CN116558824B - 一种面向多通道的轴承综合指标健康监测方法及*** - Google Patents
一种面向多通道的轴承综合指标健康监测方法及*** Download PDFInfo
- Publication number
- CN116558824B CN116558824B CN202310420562.0A CN202310420562A CN116558824B CN 116558824 B CN116558824 B CN 116558824B CN 202310420562 A CN202310420562 A CN 202310420562A CN 116558824 B CN116558824 B CN 116558824B
- Authority
- CN
- China
- Prior art keywords
- channel
- test
- early warning
- sequence
- index
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 132
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 19
- 238000000546 chi-square test Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 230000001052 transient effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Acoustics & Sound (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于轴承健康监测相关技术领域,其公开了一种面向多通道的轴承综合指标健康监测方法及***,包括以下步骤:S1,获得多通道全生命周期性信号以作为历史数据及各个通道的历史预警点;S2,依次通过信息熵图提取各个通道信号的有效信号分量;S3,计算负熵和谱负熵后进行加权以得到综合健康指标;S4,获得指标序列,依次进行当前序列和上一序列的卡方显著性检验;根据显著性检验结果选择性更新窗长和步长;S5,将测试指标并入对应通道的正常状态指标序列和故障状态指标序列中形成测试序列,进而获得各个通道新测试序列的预警显著度P值;S6,将预警显著度P值作为投票,以得到轴承监测结果。本发明提高了准确性。
Description
技术领域
本发明属于轴承健康监测相关技术领域,更具体地,涉及一种面向多通道的轴承综合指标健康监测方法及***。
背景技术
随着自动化程度的急剧提高,设备结构变得更加复杂和集成,滚动轴承的可靠性监测逐渐在现代工程的***安全中占有不可或缺的地位。具体来说,作为旋转部件,轴承会由于各种原因而产生振动。其中包括机械松动、转子、错位、质量分布不均(不平衡)、配件不当和部件故障。这些振动导致机器效率降低、维护成本增加、结构可靠性降低,并经常导致出现严重的健康问题。对于可观测的轴承信号,在正常状态下,其幅值在时域和频域上基本稳定。然而,在故障状态下,由缺陷引起的重复瞬态脉冲出现在轴承振动信号中,其包络谱在轴承故障特征频率及其谐波处呈现等距谱线。因此,滚动轴承故障发生后的振动响应,无论是在时域还是频域,都表现出稀疏性的特征。如何构建指标以提取稀疏性特征和根据指标合理的决策是研究轴承状态监测的关键问题。
现有的研究中已经发展了一些提取稀疏性的方法和指标,它们通过小波分解、经验模式分解等时频分解方法和稀疏性指标度量提取了一些有效信号分量,在多数场景下通过观测分量的频域以获取故障频率来实现对信号的故障的判断。然而,一方面缺乏融合有效分量的时域和频域的稀疏特性可能会影响决策性能;另一方面,通过逐样本观测频域以获得决策的效率较低,且现实场景下常常能提供表征轴承状态的多通道数据,如三维振动数据、不同位置的监测数据、声发射数据等等,多通道数据背后的丰富信息可以显性地提高轴承状态的早期预警。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种面向多通道的轴承综合指标健康监测方法及***,其能够同时应对两个指标:同时捕捉时域和频域稀疏性的综合指标构建;合理的多通道信号融合决策;且能够提高对现实场景轴承健康状态监测的预警准确性。
为实现上述目的,按照本发明的一个方面,提供了一种面向多通道的轴承综合指标健康监测方法,该方法包括以下步骤:
S1,采集轴承的多通道全生命周期性信号以作为历史数据,并确定各个通道的历史预警点;
S2,依次通过信息熵图提取各个通道信号的有效信号分量;
S3,对提取到的有效信号分量计算负熵和谱负熵后进行加权以得到综合健康指标,得到由各个通道的正常变化到故障的全生命周期指标序列,并采用历史预警点将全生命周期指标序列划分为正常状态指标序列和故障状态指标序列;
