CN116067657B - 一种滚动轴承故障诊断方法及系统 - Google Patents
一种滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116067657B CN116067657B CN202211721639.XA CN202211721639A CN116067657B CN 116067657 B CN116067657 B CN 116067657B CN 202211721639 A CN202211721639 A CN 202211721639A CN 116067657 B CN116067657 B CN 116067657B
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling bearing
- differential
- spectrum
- determining
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 76
- 238000003745 diagnosis Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 230000009699 differential effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 45
- 230000004069 differentiation Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000000737 periodic effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001131 transforming effect 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种滚动轴承故障诊断方法及系统，方法包括：采集滚动轴承的震动信号；利用傅里叶变换将震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，并确定震动信号的包络谱，包络谱用于提高震动信号的信噪比；根据包络谱确定滚动轴承的故障特征信息，以实现对滚动轴承的故障诊断。本发明通过傅里叶变换的时域微分性质，确保了故障诊断具有更强的适应性，能更有效地提取强噪声背景下的滚动轴承故障特征，与传统的频率加权能量算子和高阶频率加权能量算子相比，本发明可以取得更好的诊断效果。
Description
技术领域
本发明涉及机械诊断技术领域，具体涉及一种滚动轴承故障诊断方法及系统。
背景技术
滚动轴承是旋转机械中重要的零部件之一，其运行状态直接影响到整台设备的性能，对其开展故障诊断研究具有重要的理论意义和工程应用价值。滚动轴承发生故障时，其振动信号中常出现周期性的冲击成份，且冲击周期与发生故障的部位密切相关，因此，如何从强噪声背景下提取出清晰的周期性冲击便成了滚动轴承故障诊断的研究重点。现有的方法都是用某种分解方法(如短时傅里叶变换、小波包分解、经验小波变换等)将原始振动信号分解为不同频带的分量，然后利用某种指标(如谱峭度、相关峭度、稀疏值、负熵等)衡量各分量中故障信息的丰富程度，从而选择最佳的共振频带进行解调实现滚动轴承的故障诊断。但是，上述方法处理的大都是振动加速度信号。导致实际应用性差、无法提取强噪声背景下的滚动轴承故障特征等问题。
发明内容
有鉴于此，本发明实施例提供了一种滚动轴承故障诊断方法及系统，以解决现有技术中实际应用性差、无法提取强噪声背景下的滚动轴承故障特征的问题。
根据第一方面，本发明实施例提供了一种滚动轴承故障诊断方法，包括：
采集滚动轴承的震动信号；
利用傅里叶变换将所述震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，并确定所述震动信号的包络谱，所述包络谱用于提高所述震动信号的信噪比；
根据所述包络谱确定所述滚动轴承的故障特征信息，以实现对所述滚动轴承的故障诊断。
可选地，所述利用傅里叶变换将所述震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，包括：
利用所述傅里叶变换将所述震动信号从时域转换到频域，确定所述震动信号的幅值函数和相位函数；
根据所述傅里叶变换的时域微分性质在频域内对所述震动信号的所述幅值函数进行微分处理，确定所述幅值函数的微分信号频谱；
对所述微分信号频谱及所述相位函数进行分数阶微分处理，确定微分阶次下的瞬时能量。
可选地，所述对所述微分信号频谱及所述相位函数进行分数阶微分处理，确定微分阶次下的瞬时能量，包括：
