CN114441174A - 滚动轴承复合故障的诊断方法、***、设备及介质 - Google Patents

滚动轴承复合故障的诊断方法、***、设备及介质 Download PDF

Info

Publication number
CN114441174A
CN114441174A CN202210121549.0A CN202210121549A CN114441174A CN 114441174 A CN114441174 A CN 114441174A CN 202210121549 A CN202210121549 A CN 202210121549A CN 114441174 A CN114441174 A CN 114441174A
Authority
CN
China
Prior art keywords
unit
rolling bearing
orthogonal matrix
fault
matrix
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
Application number
CN202210121549.0A
Other languages
English (en)
Other versions
CN114441174B (zh
Inventor
许伟
谈宏志
李喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Group Corp
Original Assignee
Shanghai Electric Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Group Corp filed Critical Shanghai Electric Group Corp
Priority to CN202210121549.0A priority Critical patent/CN114441174B/zh
Publication of CN114441174A publication Critical patent/CN114441174A/zh
Application granted granted Critical
Publication of CN114441174B publication Critical patent/CN114441174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种滚动轴承复合故障的诊断方法、***、设备及介质，该诊断方法包括：获取滚动轴承的振动信号；对振动信号进行分解，以得到单位正交矩阵；对单位正交矩阵进行去噪声和评估处理，以得到滤波信号；对滤波信号进行包络分析处理，以得到包络谱；根据包络谱对滚动轴承复合故障进行诊断。本发明通过对获取的滚动轴承的振动信号进行分解，以得到单位正交矩阵；对单位正交矩阵进行去噪声和评估处理，以得到滤波信号；再根据对滤波信号进行包络分析处理后得到的包络谱对滚动轴承复合故障进行诊断，增强了复合故障特征中弱故障特征，实现了滚动轴承复合故障特征的自适应提取。

Description

滚动轴承复合故障的诊断方法、***、设备及介质
技术领域
本发明涉及机械设备故障诊断技术领域，特别涉及一种滚动轴承复合故障的诊断方法、***、设备及介质。
背景技术
滚动轴承在各类回转机械中是极为关键的承载部件，例如涡轮发动机、离心机、风力发电机、汽车变速箱等，一旦失效可能导致机械设备异常停机等严重后果，因此滚动轴承的故障识别与诊断对于保障机械设备安全可靠运行具有重要意义。针对轴承单一故障的研究已经十分成熟，然而在设备实际运行过程中，故障轴承往往有多个故障并存。复合故障信号由于在时域中信号相互抵消、叠加，加之复杂传递路径的影响，进一步加剧了复合故障特征的提取难度。
而现有技术中虽然也提出了一些复合故障的特征提取方法，但大多无法自适应提取故障特征，需输入额外先验知识并多次重复运行才能完全提取多个故障特征。因此复合故障特征的自适应提取仍然是一个急需解决的问题。
发明内容
本发明要解决的技术问题是为了克服现有技术中所采用的故障提取方法无法实现自适应提取复合故障特征的缺陷，提供一种滚动轴承复合故障的诊断方法、***、设备及介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明第一方面提供一种滚动轴承复合故障的诊断方法，所述诊断方法包括：
获取滚动轴承的振动信号；
对所述振动信号进行分解，以得到单位正交矩阵；
对所述单位正交矩阵进行去噪声和评估处理，以得到滤波信号；
对所述滤波信号进行包络分析处理，以得到包络谱；
根据所述包络谱对所述滚动轴承复合故障进行诊断。
较佳地，所述对所述振动信号进行分解，以得到单位正交矩阵的步骤包括：
对所述振动信号进行截断和去均值处理，以得到截断和去均值处理后的振动信号；
利用所述截断和去均值处理后的振动信号生成托普利茨矩阵；
采用奇异值分解所述托普利茨矩阵，以得到所述单位正交矩阵。
较佳地，所述对所述单位正交矩阵进行去噪声和评估处理，以得到滤波信号的步骤包括：
采用稀疏编码收缩对所述单位正交矩阵进行去噪声处理，以得到去噪声处理后的单位正交矩阵；
计算所述去噪声处理后的单位正交矩阵的循环特征信息比；
根据所述循环特征信息比与预设循环特征信息比阈值的比较结果计算得到所述去噪声处理后的单位正交矩阵的迭代结果；
根据所述迭代结果计算得到所述滤波信号。
较佳地，所述根据所述包络谱对所述滚动轴承复合故障进行诊断的步骤包括：
根据所述包络谱提取所述滚动轴承复合故障的特征频率；
根据所述特征频率对滚动轴承复合故障进行诊断。
本发明第二方面提供一种滚动轴承复合故障的诊断***，所述诊断***包括获取模块、分解模块、第一处理模块、第二处理模块和诊断模块；
所述获取模块，用于获取滚动轴承的振动信号；
所述分解模块，用于对所述振动信号进行分解，以得到单位正交矩阵；
所述第一处理模块，用于对所述单位正交矩阵进行去噪声和评估处理，以得到滤波信号；
所述第二处理模块，用于对所述滤波信号进行包络分析处理，以得到包络谱；
所述诊断模块，用于根据所述包络谱对所述滚动轴承复合故障进行诊断。
较佳地，所述分解模块包括第一处理单元、生成单元和分解单元；
所述第一处理单元，用于对所述振动信号进行截断和去均值处理，以得到截断和去均值处理后的振动信号；
所述生成单元，用于利用所述截断和去均值处理后的振动信号生成托普利茨矩阵；
所述分解单元，用于采用奇异值分解所述托普利茨矩阵，以得到所述单位正交矩阵。
较佳地，所述第一处理模块包括第二处理单元、第一计算单元、第二计算单元和第三计算单元；
所述第二处理单元，用于采用稀疏编码收缩对所述单位正交矩阵进行去噪声处理，以得到去噪声处理后的单位正交矩阵；
