CN114705432A - 防爆电机轴承健康状态评估方法及*** - Google Patents

防爆电机轴承健康状态评估方法及*** Download PDF

Info

Publication number
CN114705432A
CN114705432A CN202210627736.6A CN202210627736A CN114705432A CN 114705432 A CN114705432 A CN 114705432A CN 202210627736 A CN202210627736 A CN 202210627736A CN 114705432 A CN114705432 A CN 114705432A
Authority
CN
China
Prior art keywords
explosion
proof motor
bearing
state
health
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
CN202210627736.6A
Other languages
English (en)
Other versions
CN114705432B (zh
Inventor
江星星
黄强
郑振晓
朱忠奎
郑建颖
陈皓
周振华
杨强
王刚
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.)
Hrlm Technology Inc Co
Original Assignee
Hrlm Technology Inc Co
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 Hrlm Technology Inc Co filed Critical Hrlm Technology Inc Co
Priority to CN202210627736.6A priority Critical patent/CN114705432B/zh
Publication of CN114705432A publication Critical patent/CN114705432A/zh
Application granted granted Critical
Publication of CN114705432B publication Critical patent/CN114705432B/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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种防爆电机轴承健康状态评估方法及***，方法包括：实时采集防爆电机的轴承振动信号，获取多维时间序列并进行预处理；提取预处理后的多维时间序列的多尺度稀疏测度构建状态表征矩阵；对状态表征矩阵进行差异度融合形成差异度，将差异度转化为置信度并作为防爆电机轴承运行状态评估指标；根据防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进行评估。***包括信号采集模块，特征提取模块，评估指标构建模块和健康状态评估模块。本发明通过实时采集数据、多尺度稀疏测度融合指标和置信度转换，可以实时、准确地评估电机轴承健康状态的微弱变化，从而及时进行早期故障预警。

Description

防爆电机轴承健康状态评估方法及***
技术领域
本发明涉及防爆电机运维技术领域，尤其是指一种防爆电机轴承健康状态评估方法及***。
背景技术
轴承是防爆电机的核心部件之一，用于支撑电机主轴、承受负载，在防爆装置传动***的动力传输、降低功耗等方面具有重要作用，故轴承的服役性能对防爆电机的正常运作具有重要影响。由于防爆电机主要应用在易燃、易爆场所等特殊的工作环境中，微弱的防爆电机轴承故障即可能导致装置停车甚至机毁人亡的严重后果。因此，研究轴承早期的微弱健康状态变化对于发展高安全性与高可靠性服役的防爆电机具有特别重要的意义。
在轴承的健康状态评估任务中，构建轴承运行状态评估指标，从而实现早期故障的及时预警与轴承健康状态的准确评估，可以为维修人员提供足够的时间来执行修复行动。在现有的评估指标中，单一统计特征易受噪声影响、稳定性低、表征能力有限，基于聚类模型的融合指标评估在构建时实时性差，在进行电机轴承健康状态评估时存在局限性，置信度转换评估指标存在尺度参数不确定性的问题，都不能很好地实现对电机轴承早期微弱健康状态变化的实时有效评估。
在构建评估指标时，故障特征的提取是关键。现阶段的故障特征提取大多是利用常见的统计参数，例如利用专业知识设计的故障相关特征、或者从非故障诊断领域引用的稀疏测度。但是，这些统计参数没有考虑多尺度的特性，在原始时间尺度上波动较大，使得早期故障预警滞后且易受干扰噪声的影响，导致状态评估效果不准确。
发明内容
为此，本发明要解决的技术问题在于克服现有技术中的不足，提供一种可以实时且准确地评估电机轴承健康状态的微弱变化、从而及时进行早期故障预警的防爆电机轴承健康状态评估方法及***。
为了解决上述技术问题，本发明提供了一种防爆电机轴承健康状态评估方法，包括以下步骤：
一种防爆电机轴承健康状态评估方法，其特征在于，包括以下步骤：
步骤1：实时采集防爆电机的轴承振动信号S，获取多维时间序列Y并对多维时间序列Y进行预处理得到预处理后的多维时间序列Y’；
步骤2：提取所述预处理后的多维时间序列Y’的多尺度稀疏测度，根据所述多尺度稀疏测度构建状态表征矩阵H；
步骤3：对所述状态表征矩阵H进行差异度融合形成差异度D，将所述差异度D转化为置信度CV，将所述置信度CV作为防爆电机轴承运行状态评估指标；
步骤4：根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进行评估。
作为优选的，所述实时采集防爆电机的轴承振动信号S，获取多维时间序列Y并对多维时间序列Y进行预处理得到预处理后的多维时间序列Y’；具体为：
