CN115563482A - 基于声强图像与特征信号提取的液压马达故障预定位方法 - Google Patents
基于声强图像与特征信号提取的液压马达故障预定位方法 Download PDFInfo
- Publication number
- CN115563482A CN115563482A CN202211297721.4A CN202211297721A CN115563482A CN 115563482 A CN115563482 A CN 115563482A CN 202211297721 A CN202211297721 A CN 202211297721A CN 115563482 A CN115563482 A CN 115563482A
- Authority
- CN
- China
- Prior art keywords
- hydraulic motor
- noise
- frequency
- sound intensity
- motor
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Discrete Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出基于声强图像与特征信号提取的液压马达故障预定位方法,包括以下步骤;步骤S1:获取液压马达内部各部件的振动特征频率;步骤S2:获取噪声时域信号;步骤S3:通过算法得到具有大贡献量的时域信号并去除干扰信号,进而得到由马达内部各部件噪声信号组成的非稳定性时域信号;步骤S4:初步判断马达内部产生振动噪声的主要部件;步骤S5:获取液压马达的声强可视化图像;步骤S6:对声强可视化图像进行高分辨率重构,得到马达外表面噪声分布情况,判断产生振动噪声的主要部位;步骤S7:进一步得到精确的产生振动噪声的主要部件,实现液压马达故障预定位;本发明可解决传统故障特征分析方法无法精确判断故障部件的问题,实现马达故障的预定位。
Description
技术领域
本发明涉及液压马达噪声源定位、故障预定位的技术领域,尤其是基于声强图像与特征信号提取的液压马达故障预定位方法。
背景技术
液压马达作为工程旋转机械设备,在液压***中充当关键的执行元件,广泛应用于各类工业领域,也是液压***中主要的噪声源之一。液压马达的噪声分为机械噪声与流体噪声,其中机械噪声主要来自柱塞-柱塞孔碰撞、轴承故障与安装不规范、旋转体旋转过程中偏心及不平衡而引起的振动等;流体噪声主要为流量脉动、配流冲击等引起。在液压马达发生故障时,通常是以非平稳、非线性的振动信号表现出来,并且混有强噪声,提取其故障特征信号容易受到干扰,难以与原始信息进行分离。传统故障特征分析方法有时域分析、频域分析以及时频域分析方法,而目前的故障诊断技术广泛应用于齿轮、轴承等单独简单的零件上,对于内部结构复杂并且各部件密切关联的柱塞马达,故障诊断应用方面正处于起步阶段。由于柱塞马达内部结构繁杂,存在特征频率相近的噪声源,若直接使用传统故障特征分析方法,将无法准确判断故障部件。
针对以上问题,可通过以下方法进行解决:设计能够处理非线性、非平稳性振动信号,且对于由多种部件紧密关联耦合组成的液压马达能够有效去除干扰噪声信号并分离出其中各部件振动特征频率的信号提取技术;利用压缩感知技术能够在欠采样条件下获得高分辨率信号的特点,对液压马达声强图像进行高分辨率重构,得到精确的外表面噪声分布情况,将两种结果对比拟合,进一步得到产生噪声的主要部件。
发明内容
本发明提出基于声强图像与特征信号提取的液压马达故障预定位方法,将液压马达声强图像高分辨率重构技术与特征信号提取技术相结合,可解决传统故障特征分析方法无法精确判断故障部件的问题,实现马达故障的预定位。
本发明采用以下技术方案。
基于声强图像与特征信号提取的液压马达故障预定位方法,包括以下步骤;
步骤S1:获取液压马达内部各部件的振动特征频率;
步骤S2:基于声压测试实验,获取液压马达工作时的噪声时域信号;
步骤S3:基于步骤S2得到的液压马达振动噪声时域信号,通过信号降噪算法得到其中具有大贡献量的时域信号并去除干扰信号,进而得到由马达内部各部件噪声信号组成的非稳定性时域信号;
步骤S4:基于步骤S3得到的非稳定性时域信号,通过特征信号提取算法将其分解为多个信号分量,提取其中与原信号具有大相关度的时域信号并转换为频域信号,以得到液压马达内部产生振动噪声的主要频率,通过与步骤S1得到的振动特征频率对比拟合,得到对应频率的部件,进而初步判断马达内部产生振动噪声的主要部件;
步骤S5:基于声强测试实验,获取液压马达的声强可视化图像;
步骤S6:基于步骤S5得到的声强可视化图像,通过压缩感知技术对其进行高分辨率重构,得到具有精确噪声强点的马达外表面噪声分布情况,进而从外部判断液压马达产生振动噪声的主要部位;