所述第一计算单元，用于计算所述去噪声处理后的单位正交矩阵的循环特征信息比；
所述第二计算单元，用于根据所述循环特征信息比与预设循环特征信息比阈值的比较结果计算得到所述去噪声处理后的单位正交矩阵的迭代结果；
所述第三计算单元，用于根据所述迭代结果计算得到所述滤波信号。
较佳地，所述诊断模块包括提取单元和诊断单元；
所述提取单元，用于根据所述包络谱提取所述滚动轴承复合故障的特征频率；
所述诊断单元，用于根据所述特征频率对滚动轴承复合故障进行诊断。
本发明第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的滚动轴承复合故障的诊断方法。
本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的滚动轴承复合故障的诊断方法。
在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发明各较佳实施例。
本发明的积极进步效果在于：
本发明通过对获取的滚动轴承的振动信号进行分解，以得到单位正交矩阵；对单位正交矩阵进行去噪声和评估处理，以得到滤波信号；再根据对滤波信号进行包络分析处理后得到的包络谱对滚动轴承复合故障进行诊断，增强了复合故障特征中弱故障特征，实现了滚动轴承复合故障特征的自适应提取。
附图说明
图1为本发明实施例1的滚动轴承复合故障的诊断方法的流程图。
图2为本发明实施例1的滚动轴承复合故障的诊断方法的步骤102的流程图。
图3为本发明实施例1的滚动轴承复合故障的诊断方法的步骤103的流程图。
图4为本发明实施例1的滚动轴承复合故障的诊断方法的步骤105的流程图。
图5为本发明实施例1和2的试验台结构示意图。
图6为本发明实施例1和2的处理后的振动信号x(n)的示意图。
图7为本发明实施例1和2的振动信号x(n)的包络谱的示意图。
图8为本发明实施例1和2的各单位正交矩阵的循环特征信息比的示意图。
图9为本发明实施例1和2的输入周期为内圈故障特征频率时的最大相关峭度解卷积滤波结果的示意图。
图10为本发明实施例1和2的对应振动信号包络谱的示意图。
图11为本发明实施例1和2的输入周期为外圈故障特征频率时的最大相关峭度解卷积滤波结果的示意图。
图12为本发明实施例1和2的对应振动信号包络谱的示意图。
图13为本发明实施例1和2的经多周期盲解卷积处理后的振动信号的示意图。
图14为本发明实施例1和2的经多周期盲解卷积处理后的对应振动信号包络谱的示意图。
图15为本发明实施例2的滚动轴承复合故障的诊断***的模块示意图。
图16为本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种滚动轴承复合故障的诊断方法，如图1所示，该诊断方法包括：
步骤101、获取滚动轴承的振动信号；
本实施例中，将振动加速度传感器吸附至被测滚动轴承的轴承座上，通过振动加速度传感器采集滚动轴承的振动信号。
步骤102、对振动信号进行分解，以得到单位正交矩阵；
步骤103、对单位正交矩阵进行去噪声和评估处理，以得到滤波信号；
本实施例中，通过SVD(奇异值分解)对采集到的振动信号构成的相空间进行分解，分离信号成分，以筛选出有效的单位正交矩阵，具体地，通过对单位正交矩阵进行去噪声处理，以抑制单位正交矩阵的噪声，再通过评估各对单位正交矩阵的故障信息量并保留有效的单位正交矩阵(即得到滤波信号)，以加强信息丰富的微弱故障特征，实现了多故障特征中弱故障特征的增强。
步骤104、对滤波信号进行包络分析处理，以得到包络谱；
步骤105、根据包络谱对滚动轴承复合故障进行诊断。
在一可实施的方案中，如图2所示，步骤102包括：
步骤1021、对振动信号进行截断和去均值处理，以得到截断和去均值处理后的振动信号；
本实施例中，对振动加速度传感器采集到的振动信号进行截断和去均值处理，以得到截断和去均值处理后的振动信号，即得到处理后的时间序列的振动信号x(n)。
步骤1022、利用截断和去均值处理后的振动信号生成托普利茨矩阵；
本实施例中，预先设定迭代次数k，滤波器长度L，然后根据公式(1)利用振动信号x(n)生成托普利茨矩阵：
Figure BDA0003498431850000061
X0表示托普利茨矩阵，xN表示振动信号时间序列的最后一个元素，N表示振动信号的长度。
步骤1023、采用奇异值分解托普利茨矩阵，以得到单位正交矩阵。
本实施例中，对步骤1022中得到的托普利茨矩阵X0使用奇异值分解，得到单位正交矩阵U、V和对角矩阵∑，并根据滤波器长度L将矩阵分为两部分如公式(2)所示：
Figure BDA0003498431850000062
其中，
U＝[u1 u2 ... uL]∈RL×L (3)
∑＝[diag(σ1，σ2，...，σL)，0]∈RL×(N-L+1) (4)
V＝[v1 v2 ... vN-L+1]∈R(N-L+1)×(N-L+1) (5)
其中，U1、V1及∑1表示加噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，U2、V2及∑2表示噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，R表示实数集合，σ1＞σ2＞...＞σL。
将公式(2)代入到解卷积迭代公式，即公式(6)中，得到公式(7)：
Figure BDA0003498431850000071
Figure BDA0003498431850000072
其中，y表示解卷积迭代结果，VL＝[v1 v2 ... vL]。
在一可实施的方案中，如图3所示，步骤103包括：
步骤1031、采用稀疏编码收缩对单位正交矩阵进行去噪声处理，以得到去噪声处理后的单位正交矩阵；
本实施例中，为减小噪声对结果的影响，根据公式(8)对VL单位正交矩阵中的每一列x[n]进行稀疏编码收缩：
Figure BDA0003498431850000073
其中，
Figure BDA0003498431850000074
表示经过稀疏编码收缩后的VL单位正交矩阵中的每一列向量，r表示用于调整降噪效果的参数，r越大，降噪结果越稀疏；
Figure BDA0003498431850000075
σ表示噪声的标准差，与单位正交矩阵的平均绝对误差近似；
Figure BDA0003498431850000076
σx表示单位正交矩阵的标准差。需要说明的是，当公式(8)中的平方根为虚数时，
Figure BDA0003498431850000077
设为0。
根据公式(9)对经过稀疏编码收缩后的单位正交矩阵进行标准化：
Figure BDA0003498431850000078
其中，
