CN113310693A - 一种机械故障检测方法、装置、设备及存储介质 - Google Patents
一种机械故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113310693A CN113310693A CN202110631324.5A CN202110631324A CN113310693A CN 113310693 A CN113310693 A CN 113310693A CN 202110631324 A CN202110631324 A CN 202110631324A CN 113310693 A CN113310693 A CN 113310693A
- Authority
- CN
- China
- Prior art keywords
- detected
- frequency
- spectrum
- frequency spectrum
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000001228 spectrum Methods 0.000 claims abstract description 238
- 230000011218 segmentation Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000005192 partition Methods 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims description 23
- 238000005096 rolling process Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种机械故障检测方法、装置、设备及存储介质，包括：对待检测机械运行中产生的振动信号进行采集，得到待检测信号及相应的待检测频谱；确定待检测机械对应的故障频率和待检测频谱对应的频谱分辨率，基于故障频率和频谱分辨率确定分割因子；分割因子表征故障频率在待检测频谱中对应的数据点数；基于分割因子对待检测频谱进行划分，并根据划分结果得到待检测频谱对应的频谱包络线；根据频谱包络线确定待检测频谱对应的分割边界，基于分割边界利用小波变换进行故障检测。本申请通过故障频率和频谱分辨率得到分割因子，并基于分割因子对频谱分段后得到的频谱包络线确定分割边界，无需人为设置频谱的分段数量，以提高故障识别效率。
Description
技术领域
本发明涉及信号处理技术领域，特别涉及一种机械故障检测方法、装置、设备及存储介质。
背景技术
传动链(风电机组的主轴、齿轮箱及发电机轴承)是风力发电机组的关键部件，其健康状态直接影响机组的运行可靠性和安全性。目前普遍采用测量和分析传动链的振动信号的方式对其进行故障诊断，受风力发电机运行特性影响，其轴承的振动信号为非平稳信号，而且存在多源耦合现象。轴承故障产生的摩擦和冲击，通常体现为频谱中的谐波成分。轴承故障振动信号出现周期性冲击，一般通过频谱分析和包络谱分析可识别故障特征频率。然而，如果轴承同时存在多点复合故障，且信号中噪声干扰较大，容易造成对轻微故障成分的漏诊。信号分解方法能够抑制监测信号中的随机噪声成分，增强故障特征信息，从而提升故障识别效果，是轴承故障特征提取的一种有效方法。
目前，利用经验小波变换算法进行信号分解存在两点较为突出的缺点，影响了其在实际中问题中的应用。其一是需要人为设置频谱分割数量。分割数量直接影响了分割边界的确立，要想获得较好的分割效果，需要设置多次分割数量进行调试。其二是该分割方法缺乏实际意义，localmax方法没有实际物理意义支持，不符合振动信号故障分布机理，难以将故障成分合理筛出。
发明内容
有鉴于此，本发明的目的在于提供一种机械故障检测方法、装置、设备及存储介质，无需人为设置频谱的分段数量，以提高故障识别效率。其具体方案如下：
本申请的第一方面提供了一种机械故障检测方法，包括：
对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；
确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；
基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；
根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。
可选的，所述获取所述待检测信号对应的待检测频谱，包括：
对所述待检测信号进行傅立叶变换，以得到所述待检测信号对应的待检测频谱。
可选的，所述基于所述故障频率和所述频谱分辨率确定分割因子，包括：
根据所述故障频率确定频率值大于或等于两倍的所述故障频率的分割频率，并根据所述分割频率和所述频谱分辨率确定分割因子。
可选的，所述基于所述分割因子对所述待检测频谱进行划分，包括：
按照依次将与所述分割因子对应数值个的连续数据点划分一次的方式对所述待检测频谱进行划分，以得到与所述待检测频谱对应的多个第一频率段。
可选的，所述根据划分结果得到所述待检测频谱对应的频谱包络线，包括：
通过峰值连线的方式将多个所述第一频率段中的极大值进行连接，以得到所述待检测频谱对应的频谱包络线；
相应的，所述根据所述频谱包络线确定所述待检测频谱对应的分割边界，包括：
确定所述频谱包络线对应的局部极小值，并基于所述局部最小值确定所述待检测频谱对应的分割边界。
可选的，所述基于所述局部最小值确定所述待检测频谱对应的分割边界，包括：
判断所述局部最小值是否大于预设阈值，如果是，则将所述局部最小值确定所述待检测频谱对应的分割边界。
可选的，所述基于所述分割边界利用小波变换对所述待检测机械进行故障检测，包括：
利用所述分割边界对所述待检测频谱进行分割，以得到与所述待检测频谱对应的多个第二频率段；
