CN112926014B - 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 - Google Patents
基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 Download PDFInfo
- Publication number
- CN112926014B CN112926014B CN202110071868.0A CN202110071868A CN112926014B CN 112926014 B CN112926014 B CN 112926014B CN 202110071868 A CN202110071868 A CN 202110071868A CN 112926014 B CN112926014 B CN 112926014B
- Authority
- CN
- China
- Prior art keywords
- signal
- bearing
- signals
- low
- frequency
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法,包括以下步骤:首先利用RLS算法对轴承运行声信号进行去混响处理;其次分别采用基于最优品质因子的共振稀疏分解方法与小波降噪算法对去混响后信号中的低、高频信号进行降噪处理;对比两频段信号幅值,对信号进行放大叠加,完成信号重构;最终通过包络谱分析,判断轴承故障。本发明降低了噪声及混响对轴承信号的干扰,通过多频带降噪的方法提取轴承微弱信号,与现有的基于单频带且未考虑混响影响的声学诊断方法相比,具有噪声抑制效果好、信号有效信息损失少、诊断精度高等优点。本发明可以准确识别轴承故障,适用于滚动轴承声学诊断。
Description
技术领域
本发明涉及滚动轴承故障诊断领域,特别涉及一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法。
背景技术
滚动轴承是旋转机械最关键的部件之一,起到支撑旋转部件转动的作用,也是所有机械零件中最容易损坏的部位,在旋转类故障中,30%是由于轴承出现故障而导致的。对轴承运行过程中产生的声信号进行合理有效的分析处理是轴承故障诊断的关键,不恰当的声信号处理方法将导致无法提取轴承缺陷频率,降低诊断结果准确率。
目前基于声信号的滚动轴承故障诊断方法仅关注单一频带信号,且大都没有考虑到因多次反射引起的混响效应对直达声信号的干扰,造成了轴承部分有效信息的缺失及采集信号的失真。现有方法并未针对轴承声信号产生机理、声音传播衰减规律及传递路径特点对信号进行有效处理,诊断结果受环境噪声干扰较大、可靠性较低。
本发明针对现有问题,结合RLS去混响算法、共振稀疏分解算法及小波降噪算法,提出了一种降低混响效应影响,针对不同频段声信号特点分别进行降噪分析,并对低、高频带声信号进行放大重构的滚动轴承声学诊断方法,该方法可有效降低环境噪声及混响效应对轴承声信号的干扰,减少因声音衰减导致的信号失真,极大地提高了滚动轴承声学诊断准确率,有效增加了轴承诊断结果可靠性。
发明内容
本发明的目的在于提供一种可准确、有效地降低背景噪声干扰,提取轴承微弱冲击声信号,实现复杂声场环境下基于声信号的滚动轴承故障诊断方法。
为实现上述目的,本发明采用的技术方案为:一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法,包括以下步骤:
步骤1:在远场条件下,通过声信号采集设备获取轴承运行声信号;
步骤2:采用RLS算法对原始声信号进行去混响处理;
步骤3:滤波提取步骤2得到的去混响后信号中1500Hz以下的低频成分,使用基于最优品质因子的共振稀疏分解方法对低频段信号进行分解,得到信号在最优品质因子下的低共振分量;
步骤4:滤波提取步骤2得到的去混响后信号中6000Hz~7500Hz间的高频成分,使用小波降噪算法对高频段信号进行3层分解处理;
步骤5:对比降噪后低频、高频部分信号幅值,对高频段信号进行放大处理,将放大后的两频段信号进行线性叠加,完成轴承声信号重构;
步骤6:对步骤5得到的重构声信号进行包络谱分析;
进一步的,步骤1在远场条件下,通过声信号采集设备获取轴承运行声信号,其具体计算方法如下:
定义声音传感器与声源间的距离s,声音传感器阵列尺寸D,目标信号长度R,其计算公式如下:
进一步的,步骤2中采用RLS算法对轴承混响声信号进行消除,降低晚期反射声对轴承直达声信号的影响,其具体计算方法如下:
遗忘因子λ是一个接近但小于1的正数,在满足有效记忆长度T0大于平稳段有效时间条件下对其进行设置,其计算公式如下:
再结合信号长度N,寻找n时刻下代价函数J(n)最小值,完成去混响分析,其计算公式如下:
进一步的,步骤3中采用基于最优品质因子的共振稀疏分解方法对低频段信号进行分解得到包含轴承故障冲击信息的低共振分量。算法中品质因子Q、冗余因子r、最大分解层数Lmax具体计算方法如下:
当冗余因子r≥3时即可实现较好的局部分解性能,为减少算法运算量提高诊断效率,设定冗余因子r=3,其余各参数计算公式如下:
其中α和β分别代表算法低通、高通尺度因子。品质因子Q的数值大小表征了信号共振属性的高低,通常设置在1~9范围内且需满足高品质因子Q1大于低品质因子Q2,品质因子相近会导致信号分离效果较差,相差过大则会产生奇异信号。为根据不同信号特点实现品质因子的快速准确设定,基于最优品质因子的共振稀疏分解方法定义高、低品质因子分别在5~9及1~2范围内,以0.25为步长得到低共振分量最大峭度值时,其对应品质因子即为最优品质因子,此时分离所得低共振分量冲击效果最为明显。
