CN114486263B - 一种旋转机械滚动轴承振动信号降噪解调方法 - Google Patents
一种旋转机械滚动轴承振动信号降噪解调方法 Download PDFInfo
- Publication number
- CN114486263B CN114486263B CN202210137748.0A CN202210137748A CN114486263B CN 114486263 B CN114486263 B CN 114486263B CN 202210137748 A CN202210137748 A CN 202210137748A CN 114486263 B CN114486263 B CN 114486263B
- Authority
- CN
- China
- Prior art keywords
- signal
- bearing
- signals
- rolling bearing
- component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005096 rolling process Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005259 measurement 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种旋转机械滚动轴承振动信号轴承故障诊断方法。采集旋转机械滚动轴承的振动信号作为原始采集信号,从原始采集信号中提取出一系列分量信号;计算一系列分量信号与原始采集信号之间的互相关系数,使用互相关系数对分量信号加权,计算加权和得到重构信号;解调重构信号得到能量序列,根据能量序列的离散傅里叶变换频谱判断旋转机械滚动轴承的故障情况。使用本发明所提出的方法获得诊断结果能明显削弱背景噪声、凸显轴承故障特征,且具有需要人工选定的参数少、参数鲁棒性强、计算简便快速等优势。
Description
技术领域
本发明属于旋转机械滚动轴承故障诊断领域的一种旋转机械滚动轴承振动信号轴承故障处理方法,具体是一种从旋转机械振动信号中提取滚动轴承故障特征频率的方法、信号降噪解调方法和故障诊断方法。
背景技术
在旋转机械设备中,轴承是保证设备健康稳定运行的关键部件,约有30%的旋转机械故障是由轴承不良状态引起的,轴承的性能直接影响设备的寿命和可靠性。振动分析是最常用于轴承故障诊断的方法,在进行滚动轴承故障诊断时,旋转机械振动信号中包含的早期轻微的故障信息往往淹没在噪声中,很难被发现和提取出来。使用解调技术处理振动信号能有效凸显轴承故障特征频率,是适用于早期滚动轴承故障诊断中的一种信号处理方法。
旋转机械轴承振动信号具有特征微弱,调制性强,频带范围宽等特点。通常采集的轴承振动信号中包含丰富的干扰信号,例如背景噪声信号、电机激磁信号、谐波转矩引发的振动等,因此轴承故障特征信号往往淹没在强烈的干扰和噪声中,很难直接将采集到的原始振动信号用于轴承故障诊断。传统的振动信号分析,如快速峭度谱等,通常使用滤波器设置不同通带,抑制或滤除特定频率的信号进行降噪。但是这类降噪方法仅适用于信号与噪声处于不同频带或故障特征信号集中于较窄频带的情形。对于复杂***振动信号而言,***信号与噪声信号在频带上发生相互混叠的现象往往是无法避免的,不能有效提取故障信号的情况下,进一步的信号解调和故障诊断则无从谈起。因此传统方法在处理复杂***的振动信号时存在很大局限性,影响后续的故障诊断工作。
发明内容
为了解决背景技术中存在的问题,本发明的目的是提供一种用于滚动轴承故障诊断的旋转机械振动信号解调方法,可有效削弱采集到的原始振动信号中噪声和谐波干扰的影响,从采集到的振动信号中提取滚动轴承故障特征频率。
使用本发明所提出的方法处理轴承振动信号能明显削弱背景噪声、凸显轴承故障特征,且具有需要人工选定的参数少、参数鲁棒性强、计算简便快速等优势。
如图1所示,本发明采用以下技术方案:
1)采集旋转机械滚动轴承的振动信号作为原始采集信号,从原始采集信号中进行特定处理提取出一系列分量信号;
具体实施中通常采用安装在旋转机械滚动轴承上的加速度传感器采集信号。
2)计算一系列分量信号与原始采集信号之间的互相关系数,使用互相关系数对分量信号加权,计算加权和得到重构信号;
3)解调重构信号得到能量序列,根据能量序列的离散傅里叶变换频谱判断旋转机械滚动轴承的故障情况。
所述1)中,迭代地通过滤波窗函数从频域下的待分析信号中逐个提取频域下的分量信号,所述滤波窗函数为:
Hk(ω)=1/[1+α(ω-ωk)2]
其中,ω为计算频率,ωk是滤波中心频率,α为滤波窗函数的带宽参数,Hk(ω)表示滤波窗函数的信号增益。优选地,α取值范围为0.01~1。背景白噪声等级高或原始采集信号的采样持续时间长的情况下,α取该范围内一较大值。
参数α决定了分量信号的带宽。当原始采集信号在时域中的持续时间较长,即频域分辨率较高时,α应当选取较大值。参数δ决定了提取分量信号完成后提取出分量信号的数量和余量信号的信号能量。当计算机计算能力不足以处理过多的分量信号时,可以选取更大的δ值,从而加快计算速度、减少计算时间。
所述1)中,按照以下方式进行处理:
S1、将原始采集信号作为待分析信号;
S2、针对待分析信号通过滤波窗函数提取出一个分量信号,将所剩余部分的待分析信号作为余量信号;
S3、以余量信号回到步骤S2作为待分析信号进行处理;
