CN115758083A - 一种基于时域和时频域融合的电机轴承故障诊断方法 - Google Patents
一种基于时域和时频域融合的电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115758083A CN115758083A CN202211406979.3A CN202211406979A CN115758083A CN 115758083 A CN115758083 A CN 115758083A CN 202211406979 A CN202211406979 A CN 202211406979A CN 115758083 A CN115758083 A CN 115758083A
- Authority
- CN
- China
- Prior art keywords
- fault
- time
- frequency domain
- early warning
- preset
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电机轴承故障诊断方法领域,公开了提供的一种基于时域和时频域融合的电机轴承故障诊断方法,包括:利用振动信号采集器对滚动轴承的时域指标和时频域指标进行数据采集与处理;对时频域指标进行VMD分解,获得最优参数,计算VMD分解后的各个IMF分量的峭度,并重构振动信号;根据各个IMF分量重构矩阵,进行SVD分解得到奇异值矩阵,选择各个IMF分量最大的奇异值组成故障特征向量;将提取到的时域指标和VMD‑SVD的特征向量进行融合,形成多维度信息的复合特征向量;把复合特征向量输入到支持向量机中进行训练与测试,最终实现故障类型的判别诊断。本发明提供了一种将时域指标与时频域上VMD‑SVD分解特征相融合并的算法,提高电机的滚动轴承故障诊断的准确性。
Description
技术领域
本发明属于电机轴承故障诊断方法领域,尤其涉及一种基于时域和时频域融合的电机轴承故障诊断方法。
背景技术
我国发电厂有着各种类型的电机,这些电机在电厂发挥着给水、润滑、排水等重要作用。但电机长期运行之后,机组设备存在零件老化,信息收集困难,故障难以及时发现等系列问题,这些问题将产生一定的安全隐患,滚动轴承作为水泵中应用最多且最易损坏的部件,它不仅影响着电机的稳定运行,也影响着发电机组的稳定运行。
与其他的故障诊断***一样,滚动轴承的故障诊断就是通过分析处理其产生的信号来实现故障诊断,故障诊断流程包括信号采集、特征提取、故障识别这几个部分。滚动轴承故障诊断根据原理的不同采用以下四种方法:
(1)温度诊断法
在滚动轴承故障诊断中,温度诊断法是应用最早的,主要是对轴承温度进行监测并根据轴承的温度变化情况判断轴承是否发生故障,但其受外界环境影响较大,只能作为一种辅助诊断方法。
(2)声学诊断法
声学诊断法即声发射技术,该技术是通过声音来判断故障,目前绝大部分的轴承都是采用金属材料,所以当轴承在故障状态下运行时就会产生一些特殊的噪音,该方法需要经验丰富的工程师不定时监测噪声并根据噪声变化来判断故障,但该方法有一些缺点就是无法得出轴承发生故障的具体部位,而且声发信号容易受到轴承结构、位置等影响。
(3)油膜电阻诊断法
油膜电阻诊断法,该方法通过油膜在滚动轴承中产生的阻值进行诊断,当滚动轴承发生故障时,它们之间的油膜层会被破坏,从而引起电阻值的变化,然后根据电阻值的变化诊断轴承是否发生故障。在面对由磨损和腐蚀引起的轴承故障时,该方法具有不错的效果,但是该技术方法对轴承密封要求很高,目前还不能广泛地应用于实际中。
(4)振动信号诊断法
振动信号诊断法,振动信号能够真实反映轴承的运行状态,国内外学者对此进行了大量的研究,该方法首先采集轴承的振动信号,然后通过一系列分析方法提取信号的故障特征,最后进行诊断。目前市场上出现的一系列针对滚动轴承的故障诊断***都是基于振动学原理。本发明专利也是在此基础上提出了基于振动信号的诊断方法,实现对滚动轴承的故障诊断。
目前比较主流的方法是使用模式识别算法对滚动轴承进行智能诊断,根据识别原理的差异可以将故障模式识别分为两大类,第一类为有监督模式识别,常用的有支持向量机、神经网络以及深度学习等。这些分类器的原理是通过学习来构建分类模型,首先对已知样本进行学习形成特定的数学分类模型,该数学分类模型可以对未知样本进行识别和判断;第二类为无监督模式识别,它与有监督模式识别完全不同,它无需事先对样本进行学习和训练再进行模式识别,它是通过发现输入样本之间存在的相似性来进行模式识别的,常用的无监督模式识别有模糊聚类方法。姚立国等人将K均值聚类识别方法成功的应用于滚动轴承的故障诊断中,该方法利用模拟退火成功解决了聚类算法中的局部解问题,然后通过构造故障实验采集滚动轴承的故障信号来进行诊断,实验表明该方法效果良好。向玲等人在对轴承故障进行模式识别时也使用到了模糊聚类方法,他们从振动信号入手将滚动轴承运行时产生的振动信号进行EMD分解,EMD分解后产生相应的模态分量,将各个模态的近似熵作为特征输入进FCM聚类中进行分类识别,良好的识别率证明该方法的可行性。神经网络在滚动轴承故障诊断中的应用越来越广泛,其核心思想是模拟人脑神经元网络构建一个以经验知识学习为基础,通过机器学习而得到的数学分类模型。张淑清等人提出了一种基于BP神经网络的诊断方法,该方法首先通过EEMD将轴承振动信号分解成一系列模态分量,接着将每个模态分量的近似熵作为特征,然后使用BP神经网络对特征样本进行训练,训练完成后对故障信号进行诊断识别,实验结果验证了该方法的有效性。