Figure BDA0003498431850000079
表示经过标准化后的VL单位正交矩阵中的每一列向量。
步骤1032、计算去噪声处理后的单位正交矩阵的循环特征信息比；
本实施例中，为了评估各单位正交矩阵的信息量，在具体实施过程中采用构造各单位正交矩阵的循环特征信息比评估单位正交矩阵的信息量。
首先，根据公式(10)和公式(11)对各单位正交矩阵进行希尔伯特得到其解析信号后计算得到平方包络谱：
Figure BDA0003498431850000081
Figure BDA0003498431850000082
上述为平方包络谱的具体计算过程，其中，
Figure BDA0003498431850000083
表示经过包络处理的结果，SES[k]表示平方包络谱。
其次，根据公式(12)计算去噪声处理后的单位正交矩阵的循环特征信息比：
Figure BDA0003498431850000084
其中，SES[k]max表示SES[k]中最大的数值，SESS(round(sK))表示SES[k]经从小到大排列后的SESS中的第round(sK)个数值，s表示小于1的实数，K表示平方包络谱的长度，即K＝(N-L+1)/2，k表示平方包络谱中的第k个点，round(sK)表示进行四舍五入运算。
步骤1033、根据循环特征信息比与预设循环特征信息比阈值的比较结果计算得到去噪声处理后的单位正交矩阵的迭代结果；
本实施例中，预先设定循环特征信息比阈值p，基于公式(13)根据循环特征信息比与预设循环特征信息比阈值的比较结果计算各去噪声处理后的单位正交矩阵的迭代结果：
Figure BDA0003498431850000085
其中，V1表示VL单位正交矩阵中第1个单位正交矩阵，CCIR1表示VL单位正交矩阵中第1个单位正交矩阵的循环特征信息比，x1表示VL单位正交矩阵中第1个单位正交矩阵的迭代结果。
步骤1034、根据迭代结果计算得到滤波信号。
本实施例中，根据公式(14)获得最终滤波信号：
Figure BDA0003498431850000091
上述为滤波信号的计算过程，xre表示最终获得的滤波信号。
在一可实施的方案中，如图4所示，步骤105包括：
步骤1051、根据包络谱提取滚动轴承复合故障的特征频率；
步骤1052、根据特征频率对滚动轴承复合故障进行诊断。
本实施例中，对滤波信号xre进行包络分析，并得到包络谱，进而提取滚动轴承复合故障的特征频率，最终根据特征频率识别出滚动轴承复合故障。
在具体实施过程中，在提取出的滚动轴承复合故障的特征频率与滚动轴承的故障频率一致的情况下，则认定为滚动轴承复合故障，实现了滚动轴承复合故障特征的自适应提取，进而实现了基于多周期盲解卷积的滚动轴承复合故障的诊断。
本实施例源于传统最小熵解卷积，但突破了解卷积方法优化目标函数的局限性，通过SVD对采集到的振动信号构成的相空间进行分解，筛选有效的单位正交矩阵，再最后一次运行实现复合故障的特征提取；通过以奇异值单位正交矩阵的信息量为指标建立筛选准则，无需重构分量信号进行筛选，消除了能量差异对信息量的影响；实现了不需要提供额外的故障特征周期，并且可以根据循环特征信息比加强信息丰富的微弱故障特征，也实现了滚动轴承复合故障特征的自适应提取，进而实现了基于多周期盲解卷积的滚动轴承复合故障的诊断。
下面结合具体实例说明：
例如，以某机车轴承试验台为例，如图5所示，该试验台由液压马达、驱动轮、轴承和机车轮对等组成，液压马达带动驱动轮，驱动轮与轴承外圈接触并带动轴承外圈运动，轴承内圈固定在机车轮对的车轴上，加速度传感器固定在轴承的一端，用于测量轴承的振动信号。
在具体实施过程中，通过加速度传感器采集某机车轴试验台的振动信号，并对采集获得的振动信号进行截断和去均值处理，以获得截断和去均值处理后的振动信号x(n)，例如，采样频率设置为76.8kHz，时长设置为0.5s，计算得到振动信号长度N为38400，处理后的振动信号x(n)如图6所示，振动信号x(n)的包络谱如图7所示；
预先设定迭代次数k＝100，滤波器长度L＝30，然后根据公式(1)利用振动信号x(n)生成托普利茨矩阵X0：
Figure BDA0003498431850000101
对生成的托普利茨矩阵X0使用奇异值分解，得到单位正交矩阵U、V和对角矩阵∑，并根据滤波器长度L＝30将矩阵分为两部分如公式(2)所示：
Figure BDA0003498431850000102
其中，
U＝[u1 u2 ... u30]∈R30×30 (3)
∑＝[diag(σ1，σ2，...，σ30)，0]∈R30×38370) (4)
V＝[v1 v2 ... v38370]∈R38370×38370) (5)
其中，U30、V30及∑30表示各矩阵的前30项组成的加噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，U38370、V38370及∑38370表示各矩剩余的噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，R表示实数集合，σ1＞σ2＞...＞σ30。
将公式(2)代入到解卷积迭代公式，即公式(6)中，得到公式(7)：
Figure BDA0003498431850000103
Figure BDA0003498431850000104
其中，y表示解卷积迭代结果，V30＝[v1 v2 ... v30]。
为减小噪声对结果的影响，根据公式(8)对V30单位正交矩阵中的每一列x[n]进行稀疏编码收缩：
Figure BDA0003498431850000111
其中，
Figure BDA0003498431850000112
表示经过稀疏编码收缩后的V30单位正交矩阵中的每一列向量，r表示用于调整降噪效果的参数，r越大，降噪结果越稀疏，在此实施例中r设定为3；
Figure BDA0003498431850000113
σ表示噪声的标准差，与单位正交矩阵的平均绝对误差近似；
Figure BDA0003498431850000114
σx表示单位正交矩阵的标准差。需要说明的是，当公式(8)中的平方根为虚数时，
Figure BDA0003498431850000115
设为0。
根据公式(9)对经过稀疏编码收缩后的单位正交矩阵进行标准化：
Figure BDA0003498431850000116
其中，
Figure BDA0003498431850000117
表示经过标准化后的V30单位正交矩阵中的每一列向量。
为了评估各单位正交矩阵的信息量，在具体实施过程中采用构造各单位正交矩阵的循环特征信息比评估单位正交矩阵的信息量。
首先，根据公式(10)和公式(11)对各单位正交矩阵进行希尔伯特得到其解析信号后计算得到平方包络谱：
Figure BDA0003498431850000118