进一步的,步骤4中采用小波降噪算法对高频段信号进行降噪处理,选用的3级Daubechies离散小波变换,其具体计算方法如下:
定义Daubechies离散小波变换中,放大倍数为a,平移参数为i,将母小波函数与待测声信号x(t)做卷积,其计算公式如下:
进一步的,步骤3中和步骤4中采用不同的信号降噪算法对低频、高频信号进行降噪分析。
进一步的,步骤5中基于降噪后低、高频段声信号幅值,对高频段信号进行放大处理并线性叠加,实现轴承声信号重构,其计算公式如下:
其中,y1(t)为去噪后低频段信号;y2(t)为去噪后高频段信号。
本发明与现有技术相比,其显著优点为:(1)使用RLS去混响算法对原始声信号进行处理,可以有效减少晚期反射声对轴承直达声信号的影响,降低混响效应对轴承声信号的干扰;(2)通过基于最优品质因子的共振稀疏分解算法对去混响后声信号低频段成分进行降噪分析,提取包含轴承故障冲击信息的低共振分量;(3)采用3级Daubechies离散小波对高频成分进行降噪处理,降低设备其他部件振动引起的干扰噪声对轴承声信号的影响;(4)基于去噪后的低频带、高频带幅值对信号进行放大处理并叠加重构,消除因声音衰减造成的轴承声信号失真;本发明可以有效地降低背景噪声干扰,提取轴承微弱冲击特征,实现复杂声场环境下基于声信号的滚动轴承故障诊断。
附图说明
图1为本发明一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法流程图;
图2为外圈故障原始声信号时域波形图;
图3为去混响后外圈故障声信号波形图;
图4a为去混响后外圈故障低频段信号最优品质因子峭度谱图;
图4b为去混响后外圈故障低频段信号低共振分量时域波形图;
图5为去混响后外圈故障高频段信号小波降噪后时域波形图;
图6a为重构后外圈故障信号时域波形图;
图6b为重构后外圈故障信号包络谱图;
图7为内圈故障原始声信号时域波形图;
图8为去混响后内圈故障声信号波形图;
图9a为去混响后内圈故障低频段信号最优品质因子峭度谱图;
图9b为去混响后内圈故障低频段信号低共振分量时域波形图;
图10为去混响后内圈故障高频段信号小波降噪后时域波形图;
图11a为重构后内圈故障信号时域波形图;
图11b为重构后内圈故障信号包络谱图;
具体实施方式
下面结合实施例和附图对本发明的一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法做出详细说明。
本发明的一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法,如图1所示,包括以下步骤:
步骤1,分别选用外圈故障及内圈故障轴承进行实验,待转速稳定后,在远场条件下,通过声信号采集设备获取轴承声音信号,各组实验采集原始声信号如图2及图7所示,步骤如下:
(1)对于单声音传感器测量,传感器阵列尺寸D可理解为无限小,带入公式(1)判定测量声场符合远场测量要求;
步骤2:采用RLS算法对采集声信号进行去混响处理,外圈、内圈故障原始声信号去混响后结果如图3及图8所示,步骤如下:
(1)对于大尺寸轴承,其缺陷频率在工作转速下可达到2Hz以下,为增加提出方法的适用性,在1Hz故障频率条件下,取有效记忆长度T0=1s,基于公式(2)得到遗忘因子λ=0.5,由于遗忘因子λ是一个接近但小于1的正数,因此需在满足0.5≤λ<1范围内尽量取得较小λ,故设置遗忘因子λ=0.5;
(2)输入遗忘因子λ及信号长度N至公式(3)中进行计算,寻找n时刻下代价函数J(n)最小值,完成去混响分析;
步骤3:滤波提取步骤2得到的去混响信号中1500Hz以下的低频成分,使用基于最优品质因子的共振稀疏分解方法对低频段信号进行分解,得到去混响后信号在最优品质因子下的低共振分量,其过程如下:
(1)对去混响后声信号进行低通滤波处理,获取低频段信号。
(2)设定冗余因子r=3,在减少算法运算量的同时,确保算法具备较好的局部分解性能。高、低品质因子分别在5~9及1~2范围内,以0.25为步长得到低共振分量最大峭度值时,其对应品质因子即为最优品质因子,此时分离所得低共振分量信号冲击效果最为明显,两组故障信号最优品质因子峭度谱图分别如图4a及图9a所示,高、低品质因子分别设置为Q1=5.5,Q2=2、Q1=5.25,Q2=1.75。结合冗余因子r、品质因子Q及公式(4)-(6),确定共振稀疏分解算法分解层数,各参数设定如表1所示。
表1共振稀疏分解参数表
步骤4:滤波提取步骤2得到的去混响信号中6000Hz~7500Hz间的高频成分,使用小波降噪算法对高频段信号进行3层分解处理,其过程如下:
(1)在高频率范围内对去混响后声信号进行带通滤波处理,获取高频段信号。
(2)选用db4小波作为基小波,采用公式(7)对输入高频信号x(t)进行卷积处理,完成针对去混响后声信号高频带成分的降噪处理,外圈、内圈高频带信号去噪后波形分别如图5、图10所示;
步骤5:对比降噪后低频、高频部分信号幅值,对高频段信号进行放大处理,对放大后的两频段信号进行线性叠加,完成轴承声信号重构,其过程如下:
(1)基于低频带信号y1(t)与高频带信号y2(t)幅值,对高频段信号进行放大处理,使得两频带信号幅值相同。
(2)对放大后的两频带信号进行线性叠加完成重构,两组信号重构结果如图6a与图11a所示,信号放大及叠加可通过式(8)进行计算:
步骤6:对步骤5得到的重构声信号进行包络谱分析;外圈、内圈重构后声信号包络谱图分别如图6b及图11b所示,包络谱中提取所得特征频率与各故障缺陷频率对比如表2所示。