支持向量机是一种基于统计学的分类器,它的基本原理是在不同类型的数据样本中寻找能够区分它们的最优超平面。支持向量机和神经网络相比,它的优势在于它特别适合小样本分类,而且它不会出现像过拟合和欠拟合这些神经网络比较常见的问题,张沛朋提出一种利用时域特征结合支持向量机的故障诊断方法,实验证明该方法有效。王金东等人提出了一种基于EMD与支持向量机的故障诊断方法,首先利用EMD对轴承原始信号进行分解处理,将各模态分量的信息熵作为支持向量机的参数输入进行训练,通过测试样本分析该方法具有一定的有效性。
而上述方法存在以下缺陷:
温度诊断法受外界环境影响较大,只能作为一种辅助诊断方法;声学诊断法的缺点就是无法得出轴承发生故障的具体部位,而且声发信号容易受到轴承结构、位置等影响;油膜电阻诊断法对轴承密封要求很高,目前还不能广泛地应用于实际中;EMD的方法故障识别率不高。
发明内容
本发明目的在于提供一种基于时域和时频域融合的电机轴承故障诊断方法,以解决现有的故障诊断方法存在的准确率低的技术问题。
为解决上述技术问题,本发明的具体技术方案如下:
本申请的一些实施例中,提供了一种基于时域和时频域融合的电机轴承故障诊断方法,包括以下步骤:
S1、利用振动信号采集器对滚动轴承的时域指标和时频域指标进行数据采集与处理;
S2、设定VMD分解参数,在设定的参数范围内,对时频域指标进行VMD分解,获得最优参数,计算VMD分解后的各个IMF分量的峭度,并重构振动信号;
S3、根据各个IMF分量重构矩阵,进行SVD分解得到奇异值矩阵,选择各个IMF分量最大的奇异值组成故障特征向量;
S4、将提取到的时域指标和VMD-SVD分解提取的特征向量进行融合,形成多维度信息的复合特征向量;
S5、把复合特征向量输入到支持向量机中进行训练与测试,最终实现故障类型的判别诊断。
优选的,在上述一种基于时域和时频域融合的电机轴承故障诊断方法的一个实施例中,所述步骤S1中的时域指标包括:峭度,峰值因子,脉冲因子和裕度因子。
优选的,在上述一种基于时域和时频域融合的电机轴承故障诊断方法的一个实施例中,所述步骤S2的具体过程为:
S21、通过PSO优化算法对时频域指标进行参数初始化;
S22、利用VMD分解算法将滤波后的振动信号分解为多个模态分量,并计算每个模态的峭度系数值;
S23、设定当前的迭代次数未n,预先设定的最大迭代次数N;判断当前迭代次数n是否大于等于预先设定的最大迭代次数N,若是,则进入步骤S24,否则,则令n=n+1,并返回步骤S22中;
S24、保存最优参数并对最优参数进行VMD分解,分解为多个模态分量,计算出各模态分量的峭度系数值,选择最大的峭度系数值对应的模态分量进行信号合成;
S25、对步骤S24中得到的合成信号滤波处理后,进行包络解调,生成包络谱;
S26、根据步骤S25中得到的包络谱进行分析提取到故障特征向量。
优选的,在上述一种基于时域和时频域融合的电机轴承故障诊断方法的一个实施例中,所述步骤S2中的参数为二次惩罚因子α和模态分量个数K。
优选的,在上述一种基于时域和时频域融合的电机轴承故障诊断方法的一个实施例中,还包括:根据采集到的振动信号确定电机轴承工作状态,然后不同的工作状态进行不同的调节。
优选的,在上述一种基于时域和时频域融合的电机轴承故障诊断方法的一个实施例中,所述根据采集到的振动信号确定电机轴承工作状态具体为:将采集到的振动信号与预设预设的振动信号进行比较基于比较结果,确定当前电机轴承的工作状态,并传输至故障管理终端;其中,所述工作状态包括正常状态和故障状态;当所述工作状态为正常时,则不进行调节;当工作状态为故障时,则需要据发生故障的数量判断当前的故障等级同时进行预警处理,且故障类型包括:内圈故障、外圈故障以及滚动体故障。
优选的,在上述一种基于时域和时频域融合的电机轴承故障诊断方法的一个实施例中,根据发生故障的数量判断当前的故障等级同时进行预警处理具体包括:
预先设定预设故障状态程度矩阵A0,设定A0=(A1,A2,A3),其中,A1为第一预设故障状态程度,A2为第二预设故障状态程度度,H3为第三预设故障状态程度,其中A1<A2<A3;