Figure BDA0003498431850000119
上述为平方包络谱的具体计算过程，其中，
Figure BDA00034984318500001110
表示经过包络处理的结果，SES是平方包络谱。
其次，根据公式(12)计算去噪声处理后的单位正交矩阵的循环特征信息比：
Figure BDA00034984318500001111
其中，SES[k]max表示SES[k]中最大的数值，SESS(round(sK))表示SES[k]经从小到大排列后的SESS中的第round(sK)个数值，s表示小于1的实数，K表示平方包络谱的长度，即K＝19185，k表示平方包络谱中的第k个点，round(sK)表示进行四舍五入运算。V30各单位正交矩阵的循环特征信息比如图8所示。
预先设定循环特征信息比阈值p＝4，基于公式(13)根据循环特征信息比与预设循环特征信息比阈值的比较结果计算各去噪声处理后的单位正交矩阵的迭代结果：
Figure BDA0003498431850000121
其中，V1表示V30单位正交矩阵中第1个单位正交矩阵，CCIR1表示V30单位正交矩阵中第1个单位正交矩阵的循环特征信息比，x1表示V30单位正交矩阵中第1个单位正交矩阵的迭代结果。
根据公式(14)获得最终滤波信号：
Figure BDA0003498431850000122
上述为滤波信号的计算过程，xre表示最终获得的滤波信号。
本实施例中，对滤波信号xre进行包络分析，并得到包络谱，进而提取滚动轴承故障特征频率，最终根据特征频率识别出滚动轴承复合故障。
本实施例中，图9为输入周期为内圈故障特征频率时的最大相关峭度解卷积滤波结果，图10为对应振动信号包络谱，图11为输入周期为外圈故障特征频率时的最大相关峭度解卷积滤波结果，图12为对应振动信号包络谱。从图9、10、11、12可以看出，在输入周期为外圈特征频率时无法有效提取故障冲击信号，并且在包络谱中也难以发现故障特征频率，无法自适应提取多个故障特征信号。图13为经多周期盲解卷积处理后的振动信号，图14为经多周期盲解卷积处理后的对应振动信号包络谱。从图13和14可以看出，本申请所采用的提取方法相较于图9、10、11、12的传统方法中，明显且完全地提取了多个故障振动信号，在包络谱中能明显发现内圈与外圈故障特征频率。有效验证了本申请所采用的提取方法可以无需先验知识就能实现滚动轴承复合故障特征的自适应提取。
本实施例通过对获取的滚动轴承的振动信号进行分解，以得到单位正交矩阵；对单位正交矩阵进行去噪声和评估处理，以得到滤波信号；再根据对滤波信号进行包络分析处理后得到的包络谱对滚动轴承复合故障进行诊断，增强了复合故障特征中弱故障特征，实现了滚动轴承复合故障特征的自适应提取，进而实现了基于多周期盲解卷积的滚动轴承复合故障的诊断。
实施例2
本实施例提供一种滚动轴承复合故障的诊断***，如图15所示，该诊断***包括获取模块1、分解模块2、第一处理模块3、第二处理模块4和诊断模块5；
获取模块1，用于获取滚动轴承的震动信号；
本实施例中，将振动加速度传感器吸附至被测滚动轴承的轴承座上，通过振动加速度传感器采集滚动轴承的振动信号。
分解模块2，用于对震动信号进行分解，以得到单位正交矩阵；
第一处理模块3，用于对单位正交矩阵进行去噪声和评估处理，以得到滤波信号；
本实施例中，通过SVD对采集到的振动信号构成的相空间进行分解，分离信号成分，以筛选出有效的单位正交矩阵，具体地，通过对单位正交矩阵进行去噪声处理，以抑制单位正交矩阵的噪声，再通过评估各对单位正交矩阵的故障信息量并保留有效的单位正交矩阵(即得到滤波信号)，以加强信息丰富的微弱故障特征，实现了多故障特征中弱故障特征的增强。
第二处理模块4，用于对滤波信号进行包络分析处理，以得到包络谱；
诊断模块5，用于根据包络谱对滚动轴承复合故障进行诊断。
在一可实施的方案中，如图15所示，分解模块2包括第一处理单元21、生成单元22和分解单元23；
第一处理单元21，用于对震动信号进行截断和去均值处理，以得到截断和去均值处理后的震动信号；
本实施例中，对振动加速度传感器采集到的振动信号进行截断和去均值处理，以得到截断和去均值处理后的振动信号，即得到处理后的时间序列的振动信号x(n)。
生成单元22，用于利用截断和去均值处理后的震动信号生成托普利茨矩阵；
本实施例中，预先设定迭代次数k，滤波器长度L，然后根据公式(1)利用振动信号x(n)生成托普利茨矩阵：
Figure BDA0003498431850000141
X0表示托普利茨矩阵，xN表示振动信号时间序列的最后一个元素，N表示振动信号的长度。
分解单元23，用于采用奇异值分解托普利茨矩阵，以得到单位正交矩阵。
本实施例中，对步骤1022中得到的托普利茨矩阵X0使用奇异值分解，得到单位正交矩阵U、V和对角矩阵∑，并根据滤波器长度L将矩阵分为两部分如公式(2)所示：
Figure BDA0003498431850000142
其中，
U＝[u1 u2 ... uL]∈RL×L (3)
∑＝[diag(σ1，σ2，...，σL)，0]∈RL×(N-L+1) (4)
V＝[v1 v2 ... vN-L+1]∈R(N-L+1)×(N-L+1) (5)
其中，U1、V1及∑1表示加噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，U2、V2及∑2表示噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，R表示实数集合，σ1＞σ2＞...＞σL。
将公式(2)代入到解卷积迭代公式，即公式(6)中，得到公式(7)：
Figure BDA0003498431850000151
Figure BDA0003498431850000152
其中，y表示解卷积迭代结果，VL＝[v1 v2 ... vL]。
在一可实施的方案中，如图15所示，第一处理模块3包括第二处理单元311、第一计算单元32、第二计算单元33和第三计算单元34；
第二处理单元311，用于采用稀疏编码收缩对单位正交矩阵进行去噪声处理，以得到去噪声处理后的单位正交矩阵；
本实施例中，为减小噪声对结果的影响，根据公式(8)对VL单位正交矩阵中的每一列x[n]进行稀疏编码收缩：
Figure BDA0003498431850000153
其中，
Figure BDA0003498431850000154
表示经过稀疏编码收缩后的VL单位正交矩阵中的每一列向量，r表示用于调整降噪效果的参数，r越大，降噪结果越稀疏；
Figure BDA0003498431850000155
σ表示噪声的标准差，与单位正交矩阵的平均绝对误差近似；
Figure BDA0003498431850000156