S4,各个通道的全生命周期指标序列按步长间隔取定窗长长度的指标序列,依次进行当前序列和上一序列的卡方显著性检验;当显著性P值超过概率阈值时预警,并将得到的故障预警点与历史预警点进行对比,根据对比结果更新窗长和步长;
S5,将现场采集的多通道测试信号逐通道进行有效分量提取及计算指标,并将得到的测试指标***对应通道的正常状态指标序列和故障状态指标序列中形成测试序列,采用当前的窗长及步长的循环卡方检验获得各个通道新测试序列的预警显著度P值;
S6,将各个通道新测试序列的预警显著度P值作为投票,以得到多通道测试信号决策融合的轴承监测结果。
进一步地,步骤S2中,利用1/3-二叉树树状滤波器组对信号进行滤波,并依次计算各个层级的滤波复包络信号的负熵和频谱负熵,进而得到有效信号分量。
进一步地,有效信号分量包括负熵和谱负熵数值以及最大值的复包络分量。
进一步地,信号通过滤波器组后的傅里叶变换系数迭代式表示为:
其中h(n)为截止频率为的低通滤波器,E>0,Fs为采样频率,Ck i为第k层第i个滤波器后的傅里叶变换系数,也能认为是信号在中心频率fi=(i+2-1)2-k-1和带宽(Δf)k=2-k-1处的复包络。
进一步地,负熵ΔIε(fi,Δf)和谱负熵ΔIE(fi,Δf)分别表示为:
其中Ec(n;fi,Δf)为复包络C(n;fi,Δf)的频域。
进一步地,所述综合健康指标是计算所有复包络中脉冲稀疏性的极值,以作为权重对有效分量的负熵与谱负熵进行重加权;负熵和谱负熵进行加权得到综合健康指标所采用的计算公式为:
HI=ρΔIε+(1-ρ)ΔIE
其中ΔIε和ΔIE为有效信号分量的负熵和频谱负熵,ρ=Iε,max/IE,max+Iε,max,Iε,max、IE,max分别是所有复包络中计算得到的负熵极大值和谱负熵极大值。
进一步地,卡方显著性检验能称为循环假设检验,当预警还未到来时,即接受卡方检验的原假设,当前序列和上一序列均为正常指标序列,当显著度P值超过概率阈值时预警,即拒绝原假设,当前序列为故障序列,上一序列为正常序列。
进一步地,选取不同的窗长和步长进行循环假设检验获得预警点,直至得到与历史预警点重合的窗长和步长,更新后的窗长和步长是通过宽度搜索实现的,各个通道的搜索收敛条件表示为:
其中Pprior(wi,ki)为窗长为wi步长为ki的条件下,循环假设检验在先验历史预警点处的预警概率,Pprior-j(wi,ki)为循环假设检验在先验历史预警点之前的预警概率,Pthreshold为设定的显著阈值。
进一步地,各个通道新测试序列的预警显著度P值由更新后的窗长和步长的循环卡方检验获得,对应的公式为:
Pj=Pj,test(wj,kj)
其中Pj为第j个通道测试信号的预警显著度,wj和kj分别为第j个通道搜索到的窗长和步长;决策融合是将各个通道的循环假设检验获得的检验P值的均值作为显著度,当均值超过概率阈值时预警,说明故障发生;
所述多通道测试信号决策融合对应的公式为:
本发明提供了一种面向多通道的轴承综合指标健康监测***,所述***包括采集模块、构建模块、搜索模块以及监测模块,其中,
采集模块:用于采集轴承的历史多通道全生命周期信号,同时对各个通道的故障发生点进行标定,获得各个通道的历史正常数据和历史故障数据;
构建模块:用于对各个通道的历史正常数据和故障数据按单位数据长度分别通过信息熵图实现有效分量的提取,并将负熵于谱负熵进行加权以得到综合健康指标;
搜索模块:用于循环假设检验的窗长和步长的确定;
监测模块:用于将现场采集的各个通道测试信号经过构建模块得到测试序列,将测试序列***对应通道的历史正常指标序列和历史故障指标序列中形成完整测试序列,再通过循环假设检验得到各个通道的显著度P值,投票获得融合决策监测结果。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的面向多通道的轴承综合指标健康监测方法及***主要具有以下有益效果:
1.单通道信号的有效分量提取及指标计算过程都加入了重复瞬态特征的提取,具体为提取的有效分量包括负熵及谱负熵数值以及最大值的负包络分量,其中负熵和谱负熵为时域和频域有效的脉冲稀疏性度量,指标构建时通过脉冲稀疏性机制对负熵和谱负熵重加权形成了有效的轴承健康综合指标。
2.本发明提供了适用于多通道的循环假设检验进行指标决策的方式,通过对历史数据进行最优参数搜索,并利用最优参数对多通道的测试数据实现故障预警,采用这种方式一方面可以得到能够较好判断生命周期的故障发生的起始点的最优模型,另一方面从统计学的角度提供了对应每个时刻的预警概率。
3.本发明提供了一种基于健康综合指标的多通道融合决策方法,具体为:将各个通道的循环假设检验获得的检验显著P值作为投票,投票的均值超过显著阈值则可判定为发生故障,同时这种决策融合的方式使得通道数易于扩展。