对所述幅值函数的所述微分信号频谱进行权重分配，并将分配后的幅值函数与所述相位函数进行结合，确定结合信号频谱；
对所述结合信号频谱进行傅里叶反变换，确定分数阶微分之后的信号；
对所述分数阶微分之后的信号进行频率加权能量算子操作，确定各微分阶次下的瞬时能量。
可选地，所述确定所述震动信号的包络谱，包括：
计算各所述微分阶次下的瞬时能量的归一化四阶累积量，确定所述震动信号的包络峭度；
根据所述包络峭度对应的目标微分阶次，对所述目标微分阶次的信号进行计算，确定包络谱。
可选地，所述根据所述包络谱确定所述滚动轴承的故障特征信息，以实现对所述滚动轴承的故障诊断，包括：
获取所述滚动轴承的历史故障特征；
确定所述包络谱中的各个特征信号，并判断各个所述特征信号与所述历史故障特征是否存在预设关系；
当存在预设关系时，将所述特征信号确定为所述滚动轴承的故障特征信息。
可选地，所述各微分阶次下的瞬时能量通过以下公式计算：
Θ[x(t,DO)]＝|x(t,DO)+jH[x(t,DO)]2
＝x(t,DO)2+H[x(t,DO)]2
其中，分数阶微分之后的信号x(t,DO)的瞬时能量序列Θ[x(t,DO)]，j为虚部单位，H[·]表示希尔波特变换，
式中，分数阶微分之后的信号x(t,DO)，DO为微分阶次，A(ω)为信号频谱，ωDO为瞬时频率的权重，φ(ω)为对应的相位函数。
可选地，通过以下公式计算所述包络峭度：
式中，EK为信号的包络峭度，mean[·]表示求均值，N为瞬时能量序列的长度。
根据第二方面，本发明实施例提供了一种滚动轴承故障诊断系统，包括：
采集模块，用于采集滚动轴承的震动信号；
处理模块，用于利用傅里叶变换将所述震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，并确定所述震动信号的包络谱；
诊断模块，用于根据所述包络谱确定所述滚动轴承的故障特征信息，以实现对所述滚动轴承的故障诊断。
本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现本发明第一方面及任意一种可选方式所述的轴承故障诊断方法。
本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面及任意一种可选方式所述的轴承故障诊断方法。
本发明技术方案，具有如下优点：
本发明实施例提供了一种滚动轴承故障诊断方法及系统，通过傅里叶变换的时域微分性质，确保了故障诊断具有更强的适应性，能更有效地提取强噪声背景下的滚动轴承故障特征，与传统的频率加权能量算子和高阶频率加权能量算子相比，本发明可以取得更好的诊断效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中滚动轴承故障诊断方法的流程图；
图2为本发明实施例中SQI滚动轴承故障模拟实验台示意图；
图3(a)、图3(b)、图3(c)分别为本发明实施例中轴承外圈故障原始振动信号的时域波形、幅值谱和包络谱示意图；
图4为本发明实施例中轴承外圈故障不同微分阶次下的包络峭度曲线图；
图5(a)、图5(b)分别为本发明实施例中轴承外圈故障最佳阶次下的瞬时能量及平方包络谱示意图；
图6(a)、图6(b)、图6(c)分别为本发明实施例中轴承内圈故障原始振动信号的时域波形、幅值谱和包络谱示意图；
图7为本发明实施例中轴承内圈故障不同微分阶次下的包络峭度曲线图；
图8(a)、图8(b)分别为本发明实施例中轴承内圈故障最佳阶次下的瞬时能量及平方包络谱示意图；
图9为本发明实施例中滚动轴承故障诊断系统的示意图；
图10为本发明实施例中的电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
针对强噪声背景下滚动轴承故障特征难以提取的问题，滚动轴承是旋转机械中重要的零部件之一，其运行状态直接影响到整台设备的性能，对其开展故障诊断研究具有重要的理论意义和工程应用价值。滚动轴承发生故障时，其振动信号中常出现周期性的冲击成份，且冲击周期与发生故障的部位密切相关，因此，如何从强噪声背景下提取出清晰的周期性冲击便成了滚动轴承故障诊断的研究重点。周期性冲击在信号频谱中常以共振频带的形式存在，为了提取包含故障信息最为丰富的共振频带并去除干扰和噪声，现有方法都是用某种分解方法(如短时傅里叶变换、小波包分解、经验小波变换等)将原始振动信号分解为不同频带的分量，然后利用某种指标(如谱峭度、相关峭度、稀疏值、负熵等)衡量各分量中故障信息的丰富程度，从而选择最佳的共振频带进行解调实现滚动轴承的故障诊断。需要指出的是，这些方法处理的大都是振动加速度信号。
为了增强振动信号中的故障特征，现有技术通过频率加权能量算子进行计算，都是对振动信号进行整数阶次的微分处理，限制了其工程应用。因此，本发明实施例提供了一种滚动轴承故障诊断方法，如图1所示，该轴承故障诊断方法具体包括：