预先设定预设预警等级矩阵B0,设定B0=(B1,B2,B3),其中,B1为第一预设预警等级,B2为第二预设预警等级,B3为第三预设预警等级,且B1<B2<B3;根据所述泄露程度H与各预设泄露程度之间的关系设定预警等级G:当A<A1时,选定所述第一预设预警等级B1作为预警等级B;当A1≤A<A2时,选定所述第二预设预警等级B2作为预警等级B;当A2≤A<A3时,选定所述第三预设预警等级B3作为预警等级B。
经由上述的技术方案可知,与现有技术相比,本发明的有益效果在于:
本方案中设计了基于ZYNQ的振动信号采集器,实现滚动轴承的振动数据的采集及处理;在PL端设计了包括信号调理电路、AD采集及控制电路、FIR数字滤波以及***时钟频率等,在PS端完成了数据存储以及以太网数据传输等。本设计选用加速度传感器在不同测点采集滚动轴承振动信号,预处理后通过以太网传输至PC端,PC端对机组滚动轴承的运行状态进行故障识别;
本方案中利用变分模态分解(VMD)对轴承振动信号进行分解处理,该方法具有坚实的理论基础,较强的鲁棒性,适合处理滚动轴承振动信号这类非线性、非平稳性信号,该方法可以根据信号特性自适应选取VMD的分解层数k和惩罚因子这两个重要参数,然后完成信号的分解,最后利用滚动轴承的故障仿真信号验证了该方法有效性;
本方案利用支持向量机算法实现对滚动轴承的故障诊断,将VMD-SVD分解提取的特征值与时域中指标进行融合组成多维度信息的复合特征矩阵,将特征输入到支持向量机进行训练,为了展现本发明所提方法的应用效果,利用该方法对实验中采集的轴承故障数据进行诊断测试,取得了良好的诊断效果,验证了本发明的有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的特征提取流程图;
图2为本发明实施例提供的参数自适应VMD特征提取流程图;
图3为本发明实施例提供的时域特征融合SVM-VMD特征样本在SVM中的识别结果图
图4为时域特征样本在SVM中的识别结果图;
图5为时域特征融合SVM-EMD特征样本在SVM中的识别结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本申请的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明做进一步详细的描述。
参阅图1-2所示,根据本申请一些实施例中,本申请的一些实施例中,提供了一种基于时域和时频域融合的电机轴承故障诊断方法,包括以下步骤:
S1、利用振动信号采集器对滚动轴承的时域指标和时频域指标进行数据采集与处理;
S2、设定VMD分解参数,在设定的参数范围内,对时频域指标进行VMD分解,获得最优参数,计算VMD分解后的各个IMF分量的峭度,并重构振动信号;
S3、根据各个IMF分量重构矩阵,进行SVD分解得到奇异值矩阵,选择各个IMF分量最大的奇异值组成故障特征向量;
S4、将提取到的时域指标和VMD-SVD分解提取的特征向量进行融合,形成多维度信息的复合特征向量;
S5、把复合特征向量输入到支持向量机中进行训练与测试,最终实现故障类型的判别诊断。
具体的,振动信号采集器包括:若干加速度传感器、若干信号调节器、AD采集卡,PL端、PS端以及PC端;其中,所述加速度传感器的接口、信号调理器和AD采集卡依次连接;用于将采集到的振动电信号经放大和滤波后,转化成数字信号传输给采集控制模块;PL端为逻辑端,包括:若干FIFD缓冲区、FIR滤波模块、采集控制模块、互联网存储器以及扩展MIO引脚;通过接受对采集到的数据进行存储和传输;PS端为处理端,完成数据进的存储,并将数据传输给PC端,通过PC端进行显示。
通过上述技术方案,本申请能够达到的技术效果在于:
本发明基于ZYNQ的振动信号采集器,实现滚动轴承的振动数据的采集及处理,在PL端设计了包括信号调理电路、AD采集及控制电路、FIR数字滤波以及***时钟频率等,在PS端完成了数据存储以及以太网数据传输等;本设计选用加速度传感器在不同测点采集滚动轴承振动信号,预处理后通过以太网传输至PC端,PC端对机组滚动轴承的运行状态进行故障识别;
本发明将时域指标与时频域上VMD-SVD分解特征相融合并通过实验数据验证表明,该方法提高了分类精度。
在本申请的另一个优选实施例中,参见附图2所示,所述步骤S2的具体过程为:
S21、通过PSO优化算法对时频域指标进行参数初始化;
S22、利用VMD分解算法将滤波后的振动信号分解为多个模态分量,并计算每个模态的峭度系数值;
S23、设定当前的迭代次数未n,预先设定的最大迭代次数N;判断当前迭代次数n是否大于等于预先设定的最大迭代次数N,若是,则进入步骤S24,否则,则令n=n+1,并返回步骤S22中;
S24、保存最优参数并对最优参数进行VMD分解,分解为多个模态分量,计算出各模态分量的峭度系数值,选择最大的峭度系数值对应的模态分量进行信号合成;
S25、对步骤S24中得到的合成信号滤波处理后,进行包络解调,生成包络谱;
S26、根据步骤S25中得到的包络谱进行分析提取到故障特征向量。
具体的,所述步骤S2中的参数为二次惩罚因子α和模态分量个数。