步骤S7:结合步骤S6得到的马达外部噪声分布情况与步骤S4初步判断的马达内部产生振动噪声的部件,筛除具有相同振动噪声频率而未处于噪声强点处的部件,进一步得到精确的产生振动噪声的主要部件,实现液压马达故障预定位。
所述步骤S1的具体方法为:基于液压马达的结构及工作时的振动机理,建立马达运动机构模型,明确马达内部各部件的运动方式及其规律,进而得到其内部各部件的振动特征频率;
所述步骤S2的具体方法为:基于声压测试标准,在半消声室中通过半球法在液压马达周围布置声压探头,获取液压马达噪声时域信号。
步骤S2包括以下步骤;
步骤S21:声压测试实验在半消声室中进行,实验仪器为B&K声学设备及软件;
步骤S22:基于声压测试标准,通过半球法在距离液压马达的前方,上方以及侧方相距1m的位置处分别布置声压探头,得到该马达的噪声时域信号。
所述步骤S3包括以下步骤:
步骤S31:利用降噪算法,将步骤S2中得到的液压马达噪声时域信号分解成若干频率范围节点;
步骤S32:选取其中具有大贡献量的频率范围节点,筛除多余频率范围,以实现过滤干扰信号,达到降噪效果;
步骤S33:将选取的频率范围节点的时域信号进行组合重构,从而获取由液压马达内部各部件噪声信号组成的非稳定性时域信号;
步骤S3的具体方法为:利用小波包分析对由S2得到的噪声时域信号进行去噪处理,过滤干扰信号:根据S2得到的噪声时域信号,获取其采样频率fs;根据采样频率设定小波包分解层数n;
将各节点频率范围进行能量分布计算,选取其中能量贡献较大的频率段;
将所得到的频率段进行叠加重构,实现过滤干扰信号,达到去噪的效果,进而获得由马达内部各部件噪声信号组成的非稳定性时域信号。
所述步骤S4包括以下步骤:
步骤S41:通过特征信号提取算法对步骤S3得到的非稳定性时域信号进行分离,得到若干个信号分量;
步骤S42:提取其中与原始信号具有大相关度的信号分量,并将其转换为频域信号,得到液压马达中产生振动噪声的主要频率;
步骤S43:基于步骤S1得到的马达内部各部件特征频率,将得到的频率进行对比拟合,获取对应频率的部件,进而初步判断产生振动噪声的主要部件。
步骤S4的具体方法为:
步骤S41:先利用集合经验模态分析(EEMD)算法对已去噪的时域信号进行分离提取,得到n个本征模态分量(IMF)及残余分量;然后选择其中与原信号相关度较大的IMF分量;对所得到的IMF分量进行希尔伯特-黄(Hilbert-Huang)变换,得到边频谱图,获取液压马达中产生振动噪声的主要频率。
步骤S42:基于步骤S1得到的马达内部各部件振动特征频率,将分解得到的频率信号进行拟合,得到对应频率的部件,进而初步判断产生振动噪声的主要部件。
所述步骤S5的具体方法为:基于液压马达尺寸大小,在其周围布置测点网格,通过声强探头逐点采集测点信号以获取其不同视图方向的声强可视化图像,包括以下步骤;
步骤S51:基于液压马达尺寸大小,在其前视方向与上视方向分别布置m×n的网格,并根据探头尺寸设置相邻测点的距离;
步骤S52:在测试软件中设置相应的网格,通过声强探头分别在两个网格中逐点采集声强信号,从而生成前视与上视方向的声强可视化云图,得到马达噪声的大致分布情况。
所述步骤S6包括以下步骤:
步骤S61:设计压缩感知算法框架,算法框架包括稀疏矩阵、观测矩阵以及重构算法;
步骤S62:基于所设计的压缩感知算法,对步骤S5中得到的马达声强可视化图像进行高分辨率重构,得到具有精确噪声强点的液压马达外表面噪声分布情况。
所述步骤S61中,具体方法为:对步骤S5得到的声强可视化图像进行稀疏表示:利用傅里叶变换的正交性,构造具有良好不相关性的FFT稀疏基矩阵,其具体步骤为:
步骤A1、根据得到的声强可视化图像的信号维数N,确定稀疏基的维度为N×N;构造N×N的单位矩阵;
步骤A2、对该单位矩阵进行FFT变换;
步骤A3、最后对该矩阵求逆,完成FFT稀疏基矩阵的构造;
步骤S62的方法具体为:根据马达声场特征,利用哈达玛矩阵具有的正交性,构造伪随机部分哈达玛矩阵作为观测矩阵,其具体步骤为:
步骤B1、根据得到的声强可视化图像的信号维数N,构造维度为N×N的哈达玛矩阵,该矩阵为-1,1分布,如下所示:
步骤B2、设置观测值M,在所构造的哈达玛矩阵中随机选取M行,得到M×N的部分哈达玛矩阵;
步骤B3、根据声强图像中一个测点对应一个信号的特征,将其中的-1部分赋值为0;
步骤B4、将其行列随机打乱,完成伪随机部分哈达玛矩阵的构造;构造出的观测矩阵如下所示:
所述步骤S6还包括步骤S63,即:采用正交匹配追踪算法(OMP)作为重构算法,结合稀疏基矩阵与观测矩阵,对声强可视化云图进行高分辨率重构,得到精确的液压马达表面噪声分布情况。