步骤1.1：将所述轴承振动信号S=[x 1 ,x 2 ,…,x n ]划分为长度为m的向量
Figure 765070DEST_PATH_IMAGE001
，
Figure 681074DEST_PATH_IMAGE002
；
步骤1.2：计算所述向量
Figure 870746DEST_PATH_IMAGE003
的平方均值
Figure 239411DEST_PATH_IMAGE004
：
Figure 913844DEST_PATH_IMAGE005
，
Figure 949933DEST_PATH_IMAGE006
；
其中
Figure 310507DEST_PATH_IMAGE007
为所述向量
Figure 166467DEST_PATH_IMAGE008
的均值，计算公式为：
Figure 395324DEST_PATH_IMAGE009
，
Figure 20340DEST_PATH_IMAGE010
；
步骤1.3：根据所述平方均值
Figure 551815DEST_PATH_IMAGE011
，将所述多维时间序列
Figure 770438DEST_PATH_IMAGE012
生 成多尺度时间序列
Figure 412772DEST_PATH_IMAGE013
；
步骤1.4：对所述多尺度时间序列
Figure 157874DEST_PATH_IMAGE014
进行自适应加权信号预处理，得到所述预处 理后的多维时间序列Y’。
作为优选的，对所述多尺度时间序列
Figure 860251DEST_PATH_IMAGE015
进行自适应加权信号预处理，得到所述 预处理后的多维时间序列Y’；具体为：
步骤1.4.1：计算所述多尺度时间序列
Figure 815438DEST_PATH_IMAGE013
的包络
Figure 261462DEST_PATH_IMAGE016
和平方包 络
Figure 861071DEST_PATH_IMAGE017
：
Figure 734349DEST_PATH_IMAGE018
，
Figure 157590DEST_PATH_IMAGE019
；
其中，j’表示虚数，Hilbert( )表示希尔伯特变换；
步骤1.4.2：构建所述平方包络上的自适应权重项
Figure 407306DEST_PATH_IMAGE020
，其中
Figure 861421DEST_PATH_IMAGE021
是与防爆电机轴承健康阶段的信号方差相关的一个正常数；
步骤1.4.3：使用所述自适应权重项预处理所述多尺度时间序列，得到预处理后的 多维时间序列
Figure 30234DEST_PATH_IMAGE022
，计算公式为：
Figure 914008DEST_PATH_IMAGE023
。
作为优选的，所述
Figure 436256DEST_PATH_IMAGE024
由位移百分比常数SP计算得到，计算公式为：
Figure 869512DEST_PATH_IMAGE025
；
其中，v表示防爆电机轴承健康阶段的信号方差。
作为优选的，所述多尺度稀疏测度包括峭度Kurtosis、负熵NE、逆平滑指数ISI和基尼指数GI；
给定向量
Figure 84592DEST_PATH_IMAGE026
，将向量
Figure 377033DEST_PATH_IMAGE027
中的系数从小到大排列得到 新向量
Figure 702972DEST_PATH_IMAGE028
，其中
Figure 505581DEST_PATH_IMAGE029
；
所述峭度的计算公式为：
Figure 157142DEST_PATH_IMAGE030
；
所述负熵的计算公式为：
Figure 405721DEST_PATH_IMAGE031
，其中
Figure 659985DEST_PATH_IMAGE032
，
Figure 208778DEST_PATH_IMAGE033
；
所述逆平滑指数的计算公式为：
Figure 765661DEST_PATH_IMAGE034
；
所述基尼指数的计算公式为：
Figure 767115DEST_PATH_IMAGE035
。
作为优选的，所述提取所述预处理后的多维时间序列
Figure 575802DEST_PATH_IMAGE036
的多尺度稀疏测度，根据 所述多尺度稀疏测度构建状态表征矩阵
Figure 979102DEST_PATH_IMAGE037
；具体为：
步骤2.1：将
Figure 706886DEST_PATH_IMAGE038
作为给定向量
Figure 195637DEST_PATH_IMAGE039
，计算预处理后的 所述多维时间序列
Figure 791703DEST_PATH_IMAGE040
的峭度
Figure 49509DEST_PATH_IMAGE041
、预处理后的所述多维时间序列
Figure 213774DEST_PATH_IMAGE040
的负熵
Figure 189820DEST_PATH_IMAGE042
、预处理后的所述多维时间序列
Figure 310616DEST_PATH_IMAGE040
的逆平滑指数
Figure 688508DEST_PATH_IMAGE043
和预处理后的所述多维 时间序列
Figure 758095DEST_PATH_IMAGE040
的基尼指数
Figure 346072DEST_PATH_IMAGE044
；
步骤2.2：根据所述
Figure 159307DEST_PATH_IMAGE041
、
Figure 391705DEST_PATH_IMAGE042
、
Figure 897773DEST_PATH_IMAGE045
和
Figure 458198DEST_PATH_IMAGE044
构建状态表征矩阵：
Figure 75124DEST_PATH_IMAGE046
。
作为优选的，对所述状态表征矩阵
Figure 162029DEST_PATH_IMAGE047
进行差异度融合形成差异度