步骤S1：采集滚动轴承的震动信号。在实际应用中，震动信号可以通过滚动轴承的监控设备进行采集，也可以通过传感器进行采集，具体的采集的过程利用现有的技术及设备进行即可，本实施例并不以此为限。
步骤S2：利用傅里叶变换将震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，并确定震动信号的包络谱。其中包络谱用于提高震动信号的信噪比，进而保证在强噪声背景下的故障诊断。
在实际应用中，现有方法中的频率加权能量算子基本理论如下：频率加权能量算子来源于Teager能量算子(Teager Energy Operator,TEO)，设有一简谐信号其Teager能量算子定义为：
式中，和/>分别为信号x(t)的一阶导数和二阶导数。信号x(t)经Teager能量算子操作后得到如下结果：
ψ(x)＝A2ω2 (2)
受TEO的启发，O’Toole提出了频率加权能量算子FWEO，定义为：
式中，Γ[·]为频率加权能量算子，j为虚部单位，H[·]表示希尔波特变换。
对于信号有
将式(4)和(5)代入式(3),可得
式(6)表明，频率加权能量算子和Teager能量算子一样，都是对信号x(t)的瞬时能量进行估计，但频率加权能量算子能保证不会出现无意义的负能量，相比Teager能量算子更具鲁棒性。
频率加权能量算子通过对信号求导引入了瞬时频率ω的权重，使得FWEO具有和TEO相同的性质。为了进一步加大瞬时频率的权重，提高能量算子在干扰情况下的鲁棒性，刘泽潮等人提出了高阶频率加权能量算子(HFWEO)，定义为
式中，ξ[·]为高阶频率加权能量算子，xm(t)表示信号x(t)的m阶导数。
对于信号有
由式(8)可知，当阶次m＝1时，高阶频率加权能量算子退化为普通的频率加权能量算子，当阶次增加时，瞬时频率ω的权重会呈指数增长，更有利于提取高频的故障特征信息。
离散信号x(n)的高阶频率加权能量算子表达式为：
需要指出的是，若按照式(9)对离散信号x(n)进行高阶频率加权能量算子操作，微分阶次m只能取整数，这一特性限制了该方法在故障诊断中的应用。
本实施例中具体地，上述步骤S2还包括如下步骤：
步骤S21：利用傅里叶变换将震动信号从时域转换到频域，确定震动信号的幅值函数和相位函数。
步骤S22：根据傅里叶变换的时域微分性质在频域内对震动信号的幅值函数进行微分处理，确定幅值函数的微分信号频谱。
为了扩展频率加权能量算子的应用范围，本实施例提出了一种新的分数阶频率加权能量算子(FFWEO)，亦即(振动信号)信号x(t)的微分阶次不再限定于整数阶次，可以是分数阶次。进而实现对信号的分数阶次微分，就必须抛弃时域差分的形式，转而在频域对信号进行微分。设信号x(t)的傅里叶变换是X(ω)，可表示为：
式中A(ω)为信号频谱(即微分信号频谱)，X(ω)的幅值函数，φ(ω)为对应的相位函数。
步骤S23：对微分信号频谱及相位函数进行分数阶微分处理，确定微分阶次下的瞬时能量。
具体地，上述步骤S23包括如下步骤：
步骤S231：对幅值函数的微分信号频谱进行权重分配，并将分配后的幅值函数与相位函数进行结合，确定结合信号频谱。根据傅里叶变换的时域微分性质，微分信号的傅里叶变换为，亦即可以在原始信号频谱的基础上乘以频率权重因子，得到微分信号的频谱，再进行傅里叶反变换，即可实现信号的微分。为了扩展频率加权能量算子的应用范围，此处微分阶次不再限定于整数，可以取分数。因为相位函数对傅里叶反变换的影响较大，本实施例所提方法在整个流程中保持相位函数不变，只对幅值函数进行频率加权。
步骤S232：对结合信号频谱进行傅里叶反变换，确定分数阶微分之后的信号。
步骤S233：对分数阶微分之后的信号进行频率加权能量算子操作，确定各微分阶次下的瞬时能量。
在实际应用中，将微分阶次表示为DO，对原始信号的频谱X(ω)进行权重分配，得到A(ω)·ωDO，然后再与相位函数相结合，得到A(ω)·ωDO·ejφ(ω)，然后再进行傅里叶反变换，得到分数阶微分之后的信号
对分数阶微分之后的信号x(t,DO)进行频率加权能量算子操作，即可得到DO阶次下的瞬时能量，可表示为：
由式(12)可知，当微分阶次DO＝0时，相当于求取原始信号x(t)的Hilbert平方包络，当微分阶次DO＝1时，相当于式(2)中的频率加权能量算子，当DO为大于1的正整数时，相当于式(7)的高阶频率加权能量算子，当DO为正的小数时，则为分数阶频率加权能量算子。
需要指出的是，随着微分阶次的增大，FFWEO能增强滚动轴承振动信号中的高频故障成份，但也会在一定程度上放大高频噪声，因此，需要选择一个最佳的微分阶次，从而提高信号的信噪比。
步骤S24：计算各微分阶次下的瞬时能量的归一化四阶累积量，确定震动信号的包络峭度。
