的最大谱峰频率作为每个模式的初始中心频率。
3.根据权利要求2所述的一种滚动轴承故障检测方法,其特征在于,所述利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间,具体包括:
确定所述离散幅值谱的所有局部极大值及其坐标,并利用三次样条插值确定所述离散幅值谱的谱包络;
将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列;
然后利用宽度为Wd的滑动窗以逐点移动的方式将所述序列分割成J=N/2个片段;
利用最大值滤波器依次对得到J个所述片段进行处理,得到处理后的谱包络;
利用由细到粗的直方图分割算法将处理后的谱包络自动分割成P段,得到离散幅值谱的初始分割边界和初始的区间;
根据所述初始分割边界,确定每个初始的区间内的离散幅值谱的最大幅值及对应的横坐标,并利用三次样条插值进行拟合;
将拟合确定的曲线作为所述离散幅值谱的新的谱包络,然后返回所述将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列的步骤,得到最终的分割边界;
根据所述最终的分割边界得到多个连续区间。
4.一种滚动轴承故障检测***,其特征在于,包括:
振动信号获取模块,用于获取待检测的滚动轴承的振动信号;
离散幅值谱确定模块,用于对所述振动信号进行傅里叶变换确定离散幅值谱;
连续区间的参数确定模块,用于利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分,得到多个连续区间;并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率;
模式分量确定模块,用于将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数,并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解,得到多个模式分量;所述输入参数包括模式的数量和每个模式的初始中心频率;
故障检测模块,用于利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测;
所述模式分量确定模块具体包括:
模式的数量确定单元,用于将所述连续区间的数量作为所述变分模态分解算法的模式的数量;
模式的初始中心频率确定单元,用于将每个所述连续区间的最大谱峰频率作为每个模式的初始中心频率。
6.根据权利要求5所述的一种滚动轴承故障检测***,其特征在于,所述连续区间的参数确定模块具体包括:
离散幅值谱的谱包络第一确定单元,用于确定所述离散幅值谱的所有局部极大值及其坐标,并利用三次样条插值确定所述离散幅值谱的谱包络;
序列确定单元,用于将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列;
序列分割单元,用于然后利用宽度为Wd的滑动窗以逐点移动的方式将所述序列分割成J=N/2个片段;
处理后的谱包络确定单元,用于利用最大值滤波器依次对得到J个所述片段进行处理,得到处理后的谱包络;
处理后的谱包络分割单元,用于利用由细到粗的直方图分割算法将处理后的谱包络自动分割成P段,得到离散幅值谱的初始分割边界和初始的区间;
拟合确定单元,用于根据所述初始分割边界,确定每个初始的区间内的离散幅值谱的最大幅值及对应的横坐标,并利用三次样条插值进行拟合;
最终的分割边界确定单元,用于将拟合确定的曲线作为所述离散幅值谱的新的谱包络,然后返回所述将长度为(Wd-1)/2的零值序列分别添加到所述谱包络的首尾两端,构成长度为N/2+Wd-1的序列的步骤,得到最终的分割边界;
连续区间确定单元,用于根据所述最终的分割边界得到多个连续区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110097070.3A CN112903296B (zh) | 2021-01-25 | 2021-01-25 | 一种滚动轴承故障检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110097070.3A CN112903296B (zh) | 2021-01-25 | 2021-01-25 | 一种滚动轴承故障检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112903296A CN112903296A (zh) | 2021-06-04 |
CN112903296B true CN112903296B (zh) | 2021-12-14 |
Family
ID=76119259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110097070.3A Active CN112903296B (zh) | 2021-01-25 | 2021-01-25 | 一种滚动轴承故障检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112903296B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113310693B (zh) * | 2021-06-07 | 2024-06-25 | 华润电力技术研究院有限公司 | 一种机械故障检测方法、装置、设备及存储介质 |
CN114881072B (zh) * | 2022-04-15 | 2024-07-19 | 东北林业大学 | 一种基于峰值包络谱的傅里叶分解信号降噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4856032A (en) * | 1987-01-12 | 1989-08-08 | Motorola, Inc. | High speed programmable frequency divider and PLL |
CN108008187A (zh) * | 2017-12-08 | 2018-05-08 | 大连海洋大学 | 基于变分模态分解的电网谐波检测方法 |
CN109542089A (zh) * | 2018-12-21 | 2019-03-29 | 浙江大学 | 一种基于改进变分模态分解的工业过程非线性振荡检测方法 |
-
2021
- 2021-01-25 CN CN202110097070.3A patent/CN112903296B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4856032A (en) * | 1987-01-12 | 1989-08-08 | Motorola, Inc. | High speed programmable frequency divider and PLL |
CN108008187A (zh) * | 2017-12-08 | 2018-05-08 | 大连海洋大学 | 基于变分模态分解的电网谐波检测方法 |
CN109542089A (zh) * | 2018-12-21 | 2019-03-29 | 浙江大学 | 一种基于改进变分模态分解的工业过程非线性振荡检测方法 |
Non-Patent Citations (1)
Title |
---|
变分模态分解方法及其在滚动轴承早期故障诊断中的应用;唐贵基等;《振动工程学报》;20160831;第29卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112903296A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及*** | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
Lei et al. | A review on empirical mode decomposition in fault diagnosis of rotating machinery | |
Abdelkader et al. | Enhancement of rolling bearing fault diagnosis based on improvement of empirical mode decomposition denoising method | |
CN112903296B (zh) | 一种滚动轴承故障检测方法及*** | |
CN105651376B (zh) | 机械设备离线检测***振动信号频谱分析和报警方法 | |
JP6133112B2 (ja) | 転がり軸受の診断装置および転がり軸受の診断方法 | |
CN108731945B (zh) | 一种航空发动机转子***故障信号特征信息的提取方法 | |
CN110749442B (zh) | Laplace小波自适应稀疏表示的滚动轴承故障特征提取方法 | |
KR102093929B1 (ko) | Cim 기반의 시스템 건전성 진단을 위한 장치 및 방법 | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
CN111504640B (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
CN110987433B (zh) | 一种基于高频信号特征幅值的轴承故障预警方法 | |
Hu et al. | An optimal selection method for morphological filter’s parameters and its application in bearing fault diagnosis | |
Ding et al. | Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations | |
CN112597958B (zh) | 一种滚动轴承故障自动识别方法及*** | |
CN107941511B (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN116106004A (zh) | 基于同步提取变换的多源时频脊线提取方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN103674550A (zh) | 一种滚动轴承静电监测信号实时混合去噪方法 | |
Die et al. | Rolling bearing fault feature extraction method based on VMD and fast-kurtogram | |
CN105910701B (zh) | 基于短样本频谱校正旋转机械振动信号盲分离方法及装置 | |
CN116933059A (zh) | 一种融合方差与1d-lbp的故障识别方法 | |
CN116840153A (zh) | 一种带有故障诊断功能的文物裂缝检测*** |
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 |