S4、不断迭代进行步骤S1~S3,直到余量信号的信号长度小于预设的阈值,从而提取获得各个分量信号。
所述S2中,将待分析信号和滤波窗函数进行相乘处理获得分量信号;且在S2提取分量信号的每一次迭代过程中,滤波器中心频率ωi选取为当前迭代过程中频域下的待分析信号的最大值对应的频率。
如图2所示为本发明中使用滤波窗函数从原始采集信号中提取分量信号的方法的流程图。
所述S2具体为:
S22、以从初始信号中提取分量信号后当前剩余部分的信号作为当前次迭代的余量信号将当前次迭代的余量信号作为待分析信号和初始信号根据预设的余量信号能量阈值δ进行以下判断,余量信号能量阈值δ是提取分量信号的终止条件:
其中,v2()表示离散信号所有样点幅值的平方和,用于计算离散信号的总能量;
所述2)中,互相关系数计算方式为:
其中,uk(n)表示原始采集信号x(n)的第k个分量信号;ρ(uk(n),x(n))表示第k个分量信号uk(n)与原始采集信号x(n)的互相关系数,将ρ(uk(n),x(n))简记为ρk;<,>表示两个信号的内积;v2()表示离散信号所有样点幅值的平方和。
所述2)中,重构信号y(n)的计算方式为:
其中,k表示提取出的分量信号的序号,K表示提取出的分量信号的总数,y(n)表示重构信号中的第n个数据点。
所述3)中,解调重构信号采用以下方式处理:
ψ[y(n)]=[y(n)]2-y(n-1)y(n+1)
其中,y(n–1)为y(n)的前一个数据点,y(n+1)为y(n)的后一个数据点。
所述3)中,判断分析能量序列的离散傅里叶变换频谱中是否存在轴承故障特征频率,根据结果确定旋转机械滚动轴承的故障情况。
所述3)中,在能量序列的离散傅里叶变换频谱中提取出预设的轴承故障特征频率对应的幅值,将该幅值和预设的轴承故障幅值阈值进行比较判断:
若幅值大于轴承故障幅值阈值,则旋转机械滚动轴承存在故障;
若幅值小于等于轴承故障幅值阈值,则旋转机械滚动轴承不存在故障。
轴承故障特征频率对应的幅值越大,则说明旋转机械滚动轴承的故障概率越大。
所述轴承故障特征频率通过轴承的型号和设计尺寸计算得出,轴承不同部位的故障,如外圈故障、内圈故障、滚珠故障等。优选的,所述的轴承故障特征频率或其高次谐波是指轴承故障特征频率的1~10倍。
本发明方法主要由提取分量信号、计算重构信号、解调分析三部分组成。提取分量信号的部分是通过设置一系列滤波器组,初步分离原始采集信号中的背景噪声;计算重构信号是使用分量信号与原始采集信号的互相关系数对分量信号进行加权的过程,提高重构信号的信噪比。解调分析的部分是解调重构信号、分析得到的能量序列的频谱中是否存在轴承故障特征频率。
本发明方法相比于现有技术,具有如下有益效果:
1、本发明给出了一种对轴承振动信号降噪处理的方法。在重构信号y(n)中,原始采集信号中具有特定频率的或具有物理意义的振动得到了尽可能的保留,而原始采集信号中的白噪声被大幅削弱,使用重构信号y(n)进行解调分析能提高信噪比,凸显轴承故障特征。
2、本发明在提取轴承故障特征频率的过程中中需要人工选定的参数少、参数鲁棒性强,弥补了使用变分模态分解或传统带通滤波器等方法中参数难以确定的不足。
3、本发明给出的方法计算速度快、可操作性强、便于实际应用。
附图说明
图1为本发明提出的原始采集信号中解调轴承故障特征的方法的流程图。
图2为本发明中从原始采集信号中提取分量信号的方法的流程图。
图3为本发明的一个实施例的结果,即从一个外圈故障轴承采集的振动信号经本发明所述方法最终得到的能量序列的傅里叶变换频谱图。
具体实施方式
下面结合例图和具体实施例对本发明做进一步说明。
按照本发明发明内容的完整方法实施的具体实施例如下:
通过加速度传感器测量一包含外圈故障的滚动轴承的振动信号,得到原始采集信号,数据采集卡采集的传感器测量数据送入上位计算机进行处理。该振动信号的采样频率为8kHz,采样持续时间为2.5s。数据采集时加速度传感器安装于固定的轴承支架上。
计算原始采集信号的离散傅里叶变换。
设置参数α=0.1,δ=0.05,将原始采集信号的离散傅里叶变换输入到图2所示的提取分量信号的方法中,提取出频域下的一系列分量信号。
计算每个频域下的分量信号的离散傅里叶逆变换,得到一系列共K个时域下的分量信号。每个分量信号的信号长度和采样频率与原始采集信号相同。
步骤(4):计算时域下的各分量信号{uk(n)}k=1,2,…K与原始采集信号x(n)的互相关系数{ρk}k=1,2,…,K;
计算各分量信号与原始采集信号的互相关系数。uk与x间的互相关系数ρ(uk,x)具有如下性质:ρ(uk,x)∈[-1,1];ρk>0表示两信号正相关,ρk<0表示两信号负相关;ρk绝对值越大,表示两信号的相关性越强;ρk=0表示两信号相互正交。在步骤(2)中,使用如图2所示的方法、最终经离散傅里叶变换得到的时域下的分量信号与原始采集信号间的互相关系数一般为正值。
步骤(5):使用互相关系数对对应的时域下分量信号加权得到加权和,加权和为重构信号y(n);
使用各分量信号与原始采集信号的互相关系数对分量信号加权,加权和为重构信号。重构信号的信号长度和采样频率与原始采集信号相同。通过共K个分量信号{uk(n)}k=1,2,…,K计算重构信号y(n)的方式为
步骤(6):对重构信号y(n)解调重构信号y(n)得到能量序列ψ[y(n)],分析能量序列ψ[y(n)]的傅里叶变换频谱中是否存在轴承故障特征频率fbf或其高次谐波。