利用迈耶小波对每个所述第二频率段进行小波变换，得到相应的模态分量，并基于所述模态分量对所述待检测机械进行故障检测。
可选的，所述待检测机械为滚动轴承，所述故障频率为滚动轴承内圈的故障频率。
本申请的第二方面提供了一种机械故障检测装置，包括：
采集模块，用于对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；
确定模块，用于确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；
划分模块，用于基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；
检测模块，用于根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。
本申请的第三方面提供了一种电子设备，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述机械故障检测方法。
本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述机械故障检测方法。
本申请中，先对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；然后确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；接着基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；最后根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。本申请采集待检测机械的待检测信号，通过待检测机械的故障频率和待检测信号的频谱分辨率得到分割因子，并基于分割因子对频谱分段后得到的频谱包络线确定分割边界，进而基于所述分割边界利用小波变换对所述待检测机械进行故障检测，上述过程无需人为设置频谱的分段数量，以提高故障识别效率。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种机械故障检测方法流程图；
图2为本申请提供的一种具体的机械故障检测方法示意图；
图3为本申请提供的一种迈耶小波处理结果示意图；
图4为本申请提供的一种包络谱示意图；
图5为本申请提供的一种频谱分割结果示意图；
图6为本申请提供的一种机械故障检测装置结构示意图；
图7为本申请提供的一种机械故障检测电子设备结构图。
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。
现有的利用经验小波变换算法进行信号分解存在两点较为突出的缺点，影响了其在实际中问题中的应用。其一是需要人为设置频谱分割数量，分割数量直接影响了分割边界的确立，要想获得较好的分割效果，需要设置多次分割数量进行调试。其二是该分割方法缺乏实际意义，localmax方法没有实际物理意义支持，不符合振动信号故障分布机理，难以将故障成分合理筛出。针对上述技术缺陷，本申请实施例提出了一种机械故障检测方案，通过待检测机械的故障频率和待检测信号的频谱分辨率得到分割因子，并基于分割因子对频谱分段后得到的频谱包络线确定分割边界，进而基于所述分割边界利用小波变换对所述待检测机械进行故障检测，上述过程无需人为设置频谱的分段数量，以提高故障识别效率。
图1为本申请实施例提供的一种机械故障检测方法流程图。参见图1所示，该机械故障检测方法包括：
S11：对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱。
本实施例中，可以在待检测机械上设置压电传感器以对所述待检测机械运行中产生的振动波形，也即振动信号进行采集，以得到与所述待检测机械对应的待检测信号。所述压电式传感器是一种基于压电效应的传感器，敏感元件由压电材料制成，所述压点材料可以为各类压电陶瓷、石英晶体等，具有频带宽、灵敏度高、信噪比高、结构简单、工作可靠和重量轻等优点。在此基础上，可以通过傅立叶变换获取所述待检测信号对应的待检测频谱。频谱是指一个时域的信号在频域下表示方式，结果是分别以振幅及相位为纵轴，频率为横轴的两张图。有时也以“振幅频谱”表示振幅随频率变化的情形，“相位频谱”表示相位随频率变化的情形。
S12：确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数。
本实施例中，在采集到与所述待检测机械对应的待检测信号及与所述待检测信号对应的待检测频谱后，进一步确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率。所述故障频率表示为Fz，为所述待检测机械的故障次数与设备总开动时间之比，即所述待检测机械在单位开动时间内发生故障的次数，例如对于滚动轴承来说，表现为所述滚动轴承上的一个故障点转动一圈的时间。所述频谱分辨率f0为在使用可测试性设计时，在频率轴上的所能得到的最小频率间隔，公式表示为:
其中，fs为采样频率，N为总数据点数，故本实施例中的所述分割因子(SF，Segmentation factor)可以为所述故障频率与所述频谱分辨率的倒数之积。
S13：基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线。
本实施例中，首先基于所述分割因子对所述待检测频谱进行划分，与传统的经验小波变换(empirical wavelet transform，EWT)通过人为设置分割数量以对频谱进行分割相比，本实施例基于所述分割因子对所述待检测频谱进行划分，无需确立设置分段数量，可通过算法自动分段，自适应确定模态数量。在此基础上，根据划分结果得到所述待检测频谱对应的频谱包络线。频谱是许多不同频率的集合，形成一个很宽的频率范围，不同的频率其振幅可能不同，将不同频率的振幅最高点连结起来形成的曲线，就叫频谱包络线。具体来说，通过所述分割因子对所述待检测频谱进行分段取极值，达到对故障信号幅值谱进行简单包络的效果。