通过上述技术方案,本申请能够达到的技术效果在于:
采用VMD算法对换流器阀短路保护电流信号进行分解,相比较传统非平稳信号处理方法EMD及其改进算法,有坚实的理论基础,分解效果更好;
本公开将VMD和SVM相结合,借助VMD算法对相近频率成分良好的划分能力和SVM学习训练能力,进一步提高了电机的滚动轴承故障诊断的准确性。
在本申请的另一个优选实施例中,还包括:根据采集到的振动信号确定电机轴承工作状态,然后不同的工作状态进行不同的调节。
具体的,所述根据采集到的振动信号确定电机轴承工作状态具体为:将采集到的振动信号与预设预设的振动信号进行比较基于比较结果,确定当前电机轴承的工作状态,并传输至故障管理终端;其中,所述工作状态包括正常状态和故障状态;当所述工作状态为正常时,则不进行调节;当工作状态为故障时,则需要据发生故障的数量判断当前的故障等级同时进行预警处理,且故障类型包括:内圈故障、外圈故障以及滚动体故障。
具体的,根据发生故障的数量判断当前的故障等级同时进行预警处理具体包括:
预先设定预设故障状态程度矩阵A0,设定A0=(A1,A2,A3),其中,A1为第一预设故障状态程度,A2为第二预设故障状态程度度,H3为第三预设故障状态程度,其中A1<A2<A3;
预先设定预设预警等级矩阵B0,设定B0=(B1,B2,B3),其中,B1为第一预设预警等级,B2为第二预设预警等级,B3为第三预设预警等级,且B1<B2<B3;根据所述泄露程度H与各预设泄露程度之间的关系设定预警等级G:当A<A1时,选定所述第一预设预警等级B1作为预警等级B;当A1≤A<A2时,选定所述第二预设预警等级B2作为预警等级B;当A2≤A<A3时,选定所述第三预设预警等级B3作为预警等级B。
通过上述技术方案,本申请能够达到的技术效果在于:
通过预设故障状态程度矩阵以及预警等级,可以根据不同的故障程度选择不同的预警等级,从而可以方便对故障进行调整。
下面通过几个实施例进一步对本发明的技术效果进行陈述:
基于SVM的故障诊断实验结果:
实施例1:
测试样本分时域指标与SVD-VMD特征融合的特征样本,将上述测试样本输入进训练完毕的SVM分类模型中进行诊断,如图3可知,仅时域特征样本在SVM中识别结果96%。
对比例1:
测试样本分时域特征样本(峭度,峰值因子,脉冲因子,裕度因子),将上述测试样本输入进训练完毕的SVM分类模型中进行诊断,如图4可知,仅时域特征样本在SVM中识别结果89%。
对比例2:
测试样本分时域指标与SVD-EMD特征融合的特征样本,将上述测试样本输入进训练完毕的SVM分类模型中进行诊断,如图5可知,仅时域特征样本在SVM中识别结果92%。
由上述可知:本发明将时域指标与时频域上VMD-SVD分解特征相融合并通过实验数据验证表明,识别结果96%,大大提高了分类精度。
本发明中:
变分模态分解(Variationalmodedecomposition,VMD)是美国加州大学洛杉矶分校学者Dragomiretskiy与Zosso于2014年提出的信号自适应分解方法,作为一种改进的经验模式分解方法,VMD具有坚实的数学理论基础,噪声鲁棒性和信号分离性能也得到了极大提高。然而,VMD分解参数如模态分量个数、模态分量频率带宽控制参数对其分解结果具有显著的影响。
支持向量机(SupportVectorMachine,SVM)是一类按监督学***面(maximum-margin)。采用SVM集成分类器进行训练与测试,初级学习器由初始数据集训练获得,并将初级学习器的输出当作样例输入特征生成一个新的训练集用于次级学习器训练;选用SVM分类器为初级学习器,次级学习器采用基于学习的AdaBoost多分类集成学习算法,采用加权多数投票法对每次循环生成的个体SVM分类器进行集成,得到新的强分类器,并将训练好的分类模型用于滚动轴承故障分类,以获得分类精度的显著提升。
经验模态分解(empiricalmodedecomposition,EMD)是由美国国家宇航局的华裔科学家Nordene.Huang博士于1998年提出的一种新的处理非平稳信号的方法——希尔伯特——黄变换的重要组成部分。基于EMD的时频分析方法既适合于非线性、非平稳信号的分析,也适合于线性、平稳信号的分析,并且对于线性、平稳信号的分析也比其他的时频分析方法更好地反映了信号的物理意义。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于时域和时频域融合的电机轴承故障诊断方法,其特征在于,包括以下步骤:
S1、利用振动信号采集器对滚动轴承的时域指标和时频域指标进行数据采集与处理;
S2、设定VMD分解参数,在设定的参数范围内,对时频域指标进行VMD分解,获得最优参数,计算VMD分解后的各个IMF分量的峭度,并重构振动信号;
S3、根据各个IMF分量重构矩阵,进行SVD分解得到奇异值矩阵,选择各个IMF分量最大的奇异值组成故障特征向量;