表2各组信号特征频率提取结果
基于包络谱提取结果可以发现,外圈故障重构后声信号包络谱中存在明显的频率成分110.9Hz及其倍频信息,与外圈理论缺陷频率109.4Hz相近,可判断所测轴承存在外圈故障。同样在内圈故障重构后声信号包络谱中存在明显的频率成分151.6Hz及其倍频信息,与内圈理论缺陷频率150.8Hz相近,可判断所测轴承存在内圈故障。
Claims (4)
1.一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法,其特征在于,包括以下步骤:
步骤1:通过声信号采集设备获取轴承运行声信号;
步骤2:采用RLS算法对原始声信号进行去混响处理;
步骤3:滤波提取步骤2得到的去混响后信号中1500Hz以下的低频成分,使用基于最优品质因子的共振稀疏分解方法对低频段信号进行分解,得到信号在最优品质因子下的低共振分量;
步骤4:滤波提取步骤2得到的去混响后信号中6000Hz~7500Hz间的高频成分,使用db4小波降噪算法对其进行3层分解处理;
步骤5:依据降噪后低频、高频信号幅值大小,对高频段信号进行放大处理,并将两频段信号进行线性叠加,完成轴承声信号重构;
步骤6:对步骤5得到的重构声信号进行包络谱分析;
步骤2中采用RLS算法对轴承混响声信号进行消除,降低晚期反射声对轴承直达声信号的影响,其具体计算方法如下:
基于信号长度N与遗忘因子λ,寻找n时刻下代价函数J(n)最小值,完成去混响分析,其计算公如下:
设定λ=0.5可在满足大于信号平稳段有效时间的同时取得较高非平稳性跟踪性能。
2.根据权利要求1所述的一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法,其特征在于:步骤3中采用基于最优品质因子的共振稀疏分解方法对低频段信号进行分解得到包含轴承故障冲击信息的低共振分量,其具体计算方法如下:
对于轴承声信号,设定冗余因子r=3、高、低共振分量分解层数分别为L1=30,L2=10;品质因子Q的数值大小表征了信号共振属性的高低,在1~9范围内进行设定,信号分解所得高、低共振分量品质因子Q1与Q2的相关性ρmax(Q1,Q2)需符合条件如下,即Q1>Q2:
提出的基于最优品质因子的共振稀疏分解方法定义高、低品质因子分别在5~9及1~2范围内,以0.25为步长得到低共振分量最大峭度值时,其对应品质因子即为最优品质因子。
3.根据权利要求1所述的一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法,其特征在于:步骤4中采用小波降噪算法对高频段信号进行降噪处理,选用的3级Daubechies离散小波变换,减少设备其他振动产生声信号对轴承冲击信号的干扰。
4.根据权利要求1所述的一种基于RLS与RSSD的滚动轴承声信号多频带融合故障诊断方法,其特征在于:步骤5中基于降噪后低、高频段声信号幅值,对高频段信号进行放大处理并线性叠加,实现轴承声信号重构,其计算公式如下:
其中,y1(t)为去噪后低频段信号;y2(t)为去噪后高频段信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110071868.0A CN112926014B (zh) | 2021-01-19 | 2021-01-19 | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110071868.0A CN112926014B (zh) | 2021-01-19 | 2021-01-19 | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926014A CN112926014A (zh) | 2021-06-08 |
CN112926014B true CN112926014B (zh) | 2023-08-29 |
Family
ID=76163774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110071868.0A Active CN112926014B (zh) | 2021-01-19 | 2021-01-19 | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926014B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216681A (zh) * | 2021-11-22 | 2022-03-22 | 中国国家铁路集团有限公司 | 动车组滚动轴承健康状态确定方法及装置 |
CN114813129B (zh) * | 2022-04-30 | 2024-03-26 | 北京化工大学 | 基于wpe与emd的滚动轴承声信号故障诊断方法 |
CN116378912A (zh) * | 2023-06-02 | 2023-07-04 | 浙江大学海南研究院 | 风力发电机早期复合故障诊断方法、装置和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN105588720A (zh) * | 2015-12-15 | 2016-05-18 | 广州大学 | 基于声信号形态分量分析的滚动轴承故障诊断装置及方法 |