Figure 838998DEST_PATH_IMAGE048
，具体为：
步骤3.1：建立防爆电机轴承理论健康状态下的状态表征矩阵
Figure 135987DEST_PATH_IMAGE049
， 其中
Figure 291025DEST_PATH_IMAGE050
表示共提取
Figure 498015DEST_PATH_IMAGE050
维特征，
Figure 345886DEST_PATH_IMAGE051
表示共有
Figure 379438DEST_PATH_IMAGE051
个时间样本；
计算健康类中心
Figure 72588DEST_PATH_IMAGE052
：
Figure 868506DEST_PATH_IMAGE053
，
Figure 11911DEST_PATH_IMAGE054
；
步骤3.2：根据实时采集的防爆电机的所述轴承振动信号S建立测试轴承样本的状 态表征矩阵
Figure 158859DEST_PATH_IMAGE055
，其中C表示共提取C维特征，l表示共有l个时间样本；
步骤3.3：根据所述计算健康类中心和所述测试轴承样本的状态表征矩阵计算差 异度
Figure 921278DEST_PATH_IMAGE056
：
Figure 837282DEST_PATH_IMAGE057
，j=1,2,…,l；其中
Figure 636742DEST_PATH_IMAGE058
。
作为优选的，将所述差异度
Figure 270985DEST_PATH_IMAGE059
转化为置信度
Figure 571517DEST_PATH_IMAGE060
，具体为：
将所述差异度
Figure 607606DEST_PATH_IMAGE061
转化为范围在[0,1]变化的置信度
Figure 827234DEST_PATH_IMAGE062
，置信度转换表达式为：
Figure 683195DEST_PATH_IMAGE063
；
其中，c’是尺度因子。
作为优选的，c’的计算公式为：
Figure 787417DEST_PATH_IMAGE064
；
其中，
Figure 783405DEST_PATH_IMAGE065
为初始化值，健康样本
Figure 314881DEST_PATH_IMAGE066
的计算公式为
Figure 658137DEST_PATH_IMAGE067
，j=1,2,…,k；其中
Figure 566051DEST_PATH_IMAGE068
。
本发明还提供了一种防爆电机轴承健康状态评估***，包括信号采集模块，特征提取模块，评估指标构建模块和健康状态评估模块；
所述信号采集模块用于实时采集防爆电机轴承全寿命服役过程中的振动信号，获取多维时间序列；
所述特征提取模块用于对所述多维时间序列进行预处理，提取预处理后的所述多维时间序列的多尺度稀疏测度，使用所述多尺度稀疏测度构建状态表征矩阵；
所述评估指标构建模块用于对所述状态表征矩阵进行差异度融合形成差异度，将所述差异度转化为置信度，将所述置信度作为防爆电机轴承运行状态评估指标；
所述健康状态评估模块用于根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的运行状态进行评估，实现健康状态评估与早期故障预警。
本发明的上述技术方案相比现有技术具有以下优点：
1、本发明从多尺度层面对稀疏测度进行了充分挖掘，提取更多关于轴承运行状态的故障信息，增强了微弱故障出现的初始迹象，提升了噪声干扰能力、稳定性高，提高了对防爆电机轴承健康状态的微弱变化评估的准确性。
2、本发明通过置信度转换策略将差异度融合结果控制在有限区间内，实现了滚动轴承损伤程度定量评估，并克服了置信度转换中尺度参数不确定性的问题，提高了对防爆电机轴承健康状态评估的准确性。
3、本发明通过实时获取轴承转动信号，并通过联合多尺度稀疏测度和差异度融合建立防爆电机轴承运行状态评估指标，在实现对防爆电机轴承健康状态的微弱变化的评估基础上，实现了实时评估和对防爆电机轴承早期故障的及时预警。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1为本发明的流程图；
图2为本发明实施例中的轴承全寿命振动信号；
图3为使用本发明方法对防爆电机轴承运行状态进行分析的结果示意图；
图4为使用本发明方法判断出的故障时刻在图2中对应时刻的振动信号的局部时域波形放大图；
图5为对图4的振动信号进行包络分析的包络谱。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1流程图所示，本发明从多尺度层面对稀疏测度进行了充分挖掘，公开了一种防爆电机轴承健康状态评估方法，包括以下步骤：
步骤1：实时采集防爆电机的轴承振动信号S，获取多维时间序列Y并对多维时间序 列Y进行预处理得到
Figure 435786DEST_PATH_IMAGE069
。
步骤1.1：将所述轴承振动信号
Figure 138163DEST_PATH_IMAGE070
划分为长度为m的向量
Figure 968716DEST_PATH_IMAGE071
，
Figure 414741DEST_PATH_IMAGE072
；
步骤1.2：计算向量
Figure 889716DEST_PATH_IMAGE073
的平方均值
Figure 762994DEST_PATH_IMAGE074
：
Figure 80843DEST_PATH_IMAGE075
，
Figure 924034DEST_PATH_IMAGE076
；
其中
Figure 643728DEST_PATH_IMAGE077
为向量
Figure 687907DEST_PATH_IMAGE078
的均值，计算公式为
Figure 493052DEST_PATH_IMAGE079
，
Figure 654781DEST_PATH_IMAGE076
；
步骤1.3：根据平方均值
Figure 228982DEST_PATH_IMAGE080
，将多维时间序列
