一种滚动轴承故障识别与趋势预测方法技术

技术编号:14412309 阅读:176 留言:0更新日期:2017-01-12 00:17
本发明专利技术公开了一种滚动轴承故障识别与趋势预测方法,属于旋转机械故障诊断领域。该方法主要包括5个步骤:获取轴承在正常及故障状态下的振动信号,作为原始信号;运用EMD将原始信号分解为有限个IMF分量;根据相关分析选择典型的IMF分量,并将这些分量进行求和,得到重组信号;运用FK算法对重组信号进行处理,自动获取用于包络分析的最佳中心频率和带宽,提取故障特征频率,从而实现故障类型识别;选择与原始信号相关系数最大的IMF分量的能量百分比作为故障程度评估指标。该方法简单有效,可大大提高信噪比,有助于准确识别故障类型,故障程度评估指标选取合理,可有效反映故障发展趋势,对轴承状态监测和故障评估有很大的实用价值。

【技术实现步骤摘要】

本专利技术属于旋转机械故障诊断领域,具体涉及一种基于典型IMF分量选择和快速峭度图的滚动轴承故障诊断方法。
技术介绍
滚动轴承是旋转机械设备的关键零部件,同时也是设备最常见的故障来源之一,其运行状态直接影响到整台机器的安全性和可靠性。因此,实时掌握轴承运行的工作状态,了解故障的形成和发展是机械故障诊断领域最重要的课题之一。目前,滚动轴承状态监测和诊断最常用的方法是基于振动信号的分析处理,但是由于早期故障特征很微弱,信噪比低,有用的特征信号往往被淹没在背景噪声中。因此,消除噪声干扰,提高信噪比是轴承故障诊断的关键。高阶谱(HOS)技术对高斯有色噪声具有很好的抑制能力,同时又能保持非线性系统的相位信息,因而对轴承早期故障具有较好的诊断能力。快速峭度图(FK)算法属于HOS技术的一种,它可自动为包络谱分析提供最佳中心频率和带宽。FK算法借鉴了二小波分解算法,先将原始信号经过FIR滤波器分解为若干个频段,然后计算各个频段的峭度值,自动选择峭度值最大的频段所对应的中心频率和带宽作为最佳中心频率和带宽,最后进行包络分析,从而实现滚动轴承故障识别。经验模式分解(EMD)可以将复杂信号分解为有限个本征模态函数(IMF),IMF分量反映了原始信号的局部特征信息。利用互相关系数筛选包含主要故障信息的IMF分量,剔除无关的或冗余的分量,实现降噪、抑制正常信息、突出故障信息的效果,从而使诊断结果更准确。
技术实现思路
针对故障轴承振动信号的非平稳及非高斯特性,本专利技术公开了一种基于典型IMF分量选择和快速峭度图的滚动轴承早期微弱故障诊断方法。本专利技术包括以下步骤:步骤一、获取滚动轴承振动加速度信号,作为原始信号;步骤二、运用EMD将原始信号分解为有限个IMF分量;具体进行如下处理:步骤2.1:确定原始信号x(t)所有的局部极值点,然后用三次样条分别连接所有的局部极大值点和局部极小值点形成上包络线、下包络线;步骤2.2:上包络线、下包络线的均值记为m1(t),x(t)和m1(t)的差值记为h1(t),即x(t)-m1(t)=h1(t)理想地,如果h1(t)是一个IMF,那么其就是x(t)的第一个分量。步骤2.3:如果h1(t)不是一个IMF,把h1(t)当作新的原始信号,重复步骤2.1~步骤2.2k次,直到h1k(t)满足IMF的两个条件,同时有如下公式h1(k-1)(t)-m1k(t)=h1k(t)设h1k(t)为第一个IMF分量c1(t),即c1(t)=h1k(t)步骤2.4:x(t)与c1(t)的差值记为第一个残差,即r1(t)=x(t)-c1(t)步骤2.5:把c1(t)当作原始信号,重复步骤2.1~步骤2.4n次,直到满足终止条件:当rn(t)是一个单调函数或常数,然后获得其它IMF分量,即...
一种<a href="http://www.xjishu.com/zhuanli/52/201610600022.html" title="一种滚动轴承故障识别与趋势预测方法原文来自X技术">滚动轴承故障识别与趋势预测方法</a>

【技术保护点】
一种滚动轴承故障识别与趋势预测方法,其特征在于:该方法为一种基于典型IMF分量选择和快速峭度图的滚动轴承早期微弱故障诊断方法;该方法包括以下步骤:步骤一、获取滚动轴承振动加速度信号,作为原始信号;步骤二、运用EMD将原始信号分解为有限个IMF分量;步骤三、根据相关分析选择典型的IMF分量,并将这些分量进行求和,得到重组信号;步骤四、运用FK算法对重组信号进行处理,提取故障特征频率,从而实现故障类型识别;步骤五、选择与原始信号相关系数最大的IMF分量的能量百分比作为故障程度评估指标;不同状态下测得的振动信号的IMF能量百分比不同,IMF能量百分比可以用来反映轴承的不同运行状态。

【技术特征摘要】
1.一种滚动轴承故障识别与趋势预测方法,其特征在于:该方法为一种基于典型IMF分量选择和快速峭度图的滚动轴承早期微弱故障诊断方法;该方法包括以下步骤:步骤一、获取滚动轴承振动加速度信号,作为原始信号;步骤二、运用EMD将原始信号分解为有限个IMF分量;步骤三、根据相关分析选择典型的IMF分量,并将这些分量进行求和,得到重组信号;步骤四、运用FK算法对重组信号进行处理,提取故障特征频率,从而实现故障类型识别;步骤五、选择与原始信号相关系数最大的IMF分量的能量百分比作为故障程度评估指标;不同状态下测得的振动信号的IMF能量百分比不同,IMF能量百分比可以用来反映轴承的不同运行状态。2.根据权利要求1所述的一种滚动轴承故障识别与趋势预测方法,其特征在于:步骤二、运用EMD将原始信号分解为有限个IMF分量;具体进行如下处理,步骤2.1:确定原始信号x(t)所有的局部极值点,然后用三次样条分别连接所有的局部极...

【专利技术属性】
技术研发人员:付胜程磊郑浩薛殿威周忠臣
申请(专利权)人:北京工业大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1