附图说明
图1是本发明提供的面向多通道的轴承综合指标健康监测方法的流程示意图;
图2是本发明得到的多通道的历史全生命周期数据、指标序列以及循环假设检验的过程图;其中,(a)为全生命周期信号;(b)为全生命周期信号指标序列;(c)为循环假设检验统计量;(d)为循环假设检验预警置信度;(e)为循环假设检验预警点;
图3是本发明通道1的测试数据、信息图、有效分量表示以及指标决策的循环假设检验过程图;(a)为通道1待测试信号;(b)为信息图;(c)为有效分量时域包络;(d)为有效分量频域;(e)为待测试指标序列;(f)为循环假设检验统计量;(g)为循环假设检验预警置信度;(h)为循环假设检验预警结果;
图4是通道2的测试数据、信息图、有效分量表示以及指标决策的循环假设检验过程图;(a)为通道2测试信号;(b)为信息图;(c)为有效分量时域包络;(d)为有效分量频域;(e)为待测试指标序列;(f)为循环假设检验统计量;(g)为循环假设检验预警置信度;(h)为循环假设检验预警结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种面向多通道的轴承综合指标健康监测方法,所述方法通过信息熵图法对单通道信号进行有效分量的提取,通过对有效分量的时域包络和频域分别求取度量瞬态脉冲的负熵和谱负熵,基于稀疏性极大值的负熵与谱负熵重加权而构建了可以同时捕捉时频域重复瞬态脉冲特性的综合健康指标,然后通过多通道循环假设检验的置信度投票实现了合理的多通道信号融合决策。
在滚动轴承的故障状态下,重复瞬态脉冲出现在轴承振动信号中,其包络谱在轴承故障特征频率及其谐波处呈现等距谱线。无论是在时域还是频域,都表现出稀疏性的特征。基于对稀疏性特征的捕捉和多通道信号融合监测的需求,所述方法主要包括以下步骤:
S1,采集轴承的多通道全生命周期性信号以作为历史数据,并确定各个通道的历史预警点。
本实施方式中,采集风电***和轨道交通轴承的多通道全生命周期信号,历史多通道信号可以是但不限于三维三通道振动数据、不同传感器位置的监测数据、声发射数据等。在处理获得的海量多通道数据时,各个通道均按一定时间间隔采集得到单位数据长度的信号,以重新组成可用的全生命周期信号,例如单日仅保留1s的采样数据,该长度为单位数据长度。
依据各个通道给定的历史预警点,进一步划分全生命周期信号为正常数据段和故障数据段,历史预警点来自于先验,这种先验的来源可以包括但不限于观测得到的轴承实际损坏情况、机械整机异常发生且判断来源于轴承等。
如图2中的(a)所示,监测轴承获取了两个通道历史全生命周期数据,其中单日仅保留1s的采样数据,以构成各个通道的全生命周期信号;本实施方式并不要求各个通道的全生命周期数据等长度,如通道1包括了445天的数据,而通道2包括了307天的数据,其中的现实场景是通道2的传感器在通道1监测138天后加入的。此外,在图中标定了轴承故障的发生时间。
S2,依次通过信息熵图提取各个通道信号的有效信号分量。
利用1/3-二叉树树状滤波器组对信号进行滤波,并依次计算各个层级的滤波复包络信号的负熵和频谱负熵,有效信号分量即为负熵和谱负熵加和数值最大的复包络分量。其中,有效信号分量包括了滤波后的时域包络和频域图。
本实施方式中,步骤S2包括以下子步骤:
S21:利用1/3-二叉树树状滤波器组对单位数据长度的信号进行滤波,各个层的树状滤波器组由有限冲击响应滤波器实现,信号通过滤波器组后的傅里叶变换系数迭代式可以表示为:
其中h(n)为截止频率为的低通滤波器,Fs为采样频率,/>为第k层第i个滤波器后的傅里叶变换系数,也可以认为是信号在中心频率fi=(i+2-1)2-k-1和带宽(Δf)k=2-k-1处的复包络。
S22:计算各个复包络的脉冲稀疏性度量负熵和谱负熵数值和,负熵ΔIε(fi,Δf)和谱负熵ΔIE(fi,Δf)可以表示为:
其中Ec(n;fi,Δf)为复包络C(n;fi,Δf)的频域。得到的极大值的复包络为有效分量。
例如,如图3中(b)的信息图所示,单位数据长度的信号的各个复包络的数值和计算结果被灰度图所表示,横轴表示频率,纵轴表示分解层数。
S3,对提取到的有效信号分量计算负熵和谱负熵后进行加权以得到综合健康指标,得到由各个通道的正常变化到故障的全生命周期指标序列,并采用历史预警点将全生命周期指标序列划分为正常状态指标序列和故障状态指标序列。
对滤波得到的信号分别计算负熵和频谱负熵,并进行加权得到综合健康指标,权数由单一权重控制。所述综合健康指标是计算所有复包络中脉冲稀疏性的极值,作为权重对有效分量的负熵与谱负熵进行重加权,具体为权重分别设置为各层滤波器组滤波后的所有复包络的负熵极大值和谱负熵极大值。负熵和谱负熵进行加权得到综合健康指标所采用的计算公式如下:
HI=ρΔIε+(1-ρ)ΔIE
其中ΔIε和ΔIE为有效信号分量的负熵和频谱负熵,ρ=Iε,max/IE,max+Iε,max,Iε,max、IE,max分别是所有复包络中计算得到的负熵极大值和谱负熵极大值。
