法律状态公告日
法律状态信息
法律状态
2019-05-03
授权
授权
2018-02-23
实质审查的生效 IPC(主分类):G01M13/00 申请日:20170831
实质审查的生效
2018-01-26
公开
公开
技术领域
本发明涉及机械设备状态监测方法,具体为一种低速运行旋转机械的早期故障识别方法。
背景技术
机械设备广泛应用于生活和生产中,对其进行状态监测可以及时发现机器的故障和预防设备恶性事故的发生,从而避免人员的伤亡和经济损失。运行在低速重载工况下的机械设备极易发生故障,因此识别低速旋转机械状态,对提高低速旋转机械工作可靠性具有重要的意义。同时,也是有效评估设备整体效能的迫切需要,对于延长设备使用寿命,保证其使用安全性具有重要的工程使用价值。
低速旋转机械故障特征具有故障频率低、故障冲击间隔长、冲击响应频率低等特点,使得低速旋转机械的故障特征提取存在较大困难,不能应用常规转速旋转机械的状态识别方法。目前常用的低速旋转机械状态识别方法主要有基于声发射的多类关联向量机的方法和基于经验模式分解的方法等。但是,这些方法都采用复杂的信号处理技术,处理速度慢,不能满足工程中实时监测的快速性需求,仍停留在研究层面。部分方法采用了声发射等非常规传感器,其成熟度和普及度不如振动传感器,且在强电磁干扰等场合并不适用。基于圆域统计特征方法对低速旋转机械的振动信号进行处理,识别低速旋转设备状态,是一种快速的技术途径,但是其中关键步骤PAA(PiecewiseAggregateApproximation,逐段聚集平均)降维窗长选取方法的缺失以及单一PAA降维方法的局限导致后续圆域统计指标无法计算或出现较大误差,不能有效识别机械设备状态。因此,以往方法难以满足低速旋转机械故障识别的需要。
发明内容
针对现有技术中存在的问题,本发明提供一种低速运行旋转机械的早期故障识别方法,该方法解决了PAA降维窗长选取的问题,显著减少圆域统计指标的计算错误,有效提高了机械设备状态识别的可靠性,使得该方法能有效应用于工程实际。
本发明是通过以下技术方案来实现:
一种低速运行旋转机械的早期故障识别方法,包括如下步骤,
步骤(1),获取低速旋转机械正常运行状态下的振动信号,进行小波分解并重构低频信号,进行FFT变换并绘制其频谱包络,识别频率峰值,获取临界频率,进而选取多个多维度PAA降维窗长;
步骤(2),使用多维度PAA对待识别振动信号依次降维处理,提取轴承状态特征,在圆域中表示后计算圆域统计特征值;
步骤(3),将获取的多组圆域统计特征值中的同种指标求取平均值,得到4个平均圆域统计特征值,实现低速旋转机械运行状态识别,从而判断早期故障是否发生。
优选的,步骤(1)选取多维度PAA降维窗长的具体步骤如下,
1)测量低速旋转机械正常运行状态下的振动信号;
2)对振动信号进行小波分解,并重构低频信号;
3)对重构后的振动信号进行FFT变换,绘制幅频图;
4)基于希尔伯特包络方法绘制幅频图的包络谱;
5)识别出包络谱中的幅值峰值,记录其对应的频率fi,并按由小到大顺序,组成峰值频率数组,记为f=(f1,f2,...,fj,...,fn);
6)峰值频率数组f中,相邻两峰值频率构成频率区间,进而组成频率区间数组F=((f1,f2),(f2,f3),...,(fj,fj+1),...(fn-1,fn));
7)遵循临界频率求取法则,遍历频率区间数组F中所有元素,依次求取临界频率λ临j,组成临界频率数组,记为λ临=(λ临1,λ临2,...,λ临j,...,λ临p):
8)根据得到的λ临计算多维度PAA降维的窗长,组成PAA窗长数组,记为w=(w1,w2,...,wj,...,wp),其中wj为λ临j对应的PAA窗长。
进一步,步骤(1)中,求取临界频率时遵循的临界频率求取法则如下:
a)1≤p≤n;其中,p为PAA降维窗长的数量;
b)λ临j∈(fi,fi+1),其中j∈{j|1≤j≤p,j∈N*},i∈{i|1≤i≤n-1,i∈N*};
c)(fs/(4·λ临j))∈N*,其中fs为信号采样频率;
d)若同一频率区间存在多个临界频率,取最大值记为λ临j;
e)若某频率区间无临界频率存在,则跳转至下一区间。
进一步,步骤8)中,计算PAA降维窗长数组的方法为,将λ临的所有元素依次代入下式:
优选的,步骤(2)PAA降维及圆域统计特征值计算的具体步骤如下,
首先,测量待识别状态的低速旋转机械振动信号x=(x1,x2,...,xi,...,xN),其中xi为i时刻的振动幅值;
其次,将振动信号x=(x1,x2,...,xN)进行PAA降维,得到由n个平均值yk组成的降维信号Y=(y1,y2,...,yk,...,yn);
