CN115219199A - 一种基于深度相关熵谱密度的轴承微弱故障提取方法 - Google Patents
一种基于深度相关熵谱密度的轴承微弱故障提取方法 Download PDFInfo
- Publication number
- CN115219199A CN115219199A CN202210834504.8A CN202210834504A CN115219199A CN 115219199 A CN115219199 A CN 115219199A CN 202210834504 A CN202210834504 A CN 202210834504A CN 115219199 A CN115219199 A CN 115219199A
- Authority
- CN
- China
- Prior art keywords
- depth
- entropy
- spectral density
- bearing
- signal
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 36
- 238000000605 extraction Methods 0.000 title claims abstract description 8
- 230000001419 dependent effect Effects 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000000052 comparative effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012795 verification 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及现代信号处理技术领域,尤其涉及一种基于深度相关熵谱密度的轴承微弱故障提取方法。
背景技术
功率谱密度是一种常用的信号处理方法,传统功率谱密度基于信号二阶统计量,只能用于处理平稳信号,当信号不满足平稳条件或信号中含有非高斯噪声时,传统功率谱密度的性能会减退,甚至失效;旋转机械轴承、齿轮等零部件的早期故障振动信号,普遍存在调制现象,早期故障特征往往被强背景噪声和设备固有振动信号淹没,使得测量的振动信号具有较低的信噪比,加大了轴承微弱故障特征的提取难度,直接影响轴承故障诊断的准确性和可靠性。
发明内容
根据以上技术问题,本发明提供一种基于深度相关熵谱密度的轴承微弱故障提取方法。
本发明提供一种基于深度相关熵谱密度的轴承微弱故障提取方法,其具体步骤如下:
步骤2,计算信号的深度相关熵Vx(n)(Vx(n)是1×N的行向量),其中:j=0,1,2,…,N-1,n=0,1,2,…,N-1,E(·)是期望均值算子,U(·)是信号x(i)的相关熵, 是核长等于σ1的核函数, 其中:(·)×(·)是数乘运算,是核长等于σ2的核函数,||·||是范数算子,e(·)是自然指数函数;
步骤4,画出深度相关熵的功率谱密度Px(f)图,由频谱尖峰可识别轴承故障特征频率。
本发明的有益效果为:
1.本发明提出的深度相关熵的功率谱密度具有微弱故障特征增强功能,能凸显轴承微弱故障特征,能有效解决轴承早期微弱故障特征难以提取的问题。
2.本发明提出的深度相关熵同时反映了信号的时间特征和统计特征,既包含了信号的二阶统计量信息,又包含了信号的高阶统计量信息,能有效提取淹没在噪声背景中的轴承微弱故障特征,因而基于深度相关熵的功率谱密度,对噪声具有较好的抑制作用,显著提高了信噪比。
附图说明
图1为本发明所述方法的流程图;
具体实施方式
下面将结合本发明的附图,对本发明的技术方案进行清楚完整地描述。
实施例1
如图1所示,本发明公开了一种基于深度相关熵谱密度的轴承微弱故障提取方法,包括如下步骤:
步骤S2,计算信号的深度相关熵Vx(n)(Vx(n)是1×N的行向量),其中:j=0,1,2,…,N-1,n=0,1,2,…,N-1,E(·)是期望均值算子,U(·)是信号x(i)的相关熵, 是核长等于σ1的核函
步骤S4,画出深度相关熵的功率谱密度Px(f)图,由频谱尖峰可识别轴承故障特征频率。
实施例2
本实施例是对实施例1给出方法的验证,本实施例采集的轴承外圈故障振动信号为采样频率fs=12kHz,采样点数N=2048,采样时间T=0.17s。本实施例轴承型号为球轴承6205,轴的转动频率fr=29.95Hz,轴承的几何尺寸为:大径D=52.0mm;滚珠直径d=7.94mm;滚珠数量z=9;压力角α=0°。通过计算得到轴承外圈故障特征频率fouter=107.4Hz。
实施例2的振动信号的时域图形,如图2所示;振动信号的快速傅里叶变换,如图3所示,根据实施例1的步骤S2,计算信号的深度相关熵Vx(n),核长σ1=0.17、σ2=0.0019时的深度相关熵Vx(n),如图4所示。根据实施例1的步骤S3,计算深度相关熵Vx(n)的功率谱密度Px(f),如图5所示;从图5可以看出,在谱图的低频段,在轴承外圈故障特征频率fouter=107.4Hz及其二倍频2fouter、三倍频3fouter处存在明显的谱峰,刻画了轴承外圈故障特征信息。
对比例1
为对比深度相关熵功率谱密度Px(f)的轴承外圈故障诊断效果,本对比例采用传统功率谱密度方法,对实施例2中的轴承外圈故障振动信号(图2)进行了分析,图6为传统功率谱密度图,在传统功率谱密度图的低频段,不存在轴承外圈故障特征信息,由于传统功率谱密度方法基于信号二阶统计量且易受噪声干扰的影响,基于传统功率谱密度方法难以识别轴承外圈早期微弱故障特征。
对比例2
Claims (3)
1.一种基于深度相关熵谱密度的轴承微弱故障提取方法,其特征在于包括以下步骤:
步骤2,计算信号的深度相关熵Vx(n)(Vx(n)是1×N的行向量),其中:j=0,1,2,…,N-1,,n=0,1,2,…,N-1,E(·)是期望均值算子,U(·)是信号x(i)的相关熵,i=0,1,2,…,N-1,是核长等于σ1的核函数,其中:(·)×(·)是数乘运算,是核长等于σ2的核函数,||·||是范数算子,e(·)是自然指数函数;
步骤4,画出深度相关熵的功率谱密度Px(f)图,由频谱尖峰可识别轴承故障特征频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210834504.8A CN115219199B (zh) | 2022-07-14 | 2022-07-14 | 一种基于深度相关熵谱密度的轴承微弱故障提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210834504.8A CN115219199B (zh) | 2022-07-14 | 2022-07-14 | 一种基于深度相关熵谱密度的轴承微弱故障提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115219199A true CN115219199A (zh) | 2022-10-21 |