逐单位数据长度的信号提取有效分量并计算加权综合指标,得到了各个通道的全生命周期数据对应的全生命周期指标序列。历史预警点同样标定了各个通道的正常状态指标序列、故障状态指标序列。例如,图2中的(b)展示了通道1和通道2全生命周期指标序列,并标定了轴承故障的发生时间。
S4,各个通道的全生命周期指标序列按步长间隔取定窗长长度的指标序列,依次进行当前序列和上一序列的卡方显著性检验;当显著性P值超过概率阈值时预警,并将得到的故障预警点与历史预警点进行对比,根据对比结果更新窗长和步长。
卡方显著性检验可以更详细的描述为循环假设检验,当预警还未到来时,即接受卡方检验的原假设,当前序列和上一序列均为正常指标序列,当显著性P值超过概率阈值时预警,即拒绝原假设,当前序列为故障序列,上一序列为正常序列。另外,预警发生后的所有序列的监测均与最后一个判定为正常的序列做卡方检验获得。检验统计量计算如下:
其中st(n)为当前长度为窗长的序列,为上一序列的方差,<·>表示对序列求均值。检验统计量Sta服从自由度为w-1的卡方分布,w为窗长。
故障预警点与先验的历史故障发生点对比,进一步确定可用的窗长和步长中,采用宽度搜索进行各个通道的可用窗长和步长的参数检索。本实施方式中,步骤S4包括以下子步骤:
S41:首先,卡方显著性检验可以更详细的描述为循环假设检验:各个通道的全生命周期指标序列按定步长间隔取定窗长长度的指标序列,当前取得的序列与上一序列的方差进行卡方检验,卡方检验统计量的原假设H0为当前序列和上一序列同方差,备择假设H1为当前序列和上一序列异方差,卡方检验的检验统计量有如下公式表示:
其中st(n)为当前长度为窗长的序列,为上一序列的方差,<·>表示对序列求均值。检验统计量Sta服从自由度为w-1的卡方分布,w为窗长。卡方分布概率密度函数为:
其中Γ(·)为Gamma分布,当检验统计量偏离该概率密度函数的累计分布概率阈值时,当前假设检验拒绝原假设H0,当前序列和上一序列异方差。
在由正常到故障的全生命周期序列上,循环进行假设检验;当检验统计量的显著性概率值P值小于概率阈值时,为预警还未到来,即接受检验的原假设,当前序列和上一序列均为正常指标序列,当显著性P值超过概率阈值时预警,即拒绝原假设,当前序列为故障序列,上一序列为正常序列。另外,预警发生后的所有序列的监测均与最后一个判定为正常的序列做假设检验获得。因此,所述显著性P值即为历史数据的单通道预警概率。
例如,如图2所示,对两个通道的全生命周期指标序列进行了循环假设检验。在具体而言,通过定窗长和定步长的指标序列截取以及各个序列的统计量计算,通道1的检验统计量未见在历史预警点有显著变化,通道2的检验统计量在历史预警点有显著变化;通过对显著性P值的监测,通道1和通道2的预警概率在历史预警点均超过了95%,且循环假设检验的故障预警点与历史预警点重合。
S42:将得到的故障预警点与历史故障发生点进行对比,进一步确定可用的窗长和步长。
本实施例中,故障预警点与历史预警点成功重合并不是任意窗长步长获得的;预警点的对比过程为:选取不同的窗长和步长进行循环假设检验获得预警点,直至得到与历史预警点重合的窗长和步长,其确定是通过宽度搜索实现的,各个通道的搜索收敛条件可表示为:
其中Pprior(wi,ki)为窗长为wi步长为ki的条件下,循环假设检验在先验历史预警点处的预警概率,Pprior-j(wi,ki)为循环假设检验在先验历史预警点之前的预警概率,Pthreshold为设定的显著阈值,在本实施例中,设置为95%。
S5,将现场采集的多通道测试信号逐通道进行有效分量提取及计算指标,并将得到的测试指标***对应通道的正常状态指标序列和故障状态指标序列中形成测试序列,采用当前的窗长及步长的循环卡方检验获得各个通道新测试序列的预警显著度P值。
将现场采集的多通道测试信号逐通道进行有效分量提取、计算指标,是将各个通道时域信号通过步骤S2和S3的指标计算,获得当前测试序列,将各个通道的指标测试序列***历史正常指标序列和故障指标序列中间,形成新的待测试全生命周期序列。而在定窗长和步长的序列的循环卡方检验得到预警显著度P值中,各个通道的待检验全生命周期序列的循环假设检验的步长和窗长均与历史全生命周期序列中确定的步长和窗长一致。
例如,如图3和图4所示,在本实施例中,通道1和通道2的测试信号为2.4s的振动数据;通道1测试信号通过步骤S2获得的有效分量为在中心频率为11733.33Hz、带宽Δf为2133.33Hz的复包络;通道2测试信号的有效分量为在中心频率为11200Hz、带宽Δf为3200Hz的复包络。另外,通道1有效分量的频域表示具有一定的周期脉冲性,一定程度的表征了故障频率的边带和倍频。计算指标在本实施例中具体为:通过步骤S3的综合指标计算可得到HI1=82.15和HI2=101.86。