CN109632311A (zh) * | 2019-01-21 | 2019-04-16 | 北京化工大学 | 一种自适应声信号轴承故障诊断方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN110806315A (zh) * | 2019-11-20 | 2020-02-18 | 北京工业大学 | 一种基于倒位编辑的齿轮箱复合故障诊断方法 |
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 |
CN111693279A (zh) * | 2020-05-22 | 2020-09-22 | 电子科技大学 | 基于mpga参数化共振稀疏分解的机械故障诊断方法 |
-
2021
- 2021-01-19 CN CN202110071868.0A patent/CN112926014B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN105588720A (zh) * | 2015-12-15 | 2016-05-18 | 广州大学 | 基于声信号形态分量分析的滚动轴承故障诊断装置及方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN109632311A (zh) * | 2019-01-21 | 2019-04-16 | 北京化工大学 | 一种自适应声信号轴承故障诊断方法 |
CN110806315A (zh) * | 2019-11-20 | 2020-02-18 | 北京工业大学 | 一种基于倒位编辑的齿轮箱复合故障诊断方法 |
CN111693279A (zh) * | 2020-05-22 | 2020-09-22 | 电子科技大学 | 基于mpga参数化共振稀疏分解的机械故障诊断方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断;李星 等;《振动工程学报》;第28卷(第06期);998-1005 * |
Also Published As
Publication number | Publication date |
---|---|
CN112926014A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926014B (zh) | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 | |
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
CN103547220B (zh) | 波束成形方法以及超声波诊断装置 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN111652031A (zh) | 一种基于改进经验小波变换的滚动轴承故障诊断方法 | |
CN111024209B (zh) | 一种适用于矢量水听器的线谱检测方法 | |
CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
CN107886078B (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
CN109932624B (zh) | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 | |
CN111856401A (zh) | 一种基于互谱相位拟合的时延估计方法 | |
CN115840879A (zh) | 一种增材制造构件超声检测回波信号处理方法及*** | |
CN113188797B (zh) | 一种基于传声器阵列的轴承故障诊断方法 | |
Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
Tariq et al. | Multimodal lung disease classification using deep convolutional neural network | |
CN117030268B (zh) | 一种滚动轴承故障诊断方法 | |
CN111623968B (zh) | 一种基于自适应形态滤波的故障特征提取方法 | |
Ou et al. | Frame-based time-scale filters for underwater acoustic noise reduction | |
CN117056675A (zh) | 一种基于小波变换和粒子滤波结合的漏磁信号降噪方法 | |
CN115015942B (zh) | 一种自适应水下目标声学测速装置及方法 | |
CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN106057211A (zh) | 一种信号匹配方法及装置 | |
CN112147226B (zh) | 一种基于激光超声信号小波降噪的最优分解层数确定方法 | |
CN112764108B (zh) | 一种基于改进经验小波变换的新型地震资料噪声压制算法 | |
CN112924926B (zh) | 一种多途信道下的doa估计方法 | |
CN112149626B (zh) | 一种发动机爆震特征频率提取方法 |
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 |