σx表示单位正交矩阵的标准差。需要说明的是，当公式(8)中的平方根为虚数时，
Figure BDA0003498431850000157
设为0。
根据公式(9)对经过稀疏编码收缩后的单位正交矩阵进行标准化：
Figure BDA0003498431850000158
其中，
Figure BDA0003498431850000159
表示经过标准化后的VL单位正交矩阵中的每一列向量。
第一计算单元32，用于计算去噪声处理后的单位正交矩阵的循环特征信息比；
本实施例中，为了评估各单位正交矩阵的信息量，在具体实施过程中采用构造各单位正交矩阵的循环特征信息比评估单位正交矩阵的信息量。
首先，根据公式(10)和公式(11)对各单位正交矩阵进行希尔伯特得到其解析信号后计算得到平方包络谱：
Figure BDA0003498431850000161
Figure BDA0003498431850000162
上述为平方包络谱的具体计算过程，其中，
Figure BDA0003498431850000163
表示经过包络处理的结果，SES[k]表示平方包络谱。
其次，根据公式(12)计算去噪声处理后的单位正交矩阵的循环特征信息比：
Figure BDA0003498431850000164
其中，SES[k]max表示SES[k]中最大的数值，SESS(round(sK))表示SES[k]经从小到大排列后的SESS中的第round(sK)个数值，s表示小于1的实数，K表示平方包络谱的长度，即K＝(N-L+1)/2，k表示平方包络谱中的第k个点，round(sK)表示进行四舍五入运算。
第二计算单元33，用于根据循环特征信息比与预设循环特征信息比阈值的比较结果计算得到去噪声处理后的单位正交矩阵的迭代结果；
本实施例中，预先设定循环特征信息比阈值p，基于公式(13)根据循环特征信息比与预设循环特征信息比阈值的比较结果计算各去噪声处理后的单位正交矩阵的迭代结果：
Figure BDA0003498431850000165
其中，V1表示VL单位正交矩阵中第1个单位正交矩阵，CCIR1表示VL单位正交矩阵中第1个单位正交矩阵的循环特征信息比，x1表示VL单位正交矩阵中第1个单位正交矩阵的迭代结果。
第三计算单元34，用于根据迭代结果计算得到滤波信号。
本实施例中，根据公式(14)获得最终滤波信号：
Figure BDA0003498431850000171
上述为滤波信号的计算过程，xre表示最终获得的滤波信号。
在一可实施的方案中，如图15所示，诊断模块5包括提取单元51和诊断单元52；
提取单元51，用于根据包络谱提取滚动轴承复合故障的特征频率；
诊断单元52，用于根据特征频率对滚动轴承复合故障进行诊断。
本实施例中，对滤波信号xre进行包络分析，并得到包络谱，进而提取滚动轴承复合故障的特征频率，最终根据特征频率识别出滚动轴承复合故障。
在具体实施过程中，在提取出的滚动轴承复合故障的特征频率与滚动轴承的故障频率一致的情况下，则认定为滚动轴承复合故障，实现了滚动轴承复合故障特征的自适应提取，进而实现了基于多周期盲解卷积的滚动轴承复合故障的诊断。
本实施例源于传统最小熵解卷积，但突破了解卷积方法优化目标函数的局限性，通过SVD对采集到的振动信号构成的相空间进行分解，筛选有效的单位正交矩阵，再最后一次运行实现复合故障的特征提取；通过以奇异值单位正交矩阵的信息量为指标建立筛选准则，无需重构分量信号进行筛选，消除了能量差异对信息量的影响；实现了不需要提供额外的故障特征周期，并且可以根据循环特征信息比加强信息丰富的微弱故障特征，也实现了滚动轴承复合故障特征的自适应提取，进而实现了基于多周期盲解卷积的滚动轴承复合故障的诊断。
下面结合具体实例说明：
例如，以某机车轴承试验台为例，如图5所示，该试验台由液压马达、驱动轮、轴承和机车轮对等组成，液压马达带动驱动轮，驱动轮与轴承外圈接触并带动轴承外圈运动，轴承内圈固定在机车轮对的车轴上，加速度传感器固定在轴承的一端，用于测量轴承的振动信号。
在具体实施过程中，通过加速度传感器采集某机车轴试验台的振动信号，并对采集获得的振动信号进行截断和去均值处理，以获得截断和去均值处理后的振动信号x(n)，例如，采样频率设置为76.8kHz，时长设置为0.5s，计算得到振动信号长度N为38400，处理后的振动信号x(n)如图6所示，振动信号x(n)的包络谱如图7所示；
预先设定迭代次数k＝100，滤波器长度L＝30，然后根据公式(1)利用振动信号x(n)生成托普利茨矩阵X0：
Figure BDA0003498431850000181
对生成的托普利茨矩阵X0使用奇异值分解，得到单位正交矩阵U、V和对角矩阵∑，并根据滤波器长度L＝30将矩阵分为两部分如公式(2)所示：
Figure BDA0003498431850000182
其中，
U＝[u1 u2 ... u30]∈R30×30 (3)
∑＝[diag(σ1，σ2，...，σ30)，0]∈R30×38370) (4)
V＝[v1 v2 ... v38370]∈R38370×38370) (5)
其中，U30、V30及∑30表示各矩阵的前30项组成的加噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，U38370、V38370及∑38370表示各矩剩余的噪声信号子空间对应的奇异值单位正交矩阵和奇异值对角矩阵，R表示实数集合，σ1＞σ2＞...＞σ30。
将公式(2)代入到解卷积迭代公式，即公式(6)中，得到公式(7)：
Figure BDA0003498431850000191
Figure BDA0003498431850000192
其中，y表示解卷积迭代结果，V30＝[v1 v2 ... v30]。
为减小噪声对结果的影响，根据公式(8)对V30单位正交矩阵中的每一列x[n]进行稀疏编码收缩：
Figure BDA0003498431850000193
其中，
Figure BDA0003498431850000194
表示经过稀疏编码收缩后的V30单位正交矩阵中的每一列向量，r表示用于调整降噪效果的参数，r越大，降噪结果越稀疏，在此实施例中r设定为3；
Figure BDA0003498431850000195
σ表示噪声的标准差，与单位正交矩阵的平均绝对误差近似；
Figure BDA0003498431850000196
σx表示单位正交矩阵的标准差。需要说明的是，当公式(8)中的平方根为虚数时，
Figure BDA00034984318500001912
设为0。
根据公式(9)对经过稀疏编码收缩后的单位正交矩阵进行标准化：
Figure BDA0003498431850000197
其中，
Figure BDA0003498431850000198