S14：根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。
本实施例中，根据所述频谱包络线确定所述待检测频谱对应的分割边界。目前多采用localmax方法对频谱区间进行划分，该方法将频谱中所有的极大值点都找出，共M个，将这些极大值从大到小依次排列，若M大于频谱分割段数P时，保留前P-1个局部极大值点，如果M小于P，则保留所有的局部极大值点，将P值取为P＝M。最后，确定频谱分割的边界，将两个极大值之间的中间点作为分割边界ω。上述localmax分割方法没有实际物理意义支持，不符合振动信号故障分布机理，难以将故障成分合理筛出。本实施例中通过界限因子筛选的幅值谱包络的局部最小值作为分割边界具有原理简单，运算方便且符合振动信号故障分布机理的优点，解决了EWT需要人为设置分割数量和不考虑故障机理的缺点。
不难理解，在得到所述分割边界，也即所述待检测频谱的分段区域后，基于所述分割边界利用小波变换对所述待检测机械进行故障检测。具体的，在确定了每个分段区域后，可以采用迈耶(Meyer)小波对每个频率段设计正交小波带通滤波器组，再使用各个频段的小波函数对信号进行小波变换，重组，从而实现对所述待检测机械的故障检测，如图3所示为通过本方法得到的迈耶小波处理结果示意图。
可见，本申请实施例，先对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；然后确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；接着基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；最后根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。本申请实施例采集待检测机械的待检测信号，通过待检测机械的故障频率和待检测信号的频谱分辨率得到分割因子，并基于分割因子对频谱分段后得到的频谱包络线确定分割边界，进而基于所述分割边界利用小波变换对所述待检测机械进行故障检测，上述过程无需人为设置频谱的分段数量，以提高故障识别效率。
图2为本申请实施例提供的一种具体的机械故障检测方法流程图。参见图2所示，该机械故障检测方法包括：
S21：对待检测滚动轴承运行中产生的振动信号进行采集，以得到与所述待检测滚动轴承对应的待检测信号，并对所述待检测信号进行傅立叶变换，以得到所述待检测信号对应的待检测频谱。
本实施例中，对待检测滚动轴承运行中产生的振动信号进行采集，以得到与所述待检测滚动轴承对应的待检测信号的步骤可以参考前述实施例中公开的具体内容，本实施例不再进行赘述。若所述待检测信号为x(t)，通过快速傅立叶变换(Fast FourierTransform，FFT)后，得到所述待检测信号为x(t)的频谱X(f)，公式表示为：
X(f)＝FFT(x(t))
S22：确定所述待检测滚动轴承对应的故障频率和所述待检测频谱的频谱分辨率。
S23：根据所述故障频率确定频率值大于或等于两倍的所述故障频率的分割频率，并根据所述分割频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述分割频率在所述待检测频谱中对应的数据点数。
本实施例中，首先确定所述待检测滚动轴承对应的故障频率和所述待检测频谱的频谱分辨率，然后根据所述故障频率确定频率值大于或等于两倍的所述故障频率的分割频率，并根据所述分割频率和所述频谱分辨率确定分割因子，其中，所述分割因子用于表征所述分割频率在所述待检测频谱中对应的数据点数。需要说明的是，分割因子SF的设定与最终的分段效果有关，它表示频谱中用来表示分割频率Fz的点数，分割频率Fz要大于或等于2倍的滚动轴承内圈的故障频率，以免选中的局部极大值处于两条以故障频率为间隔的边带之间，导致分割出多余的分段。所述分割频率SF公式表示为：
S24：按照依次将与所述分割因子对应数值个的连续数据点划分一次的方式对所述待检测频谱进行划分，以得到与所述待检测频谱对应的多个第一频率段。
S25：通过峰值连线的方式将多个所述第一频率段中的极大值进行连接，以得到所述待检测频谱对应的频谱包络线。
S26：确定所述频谱包络线对应的局部极小值，并基于所述局部最小值确定所述待检测频谱对应的分割边界。
本实施例中，按照依次将与所述分割因子对应数值个的连续数据点划分一次的方式对所述待检测频谱进行划分，以得到与所述待检测频谱对应的多个第一频率段。然后在各个第一频率段内寻峰，通过峰值连线的方式将多个所述第一频率段中的极大值进行连接，以得到所述待检测频谱对应的频谱包络线，如图4所示为通过本方法得到的包络谱示意图。例如，将频谱分割为l份，前l-1份中有SF个点，将剩下少于SF个点的部分作第l段，寻找频谱每份中的极大值mi，如下公式所示：
∑Ai＝X(f)，i＝1,2,...,l
mi＝MAX(Ai)
在此基础上，确定所述频谱包络线对应的局部极小值，并基于所述局部最小值确定所述待检测频谱对应的分割边界。其中，所述基于所述局部最小值确定所述待检测频谱对应的分割边界的具体包括判断所述局部最小值是否大于预设阈值，如果是，则将所述局部最小值确定所述待检测频谱对应的分割边界。在上个例子中，求出mi中所有局部极小值pn，pn就是进行EWT的边界。为了提高故障检测精确度，可以设定预设阈值C，如按照经验可以设置为0.01，主要目的是消除信号中无意义的背景噪声对分段结果的影响，如果pn小于预设阈值C，则忽略该极小值，pn的确定过程如下公式所示：