解调重构信号得到能量序列,分析能量序列的傅里叶变换频谱中是否存在轴承外圈故障所对应的特征频率或其高次谐波。
在本实施例中,如图3所示,通过轴承型号尺寸数据计算出的标称轴承故障特征频率为107.3Hz,能量序列中有明显的轴承故障特征频率及其高次谐波所对应的频率成分,可以判定该轴承存在外圈故障。
Claims (7)
1.一种旋转机械滚动轴承振动信号轴承故障诊断方法,其特征是:
1)采集旋转机械滚动轴承的振动信号作为原始采集信号,从原始采集信号中提取出一系列分量信号;
所述1)中,迭代地通过滤波窗函数从频域下的待分析信号中逐个提取频域下的分量信号,所述滤波窗函数为:
Hk(ω)=1/[1+α(ω-ωk)2]
其中,ω为计算频率,ωk是滤波中心频率,α为滤波窗函数的带宽参数,Hk(ω)表示滤波窗函数的信号增益;
所述1)中,按照以下方式进行处理:
S1、将原始采集信号作为待分析信号;
S2、针对待分析信号通过滤波窗函数提取出一个分量信号,将所剩余部分的待分析信号作为余量信号;
S3、以余量信号回到步骤S2作为待分析信号进行处理;
S4、不断迭代进行步骤S1~S3,直到余量信号的信号长度小于预设的阈值,从而提取获得各个分量信号;
2)计算一系列分量信号与原始采集信号之间的互相关系数,使用互相关系数对分量信号加权,计算加权和得到重构信号;
3)解调重构信号得到能量序列,根据能量序列的离散傅里叶变换频谱判断旋转机械滚动轴承的故障情况。
2.根据权利要求1所述的一种旋转机械滚动轴承振动信号轴承故障诊断方法,其特征在于:所述S2中,将待分析信号和滤波窗函数进行相乘处理获得分量信号;且在S2提取分量信号的每一次迭代过程中,滤波器中心频率ωi选取为当前迭代过程中频域下的待分析信号的最大值对应的频率。
3.根据权利要求1所述的一种旋转机械滚动轴承振动信号轴承故障诊断方法,其特征在于:所述S2具体为:
其中,v2()表示离散信号所有样点幅值的平方和,用于计算离散信号的总能量;
5.根据权利要求1所述的一种旋转机械滚动轴承振动信号轴承故障诊断方法,其特征在于:所述3)中,解调重构信号采用以下方式处理:
ψ[y(n)]=[y(n)]2-y(n-1)y(n+1)
其中,y(n–1)为y(n)的前一个数据点,y(n+1)为y(n)的后一个数据点。
6.根据权利要求1所述的一种旋转机械滚动轴承振动信号轴承故障诊断方法,其特征在于:所述3)中,判断分析能量序列的离散傅里叶变换频谱中是否存在轴承故障特征频率,根据结果确定旋转机械滚动轴承的故障情况。
7.根据权利要求1所述的一种旋转机械滚动轴承振动信号轴承故障诊断方法,其特征在于:所述3)中,在能量序列的离散傅里叶变换频谱中提取出预设的轴承故障特征频率对应的幅值,将该幅值和预设的轴承故障幅值阈值进行比较判断:
若幅值大于轴承故障幅值阈值,则旋转机械滚动轴承存在故障;
若幅值小于等于轴承故障幅值阈值,则旋转机械滚动轴承不存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137748.0A CN114486263B (zh) | 2022-02-15 | 2022-02-15 | 一种旋转机械滚动轴承振动信号降噪解调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137748.0A CN114486263B (zh) | 2022-02-15 | 2022-02-15 | 一种旋转机械滚动轴承振动信号降噪解调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114486263A CN114486263A (zh) | 2022-05-13 |
CN114486263B true CN114486263B (zh) | 2023-04-25 |
Family
ID=81480345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137748.0A Active CN114486263B (zh) | 2022-02-15 | 2022-02-15 | 一种旋转机械滚动轴承振动信号降噪解调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114486263B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115014765B (zh) * | 2022-07-11 | 2023-04-07 | 浙江大学 | 一种通过声信号提取滚动轴承保持架故障特征的方法 |
CN115711738B (zh) * | 2022-10-24 | 2023-10-31 | 中国人民解放军93208部队 | 一种服役环境下航空发动机主轴承故障特征频率提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2006043511A1 (ja) * | 2005-08-31 | 2008-05-22 | 日本精工株式会社 | 機械設備の異常診断システム |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN106198009A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的emd、谱峭度和平滑迭代包络分析方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