然后,将降维信号Y平均分为m个子信号,对每个子信号分别绘制邻域相关点图,并识别状态特征;
最后,将状态特征在圆域表示,并且计算圆域统计特征值:圆域均值圆域方差V、圆域偏斜度s和圆域峭度k,记为
优选的,步骤(3)多组圆域统计特征的获取及其平均值计算的具体步骤如下,
首先,将步骤(1)获得的p个PAA降维窗长w1,w2,...,wp分别代入步骤(2)中,得到p组圆域统计特征值G1,G2,...,Gp;
然后,计算平均圆域统计特征值其中为平均圆域均值、为平均圆域方差、为平均圆域偏斜度和为平均圆域峭度。
进一步,步骤(3)中,计算平均圆域统计特征值的方法如下式:
优选的,步骤(3)中,通过低速旋转机械运行状态识别,早期故障是否发生的具体判断如下,
当状态特征在圆域表示后计算得到均值和方差为一恒定值,偏斜度和峭度都趋近于零时,低速旋转机械未发生故障;
当状态特征在圆域表示后,其均值和方差发生变化,偏斜度向±1靠近,峭度向1靠近,则状态特征出现异常值,低速旋转机械发生早期故障。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种低速运行旋转机械的早期故障识别方法,依据正常状态下低速旋转机械振动信号确定多维度PAA降维的窗长,之后通过测量待识别的低速旋转机械振动信号,基于多维度PAA降维的方法获取设备状态特征,基于圆域统计方法得到多组圆域统计特征值,最终基于加权平均方法计算平均圆域统计指标识别低速旋转机械状态。该方法可有效选取PAA降维窗长,提高圆域统计指标计算精度,增加机械设备状态识别的可靠性,且具有速度快和简单易行的特点,便于应用在工程实际中。实现了多维度PAA降维的窗长选取方法、多维度PAA降维方法、多圆域统计特征值获取方法和平均圆域统计特征计算方法的混合;解决了PAA降维窗长选取的问题,显著提高了圆域统计指标的计算精度,增加机械设备状态识别的可靠性,具有快速、易行、实时性强等特点,适用于现场实时识别低速旋转机械状态,有利于提高低速旋转机械工作可靠性和安全性,为低速运行旋转机械早期故障状态的识别提供了新思路和新方法,具有重要的工程实用价值。
附图说明
图1为本发明低速运行旋转机械的早期故障识别方法流程图。
图2为低速旋转机械正常运行状态下轴承座振动信号小波分解频谱。
图3为设备正常运行状态下信号小波分解频谱包络谱。
图4为本发明实例中所述的低速滚动轴承平均圆域的均值统计特征值图。
图5为本发明实例中所述的低速滚动轴承平均圆域的方差统计特征值图。
图6为本发明实例中所述的低速滚动轴承平均圆域的偏斜度统计特征值图。
图7为本发明实例中所述的低速滚动轴承平均圆域的峭度统计特征值图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参照图1所示,为本发明低速运行旋转机械的早期故障识别方法,其包括如下步骤,获取低速旋转机械正常运行状态下的振动信号,对其进行小波分解并重构低频信号,进行FFT并绘制其频谱包络线图,识别频率峰值,获取临界频率,进而计算多个PAA降维窗长;使用多个PAA窗长对待识别振动信号依次降维处理,提取轴承状态特征,通过圆域进行表示,计算圆域统计特征值,得到多组圆域统计特征值;将多组圆域统计特征值中的同类指标求取平均值,得到4个平均圆域统计特征值,实现低速旋转机械运行状态识别,从而判断早期故障是否发生。
本发明利用振动信号识别低速旋转机械运行状态按以下具体步骤实施:
(1)多维度PAA降维的窗长选取;
1)测量低速旋转机械正常运行状态下的振动信号;
2)对振动信号进行小波分解,将低频信号重构;
3)对重构后的振动信号进行FFT(FastFourierTransformation,快速傅里叶变换)变换,绘制幅频图;
4)基于希尔伯特包络方法绘制幅频图的包络谱;
5)识别出包络谱中的幅值峰值,记录其对应的频率fi,并按由小到大顺序,组成峰值频率数组,记为f=(f1,f2,...,fj,...,fn);
6)峰值频率数组f中,相邻两峰值频率构成频率区间,进而组成频率区间数组F=((f1,f2),(f2,f3),...,(fj,fj+1),...(fn-1,fn));
7)遵循以下临界频率求取法则,遍历频率区间数组F中所有元素,依次求取临界频率λ临j,组成临界频率数组,记为λ临=(λ临1,λ临2,...,λ临j,...,λ临p):
a)1≤p≤n;
b)λ临j∈(fi,fi+1),其中j∈{j|1≤j≤p,j∈N*},i∈{i|1≤i≤n-1,i∈N*};