传动链处于正常状态时，由于润滑油膜的作用，各机械部位很少有直接接触，振动信号以随机噪声为主，调制和冲击成分较少，频谱中边带成分较少。以滚动轴承为例，而当轴承发生故障时，滚动体和内外滚道在故障点产生冲击，振动信号频谱中会出现幅值调制产生的边带成分。自动构造包络线并将包络的凹陷处极小值作为边界，则可以对频谱进行有效的分隔，这种方法符合实际情况的需求。故障机组的振动信号中故障成分分布较广，且带有调制成分。分析人员需要将这些包含故障信息的调制成分单独划分出来。每个分段的最大值构成频谱的简单包络，有效的简化了频谱的复杂结构，避免了频谱中的局部变化对于分段结果的影响。
S27：利用所述分割边界对所述待检测频谱进行分割，以得到与所述待检测频谱对应的多个第二频率段。
S28：利用迈耶小波对每个所述第二频率段进行小波变换，得到相应的模态分量，并基于所述模态分量对所述待检测滚动轴承进行故障检测。
本实施例中，利用所述分割边界对所述待检测频谱进行分割，以得到与所述待检测频谱对应的多个第二频率段，如图5所示为通过本方法得到的频谱分割结果示意图。在确定了每各个分段区域后，采用Meyer小波对每个所述第二频率段设计正交小波带通滤波器组，其中尺度函数和小波函数分别表示如下：
公式中，所述尺度函数和所述小波函数分别称为经验尺度函数和经验小波函数；ωn为小波带通滤波器的截止频率，取滤波器过渡带带宽为2τn，令τn＝γωn，0＜γ＜1。γ可以根据下式确定：
β(x)＝x4(35-84x+70x2-20x3)
使用各个频段的小波函数对信号进行小波变换，定义为经验小波变换，其小波函数和尺度函数的细节系数分别为：
Wx(n，t)＝<x，ψn>＝∫x(τ)ψn*(τ-t)dτ
Wx(0，t)＝<x，φ1>＝∫x(τ)φ1*(τ-t)dτ
经验模态分量为：
重构公式
理想情况下，通过准确分割频带，再使用小波变换进行带通滤波，即可分解出不同故障的信号分量，实现故障诊断识别。
可见，本申请实施例通过分割因子对频谱进行分段取极值，达到对故障信号幅值谱进行简单包络的效果，通过界限因子筛选的幅值谱包络的局部最小值作为分割边界，最后利用Meyer小波分解提取出模态分量。上述方法首先无需确立设置分段数量，可通过算法自动分段，自适应确定模态数量。其次在故障分段中具有实际物理意义，充分考虑了机械故障在信号中的体现形式，达到更为精确的故障频率提取效果。
参见图6所示，本申请实施例还相应公开了一种机械故障检测装置，包括：
采集模块11，用于对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；
确定模块12，用于确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；
划分模块13，用于基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；
检测模块14，用于根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。
可见，本申请实施例，先对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；然后确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；接着基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；最后根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。本申请实施例采集待检测机械的待检测信号，通过待检测机械的故障频率和待检测信号的频谱分辨率得到分割因子，并基于分割因子对频谱分段后得到的频谱包络线确定分割边界，进而基于所述分割边界利用小波变换对所述待检测机械进行故障检测，上述过程无需人为设置频谱的分段数量，以提高故障识别效率。
在一些具体实施例中，所述采集模块11，具体用于对所述待检测信号进行傅立叶变换，以得到所述待检测信号对应的待检测频谱。
在一些具体实施例中，所述确定模块12，具体用于根据所述故障频率确定频率值大于或等于两倍的所述故障频率的分割频率，并根据所述分割频率和所述频谱分辨率确定分割因子。
在一些具体实施例中，所述划分模块13，具体包括：
第一频率段获取单元，用于按照依次将与所述分割因子对应数值个的连续数据点划分一次的方式对所述待检测频谱进行划分，以得到与所述待检测频谱对应的多个第一频率段；
包络单元，用于通过峰值连线的方式将多个所述第一频率段中的极大值进行连接，以得到所述待检测频谱对应的频谱包络线。
在一些具体实施例中，所述检测模块14，具体包括：
分割边界确定单元，用于确定所述频谱包络线对应的局部极小值，并基于所述局部最小值确定所述待检测频谱对应的分割边界；
分割单元，用于利用所述分割边界对所述待检测频谱进行分割，以得到与所述待检测频谱对应的多个第二频率段；
小波变换单元，用于利用迈耶小波对每个所述第二频率段进行小波变换，得到相应的模态分量，并基于所述模态分量对所述待检测机械进行故障检测。
进一步的，本申请实施例还提供了一种电子设备。图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的机械故障检测方法中的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作***221、计算机程序222及故障频率等数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作***221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量故障频率等数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的机械故障检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的故障频率等。
进一步的，本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的机械故障检测方法步骤。