Figure 444063DEST_PATH_IMAGE081
生成多尺度 时间序列
Figure 470924DEST_PATH_IMAGE013
；
步骤1.4：对多尺度时间序列
Figure 187077DEST_PATH_IMAGE082
进行自适应加权信号预处理，得到预处理后的多 维时间序列
Figure 350205DEST_PATH_IMAGE083
。自适应加权信号预处理（AWSPT）是一种针对时间序列噪声抑制的预处理方 法。
步骤1.4.1：计算多尺度时间序列
Figure 736187DEST_PATH_IMAGE013
的包络
Figure 391290DEST_PATH_IMAGE084
和平方包络
Figure 520920DEST_PATH_IMAGE085
：
Figure 804134DEST_PATH_IMAGE018
，
Figure 626596DEST_PATH_IMAGE019
；
其中，j’表示虚数，Hilbert( )表示希尔伯特变换；
步骤1.4.2：构建所述平方包络上的自适应权重项
Figure 752684DEST_PATH_IMAGE086
，其中
Figure 686005DEST_PATH_IMAGE087
是
Figure 823725DEST_PATH_IMAGE088
的单调递减函数；
步骤1.4.3：使用所述自适应权重项预处理所述多尺度时间序列，得到预处理后的 多维时间序列
Figure 928341DEST_PATH_IMAGE022
，计算公式为：
Figure 417091DEST_PATH_IMAGE089
；
其中，
Figure 888524DEST_PATH_IMAGE090
是与防爆电机轴承健康阶段的信号方差相关的一个正常数。所述
Figure 146330DEST_PATH_IMAGE090
由位 移百分比常数SP计算得到，计算公式为：
Figure 435229DEST_PATH_IMAGE091
；
其中，v表示防爆电机轴承健康阶段的信号方差，本实施例中脉冲抑制的常数SP=20%。
步骤2：提取预处理后的所述多维时间序列
Figure 145696DEST_PATH_IMAGE040
的多尺度稀疏测度，使用所述多尺 度稀疏测度构建状态表征矩阵
Figure 155240DEST_PATH_IMAGE092
。
步骤2.1：给定向量
Figure 408498DEST_PATH_IMAGE093
，将向量
Figure 478085DEST_PATH_IMAGE094
中的系数从小到大排 列得到新向量
Figure 941428DEST_PATH_IMAGE095
，其中
Figure 754663DEST_PATH_IMAGE096
。
所述多尺度稀疏测度包括峭度
Figure 111695DEST_PATH_IMAGE097
、负熵
Figure 352183DEST_PATH_IMAGE098
、逆平滑指数
Figure 302822DEST_PATH_IMAGE099
和基尼指数
Figure 919748DEST_PATH_IMAGE100
，计算公式分别为：
（1）峭度的计算公式为：
Figure 380554DEST_PATH_IMAGE030
；
（2）负熵的计算公式为：
Figure 57523DEST_PATH_IMAGE031
，其中
Figure 964299DEST_PATH_IMAGE032
，
Figure 243971DEST_PATH_IMAGE033
；
（3）逆平滑指数的计算公式为：
Figure 450961DEST_PATH_IMAGE101
；
（4）基尼指数的计算公式为：
Figure 33252DEST_PATH_IMAGE102
。
将
Figure 302691DEST_PATH_IMAGE038
作为给定向量
Figure 261419DEST_PATH_IMAGE103
，计算预处理后的所述多维时 间序列
Figure 322916DEST_PATH_IMAGE040
的峭度
Figure 341688DEST_PATH_IMAGE104
、预处理后的所述多维时间序列
Figure 613269DEST_PATH_IMAGE040
的负熵
Figure 110110DEST_PATH_IMAGE105
、预处理后 的所述多维时间序列
Figure 760534DEST_PATH_IMAGE040
的逆平滑指数
Figure 344616DEST_PATH_IMAGE106
和预处理后的所述多维时间序列
Figure 978859DEST_PATH_IMAGE040
的基尼 指数
Figure 279391DEST_PATH_IMAGE107
；
步骤2.2：根据预处理后的多维时间序列
Figure 49901DEST_PATH_IMAGE040
的峭度
Figure 535109DEST_PATH_IMAGE108
、预处理后的多维 时间序列
Figure 656648DEST_PATH_IMAGE040
的负熵
Figure 495291DEST_PATH_IMAGE105
、预处理后的多维时间序列
Figure 385887DEST_PATH_IMAGE040
的逆平滑指数
Figure 792729DEST_PATH_IMAGE109
和预处理后 的多维时间序列
Figure 135985DEST_PATH_IMAGE040
的基尼指数
Figure 778319DEST_PATH_IMAGE107
构建状态表征矩阵：
Figure 648055DEST_PATH_IMAGE110
。
从多尺度层面对稀疏测度进行了充分挖掘，提取更多关于轴承运行状态的故障信息，增强了微弱故障出现的初始迹象，提升了噪声干扰能力、稳定性高，提高了对防爆电机轴承健康状态的微弱变化评估的准确性，可以实现对防爆电机轴承早期故障的及时预警。
步骤3：对所述状态表征矩阵H进行差异度融合形成差异度D，将所述差异度D转化为置信度CV，将所述置信度CV作为防爆电机轴承运行状态评估指标。本实施例中利用欧氏距离衡量测试轴承样本状态特征与轴承健康状态特征两者的差异度D，形成初步融合。
