一種滾動軸承振動信號故障特徵提取方法與流程
2023-05-23 02:04:06 2
本發明屬於城市軌道列車滾動軸承故障監測與安全預警技術領域，特別是一種滾動軸承振動信號故障特徵提取方法。
背景技術：
我國城市軌道交通行業目前正處於高速發展的階段，已經批准了四十多個城市的建設規劃，總裡程已經達到8000多公裡，其中已通車裡程與在建裡程大概各佔一半，年度投資總額達到3000億元左右。預計到2020年左右，我國將形成更為完善的城市軌道交通網，實現城際客運線、城市輕軌線、城市地鐵線和鐵路客運線之間的有機銜接，更方便旅客換乘，為廣大群眾更好地服務。
城軌列車是一個由機電一體化構成的複雜的動態系統，系統內部的各設備或部件間耦合關係強，有些關鍵部件的使用頻次高，一旦一個關鍵部件出現故障將導致其他設備的工作異常，進而將直接對列車的安全運行產生影響。滾動軸承作為這樣一個關鍵部件，在所有類型的旋轉機械中都發揮著至關重要的作用。當城軌列車在高速運行時，接觸應力反覆作用於軸承表面，將造成軸承剝蝕和壓痕等損傷，進而造成軸承斷裂和燒損等故障，嚴重的將導致城軌列車走行系失效，危害列車的安全運行。
目前城軌列車主要採用離線檢測方法和定期檢測方法對列車運行狀態進行監測，傳統的城軌列車檢測方法無法及時了解城軌列車滾動軸承的運行狀態，也無法提前預知滾動軸承的故障，嚴重阻礙了城軌交通行業的發展。
技術實現要素：
本發明的目的在於提供一種方法簡單、實時性好的滾動軸承動信號故障特徵提取方法，通過列車軸箱振動加速度信號，利用奇異譜分析去噪，估算線性自回歸模型係數，實現滾動軸承實時監測。
實現本發明目的的技術解決方案是：一種滾動軸承振動信號故障特徵提取方法，基於奇異譜ssa和線性自回歸模型ar，包括以下步驟：
步驟1，實時採集運行車輛的時域振動加速度信號，對採集到的振動加速度信號進行分段處理；
步驟2，對步驟1每段振動加速度信號應用奇異譜分析進行噪聲去除；
步驟3，對步驟2去噪後的振動加速度信號進行平穩性測試，如果未通過平穩性測試，則需要進行差分處理，直至振動加速度信號通過平穩性測試；
步驟4，利用線性自回歸模型進行建模，並確定模型階次以及模型係數，根據該模型係數確定故障特徵。
本發明與現有技術相比，其顯著優點是：(1)涉及到的硬體設備主要包含振動傳感器和主機，實現成本低；(2)將非平穩信號進行一次差分實現信號的平穩性；(3)計算結果精度較高，方法適用性強。
附圖說明
圖1為本發明滾動軸承振動信號故障特徵提取方法的流程圖。
圖2為本發明滾動軸承分段後某一段原始信號圖。
圖3為本發明原始信號不同窗口長度的奇異譜圖。
圖4為本發明原始信號和通過ssa分解後的前三個分量圖。
圖5為本發明原始信號和後信號對比圖。。
圖6為本發明經過ssa去噪後信號經過一次差分後的信號圖。
圖7為本發明的自回歸模型階數為69的bic值隨階數變化圖。
圖8為本發明的ar(69)的最小二乘估計方法的自回歸模型係數。
具體實施方式
下面結合附圖對本發明作進一步的詳細說明。
結合圖1，本發明基於奇異譜和線性自回歸模型的滾動軸承振動信號故障特診提取方法，首先採集運行車輛的時域振動加速度信號；其次對採集到的振動加速度信號進行分段處理，對每段振動加速度信號應用奇異譜分析進行噪聲去除；而後對去噪後的振動加速度信號進行平穩性測試，如果未通過平穩性測試，則需要進行差分處理，直至振動加速度信號通過平穩性測試；最後利用自回歸模型進行建模，並確定其模型階次，估計模型係數，根據該係數確定故障特徵。
本發明滾動軸承振動信號故障特徵提取方法，基於奇異譜ssa和線性自回歸模型ar，包括以下步驟：
步驟1，實時採集運行車輛的時域振動加速度信號，對採集到的振動加速度信號進行分段處理；
所述車輛的時域振動加速度信號按照時間序列記為x＝{x1(t),...,xn(t)}，t＝1,2…,n，xn(t)表示每一分段信號，n表示分段長度。
步驟2，對步驟1每段振動加速度信號應用奇異譜分析進行噪聲去除；
所述的應用奇異譜分析進行噪聲去除，具體步驟為：
(2.1)設振動信號按照時間序列表示為x＝{x1,...,xn}，選擇窗口長度為l，並且l滿足將振動信號x映射為長度為l的延遲向量，xi＝{xi,...,xi+l-1}，其中1<i<k，k為延遲向量數，且k＝n-l+1；