测试指标***对应通道的正常指标序列和故障指标序列中形成新测试序列;在本实施例中,如图3和图4所示,通道1在历史全生命周期指标序列的历史故障预警点(第300天)前***测试序列,通道2在第162天前***测试序列,构成两个通道的待检验指标序列。
各个通道新测试序列的预警显著度P值由可用的窗长和步长的循环卡方检验获得,具体可以表示为:
Pj=Pj,test(wj,kj)
其中Pj为第j个通道测试信号的预警显著度,wj和kj分别为第j个通道搜索的可用窗长和步长,Pj,test(wj,kj)表示在第j个通道上,待检验指标序列以窗长wj和步长kj进行循环假设检验,获得的在测试序列***点的预警显著度。在本实施例中,获得的各个通道获得的预警显著度分别为P1=0.9823和P2=0.9984。
S6,将各个通道新测试序列的预警显著度P值作为投票,以得到多通道测试信号决策融合的轴承监测结果。
其中,决策融合是将各个通道的循环假设检验获得的检验P值的均值作为显著度,当均值超过概率阈值时预警,说明故障发生。
所述多通道测试信号决策融合对应的公式为:
本发明还提供了一种面向多通道的综合指标轴承健康监测***,所述***包括采集模块、构建模块、搜索模块以及监测模块,其中:
采集模块:用于采集风电***和轨道交通轴承的历史多通道全生命周期信号,同时对各个通道的故障发生点进行标定,获得各个通道的历史正常数据和历史故障数据;各个通道的历史数据序列由单日采集单位时间的单位数据构成,形成全生命周期数据。
构建模块:用于对各个通道的历史正常数据和故障数据按单位数据长度分别通过信息熵图实现有效分量的提取,并将负熵于谱负熵进行加权以得到综合健康指标。得到各个通道的全生命周期指标序列。
搜索模块:用于循环假设检验的窗长和步长的确定,具体采用了宽度搜索算法搜索循环假设检验故障预警点与先验的历史故障发生点重合的窗长和步长。
监测模块:用于将现场采集的各个通道测试信号经过构建模块得到测试序列,将测试序列***对应通道的历史正常指标序列和历史故障指标序列中形成完整测试序列,再通过循环假设检验得到各个通道的显著度P值,投票获得融合决策监测结果。
本发明在单通道信号的有效分量提取过程和指标计算过程都加入了对重复瞬态特征的提取,提取的有效信号分量包括负熵和谱负熵数值以及最大值的复包络分量;指标构建时通过脉冲稀疏性极值对负熵谱负熵重加权形成了有效的轴承健康综合指标。对于指标决策,提供了适用于多通道的循环假设检验方法,通过历史数据进行最优参数搜索,并利用最优参数对多通道的测试数据实现故障预警。一方面得到能够较好判断全生命周期的故障发生的起始点的最优模型,另一方面从统计学的角度提供了对应每个时刻的预警概率;对于多通道信息的融合决策,各个通道的循环假设检验获得的检验显著度P值作为投票,投票的均值作为该监测时刻的预警概率。如此本发明有效的捕捉了多通道下,时域和频域的稀疏脉冲性,并通过合理的融合决策实现风电***和轨道交通的有效轴承状态监测。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种面向多通道的轴承综合指标健康监测方法,其特征在于,该方法包括以下步骤:
S1,采集轴承的多通道全生命周期性信号以作为历史数据,并确定各个通道的历史预警点;
S2,依次通过信息熵图提取各个通道信号的有效信号分量;
S3,对提取到的有效信号分量计算负熵和谱负熵后进行加权以得到综合健康指标,得到由各个通道的正常变化到故障的全生命周期指标序列,并采用历史预警点将全生命周期指标序列划分为正常状态指标序列和故障状态指标序列;
S4,各个通道的全生命周期指标序列按步长间隔取定窗长长度的指标序列,依次进行当前序列和上一序列的卡方显著性检验;当显著性P值超过概率阈值时预警,并将得到的故障预警点与历史预警点进行对比,根据对比结果更新窗长和步长;
S5,将现场采集的多通道测试信号逐通道进行有效分量提取及计算指标,并将得到的测试指标***对应通道的正常状态指标序列和故障状态指标序列中形成测试序列,采用当前的窗长及步长的循环卡方检验获得各个通道新测试序列的预警显著度P值;
S6,将各个通道新测试序列的预警显著度P值作为投票,以得到多通道测试信号决策融合的轴承监测结果;
所述综合健康指标是计算所有复包络中脉冲稀疏性的极值,以作为权重对有效分量的负熵与谱负熵进行重加权;负熵和谱负熵进行加权得到综合健康指标所采用的计算公式为:
HI=ρΔIε+(1-ρ)ΔIE
其中ΔIε和ΔIE为有效信号分量的负熵和频谱负熵,ρ=Iε,max/IE,max+Iε,max,Iε,max、IE,max分别是所有复包络中计算得到的负熵极大值和谱负熵极大值。
2.如权利要求1所述的面向多通道的轴承综合指标健康监测方法,其特征在于:步骤S2中,利用1/3-二叉树树状滤波器组对信号进行滤波,并依次计算各个层级的滤波复包络信号的负熵和频谱负熵,进而得到有效信号分量。