所述步骤S7的具体方法为:针对液压马达内部结构紧凑,各部件紧密耦合的特征,以及其内部部件振动频率具有同频或倍频关系的问题,基于步骤S6得到的液压马达高分辨率声强强点分布图像,将通过步骤S4所得到产生振动噪声的部件中具有相同振动频率而未处于噪声强点位置的部件进行筛除,以减少具有同频或倍频振动频率部件的影响,进一步得到精确的产生振动噪声的主要部件,实现液压马达故障预定位。
本发明提供一种基于高分辨率声强图像与特征信号提取的液压马达故障预定位方法,首先通过分析马达振动机理,获取各部件振动特征频率,接着通过特征信号提取方法对声压信号进行分离提取,初步得到产生振动噪声的部件,最后基于压缩感知方法得到的高分辨率声强图像筛除具有相同频率而不处于噪声强点位置的部件,精确定位产生振动噪声的主要部件,从而实现液压马达故障预定位。相较于现有技术,本发明具有以下有益效果:
本发明能够有效区分频率相近的部件,准确定位液压马达中产生噪声的主要部件,有效提升了对于内部结构繁杂,各部件紧密关联耦合的集成元件的激振源定位。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1为本发明实施例的方法流程示意图;
附图2为本发明实施例的马达结构及运动机构模型示意图;
附图3为本发明实施例的液压马达的声压测试实验示意图;
附图4为本发明实施例的利用小波包分析降噪的时域信号示意图;
附图5为本发明实施例的通过EEMD-Hilbert提取的频谱示意图;
附图6为本发明实施例的液压马达的声强测试网格分布示意图;
附图7为本发明实施例的液压马达声强高分辨率重构图像示意图。
具体实施方式
如图所示,基于声强图像与特征信号提取的液压马达故障预定位方法,包括以下步骤;
步骤S1:获取液压马达内部各部件的振动特征频率;
步骤S2:基于声压测试实验,获取液压马达工作时的噪声时域信号;
步骤S3:基于步骤S2得到的液压马达振动噪声时域信号,通过信号降噪算法得到其中具有大贡献量的时域信号并去除干扰信号,进而得到由马达内部各部件噪声信号组成的非稳定性时域信号;
步骤S4:基于步骤S3得到的非稳定性时域信号,通过特征信号提取算法将其分解为多个信号分量,提取其中与原信号具有大相关度的时域信号并转换为频域信号,以得到液压马达内部产生振动噪声的主要频率,通过与步骤S1得到的振动特征频率对比拟合,得到对应频率的部件,进而初步判断马达内部产生振动噪声的主要部件;
步骤S5:基于声强测试实验,获取液压马达的声强可视化图像;
步骤S6:基于步骤S5得到的声强可视化图像,通过压缩感知技术对其进行高分辨率重构,得到具有精确噪声强点的马达外表面噪声分布情况,进而从外部判断液压马达产生振动噪声的主要部位;
步骤S7:结合步骤S6得到的马达外部噪声分布情况与步骤S4初步判断的马达内部产生振动噪声的部件,筛除具有相同振动噪声频率而未处于噪声强点处的部件,进一步得到精确的产生振动噪声的主要部件,实现液压马达故障预定位。
所述步骤S1的具体方法为:基于液压马达的结构及工作时的振动机理,建立马达运动机构模型,明确马达内部各部件的运动方式及其规律,进而得到其内部各部件的振动特征频率;
所述步骤S2的具体方法为:基于声压测试标准,在半消声室中通过半球法在液压马达周围布置声压探头,获取液压马达噪声时域信号。
步骤S2包括以下步骤;
步骤S21:声压测试实验在半消声室中进行,实验仪器为B&K声学设备及软件;
步骤S22:基于声压测试标准,通过半球法在距离液压马达的前方,上方以及侧方相距1m的位置处分别布置声压探头,得到该马达的噪声时域信号。
所述步骤S3包括以下步骤:
步骤S31:利用降噪算法,将步骤S2中得到的液压马达噪声时域信号分解成若干频率范围节点;
步骤S32:选取其中具有大贡献量的频率范围节点,筛除多余频率范围,以实现过滤干扰信号,达到降噪效果;
步骤S33:将选取的频率范围节点的时域信号进行组合重构,从而获取由液压马达内部各部件噪声信号组成的非稳定性时域信号;
步骤S3的具体方法为:利用小波包分析对由S2得到的噪声时域信号进行去噪处理,过滤干扰信号:根据S2得到的噪声时域信号,获取其采样频率fs;根据采样频率设定小波包分解层数n;
将各节点频率范围进行能量分布计算,选取其中能量贡献较大的频率段;
将所得到的频率段进行叠加重构,实现过滤干扰信号,达到去噪的效果,进而获得由马达内部各部件噪声信号组成的非稳定性时域信号。
所述步骤S4包括以下步骤:
步骤S41:通过特征信号提取算法对步骤S3得到的非稳定性时域信号进行分离,得到若干个信号分量;
步骤S42:提取其中与原始信号具有大相关度的信号分量,并将其转换为频域信号,得到液压马达中产生振动噪声的主要频率;
步骤S43:基于步骤S1得到的马达内部各部件特征频率,将得到的频率进行对比拟合,获取对应频率的部件,进而初步判断产生振动噪声的主要部件。