(2.2)通過將xi按行排列構造軌跡矩陣tx，tx維度為l×k，軌跡矩陣tx為：
(2.3)將軌跡矩陣tx通過奇異值分解並得到分解之後的軌跡矩陣ti，其中i＝1,…,l；tx＝udv′，u為正交矩陣，d為對角矩陣，v′為對角正交矩陣，tx具有l個奇異值並且滿足下麵條件：tx的第i個本徵ti表示為：i＝1，2，…，d，λi為奇異值，ui為k×l維的正交矩陣，vi是l×l維對角正交矩陣；
(2.4)將l×k維的ti根據趨勢、周期性信號和白噪聲進行分組，將索引{1，…，d}劃分為m個不相交的子集合i＝{i1，…im}，即tx表示為
(2.5)令hankel函數的h算子表示為矩陣相應對角線值的平均，i＝1，…，m，使用h算子對矩陣進行變換，即i＝1,...,m，初始時間序列x由下式來重構：
步驟3，對步驟2去噪後的振動加速度信號進行平穩性測試，如果未通過平穩性測試，則需要進行差分處理，直至振動加速度信號通過平穩性測試；
對去噪後的振動加速度信號利用kpss檢驗法進行平穩性測試，檢驗後，對非穩定信號應用一次差分法使之穩定。
步驟4，利用線性自回歸模型進行建模，並確定模型階次以及模型係數，根據該模型係數確定故障特徵。
對平穩性測試通過後的振動加速度信號進行自回歸模型定階，採用bic準則進行最優模型階次確定，bic準則用下式定義：
bic(n)＝in(σ2)+n×in(n)/n
其中，σ2是殘差的方差，n是模型的階數，n是數據點的個數；
根據該準則，選擇對應於bic最小值的模型階數作為最優階數；
ar(n)模型即線性自回歸模型，係數估計應按最小二乘法計算出下式中ai和ε(m)這p+1個參數
計算出ai即得出ε(m)，所以係數確定指的是計算ai這p個參數，其中xr是前p個線性相關值來預測時間為m時刻的值，ai為模型係數，ε(m)為殘差項，p為線性自回歸模型係數，n是數據點的個數；
將時間序列{xr}直接代入xr(m)＝xr(m)-xr(m-1)m＝2,3,...,n中，得以下的線程方程組：
xr(p+1)＝a1·xr(p)+…+ap·xr(1)+ε(p+1)
xr(p+2)＝a1·xr(p+1)+…+ap·xr(2)+ε(p+2)
…
xr(n)＝a1·xr(n-1)+…+ap·xr(n-p)+ε(n)
根據多元線性理論，參數矩陣a的最小二乘估計為：
式中，yn＝[xp+1xp+2…xn]t、
其中，xr(m)是通過前p個線性相關的值來預測時間為m時刻的值；p為線性自回歸模型的階數；ai為模型的係數，i＝1,2,...,p，ε(m)為殘差項，yn為p項輸出，為係數，xn為p項輸入。
實施例1
本實施例採用的是某大學滾動軸承實驗臺的振動數據，電機轉速為1797rpm，信號的採樣頻率為12khz。將原始數據以長度為2048進行分段，其中圖2為某一段滾動軸承的振動數據。
在進行奇異譜去噪之前，首先需要確定其窗口長度l的大小。根據式可以計算出窗口長度l的下限。根據滾動軸承故障頻率計算公式可以得到各故障頻率，見表1。
表1滾軸軸承故障頻率
根據上表可知，f應取103.4hz，窗口長度l應滿足下式：
所以此處窗口長度l取120，其對應的奇異譜如圖3所示。
結合圖4顯示了原始子信號以及通過奇異譜分解獲得的前三個分量。很明顯，前三個分量都很好表明了原始信號的趨勢。
根據參數選擇準則，單個特徵值應大於0.5398，第20個奇異值是滿足條件編號最大的值，且前20個奇異值的和與所有奇異值的比為91.32％，因此選取前20個分量重構信號，通過排除低貢獻分量來去除無結構噪聲。
通過奇異譜去噪之後的效果如圖5所示，其中藍色和紅色線分別指原始信號和去除噪聲之後的信號，由於去除了無結構的噪聲，信號變得更平滑了。
原始信號在經過去噪和一次差分後，通過kpss測試，滿足平穩性要求。將去噪信號經過一次差分之後，如圖6所示。
結合圖7，從其bic值隨線性自回歸模型階數的變化看，可以看到當階數為69時，bic值最小，即線性自回歸模型最優模型階數為69。
下面利用最小二乘法計算線性自回歸模型的係數，得到係數的曲線圖如圖8所示。此時線性自回歸模型的係數即作為此信號的特徵向量，用於接下來的故障模式識別。