3.如权利要求2所述的面向多通道的轴承综合指标健康监测方法,其特征在于:有效信号分量包括负熵和谱负熵数值以及最大值的复包络分量。
4.如权利要求1所述的面向多通道的轴承综合指标健康监测方法,其特征在于:信号通过滤波器组后的傅里叶变换系数迭代式表示为:
其中h(n)为截止频率为的低通滤波器,E>0,Fs为采样频率,/>为第k层第i个滤波器后的傅里叶变换系数,也能认为是信号在中心频率fi=(i+2-1)2-k-1和带宽(Δf)k=2-k-1处的复包络。
5.如权利要求4所述的面向多通道的轴承综合指标健康监测方法,其特征在于:负熵ΔIε(fi,Δf)和谱负熵ΔIE(fi,Δf)分别表示为:
其中Ec(n;fi,Δf)为复包络C(n;fi,Δf)的频域。
6.如权利要求1所述的面向多通道的轴承综合指标健康监测方法,其特征在于:卡方显著性检验能称为循环假设检验,当预警还未到来时,即接受卡方检验的原假设,当前序列和上一序列均为正常指标序列,当显著度P值超过概率阈值时预警,即拒绝原假设,当前序列为故障序列,上一序列为正常序列。
7.如权利要求1-6任一项所述的面向多通道的轴承综合指标健康监测方法,其特征在于:选取不同的窗长和步长进行循环假设检验获得预警点,直至得到与历史预警点重合的窗长和步长,更新后的窗长和步长是通过宽度搜索实现的,各个通道的搜索收敛条件表示为:
其中Pprior(wi,ki)为窗长为wi步长为ki的条件下,循环假设检验在先验历史预警点处的预警概率,Pprior-j(wi,ki)为循环假设检验在先验历史预警点之前的预警概率,Pthreshold为设定的显著阈值。
8.如权利要求7所述的面向多通道的轴承综合指标健康监测方法,其特征在于:各个通道新测试序列的预警显著度P值由更新后的窗长和步长的循环卡方检验获得,对应的公式为:
Pj=Pj,test(wj,kj)
其中Pj为第j个通道测试信号的预警显著度,wj和kj分别为第j个通道搜索到的窗长和步长;决策融合是将各个通道的循环假设检验获得的检验P值的均值作为显著度,当均值超过概率阈值时预警,说明故障发生;
所述多通道测试信号决策融合对应的公式为:
9.一种面向多通道的轴承综合指标健康监测***,其特征在于:所述***包括采集模块、构建模块、搜索模块以及监测模块,其中,
采集模块:用于采集轴承的历史多通道全生命周期信号,同时对各个通道的故障发生点进行标定,获得各个通道的历史正常数据和历史故障数据;
构建模块:用于对各个通道的历史正常数据和故障数据按单位数据长度分别通过信息熵图实现有效分量的提取,并将负熵于谱负熵进行加权以得到综合健康指标;
搜索模块:用于循环假设检验的窗长和步长的确定;
监测模块:用于将现场采集的各个通道测试信号经过构建模块得到测试序列,将测试序列***对应通道的历史正常指标序列和历史故障指标序列中形成完整测试序列,再通过循环假设检验得到各个通道的显著度P值,投票获得融合决策监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420562.0A CN116558824B (zh) | 2023-04-19 | 2023-04-19 | 一种面向多通道的轴承综合指标健康监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420562.0A CN116558824B (zh) | 2023-04-19 | 2023-04-19 | 一种面向多通道的轴承综合指标健康监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116558824A CN116558824A (zh) | 2023-08-08 |
CN116558824B true CN116558824B (zh) | 2024-02-06 |
Family
ID=87487067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310420562.0A Active CN116558824B (zh) | 2023-04-19 | 2023-04-19 | 一种面向多通道的轴承综合指标健康监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116558824B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4406723A1 (de) * | 1993-02-27 | 1994-09-01 | Boetius & Partner Informations | Verfahren zur Überwachung des Betriebszustands einer Maschine oder Anlage |
