法律状态公告日
法律状态信息
法律状态
2023-09-29
实质审查的生效 IPC(主分类):G01M13/04 专利申请号:2022106262182 申请日:20220602
实质审查的生效
技术领域
本发明属于机电设备的状态监测与故障诊断技术领域,尤其涉及一种基于AVMD和MSB的滚动轴承故障诊断方法。
背景技术
滚动轴承作为旋转机械中的关键部件之一,被广泛地应用于工业领域中的各种机械设备。由于复杂、恶劣的服役环境,导致滚动轴承容易出现各种失效故障,现有技术往往是通过停机拆卸来检查滚动轴承故障类型,不仅对工作人员来说耗时费力,甚至会造成重大的经济损失。
随着信号处理技术的不断完善,对机械运转时的数据采集也能达到较高的采样频率以及获得较多的采样点,为机械设备在线监测和故障诊断提供了技术支持。然而,现有故障诊断方法均假定振动信号是平稳的,在处理非平稳信号时会受到某些干扰频率的影响。
发明内容
本发明目的在于提供一种基于AVMD和MSB的滚动轴承故障诊断方法,以解决现有故障诊断方法均假定振动信号是平稳的,在处理非平稳信号时会受到某些干扰频率的影响的技术问题。
为实现上述目的,本发明的一种基于AVMD和MSB的滚动轴承故障诊断方法的具体技术方案如下:
一种基于AVMD和MSB的滚动轴承故障诊断方法,其具体实施方式包括以下步骤:
S1:通过加速度传感器采集被检测的滚动轴承振动信号数据;
S2:对上述振动信号先对其进行去除线性趋势预处理,再应用AVMD将振动信号自适应地分解为一系列IMFs;
其中,步骤S2进一步包括:
S21:初始化GWO算法各项参数,设置灰狼种群数量为10,最大迭代次数为10,参数K和α的范围分别为[2,10]和[100,5000],随机产生个体灰狼的位置;
S22:个体灰狼位置对应参数[K,α]的不同组合,作为VMD的输入得到一系列IMFs;然后计算IMFs的平均包络熵(MEE),并根据上述计算结果更新灰狼α、β和δ的位置;
S23:计算参数a、A和C,并更新每个灰狼的位置;
S24:返回步骤S22进行循环迭代,直到达到最大迭代次数,输出最优参数组合[K,α];
S25:基于最优参数组合[K,α],利用AVMD将滚动轴承振动信号分解为一系列IMFs;
S3:根据式(1)计算每个IMFs的相关峭度(CK),并通过式(2)对所有IMFs进行加权重构,获得重构信号;
式(1)中,T
式(2)中,
S4:将MSB应用于重构信号以进一步抑制重构信号中的残余噪声和解调耦合频率;
S5:选择几个次优MSB切片,使用公式(3),构建最优MSB检测器:
式(3)中,N为所选f
S6:利用最优MSB检测器提取滚动轴承故障特征频率。
进一步,所述步骤S4具体包括以下内容:
S41:对离散时间信号x(t)进行相应的离散傅里叶变换X(f)后的MSB可表示为:
B
式(4)中,B
S42:对f
式(5)中,B
S43:计算f
式(6)中,Δf为f
本发明的一种基于AVMD和MSB的滚动轴承故障诊断方法具有以下优点:属于非平稳信号稳态化处理方法的AVMD和MSB方法有着极强的故障特征提取能力,将其应用在滚动轴承振动信号数据上,直接实现滚动轴承的故障诊断,具有重大的意义。
与现有技术相比,本发明基于AVMD和MSB方法,利用在滚动轴承试验台上实时采集的振动信号数据进行滚动轴承故障类型的诊断,所提出的滚动轴承故障诊断方法能够有效抑制振动信号中的随机噪声,增强周期性故障脉冲,实现在不需要停机拆卸设备的情况下,检测故障类型,确定故障位置,提高故障诊断的效率,大大节省时间和经济成本。
附图说明
图1为本发明的基于AVMD和MSB的滚动轴承故障诊断方法的AVMD和MSB流程图。
图2为实施例1的滚动轴承内圈故障振动信号的时域波形图。
图3为实施例1的滚动轴承内圈故障振动信号的频域图。
图4为实施例1的滚动轴承内圈故障振动信号的IMF分量的相关峭度。