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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的机械故障检测方法、装置、设备及存储介质进行了详细介绍，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 (10)
1.一种机械故障检测方法，其特征在于，包括：
对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；
确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；
基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；
根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。
2.根据权利要求1所述的机械故障检测方法，其特征在于，所述获取所述待检测信号对应的待检测频谱，包括：
对所述待检测信号进行傅立叶变换，以得到所述待检测信号对应的待检测频谱。
3.根据权利要求1所述的机械故障检测方法，其特征在于，所述基于所述故障频率和所述频谱分辨率确定分割因子，包括：
根据所述故障频率确定频率值大于或等于两倍的所述故障频率的分割频率，并根据所述分割频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述分割频率在所述待检测频谱中对应的数据点数。
4.根据权利要求3所述的机械故障检测方法，其特征在于，所述基于所述分割因子对所述待检测频谱进行划分，包括：
按照依次将与所述分割因子对应数值个的连续数据点划分一次的方式对所述待检测频谱进行划分，以得到与所述待检测频谱对应的多个第一频率段。
5.根据权利要求4所述的机械故障检测方法，其特征在于，所述根据划分结果得到所述待检测频谱对应的频谱包络线，包括：
通过峰值连线的方式将多个所述第一频率段中的极大值进行连接，以得到所述待检测频谱对应的频谱包络线；
相应的，所述根据所述频谱包络线确定所述待检测频谱对应的分割边界，包括：
确定所述频谱包络线对应的局部极小值，并基于所述局部最小值确定所述待检测频谱对应的分割边界。
6.根据权利要求5所述的机械故障检测方法，其特征在于，所述基于所述局部最小值确定所述待检测频谱对应的分割边界，包括：
判断所述局部最小值是否大于预设阈值，如果是，则将所述局部最小值确定所述待检测频谱对应的分割边界。
7.根据权利要求1所述的机械故障检测方法，其特征在于，所述基于所述分割边界利用小波变换对所述待检测机械进行故障检测，包括：
利用所述分割边界对所述待检测频谱进行分割，以得到与所述待检测频谱对应的多个第二频率段；
利用迈耶小波对每个所述第二频率段进行小波变换，得到相应的模态分量，并基于所述模态分量对所述待检测机械进行故障检测。
8.根据权利要求1至7任一项所述的机械故障检测方法，其特征在于，所述待检测机械为滚动轴承，所述故障频率为滚动轴承内圈的故障频率。
9.一种机械故障检测装置，其特征在于，包括：
采集模块，用于对待检测机械运行中产生的振动信号进行采集，以得到与所述待检测机械对应的待检测信号，并获取所述待检测信号对应的待检测频谱；
确定模块，用于确定所述待检测机械对应的故障频率和所述待检测频谱的频谱分辨率，并基于所述故障频率和所述频谱分辨率确定分割因子；其中，所述分割因子用于表征所述故障频率在所述待检测频谱中对应的数据点数；
划分模块，用于基于所述分割因子对所述待检测频谱进行划分，并根据划分结果得到所述待检测频谱对应的频谱包络线；
检测模块，用于根据所述频谱包络线确定所述待检测频谱对应的分割边界，并基于所述分割边界利用小波变换对所述待检测机械进行故障检测。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至8任一项所述的机械故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110631324.5A CN113310693B (zh) | 2021-06-07 | 一种机械故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110631324.5A CN113310693B (zh) | 2021-06-07 | 一种机械故障检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113310693A true CN113310693A (zh) | 2021-08-27 |
| CN113310693B CN113310693B (zh) | 2024-06-25 |
Family
ID=
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07218334A (ja) * | 1994-02-07 | 1995-08-18 | Nippon Steel Corp | 軸受の異常診断方法及び装置 |
| US5922963A (en) * | 1997-06-13 | 1999-07-13 | Csi Technology, Inc. | Determining narrowband envelope alarm limit based on machine vibration spectra |
| CN1926413A (zh) * | 2004-10-18 | 2007-03-07 | 日本精工株式会社 | 机械设备的异常诊断*** |
| CN102215397A (zh) * | 2010-04-02 | 2011-10-12 | 三星泰科威株式会社 | 用于对象跟踪和徘徊检测的方法和设备 |