步骤S4的具体方法为:
步骤S41:先利用集合经验模态分析(EEMD)算法对已去噪的时域信号进行分离提取,得到n个本征模态分量(IMF)及残余分量;然后选择其中与原信号相关度较大的IMF分量;对所得到的IMF分量进行希尔伯特-黄(Hilbert-Huang)变换,得到边频谱图,获取液压马达中产生振动噪声的主要频率。
步骤S42:基于步骤S1得到的马达内部各部件振动特征频率,将分解得到的频率信号进行拟合,得到对应频率的部件,进而初步判断产生振动噪声的主要部件。
所述步骤S5的具体方法为:基于液压马达尺寸大小,在其周围布置测点网格,通过声强探头逐点采集测点信号以获取其不同视图方向的声强可视化图像,包括以下步骤;
步骤S51:基于液压马达尺寸大小,在其前视方向与上视方向分别布置m×n的网格,并根据探头尺寸设置相邻测点的距离;
步骤S52:在测试软件中设置相应的网格,通过声强探头分别在两个网格中逐点采集声强信号,从而生成前视与上视方向的声强可视化云图,得到马达噪声的大致分布情况。
所述步骤S6包括以下步骤:
步骤S61:设计压缩感知算法框架,算法框架包括稀疏矩阵、观测矩阵以及重构算法;
步骤S62:基于所设计的压缩感知算法,对步骤S5中得到的马达声强可视化图像进行高分辨率重构,得到具有精确噪声强点的液压马达外表面噪声分布情况。
所述步骤S61中,具体方法为:对步骤S5得到的声强可视化图像进行稀疏表示:利用傅里叶变换的正交性,构造具有良好不相关性的FFT稀疏基矩阵,其具体步骤为:
步骤A1、根据得到的声强可视化图像的信号维数N,确定稀疏基的维度为N×N;构造N×N的单位矩阵;
步骤A2、对该单位矩阵进行FFT变换;
步骤A3、最后对该矩阵求逆,完成FFT稀疏基矩阵的构造;
步骤S62的方法具体为:根据马达声场特征,利用哈达玛矩阵具有的正交性,构造伪随机部分哈达玛矩阵作为观测矩阵,其具体步骤为:
步骤B1、根据得到的声强可视化图像的信号维数N,构造维度为N×N的哈达玛矩阵,该矩阵为-1,1分布,如下所示:
步骤B2、设置观测值M,在所构造的哈达玛矩阵中随机选取M行,得到M×N的部分哈达玛矩阵;
步骤B3、根据声强图像中一个测点对应一个信号的特征,将其中的-1部分赋值为0;
步骤B4、将其行列随机打乱,完成伪随机部分哈达玛矩阵的构造;构造出的观测矩阵如下所示:
所述步骤S6还包括步骤S63,即:采用正交匹配追踪算法(OMP)作为重构算法,结合稀疏基矩阵与观测矩阵,对声强可视化云图进行高分辨率重构,得到精确的液压马达表面噪声分布情况。
所述步骤S7的具体方法为:针对液压马达内部结构紧凑,各部件紧密耦合的特征,以及其内部部件振动频率具有同频或倍频关系的问题,基于步骤S6得到的液压马达高分辨率声强强点分布图像,将通过步骤S4所得到产生振动噪声的部件中具有相同振动频率而未处于噪声强点位置的部件进行筛除,以减少具有同频或倍频振动频率部件的影响,进一步得到精确的产生振动噪声的主要部件,实现液压马达故障预定位。
实施例:
如图1所示,本实施例具体分为以下六个步骤:
步骤S1:如图2所示为本实施例所研究的斜轴式柱塞马达及其运动机构模型,根据其工作原理进行振动机理分析,获取马达内部各部件的振动特征频率,具体内容为:
本实施例中的轴向柱塞马达的工作过程为:液压泵输出的高压油经过马达进油口与配流盘进入缸体,推动柱塞伸出,使得柱塞末端的球铰与主轴的球铰窝铰接挤压,使得主轴转动,同时柱塞与缸体内壁碰撞挤压进而推动缸体旋转,液压油经过配流盘与马达出油口返回油箱。因此,液压马达工作时的噪声主要由马达内部各部件相对运动碰撞引起的机械噪声与流量脉动、配流冲击引起的流体噪声组成,可以得到其内部各部件振动产生方式及其特征频率为:
其中,n为主轴转速,N为轴承滚子数量,Z为柱塞数量。
本实施例中,所研究的斜轴式柱塞马达轴承数量N为12,柱塞数量Z为7,设置转速n为1000rpm,各部位振动噪声一阶频率如下所示:
步骤S2:对目标液压马达进行声压测试实验,获取马达振动噪声时域信号,具体内容为:
如图3所示,基于声压测量标准,通过半球法在液压马达的前方,上方与侧方分别在相距1m处位置布置声压探头,从而采集马达工作时的噪声时域信号,该实验位于半消声室中进行,实验仪器为B&K声学设备。
步骤S3:对步骤S2得到的噪声时域信号进行降噪处理,去除干扰噪声信号,得到由液压马达内部各部件噪声信号组成的非稳定性时域信号,接着利用特征信号提取算法对该信号进行分离提取,得到产生振动噪声的主要频率,通过与步骤S1得到的振动特征频率对比拟合,得到符合噪声频率的部件,初步判断产生振动噪声的主要部件,具体内容为:
S31:利用小波包分析对S2所测得的噪声时域信号进行降噪处理:
通过S2得到的时域信号可知其采样频率为65600Hz;
将小波包分解层数设置为8层,最终则有256个节点;