图5为实施例1的滚动轴承内圈故障振动信号采用本发明AVMD和MSB故障诊断方法所得的频域图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种基于AVMD和MSB的滚动轴承故障诊断方法做进一步详细的描述。
如图1所示,本发明为了从具有非线性和非平稳特征的滚动轴承振动信号中准确地提取故障特征信息,提出了一种基于自适应变分模态分解和调制信号双谱分析(AVMD-MSB)的故障诊断方法。AVMD算法可以自适应地选择VMD参数K和α,减少了基于经验或信号先验知识对VMD参数选择所引起的误差。同时,依据相关峭度指数对所有IMFs分量进行加权重构,避免意外遗漏包含重要故障信息的IMF分量。此外,MSB能够抑制信号中的残余噪声和干扰分量,增强周期性故障脉冲,从而准确地提取轴承故障特征。
参见图1,本实施例公开了一种基于AVMD和MSB的滚动轴承故障诊断方法,其具体实施方式包括以下步骤:
S1:通过加速度传感器采集被检测的滚动轴承振动信号数据;
S2:对上述振动信号先对其进行去除线性趋势预处理,再应用AVMD将振动信号自适应地分解为一系列IMFs;
其中,步骤S2进一步包括:
S21:初始化GWO算法各项参数,设置灰狼种群数量为10,最大迭代次数为10,参数K和α的范围分别为[2,10]和[100,5000],随机产生个体灰狼的位置;
S22:个体灰狼位置对应参数[K,α]的不同组合,作为VMD的输入得到一系列IMFs;然后计算IMFs的平均包络熵(MEE),并根据上述计算结果更新灰狼α、β和δ的位置;
S23:计算参数a、A和C,并更新每个灰狼的位置;
S24:返回步骤S22进行循环迭代,直到达到最大迭代次数,输出最优参数组合[K,α];
S25:基于最优参数组合[K,α],利用AVMD将滚动轴承振动信号分解为一系列IMFs;
S3:根据式(1)计算每个IMFs的相关峭度(CK),并通过式(2)对所有IMFs进行加权重构,获得重构信号;
式(1)中,T
式(2)中,
S4:将MSB应用于重构信号以进一步抑制重构信号中的残余噪声和解调耦合频率;
其中,所述步骤S4具体包括以下内容:
S41:对离散时间信号x(t)进行相应的离散傅里叶变换X(f)后的MSB可表示为:
B
式(4)中,B
S42:对f
式(5)中,B
S43:计算f
式(6)中,Δf为f
S5:选择几个次优MSB切片,使用公式(3),构建最优MSB检测器:
式(3)中,N为所选f
S6:利用最优MSB检测器提取滚动轴承故障特征频率。
实施例1:
下面结合具体实施例对本发明进行详细说明。本实施例提供基于AVMD和MSB的滚动轴承故障诊断方法:
第一步:通过加速度传感器采集具有内圈故障缺陷的支撑滚动轴承(型号:N406)振动信号,其缺陷深度为0.1毫米,宽度为0.18毫米,信号采样频率为96kHz,持续时间为10秒。振动信号的时域波形及其频谱分别如图2、图3所示,可以看出故障特征频率被大量的背景噪声和干扰谐波所淹没。
第二步:采用AVMD将信号自适应地分解为5个IMFs,其中K和α的全局最优参数为[5,900];计算IMFs的CK值,如图4所示;再对所有IMFs进行加权重构,得到重构信号。
第三步:重构信号由MSB进一步处理以增强信号中的故障脉冲并提取支撑轴承内圈故障特征频率,得到如图5所示的频谱图。通过真实实验数据证明本发明能够有效抑制振动信号中的随机噪声,增强周期性故障脉冲,实现在不需要停机拆卸设备的情况下,检测故障类型,确定故障位置,提高故障诊断的效率。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
机译: 基于EEMD和MSB的滚动轴承失效特征提取方法
机译: 基于GRCMSE和歧管学习的滚动轴承故障诊断方法
机译: 基于功率谱熵随机森林的航空发动机滚动轴承故障诊断方法