| US20130325373A1 (en) * | 2012-05-29 | 2013-12-05 | Wei Qiao | Detecting Faults in Wind Turbines |
| CN104792528A (zh) * | 2014-01-22 | 2015-07-22 | 中国人民解放军海军工程大学 | 一种自适应最优包络解调方法 |
| CN105651376A (zh) * | 2014-11-10 | 2016-06-08 | 上海宝钢工业技术服务有限公司 | 机械设备离线检测***振动信号频谱分析和报警方法 |
| JP2017198619A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社明電舎 | 定ｑ変換の成分演算装置および定ｑ変換の成分演算方法 |
| CN107808114A (zh) * | 2017-09-19 | 2018-03-16 | 长安大学 | 一种基于信号时频分解的幅值谱峭度图的实现方法 |
| CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
| CN110006652A (zh) * | 2019-04-12 | 2019-07-12 | 燕山大学 | 一种滚动轴承故障诊断方法及*** |
| CN110805534A (zh) * | 2019-11-18 | 2020-02-18 | 长沙理工大学 | 一种风力发电机的故障检测方法、装置及设备 |
| CN111060844A (zh) * | 2019-12-09 | 2020-04-24 | 南京航空航天大学 | 一种用于高速列车牵引传动***的匝间短路故障诊断方法及装置 |
| CN111459700A (zh) * | 2020-04-07 | 2020-07-28 | 华润电力技术研究院有限公司 | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 |
| CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
| CN111678699A (zh) * | 2020-06-18 | 2020-09-18 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及*** |
| CN112903296A (zh) * | 2021-01-25 | 2021-06-04 | 燕山大学 | 一种滚动轴承故障检测方法及*** |
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07218334A (ja) * | 1994-02-07 | 1995-08-18 | Nippon Steel Corp | 軸受の異常診断方法及び装置 |
| US5922963A (en) * | 1997-06-13 | 1999-07-13 | Csi Technology, Inc. | Determining narrowband envelope alarm limit based on machine vibration spectra |
| CN1926413A (zh) * | 2004-10-18 | 2007-03-07 | 日本精工株式会社 | 机械设备的异常诊断*** |
| CN102215397A (zh) * | 2010-04-02 | 2011-10-12 | 三星泰科威株式会社 | 用于对象跟踪和徘徊检测的方法和设备 |
| US20130325373A1 (en) * | 2012-05-29 | 2013-12-05 | Wei Qiao | Detecting Faults in Wind Turbines |
| CN104792528A (zh) * | 2014-01-22 | 2015-07-22 | 中国人民解放军海军工程大学 | 一种自适应最优包络解调方法 |
| CN105651376A (zh) * | 2014-11-10 | 2016-06-08 | 上海宝钢工业技术服务有限公司 | 机械设备离线检测***振动信号频谱分析和报警方法 |
| JP2017198619A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社明電舎 | 定ｑ変換の成分演算装置および定ｑ変換の成分演算方法 |
| CN107808114A (zh) * | 2017-09-19 | 2018-03-16 | 长安大学 | 一种基于信号时频分解的幅值谱峭度图的实现方法 |
| CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
| CN110006652A (zh) * | 2019-04-12 | 2019-07-12 | 燕山大学 | 一种滚动轴承故障诊断方法及*** |
| CN110805534A (zh) * | 2019-11-18 | 2020-02-18 | 长沙理工大学 | 一种风力发电机的故障检测方法、装置及设备 |
| CN111060844A (zh) * | 2019-12-09 | 2020-04-24 | 南京航空航天大学 | 一种用于高速列车牵引传动***的匝间短路故障诊断方法及装置 |
| CN111459700A (zh) * | 2020-04-07 | 2020-07-28 | 华润电力技术研究院有限公司 | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 |
| CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
| CN111678699A (zh) * | 2020-06-18 | 2020-09-18 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及*** |