步骤3.1：建立防爆电机轴承理论健康状态下的状态表征矩阵
Figure 350432DEST_PATH_IMAGE111
， 其中
Figure 180985DEST_PATH_IMAGE112
表示共提取
Figure 361430DEST_PATH_IMAGE112
维特征，
Figure 600520DEST_PATH_IMAGE113
表示共有
Figure 208218DEST_PATH_IMAGE114
个时间样本；
计算健康类中心
Figure 526067DEST_PATH_IMAGE115
：
Figure 634838DEST_PATH_IMAGE116
，
Figure 354532DEST_PATH_IMAGE117
；
步骤3.2：根据实时采集的防爆电机的轴承振动信号S建立测试轴承样本的状态表 征矩阵
Figure 398711DEST_PATH_IMAGE118
，其中
Figure 203856DEST_PATH_IMAGE112
表示共提取
Figure 867050DEST_PATH_IMAGE112
维特征，l表示共有l个时间样本；
步骤3.3：根据所述计算健康类中心和所述测试轴承样本的状态表征矩阵计算差 异度
Figure 441251DEST_PATH_IMAGE119
：
Figure 656331DEST_PATH_IMAGE120
，j=1,2,…,l；其中
Figure 683193DEST_PATH_IMAGE058
。
步骤3.4：将差异度
Figure 399345DEST_PATH_IMAGE121
转化为范围在[0,1]变化的置信度
Figure 828053DEST_PATH_IMAGE122
， 得到最终轴承运行状态评估指标，置信度转换表达式为：
Figure 214035DEST_PATH_IMAGE123
；
其中，c’是尺度因子，与轴承运行状态评指标曲线波形有关；本实施例中通过3σ准 则根据健康样本
Figure 993772DEST_PATH_IMAGE124
自适应确定，所述尺度因子c’的计算公式为：
Figure 234654DEST_PATH_IMAGE064
；
其中，
Figure 517868DEST_PATH_IMAGE065
为初始化值，本实施例中
Figure 340330DEST_PATH_IMAGE065
=0.99，健康样本
Figure 466418DEST_PATH_IMAGE125
的计算公式为
Figure 134160DEST_PATH_IMAGE126
，j=1,2,…,k；其中
Figure 537459DEST_PATH_IMAGE068
。通 过建立3σ准则置信度转换策略将差异度融合结果转化为[0,1]区间，可以实现滚动轴承损 伤程度定量评估并克服置信度转换中尺度参数不确定性问题，从而提高对防爆电机轴承健 康状态评估的准确性。
步骤4：根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进 行评估，实现对防爆电机轴承早期故障的预警以及健康状态的准确评估。将所述置信度
Figure 530823DEST_PATH_IMAGE127
作为防爆电机轴承运行状态评估指标，防爆电机轴承运行状态评估指标在[0,1]区间内变 化，可以定量评估滚动轴承故障严重性；指标数值越接近1则代表越健康，指标数值越接近 0，则代表轴承故障越严重。
通过实时获取轴承转动信号，并通过联合多尺度稀疏测度和差异度融合建立防爆电机轴承运行状态评估指标，在实现对防爆电机轴承健康状态的微弱变化的评估基础上，实现了实时评估和对防爆电机轴承早期故障的及时预警。
本发明还公开了一种防爆电机轴承健康状态评估***，包括信号采集模块，特征提取模块，评估指标构建模块和健康状态评估模块。其中：
所述信号采集模块用于实时采集防爆电机轴承全寿命服役过程中的振动信号，获取多维时间序列；
所述特征提取模块用于对所述多维时间序列进行预处理，提取预处理后的所述多维时间序列的多尺度稀疏测度，使用所述多尺度稀疏测度构建状态表征矩阵；
所述评估指标构建模块用于对所述状态表征矩阵进行差异度融合形成差异度，将所述差异度转化为置信度，将所述置信度作为防爆电机轴承运行状态评估指标；
所述健康状态评估模块用于根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的运行状态进行评估，实现健康状态评估与早期故障预警。
为了进一步说明本发明的有益效果，本实施例中通过对一组防爆电机轴承全寿命振动信号进行分析，并与通过理论计算出的轴承故障点进行比对，以此来说明本发明对防爆电机轴承的健康状态的微弱变化的评估效果。
图2所示为本实施例中使用的防爆电机轴承在10分钟内的振动信号。图3为使用本发明方法建立的防爆电机轴承在10分钟内对应的防爆电机轴承运行状态评估指标的值以及在第533秒这一时刻的局部放大图。从图3可以看出，防爆电机轴承运行状态评估指标在第533秒发生了突然变化，就此判断防爆电机轴承的早期故障发生时间点为第533秒。对图2中第533秒的振动信号进行包络分析，图4为图2中第533秒的振动信号的局部放大图，图5为对图4进行包络分析后的包络谱。
本实施例中采用判断电机轴承故障点的常用公式来计算理论上的故障点，已知轴 的旋转频率为
Figure 629360DEST_PATH_IMAGE128
，轴承节径为
Figure 366372DEST_PATH_IMAGE129
，滚动体直径为
Figure 624178DEST_PATH_IMAGE130
，接触角为
Figure 522864DEST_PATH_IMAGE131
，滚动体个数为
Figure 623544DEST_PATH_IMAGE132
，通过公 式
Figure 898667DEST_PATH_IMAGE133