对信号进行分解后,将其中贡献量较大的频率范围信号即128.125Hz~256.25Hz与256.25Hz~384.275Hz两个节点范围进行叠加重构,得到去除干扰噪声后的时域信号,如图4所示为利用小波包分析对时域信号进行降噪处理。
S32:利用EEMD-Hilbert变换对降噪后的信号进行分离提取,得到噪声信号的频谱图:
针对液压马达的非平稳信号,本例使用集合经验模态分析(EEMD)对降噪后的时域信号进行分解,得到n个不同频率的本征模态分量(IMF)及残余分量;
获取其中与原信号相关度较大的IMF分量;
将提取的IMF分量进行希尔伯特-黄(Hilbert-Huang)变换,得到各分量信号的频谱图,如图5所示为通过EEMD-Hilbert提取的频谱图,得到产生振动噪声的主要频率为205Hz与369Hz。
本例中,实施例中S32;“相关度较大”是指所提取的信号分量的幅值在原始信号中占比较大,具有原始信号最显著、最重要的信息。
S33:基于步骤S1得到的马达内部各部件的振动频率,得到频谱图中的频率分别对应着轴承振动一阶频率、柱塞碰撞与球铰间隙碰撞的三次倍频以及进出油口的配流冲击的三次倍频,即符合振动频率的部件有轴承振动、柱塞碰撞、球铰间隙碰撞及进出油口的配流冲击;
步骤S4:对目标马达进行声强测试实验,获得马达的声强可视化图像,其具体内容为:
S41:如图6所示,根据液压马达尺寸大小165mm×252mm×266mm,在其前视方向与上视方向分别布置7×10的网格,并设置相邻测点相距25mm;
S42:在测试软件中设置相应的网格,通过声强探头分别在两个网格中逐点采集声强信号,从而生成前视与上视方向的声强可视化云图,得到液压马达工作时的噪声分布图像。
步骤S5:采用压缩感知框架对步骤S4得到的声强可视化图像进行高分辨率重构,得到精确的马达噪声分布情况,其具体内容为:
S51:对得到的声强可视化图像进行稀疏表达:
本例利用傅里叶变换(FFT)的正交性,构造具有良好非相关性的FFT稀疏基矩阵;
根据马达声强可视化图像的数据维数,确定稀疏基矩阵的行列数。通过声强测试实验得到图像的数据点为315个,由此确定构造的FFT稀疏基矩阵的维度为315×315。
首先构造315×315的单位矩阵,接着对该单位矩阵进行FFT变换,最后对矩阵求逆,得到FFT稀疏基矩阵。
S52:根据声场特征设计观测矩阵:
本例利用哈达玛矩阵的正交性,构造伪随机部分哈达玛矩阵作为观测矩阵,其步骤如下:
首先根据马达声强可视化图像的数据维数为315,构造315×315的哈达玛矩阵,该矩阵为1,-1分布,如下所示:
接着设置观测值为100,在哈达玛矩阵中随机选取100行,得到100×315的部分哈达玛矩阵,根据声强图像中一个测点对应一个信号的特征,将其中-1的部分赋值为0,最后将其行列打乱,完成伪随机部分哈达玛矩阵的构造,其矩阵如下所示:
S53:本例采用正交匹配追踪算法(OMP)作为重构算法,结合稀疏基矩阵与观测矩阵,对声强可视化云图进行高分辨率重构,得到精确的液压马达表面噪声分布情况,如图7所示为液压马达声强高分辨率重构图像。
步骤S6:基于步骤S5得到的马达噪声分布情况,对步骤S3所初步判断的产生噪声的部件进行筛除,进一步精确定位产生振动噪声的主要部件,实现液压马达故障预定位,其具体内容为:
首先结合S1分析的液压马达结构及其振动机理与步骤S3中获得的符合振动信号频率的部件,得到其内部振动分布情况,再基于S5中得到的液压马达表面噪声分布情况,排除具有相同振动频率却未处于声强强点位置的部件,精确定位马达内部产生振动噪声的主要为液压马达的轴承振动及进出油口的配流冲击,实现液压马达的故障预判断。
Claims (10)
1.基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:包括以下步骤;
步骤S1:获取液压马达内部各部件的振动特征频率;
步骤S2:基于声压测试实验,获取液压马达工作时的噪声时域信号;
步骤S3:基于步骤S2得到的液压马达振动噪声时域信号,通过信号降噪算法得到其中具有大贡献量的时域信号并去除干扰信号,进而得到由马达内部各部件噪声信号组成的非稳定性时域信号;
步骤S4:基于步骤S3得到的非稳定性时域信号,通过特征信号提取算法将其分解为多个信号分量,提取其中与原信号具有大相关度的时域信号并转换为频域信号,以得到液压马达内部产生振动噪声的主要频率,通过与步骤S1得到的振动特征频率对比拟合,得到对应频率的部件,进而初步判断马达内部产生振动噪声的主要部件;
步骤S5:基于声强测试实验,获取液压马达的声强可视化图像;
步骤S6:基于步骤S5得到的声强可视化图像,通过压缩感知技术对其进行高分辨率重构,得到具有精确噪声强点的马达外表面噪声分布情况,进而从外部判断液压马达产生振动噪声的主要部位;