表示经过标准化后的V30单位正交矩阵中的每一列向量。
为了评估各单位正交矩阵的信息量，在具体实施过程中采用构造各单位正交矩阵的循环特征信息比评估单位正交矩阵的信息量。
首先，根据公式(10)和公式(11)对各单位正交矩阵进行希尔伯特得到其解析信号后计算得到平方包络谱：
Figure BDA0003498431850000199
Figure BDA00034984318500001910
上述为平方包络谱的具体计算过程，其中，
Figure BDA00034984318500001911
表示经过包络处理的结果，SES是平方包络谱。
其次，根据公式(12)计算去噪声处理后的单位正交矩阵的循环特征信息比：
Figure BDA0003498431850000201
其中，SES[k]max表示SES[k]中最大的数值，SESS(round(sK))表示SES[k]经从小到大排列后的SESS中的第round(sK)个数值，s表示小于1的实数，K表示平方包络谱的长度，即K＝19185，k表示平方包络谱中的第k个点，round(sK)表示进行四舍五入运算。V30各单位正交矩阵的循环特征信息比如图8所示。
预先设定循环特征信息比阈值p＝4，基于公式(13)根据循环特征信息比与预设循环特征信息比阈值的比较结果计算各去噪声处理后的单位正交矩阵的迭代结果：
Figure BDA0003498431850000202
其中，V1表示V30单位正交矩阵中第1个单位正交矩阵，CCIR1表示V30单位正交矩阵中第1个单位正交矩阵的循环特征信息比，x1表示V30单位正交矩阵中第1个单位正交矩阵的迭代结果。
根据公式(14)获得最终滤波信号：
Figure BDA0003498431850000203
上述为滤波信号的计算过程，xre表示最终获得的滤波信号。
本实施例中，对滤波信号xre进行包络分析，并得到包络谱，进而提取滚动轴承故障特征频率，最终根据特征频率识别出滚动轴承复合故障。
本实施例中，图9为输入周期为内圈故障特征频率时的最大相关峭度解卷积滤波结果，图10为对应振动信号包络谱，图11为输入周期为外圈故障特征频率时的最大相关峭度解卷积滤波结果，图12为对应振动信号包络谱。从图9、10、11、12可以看出，在输入周期为外圈特征频率时无法有效提取故障冲击信号，并且在包络谱中也难以发现故障特征频率，无法自适应提取多个故障特征信号。图13为经多周期盲解卷积处理后的振动信号，图14为经多周期盲解卷积处理后的对应振动信号包络谱。从图13和14可以看出，本申请所采用的提取方法相较于图9、10、11、12的传统方法中，明显且完全地提取了多个故障振动信号，在包络谱中能明显发现内圈与外圈故障特征频率。有效验证了本申请所采用的提取方法可以无需先验知识就能实现滚动轴承复合故障特征的自适应提取。
本实施例通过对获取的滚动轴承的振动信号进行分解，以得到单位正交矩阵；对单位正交矩阵进行去噪声和评估处理，以得到滤波信号；再根据对滤波信号进行包络分析处理后得到的包络谱对滚动轴承复合故障进行诊断，增强了复合故障特征中弱故障特征，实现了滚动轴承复合故障特征的自适应提取，进而实现了基于多周期盲解卷积的滚动轴承复合故障的诊断。
实施例3
图16为本发明实施例3提供的一种电子设备的结构示意图。该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1的滚动轴承复合故障的诊断方法。图16显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图16所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同***组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的滚动轴承复合故障的诊断方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图16所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1的滚动轴承复合故障的诊断方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1的滚动轴承复合故障的诊断方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种滚动轴承复合故障的诊断方法，其特征在于，所述诊断方法包括：
获取滚动轴承的振动信号；
对所述振动信号进行分解，以得到单位正交矩阵；
对所述单位正交矩阵进行去噪声和评估处理，以得到滤波信号；
对所述滤波信号进行包络分析处理，以得到包络谱；
根据所述包络谱对所述滚动轴承复合故障进行诊断。
2.如权利要求1所述的滚动轴承复合故障的诊断方法，其特征在于，所述对所述振动信号进行分解，以得到单位正交矩阵的步骤包括：
对所述振动信号进行截断和去均值处理，以得到截断和去均值处理后的振动信号；
利用所述截断和去均值处理后的振动信号生成托普利茨矩阵；
采用奇异值分解所述托普利茨矩阵，以得到所述单位正交矩阵。
3.如权利要求1所述的滚动轴承复合故障的诊断方法，其特征在于，所述对所述单位正交矩阵进行去噪声和评估处理，以得到滤波信号的步骤包括：
采用稀疏编码收缩对所述单位正交矩阵进行去噪声处理，以得到去噪声处理后的单位正交矩阵；
计算所述去噪声处理后的单位正交矩阵的循环特征信息比；
根据所述循环特征信息比与预设循环特征信息比阈值的比较结果计算得到所述去噪声处理后的单位正交矩阵的迭代结果；
根据所述迭代结果计算得到所述滤波信号。
4.如权利要求1所述的滚动轴承复合故障的诊断方法，其特征在于，所述根据所述包络谱对所述滚动轴承复合故障进行诊断的步骤包括：
根据所述包络谱提取所述滚动轴承复合故障的特征频率；
根据所述特征频率对滚动轴承复合故障进行诊断。
5.一种滚动轴承复合故障的诊断***，其特征在于，所述诊断***包括获取模块、分解模块、第一处理模块、第二处理模块和诊断模块；
所述获取模块，用于获取滚动轴承的振动信号；
所述分解模块，用于对所述振动信号进行分解，以得到单位正交矩阵；
所述第一处理模块，用于对所述单位正交矩阵进行去噪声和评估处理，以得到滤波信号；
所述第二处理模块，用于对所述滤波信号进行包络分析处理，以得到包络谱；
所述诊断模块，用于根据所述包络谱对所述滚动轴承复合故障进行诊断。
6.如权利要求5所述的滚动轴承复合故障的诊断***，其特征在于，所述分解模块包括第一处理单元、生成单元和分解单元；
所述第一处理单元，用于对所述振动信号进行截断和去均值处理，以得到截断和去均值处理后的振动信号；
所述生成单元，用于利用所述截断和去均值处理后的振动信号生成托普利茨矩阵；