，计算出理论上防爆电机外圈故障特征频率f o，进而计算出二倍频 2f o和三倍频3f o。与理论值对应的，在图5中均找到了相应的冲击点f o、2f o和3f o，表明了在第 533秒这一时刻，防爆电机的轴承确实出现了外圈故障，本发明将这一微弱变化及时准确地 找出了，从而说明了本发明方法的有效性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种防爆电机轴承健康状态评估方法，其特征在于，包括以下步骤：
步骤1：实时采集防爆电机的轴承振动信号S，获取多维时间序列Y并对多维时间序列Y进行预处理得到预处理后的多维时间序列Y’；
步骤2：提取所述预处理后的多维时间序列Y’的多尺度稀疏测度，根据所述多尺度稀疏测度构建状态表征矩阵H；
步骤3：对所述状态表征矩阵H进行差异度融合形成差异度D，将所述差异度D转化为置信度CV，将所述置信度CV作为防爆电机轴承运行状态评估指标；
步骤4：根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的健康状态进行评估。
2.根据权利要求1所述的防爆电机轴承健康状态评估方法，其特征在于：所述实时采集防爆电机的轴承振动信号S，获取多维时间序列Y并对多维时间序列Y进行预处理得到预处理后的多维时间序列Y’；具体为：
步骤1.1：将所述轴承振动信号S=[x 1 ,x 2 ,…,x n ]划分为长度为m的向量
Figure 740258DEST_PATH_IMAGE001
，
Figure 75425DEST_PATH_IMAGE002
；
步骤1.2：计算所述向量
Figure 7609DEST_PATH_IMAGE003
的平方均值
Figure 961789DEST_PATH_IMAGE004
：
Figure 928608DEST_PATH_IMAGE005
，
Figure 169097DEST_PATH_IMAGE006
；
其中
Figure 244369DEST_PATH_IMAGE007
为所述向量
Figure 595716DEST_PATH_IMAGE008
的均值，计算公式为：
Figure 682621DEST_PATH_IMAGE009
，
Figure 464982DEST_PATH_IMAGE010
；
步骤1.3：根据所述平方均值
Figure 371758DEST_PATH_IMAGE011
，将所述多维时间序列
Figure 792375DEST_PATH_IMAGE012
生成多 尺度时间序列
Figure 858420DEST_PATH_IMAGE013
；
步骤1.4：对所述多尺度时间序列
Figure 440711DEST_PATH_IMAGE014
进行自适应加权信号预处理，得到所述预处理后 的多维时间序列Y’。
3.根据权利要求2所述的防爆电机轴承健康状态评估方法，其特征在于：对所述多尺度 时间序列
Figure 100363DEST_PATH_IMAGE015
进行自适应加权信号预处理，得到所述预处理后的多维时间序列Y’；具体为：
步骤1.4.1：计算所述多尺度时间序列
Figure 934458DEST_PATH_IMAGE013
的包络
Figure 995955DEST_PATH_IMAGE016
和平方包络
Figure 749147DEST_PATH_IMAGE017
：
Figure 755149DEST_PATH_IMAGE018
，
Figure 517569DEST_PATH_IMAGE019
；
其中，j’表示虚数，Hilbert( )表示希尔伯特变换；
步骤1.4.2：构建所述平方包络上的自适应权重项
Figure 433572DEST_PATH_IMAGE020
，其中，
Figure 731567DEST_PATH_IMAGE021
是与防爆电机轴承健康阶段的信号方差相关的一个正常数；
步骤1.4.3：使用所述自适应权重项预处理所述多尺度时间序列，得到预处理后的多维 时间序列
Figure 365811DEST_PATH_IMAGE022
，计算公式为：
Figure 666342DEST_PATH_IMAGE023
。
4.根据权利要求3所述的防爆电机轴承健康状态评估方法，其特征在于：所述
Figure 436852DEST_PATH_IMAGE024
由位移 百分比常数SP计算得到，计算公式为：
Figure 922060DEST_PATH_IMAGE025
；
其中，v表示防爆电机轴承健康阶段的信号方差。
5.根据权利要求1所述的防爆电机轴承健康状态评估方法，其特征在于：所述多尺度稀疏测度包括峭度Kurtosis、负熵NE、逆平滑指数ISI和基尼指数GI；
给定向量
Figure 512441DEST_PATH_IMAGE026
，将向量
Figure 616664DEST_PATH_IMAGE027
中的系数从小到大排列得到新向量
Figure 382626DEST_PATH_IMAGE028
，其中
Figure 914101DEST_PATH_IMAGE029
；
所述峭度的计算公式为：
Figure 257358DEST_PATH_IMAGE030
；
所述负熵的计算公式为：
Figure 758746DEST_PATH_IMAGE031
，其中
Figure 503848DEST_PATH_IMAGE032
，
Figure 206225DEST_PATH_IMAGE033
；
所述逆平滑指数的计算公式为：
Figure 36778DEST_PATH_IMAGE034
；
所述基尼指数的计算公式为：
Figure 594054DEST_PATH_IMAGE035
。
6.根据权利要求5所述的防爆电机轴承健康状态评估方法，其特征在于：提取所述预处理后的多维时间序列Y’的多尺度稀疏测度，根据所述多尺度稀疏测度构建状态表征矩阵H；具体为：
步骤2.1：将
Figure 459242DEST_PATH_IMAGE036
作为给定向量
Figure 332520DEST_PATH_IMAGE037