步骤S7:结合步骤S6得到的马达外部噪声分布情况与步骤S4初步判断的马达内部产生振动噪声的部件,筛除具有相同振动噪声频率而未处于噪声强点处的部件,进一步得到精确的产生振动噪声的主要部件,实现液压马达故障预定位。
2.根据权利要求1所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:所述步骤S1的具体方法为:基于液压马达的结构及工作时的振动机理,建立马达运动机构模型,明确马达内部各部件的运动方式及其规律,进而得到其内部各部件的振动特征频率;
所述步骤S2的具体方法为:基于声压测试标准,在半消声室中通过半球法在液压马达周围布置声压探头,获取液压马达噪声时域信号。
3.根据权利要求2所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:步骤S2包括以下步骤;
步骤S21:声压测试实验在半消声室中进行,实验仪器为B&K声学设备及软件;
步骤S22:基于声压测试标准,通过半球法在距离液压马达的前方,上方以及侧方相距1m的位置处分别布置声压探头,得到该马达的噪声时域信号。
4.根据权利要求1所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:所述步骤S3包括以下步骤:
步骤S31:利用降噪算法,将步骤S2中得到的液压马达噪声时域信号分解成若干频率范围节点;
步骤S32:选取其中具有大贡献量的频率范围节点,筛除多余频率范围,以实现过滤干扰信号,达到降噪效果;
步骤S33:将选取的频率范围节点的时域信号进行组合重构,从而获取由液压马达内部各部件噪声信号组成的非稳定性时域信号;
步骤S3的具体方法为:利用小波包分析对由S2得到的噪声时域信号进行去噪处理,过滤干扰信号:根据S2得到的噪声时域信号,获取其采样频率fs;根据采样频率设定小波包分解层数n;
将各节点频率范围进行能量分布计算,选取其中能量贡献较大的频率段;
将所得到的频率段进行叠加重构,实现过滤干扰信号,达到去噪的效果,进而获得由马达内部各部件噪声信号组成的非稳定性时域信号。
5.根据权利要求1所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:所述步骤S4包括以下步骤:
步骤S41:通过特征信号提取算法对步骤S3得到的非稳定性时域信号进行分离,得到若干个信号分量;
步骤S42:提取其中与原始信号具有大相关度的信号分量,并将其转换为频域信号,得到液压马达中产生振动噪声的主要频率;
步骤S43:基于步骤S1得到的马达内部各部件特征频率,将得到的频率进行对比拟合,获取对应频率的部件,进而初步判断产生振动噪声的主要部件。
6.根据权利要求5所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:步骤S4的具体方法为:
步骤S41:先利用集合经验模态分析(EEMD)算法对已去噪的时域信号进行分离提取,得到n个本征模态分量(IMF)及残余分量;然后选择其中与原信号相关度较大的IMF分量;对所得到的IMF分量进行希尔伯特-黄(Hilbert-Huang)变换,得到边频谱图,获取液压马达中产生振动噪声的主要频率。
步骤S42:基于步骤S1得到的马达内部各部件振动特征频率,将分解得到的频率信号进行拟合,得到对应频率的部件,进而初步判断产生振动噪声的主要部件。
7.根据权利要求1所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:所述步骤S5的具体方法为:基于液压马达尺寸大小,在其周围布置测点网格,通过声强探头逐点采集测点信号以获取其不同视图方向的声强可视化图像,包括以下步骤;
步骤S51:基于液压马达尺寸大小,在其前视方向与上视方向分别布置m×n的网格,并根据探头尺寸设置相邻测点的距离;
步骤S52:在测试软件中设置相应的网格,通过声强探头分别在两个网格中逐点采集声强信号,从而生成前视与上视方向的声强可视化云图,得到马达噪声的大致分布情况。
8.根据权利要求1所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:所述步骤S6包括以下步骤:
步骤S61:设计压缩感知算法框架,算法框架包括稀疏矩阵、观测矩阵以及重构算法;
步骤S62:基于所设计的压缩感知算法,对步骤S5中得到的马达声强可视化图像进行高分辨率重构,得到具有精确噪声强点的液压马达外表面噪声分布情况。
9.根据权利要求8所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:所述步骤S61中,具体方法为:对步骤S5得到的声强可视化图像进行稀疏表示:利用傅里叶变换的正交性,构造具有良好不相关性的FFT稀疏基矩阵,其具体步骤为:
步骤A1、根据得到的声强可视化图像的信号维数N,确定稀疏基的维度为N×N;构造N×N的单位矩阵;
步骤A2、对该单位矩阵进行FFT变换;
步骤A3、最后对该矩阵求逆,完成FFT稀疏基矩阵的构造;
步骤S62的方法具体为:根据马达声场特征,利用哈达玛矩阵具有的正交性,构造伪随机部分哈达玛矩阵作为观测矩阵,其具体步骤为:
步骤B1、根据得到的声强可视化图像的信号维数N,构造维度为N×N的哈达玛矩阵,该矩阵为-1,1分布,如下所示:
步骤B2、设置观测值M,在所构造的哈达玛矩阵中随机选取M行,得到M×N的部分哈达玛矩阵;
步骤B3、根据声强图像中一个测点对应一个信号的特征,将其中的-1部分赋值为0;
步骤B4、将其行列随机打乱,完成伪随机部分哈达玛矩阵的构造;构造出的观测矩阵如下所示:
所述步骤S6还包括步骤S63,即:采用正交匹配追踪算法(OMP)作为重构算法,结合稀疏基矩阵与观测矩阵,对声强可视化云图进行高分辨率重构,得到精确的液压马达表面噪声分布情况。
10.根据权利要求1所述的基于声强图像与特征信号提取的液压马达故障预定位方法,其特征在于:所述步骤S7的具体方法为:针对液压马达内部结构紧凑,各部件紧密耦合的特征,以及其内部部件振动频率具有同频或倍频关系的问题,基于步骤S6得到的液压马达高分辨率声强强点分布图像,将通过步骤S4所得到产生振动噪声的部件中具有相同振动频率而未处于噪声强点位置的部件进行筛除,以减少具有同频或倍频振动频率部件的影响,进一步得到精确的产生振动噪声的主要部件,实现液压马达故障预定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211297721.4A CN115563482A (zh) | 2022-10-22 | 2022-10-22 | 基于声强图像与特征信号提取的液压马达故障预定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211297721.4A CN115563482A (zh) | 2022-10-22 | 2022-10-22 | 基于声强图像与特征信号提取的液压马达故障预定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563482A true CN115563482A (zh) | 2023-01-03 |
Family
ID=84767416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211297721.4A Pending CN115563482A (zh) | 2022-10-22 | 2022-10-22 | 基于声强图像与特征信号提取的液压马达故障预定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563482A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520095A (zh) * | 2023-07-03 | 2023-08-01 | 昆明理工大学 | 故障测距方法、***以及计算机可读存储介质 |
-
2022
- 2022-10-22 CN CN202211297721.4A patent/CN115563482A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520095A (zh) * | 2023-07-03 | 2023-08-01 | 昆明理工大学 | 故障测距方法、***以及计算机可读存储介质 |
CN116520095B (zh) * | 2023-07-03 | 2023-09-12 | 昆明理工大学 | 故障测距方法、***以及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Complete ensemble local mean decomposition with adaptive noise and its application to fault diagnosis for rolling bearings | |
Hemmati et al. | Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation | |
Antoni et al. | Fast computation of the spectral correlation | |
Feng et al. | Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning | |
Wang et al. | Feature extraction of rolling bearing’s early weak fault based on EEMD and tunable Q-factor wavelet transform | |
Sung et al. | Locating defects of a gear system by the technique of wavelet transform | |
Guo et al. | Envelope order tracking for fault detection in rolling element bearings | |
Yan et al. | Harmonic wavelet-based data filtering for enhanced machine defect identification | |
Li et al. | A new strategy of using a time-varying structure element for mathematical morphological filtering | |
CN109708891B (zh) | 一种柔性椭圆轴承滚道故障诊断方法 | |
CN115563482A (zh) | 基于声强图像与特征信号提取的液压马达故障预定位方法 | |
Wang et al. | Multiwavelet construction via an adaptive symmetric lifting scheme and its applications for rotating machinery fault diagnosis | |
CN103499445A (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
US20090312979A1 (en) | Adaptive Real-Time Analysis Method for Dynamic Signals Generated by Rotary Machines | |
JP6620290B2 (ja) | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 | |
CN107808114A (zh) | 一种基于信号时频分解的幅值谱峭度图的实现方法 | |
CN103335841A (zh) | 一种采用脉冲小波能量谱分析的滚动轴承故障诊断方法 | |
Zhou et al. | Development of entropy measure for selecting highly sensitive WPT band to identify defective components of an axial piston pump | |
Zhang et al. | Bearing fault diagnosis based on sparse representations using an improved OMP with adaptive Gabor sub-dictionaries | |
CN109684898A (zh) | 航空发动机及其振动信号盲分离方法和装置 | |
Liu et al. | A novel ball bearing fault diagnosis approach based on auto term window method | |
Lin et al. | Impulse detection using a shift-invariant dictionary and multiple compressions | |
Du et al. | Improvement of the EMD method and applications in defect diagnosis of ball bearings | |
Han et al. | Second-order multisynchrosqueezing wavelet transform for bearing fault detection | |
Fan et al. | A joint wavelet lifting and independent component analysis approach to fault detection of rolling element bearings |
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 |