CN103439110A (zh) * | 2013-07-31 | 2013-12-11 | 哈尔滨工程大学 | 滚动轴承早期微弱故障诊断方法 |
CN108195584A (zh) * | 2017-12-26 | 2018-06-22 | 电子科技大学 | 一种基于准确度谱图的滚动轴承故障诊断方法 |
CN110333074A (zh) * | 2019-07-30 | 2019-10-15 | 北京航天发射技术研究所 | 基于卷积神经网络的多测点传动机构故障诊断方法和*** |
CN111693311A (zh) * | 2020-05-30 | 2020-09-22 | 杭州哲达科技股份有限公司 | 基于独立分量分析与相关性准则的旋转机械故障诊断方法 |
CN112051062A (zh) * | 2020-08-10 | 2020-12-08 | 华中科技大学 | 一种滚动轴承的故障诊断方法、装置、设备和存储介质 |
CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
CN113702044A (zh) * | 2021-08-13 | 2021-11-26 | 华中科技大学 | 一种轴承故障检测方法及*** |
CN114048769A (zh) * | 2021-11-08 | 2022-02-15 | 太原科技大学 | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及*** |
CN115238736A (zh) * | 2022-06-28 | 2022-10-25 | 华中科技大学 | 一种旋转机械早期故障的识别方法 |
CN115730199A (zh) * | 2022-11-10 | 2023-03-03 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承振动信号降噪和故障特征提取方法和*** |
-
2023
- 2023-04-19 CN CN202310420562.0A patent/CN116558824B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4406723A1 (de) * | 1993-02-27 | 1994-09-01 | Boetius & Partner Informations | Verfahren zur Überwachung des Betriebszustands einer Maschine oder Anlage |
CN103439110A (zh) * | 2013-07-31 | 2013-12-11 | 哈尔滨工程大学 | 滚动轴承早期微弱故障诊断方法 |
CN108195584A (zh) * | 2017-12-26 | 2018-06-22 | 电子科技大学 | 一种基于准确度谱图的滚动轴承故障诊断方法 |
CN110333074A (zh) * | 2019-07-30 | 2019-10-15 | 北京航天发射技术研究所 | 基于卷积神经网络的多测点传动机构故障诊断方法和*** |
CN111693311A (zh) * | 2020-05-30 | 2020-09-22 | 杭州哲达科技股份有限公司 | 基于独立分量分析与相关性准则的旋转机械故障诊断方法 |
CN112051062A (zh) * | 2020-08-10 | 2020-12-08 | 华中科技大学 | 一种滚动轴承的故障诊断方法、装置、设备和存储介质 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
CN113702044A (zh) * | 2021-08-13 | 2021-11-26 | 华中科技大学 | 一种轴承故障检测方法及*** |
CN114048769A (zh) * | 2021-11-08 | 2022-02-15 | 太原科技大学 | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 |
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及*** |
CN115238736A (zh) * | 2022-06-28 | 2022-10-25 | 华中科技大学 | 一种旋转机械早期故障的识别方法 |
CN115730199A (zh) * | 2022-11-10 | 2023-03-03 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承振动信号降噪和故障特征提取方法和*** |