，计算预处理后的所述 多维时间序列Y’的峭度Kurtosis(Y’)、预处理后的所述多维时间序列Y’的负熵NE(Y’)、预 处理后的所述多维时间序列Y’的逆平滑指数ISI(Y’)和预处理后的所述多维时间序列Y’的 基尼指数GI(Y’)；
步骤2.2：根据所述Kurtosis(Y’)、NE(Y’)、ISI(Y’)和GI(Y’)构建状态表征矩阵：
H=[Kurtosis(Y’),NE(Y’),ISI(Y’),GI(Y’)]。
7.根据权利要求6所述的防爆电机轴承健康状态评估方法，其特征在于：对所述状态表征矩阵H进行差异度融合形成差异度D，具体为：
步骤3.1：建立防爆电机轴承理论健康状态下的状态表征矩阵
Figure 509424DEST_PATH_IMAGE038
，其 中c表示共提取c维特征，k表示共有k个时间样本；
计算健康类中心
Figure 759140DEST_PATH_IMAGE039
：
Figure 478834DEST_PATH_IMAGE040
，
Figure 132800DEST_PATH_IMAGE041
；
步骤3.2：根据实时采集的防爆电机的所述轴承振动信号S建立测试轴承样本的状态表 征矩阵
Figure 672366DEST_PATH_IMAGE042
，其中c表示共提取c维特征，l表示共有l个时间样本；
步骤3.3：根据所述计算健康类中心和所述测试轴承样本的状态表征矩阵计算差异度
Figure 460193DEST_PATH_IMAGE043
：
Figure 34394DEST_PATH_IMAGE044
，j=1,2,…,l；其中
Figure 374109DEST_PATH_IMAGE045
。
8.根据权利要求1所述的防爆电机轴承健康状态评估方法，其特征在于：将所述差异度D转化为置信度CV，具体为：
将所述差异度
Figure 666550DEST_PATH_IMAGE046
转化为范围在[0,1]变化的置信度
Figure 726910DEST_PATH_IMAGE047
， 置信度转换表达式为：
Figure 795098DEST_PATH_IMAGE048
；
其中，c’是尺度因子。
9.根据权利要求8所述的防爆电机轴承健康状态评估方法，其特征在于：所述尺度因子c’的计算公式为：
Figure 181080DEST_PATH_IMAGE049
；
其中，
Figure 695237DEST_PATH_IMAGE050
为初始化值，健康样本
Figure 824867DEST_PATH_IMAGE051
的计算公式为
Figure 498294DEST_PATH_IMAGE052
，j=1,2,…,k；其中
Figure 55178DEST_PATH_IMAGE053
。
10.一种防爆电机轴承健康状态评估***，其特征在于：包括信号采集模块，特征提取模块，评估指标构建模块和健康状态评估模块；
所述信号采集模块用于实时采集防爆电机轴承全寿命服役过程中的振动信号，获取多维时间序列；
所述特征提取模块用于对所述多维时间序列进行预处理，提取预处理后的所述多维时间序列的多尺度稀疏测度，使用所述多尺度稀疏测度构建状态表征矩阵；
所述评估指标构建模块用于对所述状态表征矩阵进行差异度融合形成差异度，将所述差异度转化为置信度，将所述置信度作为防爆电机轴承运行状态评估指标；
所述健康状态评估模块用于根据所述防爆电机轴承运行状态评估指标对防爆电机轴承的运行状态进行评估，实现健康状态评估与早期故障预警。
CN202210627736.6A 2022-06-06 2022-06-06 防爆电机轴承健康状态评估方法及*** Active CN114705432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627736.6A CN114705432B (zh) 2022-06-06 2022-06-06 防爆电机轴承健康状态评估方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627736.6A CN114705432B (zh) 2022-06-06 2022-06-06 防爆电机轴承健康状态评估方法及***

Publications (2)

Publication Number Publication Date
CN114705432A true CN114705432A (zh) 2022-07-05
CN114705432B CN114705432B (zh) 2022-09-02

Family

ID=82177924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627736.6A Active CN114705432B (zh) 2022-06-06 2022-06-06 防爆电机轴承健康状态评估方法及***

Country Status (1)

Country Link
CN (1) CN114705432B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116558824A (zh) * 2023-04-19 2023-08-08 华中科技大学 一种面向多通道的轴承综合指标健康监测方法及***
CN116558828A (zh) * 2023-07-10 2023-08-08 昆明理工大学 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032915A (zh) * 2021-02-20 2021-06-25 南京航空航天大学 一种制造装备主轴轴承健康状态评估方法及装置
CN113221277A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生模型的轴承性能退化评估方法及***
CN113670611A (zh) * 2021-07-23 2021-11-19 美核电气（济南）股份有限公司 一种轴承早期退化评估方法、***、介质及电子设备