CN115219199B CN115219199B (zh) | 2024-07-16 |
Family
ID=83612093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210834504.8A Active CN115219199B (zh) | 2022-07-14 | 2022-07-14 | 一种基于深度相关熵谱密度的轴承微弱故障提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115219199B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190058428A1 (en) * | 2017-08-17 | 2019-02-21 | Alstom Transport Technologies | Method for determining a state of a bearing, module for determining a state of a bearing, railway vehicle and system |
CN110059564A (zh) * | 2019-03-19 | 2019-07-26 | 西安交通大学 | 基于功率谱密度和互相关熵谱密度融合的特征提取方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111898086A (zh) * | 2020-03-03 | 2020-11-06 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于时域平滑周期图的循环平稳相关熵谱密度计算方法 |
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 |
CN113869358A (zh) * | 2021-08-17 | 2021-12-31 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于循环相关熵和一维浅卷积神经网络的轴承故障诊断方法 |
-
2022
- 2022-07-14 CN CN202210834504.8A patent/CN115219199B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190058428A1 (en) * | 2017-08-17 | 2019-02-21 | Alstom Transport Technologies | Method for determining a state of a bearing, module for determining a state of a bearing, railway vehicle and system |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN110059564A (zh) * | 2019-03-19 | 2019-07-26 | 西安交通大学 | 基于功率谱密度和互相关熵谱密度融合的特征提取方法 |
CN111898086A (zh) * | 2020-03-03 | 2020-11-06 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于时域平滑周期图的循环平稳相关熵谱密度计算方法 |
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 |
CN113869358A (zh) * | 2021-08-17 | 2021-12-31 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于循环相关熵和一维浅卷积神经网络的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李辉: "相关熵的降噪机理及其在轴承故障诊断中的应用", 《轴承》, no. 3, 31 December 2021 (2021-12-31), pages 36 - 44 * |
Also Published As
Publication number | Publication date |
---|---|
CN115219199B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McCormick et al. | Cyclostationarity in rotating machine vibrations | |
CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
CN111238812B (zh) | 一种滚动轴承保持架故障的自诊断方法 | |
CN110647871A (zh) | 一种基于时域特量增强的滚动轴承故障诊断方法及*** | |
CN104502099A (zh) | 齿轮箱瞬变工况特征分量循频提取方法 | |
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 | |
CN109946081A (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
Bastami et al. | Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform | |
Hu et al. | Frequency loss and recovery in rolling bearing fault detection | |
CN115219199A (zh) | 一种基于深度相关熵谱密度的轴承微弱故障提取方法 | |
CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及*** | |
CN110907174B (zh) | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN115931353A (zh) | 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法 | |
CN116383629A (zh) | 一种变转速滚动轴承故障诊断方法 | |
CN112747925B (zh) | 一种基于复合形态学滤波的滚动轴承故障诊断方法 | |
CN115014765A (zh) | 一种通过声信号提取滚动轴承保持架故障特征的方法 | |
CN112781723B (zh) | 一种基于频谱方差的谐波成分检测方法 | |
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 |