Non-Patent Citations (3)
Title |
---|
EnvelopeNet: A robust convolutional neural network with optimal kernels for intelligent fault diagnosis of rolling bearings;Lv Tang;《Measurement》;全文 * |
Multitarget domain adaptation with transferable hyperbolic prototypes for intelligent fault diagnosis;Lv Tang;《Knowledge-Based Systems》;全文 * |
Transfer reinforcement learning method with multi-label learning for compound fault recognition;Zisheng Wang;《Advanced Engineering Informatics》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116558824A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN114993669B (zh) | 多传感器信息融合的传动***故障诊断方法及*** | |
CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
CN112949714A (zh) | 一种基于随机森林的故障可能性预估方法 | |
CN111428772B (zh) | 基于k-近邻自适应投票的光伏***深度异常检测方法 | |
CN116258084A (zh) | 一种基于混合仿真算法的电机健康评估方法及*** | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及*** | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
CN116956215A (zh) | 一种传动***故障诊断方法及*** | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN116558824B (zh) | 一种面向多通道的轴承综合指标健康监测方法及*** | |
CN113311348A (zh) | 一种基于小波分解和包络谱分析的电池故障识别方法 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN116205631A (zh) | 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 | |
CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及*** | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 | |
CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断***及方法 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
Dineva et al. | Multi-label Classification for Fault Diagnosis of Rotating Electrical Machines | |
Xue et al. | Structural fault diagnosis of rotating machinery based on distinctive frequency components and support vector machines | |
Balamurugan et al. | Bearing/incipient/open phase fault detection and diagnosis of multi-phase induction motor drives equipped by GBDTI2HO technique | |
CN113111575B (zh) | 基于深度特征编码与混合高斯模型的燃机退化评估方法 | |
CN117232644B (zh) | 一种基于声学原理的变压器声音监测故障诊断方法及*** | |
CN117420345B (zh) | 基于数据驱动的电网运行异常状态监测*** |
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 |