所述分解单元，用于采用奇异值分解所述托普利茨矩阵，以得到所述单位正交矩阵。
7.如权利要求5所述的滚动轴承复合故障的诊断***，其特征在于，所述第一处理模块包括第二处理单元、第一计算单元、第二计算单元和第三计算单元；
所述第二处理单元，用于采用稀疏编码收缩对所述单位正交矩阵进行去噪声处理，以得到去噪声处理后的单位正交矩阵；
所述第一计算单元，用于计算所述去噪声处理后的单位正交矩阵的循环特征信息比；
所述第二计算单元，用于根据所述循环特征信息比与预设循环特征信息比阈值的比较结果计算得到所述去噪声处理后的单位正交矩阵的迭代结果；
所述第三计算单元，用于根据所述迭代结果计算得到所述滤波信号。
8.如权利要求5所述的滚动轴承复合故障的诊断***，其特征在于，所述诊断模块包括提取单元和诊断单元；
所述提取单元，用于根据所述包络谱提取所述滚动轴承复合故障的特征频率；
所述诊断单元，用于根据所述特征频率对滚动轴承复合故障进行诊断。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～4中任意一项所述的滚动轴承复合故障的诊断方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～4中任意一项所述的滚动轴承复合故障的诊断方法。
CN202210121549.0A 2022-02-09 2022-02-09 滚动轴承复合故障的诊断方法、***、设备及介质 Active CN114441174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210121549.0A CN114441174B (zh) 2022-02-09 2022-02-09 滚动轴承复合故障的诊断方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210121549.0A CN114441174B (zh) 2022-02-09 2022-02-09 滚动轴承复合故障的诊断方法、***、设备及介质

Publications (2)

Publication Number Publication Date
CN114441174A true CN114441174A (zh) 2022-05-06
CN114441174B CN114441174B (zh) 2024-07-09

Family

ID=81371237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210121549.0A Active CN114441174B (zh) 2022-02-09 2022-02-09 滚动轴承复合故障的诊断方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN114441174B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859091A (zh) * 2022-11-01 2023-03-28 哈尔滨工业大学 一种轴承故障特征的提取方法、电子设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280772A1 (en) * 2007-10-24 2010-11-04 Abb Research Ltd. Method for detection and automatic identification of damage to rolling bearings
CN102519726A (zh) * 2011-12-28 2012-06-27 昆明理工大学 一种针对滚动轴承复合故障的声学诊断方法
CN106646612A (zh) * 2016-12-20 2017-05-10 中国地质大学（北京） 基于矩阵降秩的地震数据重建方法
CN107505135A (zh) * 2017-08-15 2017-12-22 河北建设集团卓诚路桥工程有限公司 一种滚动轴承复合故障提取方法及***
CN108152033A (zh) * 2017-12-14 2018-06-12 东华大学 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法
JP2018155494A (ja) * 2017-03-15 2018-10-04 日本精工株式会社 軸受異常診断システム及び軸受異常診断方法
CN108899045A (zh) * 2018-06-29 2018-11-27 中国航空无线电电子研究所 基于约束低秩与稀疏分解的子空间语音增强方法
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
EP3465127A1 (en) * 2016-05-24 2019-04-10 Nuovo Pignone Technologie S.r.l. Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system
US20190145856A1 (en) * 2016-05-24 2019-05-16 Nuovo Pignone Tecnologie Srl Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system
CN109883706A (zh) * 2019-04-08 2019-06-14 西安交通大学 一种滚动轴承局部损伤微弱故障特征提取方法
CN110514441A (zh) * 2019-08-28 2019-11-29 湘潭大学 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法
CN112734716A (zh) * 2020-12-31 2021-04-30 上海电气集团股份有限公司 一种螺栓自动检测方法及装置
CN112749366A (zh) * 2020-12-22 2021-05-04 电子科技大学 一种基于相干噪声抑制的电机故障特征提取方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280772A1 (en) * 2007-10-24 2010-11-04 Abb Research Ltd. Method for detection and automatic identification of damage to rolling bearings
CN102519726A (zh) * 2011-12-28 2012-06-27 昆明理工大学 一种针对滚动轴承复合故障的声学诊断方法