| CN112903296A (zh) * | 2021-01-25 | 2021-06-04 | 燕山大学 | 一种滚动轴承故障检测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 王昌明;张征;李峰;鲁聪达;: "改进经验小波变换的齿轮箱故障诊断新方法与应用", 噪声与振动控制, no. 05, 14 October 2018 (2018-10-14) * |
| 陈宗祥;焦民胜;蔡;葛芦生;: "基于小波包能量谱的滚动轴承故障检测", 安徽工业大学学报(自然科学版), no. 03, 15 July 2017 (2017-07-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2470280C2 (ru) | Способ обнаружения и автоматической идентификации повреждения подшипников качения | |
| Wang et al. | Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis | |
| US6408696B1 (en) | Coherent phase line enhancer spectral analysis technique | |
| CN109883703B (zh) | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 | |
| JP2003528292A (ja) | 振動解析によるベアリングの状態ベースのモニタリング | |
| RU2611558C2 (ru) | Система сбора вибрационного сигнала поворотного двигателя | |
| Rodopoulos et al. | A parametric approach for the estimation of the instantaneous speed of rotating machinery | |
| CN108760294B (zh) | 旋转机械设备自动诊断***及方法 | |
| CN103116032A (zh) | 用于获取风力发电机组的转速的方法和设备 | |
| CN113761466A (zh) | 一种旋转机械振动信号阶比谱构造方法及装置 | |
| CN116242610A (zh) | 轴承故障检测方法、装置及电子设备 | |
| JP3214233B2 (ja) | 回転機振動診断装置 | |
| CN117606782B (zh) | 风力发电机叶片故障检测方法、装置、设备及存储介质 | |
| KR102598458B1 (ko) | 셉스트럼 기반 유성 기어박스의 고장 감지 장치 및 방법 | |
| CN113310693B (zh) | 一种机械故障检测方法、装置、设备及存储介质 | |
| CN113310693A (zh) | 一种机械故障检测方法、装置、设备及存储介质 | |
| CN103221791A (zh) | 用于监测风力涡轮机的机械传动装置中的旋转部件的方法 | |
| Zhu et al. | Fault diagnosis method for rolling element bearings under variable speed based on TKEO and Fast-SC | |
| Zhang et al. | Blind deconvolution denoising for helicopter vibration signals | |
| CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
| CN115683644A (zh) | 航空发动机双源拍振特征识别方法 | |
| Moshrefzadeh et al. | Using unbiased autocorrelation to enhance kurtogram and envelope analysis results for rolling element bearing diagnostics | |
| CN113029553B (zh) | 齿轮箱轴转速信息提取方法、***、装置及存储介质 | |
| JP2021071354A (ja) | 軸受診断システム、および、軸受診断方法 | |
| CN107436244B (zh) | 基于频率分段振动数据采集的设备故障报警方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tang Shiyao Inventor after: Ju Surong Inventor after: He Jia Inventor after: Shao Dewei Inventor after: Song Haibin Inventor after: Yu Wei Inventor after: Wei Huichun Inventor after: Lu Renbao Inventor before: Tang Shiyao Inventor before: Ju Surong Inventor before: He Jia Inventor before: Shao Dewei Inventor before: Song Haibin Inventor before: Yu Wei Inventor before: Wei Huichun Inventor before: Lu Renbao |
|
| GR01 | Patent grant |