一種基於特徵參量的滾動軸承故障灰色關聯度辨識方法
2023-05-31 07:22:21 2
一種基於特徵參量的滾動軸承故障灰色關聯度辨識方法
【專利摘要】本發明公開了一種基於特徵參量的滾動軸承故障灰色關聯度辨識方法,包括:滾動軸承振動信號獲取及形成重構信號的步驟;從所述重構信號中提取特徵參量的步驟;利用灰色理論關聯度分析所述特徵參量並輸出分析結果的步驟。利用本發明達到了對較強背景噪聲下滾動軸承運轉狀態進行監測,以發現並判斷滾動軸承故障,避免機械設備出現較為嚴重故障的目的。
【專利說明】一種基於特徵參量的滾動軸承故障灰色關聯度辨識方法
【技術領域】
[0001] 本發明屬於滾動軸承故障診斷【技術領域】,特別涉及了一種基於LMD和SVD特徵參 量的滾動軸承故障灰色關聯度辨識方法。
【背景技術】
[0002] 現代化工業生產越來越大型化、自動化、複雜化,特別是石化、冶金、採礦等工業部 門,設備投資大且需要連續生產作業,機械設備故障停機可能造成重大經濟損失,甚至危及 設備操作人員的人身安全。滾動軸承作為旋轉機械設備中重要的零部件,也是機械設備的 重要故障源之一。因此,研究滾動軸承的狀態監測與故障診斷技術方法對於提高機械設備 的運行效率及維修效能,避免人員財產損失具有重要的現實意義。
[0003]目前,各種振動信號處理方法在機械故障診斷中的應用,在很大程度上促進了故 障診斷技術的發展。滾動軸承故障診斷方法多種多樣如:時域特徵參數法、倒頻譜法、包絡 譜法、小波變換、Wigner-Ville分布、EMD分解等方法。但這些方法都有各自的局限性,時域 特徵參數法中不同的指標只對特定的軸承缺陷判別較為有效,頻域中的倒頻譜法和包絡譜 法難於發現辨識強噪聲背景等複雜狀況下的軸承缺陷頻率。小波變換需要憑經驗等方法選 擇小波基函數,自適應性較差。經驗模態分解(EMD)方法是近些年提出並迅速發展起來的 一種信號時頻分析方法,適合於處理非平穩、非線性信號,具有很強的的自適應性,但是EMD 分解方法也存在著端點效應、模態混疊、迭代循環次數多等缺點。
【發明內容】
[0004] 本發明的主要目的在於提供一種基於特徵參量的滾動軸承故障灰色關聯度辨識 方法,利用該方法達到了對較強背景噪聲下滾動軸承運轉狀態進行監測,以發現並判斷滾 動軸承故障,避免機械設備出現較為嚴重故障的目的。
[0005] 本發明提供一種基於特徵參量的滾動軸承故障灰色關聯度辨識方法,包括:
[0006] 滾動軸承振動信號獲取及形成重構信號的步驟;
[0007] 從所述重構信號中提取特徵參量的步驟;
[0008] 利用灰色理論關聯度分析所述特徵參量並輸出分析結果的步驟。
[0009] 進一步的,所述振動信號包括有滾動軸承正常運轉信號、內圈缺陷故障信號、外圈 缺陷故障信號及滾動體缺陷故障信號。
[0010] 進一步的,所述滾動軸承振動信號獲取及形成重構信號的步驟包括:
[0011] 採集振動信號的步驟;
[0012] 對所述振動信號進行Hilbert變換並形成所述幅值信號及相位信號的步驟;
[0013] 利用SVD奇異值分解方法分別對所述幅值信號及所述相位信號進行降噪處理並 形成降噪後幅值信號及降噪後相位信號的步驟;
[0014] 結合所述降噪後幅值信號及所述降噪後相位信號形成重構信號的步驟。
[0015] 進一步的,對所述利用SVD奇異值分解方法分別對所述幅值信號及所述相位信號 進行降噪處理並形成降噪後幅值信號及降噪後相位信號的步驟進行確定降噪階次的輔助 步驟。
[0016] 進一步的,所述結合所述降噪後幅值信號及所述降噪後相位信號形成重構信號的 步驟的重構信號公式為:
[0017] xc(0-
[0018] 其中A。⑴和分別為降噪後的幅值和相位信號,xe(t)為重構信號。
[0019] 進一步的,所述從所述重構信號中提取特徵參量的步驟包括:
[0020] 利用局部均值分解方法對所述重構信號進行分解獲得包絡純調頻PF分量的步 驟;
[0021] 將所述包絡純調頻PF分量組成PF矩陣的步驟;
[0022] 利用SVD奇異值分解所述PF矩陣提取特徵奇異值的步驟;
[0023] 利用統計理論處理特徵奇異值獲得特徵參量的步驟。
[0024] 進一步的,所述包絡純調頻PF分量為前5個固有包絡純調頻分量。