c)(fs/(4·λ临j))∈N*,其中fs为信号采样频率;
d)若同一频率区间存在多个临界频率,取最大值记为λ临j;
e)若某频率区间无临界频率存在,则跳转至下一区间。
8)将λ临代入下式计算,得到多维度PAA降维的窗长,组成PAA窗长数组,记为w=(w1,w2,...,wj,...,wp),其中wj为λ临j对应的PAA窗长:
(2)PAA降维及圆域统计特征值计算;
首先,测量待识别状态的低速旋转机械振动信号x=(x1,x2,...,xi,...,xN),其中xi为i时刻的振动幅值;
其次,将振动信号x=(x1,x2,...,xN)进行PAA降维,得到由n个平均值yk组成的降维信号Y=(y1,y2,...,yk,...,yn);
然后,将降维信号Y平均分为m个子信号,对每个子信号分别绘制邻域相关点图,并识别状态特征;
最后,将状态特征在圆域表示,并且计算圆域统计特征值:圆域均值圆域方差V、圆域偏斜度s和圆域峭度k,记为
(3)多圆域统计特征的获取及其平均值计算
首先,将步骤(1)获得的p个PAA降维窗长w1,w2,...,wp分别代入步骤(2),得到p组圆域统计特征值G1,G2,...,Gp;
然后,计算平均圆域统计特征值其中为平均圆域均值、为平均圆域方差、为平均圆域偏斜度和为平均圆域峭度,如下式:
低速旋转机械未发生故障时,步骤(2)通过邻域相关点图识别出机械状态正常,此时,状态特征在圆域表示后计算得到均值和方差为一恒定值,偏斜度和峭度都趋近于零。当早期故障发生,状态特征出现异常值,在圆域表示后,其均值和方差发生变化,偏斜度向±1靠近,峭度向1靠近。因此,通过圆域4个指标的平均值可以对低速旋转机械状态进行识别。
以下给出一个具体应用实例过程,同时验证了本发明在工程应用中的有效性。
本实验在SQ实验台开展,轴承选用实验台配套轴承,型号为ER16K,共有正常、外圈点蚀故障、内圈点蚀故障、滚动体点蚀故障、复合点蚀故障5类轴承。在远离电机端轴承座沿径向安装奇石乐加速度传感器,并使用CoCo80手持式数据记录仪进行采集记录。分别测量轴承座在安装5类轴承时,转轴转速为1Hz工况下的振动信号。
利用本发明所述方法,首先,采集正常运行的低速滚动轴承振动信号,进行小波分解和重构低频信号,并进行FFT,如图2所示,低速旋转机械正常运行状态下轴承座振动信号小波分解频谱中,频率谱线较为混乱,不易识别频率峰值。
再获取频谱的包络谱,如图3所示,图中显示有三个频率峰值λ1=0Hz,λ2=82.68Hz,λ3=184Hz,构成两个频率峰值区间(0Hz,82.68Hz),(82.68Hz,184Hz)。依据步骤一中4个法则,得到2个临界频率λ临1=80Hz,λ临2=160Hz,进而可计算得到PAA降维窗长w1=80,w2=40;其次,获取待识别运行状态的轴承振动信号,即5类轴承对应的5组振动信号,使用PAA降维方法进行数据缩减,其中PAA降维窗长取w1=80;然后,将每组数据平分为10份分别进行基于邻域相关性的状态表征,并分别在圆域表示,并计算圆域统计特征值;之后,取PAA降维窗长w2=40,重复上述步骤,计算圆域统计特征值;最后将两组圆域统计特征值中同种指标求取平均值,得到4个平均圆域统计特征值。
重复实验10次,依据上述方法对每次测得振动信号进行处理,计算4个平均圆域统计特征值,如表1至表5。将计算得到的指标图形化表示,对于每个平均圆域统计特征值图,将同类型轴承的10个值折线连接,将正常轴承表示在图中左侧,其余4种故障轴承表示在图中右侧,如图4-7所示。图4-图7共4个平均圆域统计特征值,每个平均圆域统计特征值图横坐标为指标序号,正常轴承横坐标为1-10,故障轴承横坐标为11-20;纵坐标为相应指标值的大小;其中:代表正常轴承;代表外圈故障轴承代表内圈故障轴承;代表滚珠故障轴承;代表复合故障轴承。可以发现,正常轴承的平均值稳定在-2.34,方差稳定在1,偏斜度和峭度值稳定在0附近;而4种故障轴承的4个平均圆域统计特征值均发生波动。因此,平均圆域统计特征值可识别出低速滚动轴承的正常和故障状态,验证了本发明在识别低速滚动轴承状态方面的有效性。
表1正常状态轴承圆域统计特征值及平均圆域统计特征值
表2外圈故障状态轴承圆域统计特征值及平均圆域统计特征值
表3内圈故障状态轴承圆域统计特征值及平均圆域统计特征值
表4滚动体故障状态轴承圆域统计特征值及平均圆域统计特征值
表5复合故障状态轴承圆域统计特征值及平均圆域统计特征值
机译: 用于识别故障和定位故障的故障识别方法在带有生产控制的倾析/抽取/生产酸奶罐单元中运行
机译: 早期检测旋转机械故障状态的方法
机译: 具有早期故障诊断装置的旋转机械