当滚动轴承发生局部故障时，振动信号会出现周期性冲击从而偏离正态分布，而FFWEO可以增强这些周期性冲击成份，为了选择最佳的微分阶次，本实施例提供了一种用来信号瞬时能量偏离正态分布的指标——包络峭度，即利用式(12)求出信号在某微分阶次下的瞬时能量之后，求取瞬时能量的归一化四阶累积量，其表达式为
式中，EK为信号的包络峭度，mean[·]表示求均值，N为瞬时能量序列的长度。
步骤S25：根据包络峭度对应的目标微分阶次，对目标微分阶次的信号进行计算，确定包络谱。
步骤S3：根据包络谱确定滚动轴承的故障特征信息，以实现对滚动轴承的故障诊断。借助包络谱进行故障诊断需要观察包络谱中是否存在故障特征频率及其倍频(也称为谐波)。考虑到工程应用过程中，轴承各部分的故障特征频率计算值与实际值会有偏差，因此HSK指标的计算需要提取包含预设特征频率的频率区间以及包含倍频的频率区间，形成新样本，保留有用信息，舍弃噪声部分。
具体地，上述步骤S3还包括如下步骤：
步骤S31：获取滚动轴承的历史故障特征。
步骤S32：确定包络谱中的各个特征信号，并判断各个特征信号与历史故障特征是否存在预设关系。
步骤S33：当存在预设关系时，将特征信号确定为滚动轴承的故障特征信息。
本实施例中，首先，利用傅里叶变换将信号从时域转换到频域，得到信号频谱的幅值函数和相位函数。其次，设定微分阶次的变化范围和变化步长，根据傅里叶变换的时域微分性质在频域内对信号的幅值函数进行分数阶微分处理，将微分处理后的幅值函数与相位函数相结合，再利用傅里叶反变换得到微分处理后的信号。再次，对不同阶次的微分信号进行Hilbert变换得到包络信号，利用包络峭度指标选择最佳的微分阶次，利用该阶次下的微分信号求取包络谱，从而确定轴承的故障模式。
在实际应用中，为了验证所提方法的有效性，通过SQI滚动轴承实验台上进行了故障模拟实验，实验台由电机，联轴器等组成，实物如图2所示。
在模拟外圈故障时，电机的转速为1468.2r/min，采样频率为12kHz，经计算轴承外圈故障特征频率为＝75.03Hz。外圈故障的原始振动信号时域波形、幅值谱和包络谱如图3(a)、图3(b)、图3(c)所示，由图可以看出，原始信号的时域波形中包含有强烈的噪声，周期性冲击并不明显，幅值谱没有明显的边频带，包络谱中虽然有外圈故障特征频率，但其幅值相对其他频率成份并不突出，且没有明显的倍频成份，严重影响了对故障部位的诊断。对该信号进行分数阶频率加权能量算子处理，得到不同阶次下的包络峭度值，如图4所示。从图中可以发现，当微分阶次为1.4时，包络峭度达到最大值14.83，意味着对原始信号进行1.4阶次微分其瞬时能量包含最为丰富的故障信息。
具体地，绘制1.4阶次微分后的瞬时能量及其平方包络谱如图5所示。图5(a)中出现较为明显的周期性冲击，图5(b)中出现非常明显的轴承外圈故障特征频率及其倍频，可以轻易地断定该轴承发生了外圈故障。将图5和图3进行比较可以发现，分数阶频率加权能量算子能极大地增强信号中的特征信息，非常有利于滚动轴承的故障诊断。因进行了分数阶微分，振动信号的幅值已无明确的物理意义，故未在图中予以标注。
在另一应用中，在同一台实验台上模拟内圈故障，电机转速为1451.7r/min，采样频率fs＝12kHz，经计算内圈故障特征频率为fi＝119.31Hz。内圈故障的原始振动信号时域波形、幅值谱和包络谱如图6(a)、图6(b)、图6(c)所示，由图可以看出，原始信号的时域波形中包含有强烈的噪声，周期性冲击并不明显，幅值谱没有明显的边频带，包络谱中存在明显的内圈故障特征频率，但其二倍频和三倍频等高次谐波淹没在强烈的背景噪声中，并不明显，严重影响了对故障部位的诊断。对该信号进行分数阶频率加权能量算子处理，得到不同阶次下的包络峭度值，如图7所示。从图中可以发现，当微分阶次为0.5时，包络峭度达到最大值6.015，故选择0.5作为最佳的微分阶次。
绘制0.5阶次微分后的瞬时能量及其平方包络谱如图8所示，虽然瞬时能量中没有明显的周期性冲击，但其包络谱中已经出现明显的轴承内圈故障特征频率及其倍频，虽然不如上述轴承外圈故障案例那么突出，但相较图6中的原始信号，已经极大地提高了其信噪比，可以断定该轴承发生了内圈故障。
本实施例通过傅里叶变换的时域微分性质，确保了故障诊断具有更强的适应性，能更有效地提取强噪声背景下的滚动轴承故障特征，与传统的频率加权能量算子和高阶频率加权能量算子相比，本发明可以取得更好的诊断效果。
本发明实施例还提供了一种滚动轴承故障诊断系统，如图9所示，包括：
采集模块1，用于采集滚动轴承的震动信号；详细内容参见上述方法实施例中步骤S1的相关描述。
处理模块2，用于利用傅里叶变换将震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，并确定震动信号的包络谱；详细内容参见上述方法实施例中步骤S2的相关描述。
诊断模块3，用于根据包络谱确定滚动轴承的故障特征信息，以实现对滚动轴承的故障诊断；详细内容参见上述方法实施例中步骤S3的相关描述。