CN110320040A (zh) * | 2019-06-21 | 2019-10-11 | 昆明理工大学 | 一种基于iitd和amckd的滚动轴承故障特征提取方法 |
CN112345247B (zh) * | 2019-08-09 | 2022-11-25 | 郑州工程技术学院 | 一种滚动轴承的故障诊断方法及装置 |
CN111103139A (zh) * | 2019-12-31 | 2020-05-05 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN112229627B (zh) * | 2020-09-29 | 2021-12-03 | 电子科技大学 | 基于短时稀疏傅里叶变换的旋转机械瞬时转速估计方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
CN112557038A (zh) * | 2020-12-30 | 2021-03-26 | 三峡大学 | 多重降噪处理的轴承早期故障诊断方法 |
-
2022
- 2022-02-15 CN CN202210137748.0A patent/CN114486263B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2006043511A1 (ja) * | 2005-08-31 | 2008-05-22 | 日本精工株式会社 | 機械設備の異常診断システム |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN106198009A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的emd、谱峭度和平滑迭代包络分析方法 |
Non-Patent Citations (1)
Title |
---|
万书亭 ; 张雄 ; 豆龙江 ; .强噪源干扰下的滚动轴承复合故障分离方法研究.中南大学学报(自然科学版).2018,(第08期),第112-121页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114486263A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN110243605B (zh) | 多源时频脊线提取方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN113375940A (zh) | 基于svd和ceemdan的故障轴承诊断方法 | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN110672327A (zh) | 一种基于多层降噪技术的异步电机轴承故障诊断方法 | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
Wen et al. | Feature extraction of bearing vibration signals using second generation wavelet and spline-based local mean decomposition | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及*** | |
Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
CN115962941A (zh) | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 | |
CN113326782B (zh) | 基于包络谱形态拟合的滚动轴承故障特征自动提取方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及*** | |
CN107941511A (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN115356108B (zh) | 一种调制高阶水平挤压变换机械故障诊断方法与装置 | |
CN116859240A (zh) | 一种基于多传感器和边缘计算的直流无刷电机故障识别方法 | |
Yan et al. | A chaotic feature extraction based on SMMF and CMMFD for early fault diagnosis of rolling bearing | |
Huang et al. | Algorithm for multiple time-frequency curve extraction from time-frequency representation of vibration signals for bearing fault diagnosis under time-varying speed conditions |
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 |