CN113962253A (zh) * 2021-09-26 2022-01-21 西安交通大学 基于深度小波极限学习机的轴承剩余寿命预测方法及***
CN114444552A (zh) * 2022-04-08 2022-05-06 新黎明科技股份有限公司 防爆电机轴承微弱故障诊断方法、介质、电子设备及***
CN114528707A (zh) * 2022-02-22 2022-05-24 上海交通大学 基于稀疏退化建模的设备性能退化评估方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032915A (zh) * 2021-02-20 2021-06-25 南京航空航天大学 一种制造装备主轴轴承健康状态评估方法及装置
CN113221277A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生模型的轴承性能退化评估方法及***
CN113670611A (zh) * 2021-07-23 2021-11-19 美核电气（济南）股份有限公司 一种轴承早期退化评估方法、***、介质及电子设备
CN113962253A (zh) * 2021-09-26 2022-01-21 西安交通大学 基于深度小波极限学习机的轴承剩余寿命预测方法及***
CN114528707A (zh) * 2022-02-22 2022-05-24 上海交通大学 基于稀疏退化建模的设备性能退化评估方法及***
CN114444552A (zh) * 2022-04-08 2022-05-06 新黎明科技股份有限公司 防爆电机轴承微弱故障诊断方法、介质、电子设备及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116558824A (zh) * 2023-04-19 2023-08-08 华中科技大学 一种面向多通道的轴承综合指标健康监测方法及***
CN116558824B (zh) * 2023-04-19 2024-02-06 华中科技大学 一种面向多通道的轴承综合指标健康监测方法及***
CN116558828A (zh) * 2023-07-10 2023-08-08 昆明理工大学 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法
CN116558828B (zh) * 2023-07-10 2023-09-15 昆明理工大学 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法

Also Published As

Publication number Publication date
CN114705432B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
WO2021135630A1 (zh) 基于grcmse与流形学习的滚动轴承故障诊断方法
CN114705432B (zh) 防爆电机轴承健康状态评估方法及***
Shi et al. Rolling bearing initial fault detection using long short-term memory recurrent network
Han et al. Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
He et al. Machine condition monitoring using principal component representations
Bafroui et al. Application of wavelet energy and Shannon entropy for feature extraction in gearbox fault detection under varying speed conditions
Yang et al. Bearing fault automatic classification based on deep learning
CN112629863A (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN110108456A (zh) 一种深度卷积神经网络的旋转机械健康评估方法
WO2023065580A1 (zh) 风电机组齿轮箱的故障诊断方法及装置
CN103822786A (zh) 基于多元统计分析的风电机组机械设备状态诊断方法
CN114755017B (zh) 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法
CN110990978A (zh) 一种螺栓状态监测方法和装置
CN112395684A (zh) 一种高速列车走行部***智能故障诊断方法
Qiao et al. Fault diagnosis method of rolling bearings based on VMD and MDSVM
CN113155462A (zh) 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
CN116168720A (zh) 一种电机声音异常故障诊断方法、***、及可存储介质
CN109948194B (zh) 一种高压断路器机械缺陷集成学习诊断方法
CN111474476B (zh) 一种电机故障预测方法
CN116611184A (zh) 一种齿轮箱的故障检测方法、装置及介质
CN114580472B (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法

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