本实施例通过傅里叶变换的时域微分性质，确保了故障诊断具有更强的适应性，能更有效地提取强噪声背景下的滚动轴承故障特征，与传统的频率加权能量算子和高阶频率加权能量算子相比，本发明可以取得更好的诊断效果。
本发明实施例还提供了一种电子设备，如图10所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图10中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
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范围当中。
Claims (9)
1.一种滚动轴承故障诊断方法，其特征在于，包括：
采集滚动轴承的震动信号；
利用傅里叶变换将所述震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，并确定所述震动信号的包络谱，所述包络谱用于提高所述震动信号的信噪比；
利用所述傅里叶变换将所述震动信号从时域转换到频域，确定所述震动信号的幅值函数和相位函数；根据所述傅里叶变换的时域微分性质在频域内对所述震动信号的所述幅值函数进行微分处理，确定所述幅值函数的微分信号频谱；对所述微分信号频谱及所述相位函数进行分数阶微分处理，确定微分阶次下的瞬时能量；
根据所述包络谱确定所述滚动轴承的故障特征信息，以实现对所述滚动轴承的故障诊断。
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述对所述微分信号频谱及所述相位函数进行分数阶微分处理，确定微分阶次下的瞬时能量，包括：
对所述幅值函数的所述微分信号频谱进行权重分配，并将分配后的幅值函数与所述相位函数进行结合，确定结合信号频谱；
对所述结合信号频谱进行傅里叶反变换，确定分数阶微分之后的信号；
对所述分数阶微分之后的信号进行频率加权能量算子操作，确定各微分阶次下的瞬时能量。
3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述确定所述震动信号的包络谱，包括：
计算各所述微分阶次下的瞬时能量的归一化四阶累积量，确定所述震动信号的包络峭度；
根据所述包络峭度对应的目标微分阶次，对所述目标微分阶次的信号进行计算，确定包络谱。
4.根据权利要求3所述的滚动轴承故障诊断方法，其特征在于，所述根据所述包络谱确定所述滚动轴承的故障特征信息，以实现对所述滚动轴承的故障诊断，包括：
获取所述滚动轴承的历史故障特征；
确定所述包络谱中的各个特征信号，并判断各个所述特征信号与所述历史故障特征是否存在预设关系；
当存在预设关系时，将所述特征信号确定为所述滚动轴承的故障特征信息。
5.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述各微分阶次下的瞬时能量通过以下公式计算：
Θ[x(t,DO)]＝|x(t,DO)+jH[x(t,DO)]|2
＝x(t,DO)2+H[x(t,DO)]2
其中，分数阶微分之后的信号x(t,DO)的瞬时能量序列Θ[x(t,DO)]，j为虚部单位，H[·]表示希尔波特变换，
式中，分数阶微分之后的信号x(t,DO)，DO为微分阶次，A(ω)为信号频谱，ωDO为瞬时频率的权重，φ(ω)为对应的相位函数。
6.根据权利要求3所述的滚动轴承故障诊断方法，其特征在于，通过以下公式计算所述包络峭度：
式中，EK为信号的包络峭度，mean[·]表示求均值，N为瞬时能量序列的长度。
7.一种滚动轴承故障诊断系统，其特征在于，包括：
采集模块，用于采集滚动轴承的震动信号；
处理模块，用于利用傅里叶变换将所述震动信号从时域转换到频域，对转换后的信号进行分数阶微分处理，并确定所述震动信号的包络谱；利用所述傅里叶变换将所述震动信号从时域转换到频域，确定所述震动信号的幅值函数和相位函数；根据所述傅里叶变换的时域微分性质在频域内对所述震动信号的所述幅值函数进行微分处理，确定所述幅值函数的微分信号频谱；对所述微分信号频谱及所述相位函数进行分数阶微分处理，确定微分阶次下的瞬时能量；
诊断模块，用于根据所述包络谱确定所述滚动轴承的故障特征信息，以实现对所述滚动轴承的故障诊断。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-6中任一项所述的滚动轴承故障诊断方法。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-6中任一项所述的滚动轴承故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211721639.XA CN116067657B (zh) | 2022-12-30 | 2022-12-30 | 一种滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211721639.XA CN116067657B (zh) | 2022-12-30 | 2022-12-30 | 一种滚动轴承故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116067657A CN116067657A (zh) | 2023-05-05 |