S4、将提取到的时域指标和VMD-SVD分解提取的特征向量进行融合,形成多维度信息的复合特征向量;
S5、把复合特征向量输入到支持向量机中进行训练与测试,最终实现故障类型的判别诊断。
2.根据权利要求1所述的一种基于时域和时频域融合的电机轴承故障诊断方法,其特征在于,所述步骤S1中的时域指标包括:峭度,峰值因子,脉冲因子和裕度因子。
3.根据权利要求1所述的一种基于时域和时频域融合的电机轴承故障诊断方法,其特征在于,所述步骤S2的具体过程为:
S21、通过PSO优化算法对时频域指标进行参数初始化;
S22、利用VMD分解算法将滤波后的振动信号分解为多个模态分量,并计算每个模态的峭度系数值;
S23、设定当前的迭代次数未n,预先设定的最大迭代次数N;判断当前迭代次数n是否大于等于预先设定的最大迭代次数N,若是,则进入步骤S24,否则,则令n=n+1,并返回步骤S22中;
S24、保存最优参数并对最优参数进行VMD分解,分解为多个模态分量,计算出各模态分量的峭度系数值,选择最大的峭度系数值对应的模态分量进行信号合成;
S25、对步骤S24中得到的合成信号滤波处理后,进行包络解调,生成包络谱;
S26、根据步骤S25中得到的包络谱进行分析提取到故障特征向量。
4.根据权利要求3所述的一种基于时域和时频域融合的电机轴承故障诊断方法,其特征在于,所述步骤S2中的参数为二次惩罚因子α和模态分量个数K。
5.根据权利要求1所述的一种基于时域和时频域融合的电机轴承故障诊断方法,其特征在于,该方法还包括:根据采集到的振动信号确定电机轴承工作状态,然后不同的工作状态进行不同的调节。
6.根据权利要求5所述的一种基于时域和时频域融合的电机轴承故障诊断方法,其特征在于,所述根据采集到的振动信号确定电机轴承工作状态具体为:将采集到的振动信号与预设预设的振动信号进行比较基于比较结果,确定当前电机轴承的工作状态,并传输至故障管理终端;其中,所述工作状态包括正常状态和故障状态;当所述工作状态为正常时,则不进行调节;当工作状态为故障时,则需要据发生故障的数量判断当前的故障等级同时进行预警处理,且故障类型包括:内圈故障、外圈故障以及滚动体故障。
7.根据权利要求6所述的一种基于时域和时频域融合的电机轴承故障诊断方法,其特征在于,根据发生故障的数量判断当前的故障等级同时进行预警处理具体包括:
预先设定预设故障状态程度矩阵A0,设定A0=(A1,A2,A3),其中,A1为第一预设故障状态程度,A2为第二预设故障状态程度度,H3为第三预设故障状态程度,其中A1<A2<A3;
预先设定预设预警等级矩阵B0,设定B0=(B1,B2,B3),其中,B1为第一预设预警等级,B2为第二预设预警等级,B3为第三预设预警等级,且B1<B2<B3;根据所述泄露程度H与各预设泄露程度之间的关系设定预警等级G:当A<A1时,选定所述第一预设预警等级B1作为预警等级B;当A1≤A<A2时,选定所述第二预设预警等级B2作为预警等级B;当A2≤A<A3时,选定所述第三预设预警等级B3作为预警等级B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211406979.3A CN115758083A (zh) | 2022-11-10 | 2022-11-10 | 一种基于时域和时频域融合的电机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211406979.3A CN115758083A (zh) | 2022-11-10 | 2022-11-10 | 一种基于时域和时频域融合的电机轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758083A true CN115758083A (zh) | 2023-03-07 |
Family
ID=85369163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211406979.3A Pending CN115758083A (zh) | 2022-11-10 | 2022-11-10 | 一种基于时域和时频域融合的电机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758083A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150677A (zh) * | 2023-04-19 | 2023-05-23 | 国家石油天然气管网集团有限公司 | 一种基于支持向量机的输油泵故障预警方法及*** |
CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及*** |
-
2022