[0025] 進一步的,所述特徵參量包括有奇異值的最大值、奇異值均值、奇異值脈衝因子、 奇異熵及奇異值標準差。
[0026] 進一步的,所述利用灰色理論關聯度分析所述特徵參量並輸出分析結果的步驟中 故障辨別的方法為灰色關聯度分析法。
[0027] 進一步的,所述灰色關聯度分析法的公式如下:
【權利要求】
1. 一種基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在於,包括: 滾動軸承振動信號獲取及形成重構信號的步驟; 從所述重構信號中提取特徵參量的步驟; 利用灰色理論關聯度分析所述特徵參量並輸出分析結果的步驟。
2. 如權利要求1所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,所述振動信號包括有滾動軸承正常運轉信號、內圈缺陷故障信號、外圈缺陷故障信號及 滾動體缺陷故障信號。
3. 如權利要求1所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,所述滾動軸承振動信號獲取及形成重構信號的步驟包括: 採集振動信號的步驟; 對所述振動信號進行Hilbert變換並形成所述幅值信號及相位信號的步驟; 利用SVD奇異值分解方法分別對所述幅值信號及所述相位信號進行降噪處理並形成 降噪後幅值信號及降噪後相位信號的步驟; 結合所述降噪後幅值信號及所述降噪後相位信號形成重構信號的步驟。
4. 如權利要求3所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,對所述利用SVD奇異值分解方法分別對所述幅值信號及所述相位信號進行降噪處理並 形成降噪後幅值信號及降噪後相位信號的步驟進行確定降噪階次的輔助步驟。
5. 如權利要求3所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,所述結合所述降噪後幅值信號及所述降噪後相位信號形成重構信號的步驟的重構信號 公式為: Xc(I) - Ac{t)g:〇^((pcit)} 其中AJt)和分別為降噪後的幅值和相位信號,Xc;(t)為重構信號。
6. 如權利要求1所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,所述從所述重構信號中提取特徵參量的步驟包括: 利用局部均值分解方法對所述重構信號進行分解獲得包絡純調頻PF分量的步驟; 將所述包絡純調頻PF分量組成PF矩陣的步驟; 利用SVD奇異值分解所述PF矩陣提取特徵奇異值的步驟; 利用統計理論處理特徵奇異值獲得特徵參量的步驟。
7. 如權利要求6所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,所述包絡純調頻PF分量為前5個固有包絡純調頻分量。
8. 如權利要求6所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,所述特徵參量包括有奇異值的最大值、奇異值均值、奇異值脈衝因子、奇異熵及奇異值 標準差。
9. 如權利要求1所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵在 於,所述利用灰色理論關聯度分析所述特徵參量並輸出分析結果的步驟中故障辨別的方法 為灰色關聯度分析法。
10. 如權利要求9所述的基於特徵參量的滾動軸承故障灰色關聯度辨識方法,其特徵 在於,所述灰色關聯度分析法的公式如下:
其中xQ(t)為參考時間序列,Xi(t)為比較時間序列,。"k)為比較時間序列?⑴對 參考時間序列Xi (t)在k時刻的關聯繫數,p e [0,1]為分辨係數通常取0.5。按下式計 算比較時間序列Xi (t)對參考時間序列Xtl (t)的關聯度:
【文檔編號】G01M13/04GK104330258SQ201410572388
【公開日】2015年2月4日 申請日期:2014年10月23日 優先權日:2014年10月23日
【發明者】程剛, 宋耀文, 陳曦暉, 胡曉, 山顯雷, 劉後廣 申請人:徐州隆安光電科技有限公司