EP3465127A1 (en) * 2016-05-24 2019-04-10 Nuovo Pignone Technologie S.r.l. Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system
US20190145856A1 (en) * 2016-05-24 2019-05-16 Nuovo Pignone Tecnologie Srl Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system
CN106646612A (zh) * 2016-12-20 2017-05-10 中国地质大学（北京） 基于矩阵降秩的地震数据重建方法
JP2018155494A (ja) * 2017-03-15 2018-10-04 日本精工株式会社 軸受異常診断システム及び軸受異常診断方法
CN107505135A (zh) * 2017-08-15 2017-12-22 河北建设集团卓诚路桥工程有限公司 一种滚动轴承复合故障提取方法及***
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN108152033A (zh) * 2017-12-14 2018-06-12 东华大学 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法
CN108899045A (zh) * 2018-06-29 2018-11-27 中国航空无线电电子研究所 基于约束低秩与稀疏分解的子空间语音增强方法
CN109883706A (zh) * 2019-04-08 2019-06-14 西安交通大学 一种滚动轴承局部损伤微弱故障特征提取方法
CN110514441A (zh) * 2019-08-28 2019-11-29 湘潭大学 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法
CN112749366A (zh) * 2020-12-22 2021-05-04 电子科技大学 一种基于相干噪声抑制的电机故障特征提取方法
CN112734716A (zh) * 2020-12-31 2021-04-30 上海电气集团股份有限公司 一种螺栓自动检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张迪: "滚动轴承的多点复合故障诊断研究", 《CNKI中国优秀硕士学位论文全文数据库》, no. 02, 15 February 2020 (2020-02-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859091A (zh) * 2022-11-01 2023-03-28 哈尔滨工业大学 一种轴承故障特征的提取方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN114441174B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
Yin et al. Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising
Chen et al. Compressed sensing based on dictionary learning for extracting impulse components
Feng et al. Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning
CN111094927A (zh) 轴承故障诊断方法及装置、可读存储介质及电子设备
CN109813547B (zh) 基于稀疏分解优化算法的旋转机械局部型故障诊断方法
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、***、设备及介质
CN112461547B (zh) 一种基于多岛遗传和变分模态分解的轴承故障诊断方法
CN115730199B (zh) 一种滚动轴承振动信号降噪和故障特征提取方法和***
CN114648048B (zh) 基于变分自编码和PixelCNN模型的心电信号降噪方法
CN112098105B (zh) 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法
Chen et al. Fault identification method for planetary gear based on DT-CWT threshold denoising and LE
CN114441174B (zh) 滚动轴承复合故障的诊断方法、***、设备及介质
CN112326213A (zh) 异常数据检测方法及装置、机械故障检测方法及装置
CN116578843A (zh) 离心泵诊断模型训练方法、诊断方法、***、装置及介质
Yu et al. Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition
Wang et al. Shift-invariant sparse filtering for bearing weak fault signal denoising
CN114136604B (zh) 一种基于改进稀疏字典的旋转设备故障诊断方法及***
CN110147637B (zh) 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法
CN117316172A (zh) 一种机器人声发射信号的降噪方法及***
CN115452377B (zh) 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法
CN113639985B (zh) 一种基于优化故障特征频谱的机械故障诊断与状态监测方法
CN116086807A (zh) 一种用于滚动轴承的故障判断方法和相关产品
CN115563480A (zh) 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法
CN112329626A (zh) 调制与深度学习融合的设备故障诊断方法、***及介质
CN112161807A (zh) 一种变速齿轮箱的故障诊断方法、装置及存储介质

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