| CN116067657B true CN116067657B (zh) | 2023-10-27 |
Family
ID=86177989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211721639.XA Active CN116067657B (zh) | 2022-12-30 | 2022-12-30 | 一种滚动轴承故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116067657B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952584B (zh) * | 2023-06-07 | 2024-10-11 | 浙江大学 | 基于振动信号幅度谱相似度的电机轴承性能退化评估方法 |
| CN118378955B (zh) * | 2024-06-21 | 2024-09-27 | 华东交通大学 | 一种滚动轴承制造质量贡献度评价方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104634570A (zh) * | 2015-01-21 | 2015-05-20 | 山西潞安环保能源开发股份有限公司 | 基于振动检测的便携式轴承故障诊断装置及诊断方法 |
| CN112345248A (zh) * | 2019-08-09 | 2021-02-09 | 郑州工程技术学院 | 一种滚动轴承的故障诊断方法及装置 |
| CN112485028A (zh) * | 2019-09-12 | 2021-03-12 | 上海三菱电梯有限公司 | 振动信号的特征频谱提取方法及机械故障诊断分析方法 |
| CN113639999A (zh) * | 2021-08-16 | 2021-11-12 | 北京信息科技大学 | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 |
| CN115235768A (zh) * | 2022-07-05 | 2022-10-25 | 上海朋禾智能科技有限公司 | 一种滚动轴承故障诊断方法及系统 |
-
2022
- 2022-12-30 CN CN202211721639.XA patent/CN116067657B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104634570A (zh) * | 2015-01-21 | 2015-05-20 | 山西潞安环保能源开发股份有限公司 | 基于振动检测的便携式轴承故障诊断装置及诊断方法 |
| CN112345248A (zh) * | 2019-08-09 | 2021-02-09 | 郑州工程技术学院 | 一种滚动轴承的故障诊断方法及装置 |
| CN112485028A (zh) * | 2019-09-12 | 2021-03-12 | 上海三菱电梯有限公司 | 振动信号的特征频谱提取方法及机械故障诊断分析方法 |
| CN113639999A (zh) * | 2021-08-16 | 2021-11-12 | 北京信息科技大学 | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 |
| CN115235768A (zh) * | 2022-07-05 | 2022-10-25 | 上海朋禾智能科技有限公司 | 一种滚动轴承故障诊断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 滚动轴承故障诊断方法比较及实验验证;赵章焰 等;武汉理工大学学报(交通科学与工程版);第16卷(第02期);第1-2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116067657A (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116067657B (zh) | 一种滚动轴承故障诊断方法及系统 | |