- 2022-11-10 CN CN202211406979.3A patent/CN115758083A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150677A (zh) * | 2023-04-19 | 2023-05-23 | 国家石油天然气管网集团有限公司 | 一种基于支持向量机的输油泵故障预警方法及*** |
CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及*** |
CN117705448B (zh) * | 2024-02-05 | 2024-05-07 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Principi et al. | Unsupervised electric motor fault detection by using deep autoencoders | |
Wu et al. | A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery | |
Li et al. | Data alignments in machinery remaining useful life prediction using deep adversarial neural networks | |
Zhang et al. | Semi-supervised bearing fault diagnosis and classification using variational autoencoder-based deep generative models | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
Shan et al. | A multisensor data fusion method for ball screw fault diagnosis based on convolutional neural network with selected channels | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
Ren et al. | A systematic review on imbalanced learning methods in intelligent fault diagnosis | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
Xue et al. | Feature extraction using hierarchical dispersion entropy for rolling bearing fault diagnosis | |
CN107320115B (zh) | 一种自适应的精神疲劳评估装置及方法 | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN105139070A (zh) | 基于人工神经网络和证据理论的疲劳驾驶评价方法 | |
Yuan et al. | A multiscale feature learning scheme based on deep learning for industrial process monitoring and fault diagnosis | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控***故障预测方法 | |
CN111397902A (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
Zhang et al. | A novel intelligent method for bearing fault diagnosis based on Hermitian scale-energy spectrum | |
CN110705694A (zh) | 基于特征提取的面向边缘数据中心的窃电监测方法 | |
Zheng et al. | An end-to-end CNN-BiLSTM attention model for gearbox fault diagnosis | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断***及其诊断方法 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及*** | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 |
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 |