| Wang et al. | Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis | |
| Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
| Li et al. | Continuous-scale mathematical morphology-based optimal scale band demodulation of impulsive feature for bearing defect diagnosis | |
| CN107167306B (zh) | 基于阶次提取的旋转机械转子运行状态模态分析方法 | |
| 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 | |
| Rodopoulos et al. | A parametric approach for the estimation of the instantaneous speed of rotating machinery | |
| CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
| Liu et al. | Generalized demodulation with tunable E-Factor for rolling bearing diagnosis under time-varying rotational speed | |
| WO2020057066A1 (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| CN116361733A (zh) | 一种故障诊断方法、装置、系统以及存储介质 | |
| CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
| Lv et al. | Longitudinal synchroextracting transform: A useful tool for characterizing signals with strong frequency modulation and application to machine fault diagnosis | |
| Zhao et al. | Peak envelope spectrum Fourier decomposition method and its application in fault diagnosis of rolling bearings | |
| Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
| CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
| CN111307426A (zh) | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 | |
| CN107941511B (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
| Die et al. | Rolling bearing fault feature extraction method based on VMD and fast-kurtogram | |
| CN111323233B (zh) | 一种用于低速旋转机械故障诊断的局部均值分解方法 | |
| Zhu et al. | An improved spectral amplitude modulation method for rolling element bearing fault diagnosis | |
| Zhuang et al. | Rolling bearing fault diagnosis by aperiodic stochastic resonance under variable speed conditions | |
| CN115356108A (zh) | 一种调制高阶水平挤压变换机械故障诊断方法与装置 | |
| CN110542546B (zh) | 基于谐波分形分解快速算法的机械故障特征识别方法 | |
| Yu et al. | An improved decomposition method for extracting unknown rolling bearing fault features from strong noise |
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 |