技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于局部能量密度的中介轴承故障特征提取与表征方法  >  正文

基于局部能量密度的中介轴承故障特征提取与表征方法

  • 国知局
  • 2024-07-31 22:49:27

本发明涉及轴承故障诊断,尤其涉及一种基于局部能量密度的中介轴承故障特征提取与表征方法。

背景技术:

1、滚动轴承是广泛应用于各种机械设备中的重要机械元件,轴承是否存在故障直接影响着整个机械设备的寿命和性能。目前主要的诊断方法主要通过识别设备振动信号中与轴承故障有关的冲击成分实现。然而由于航空发动机中介轴承安装位置特殊,其振动信号只能从机匣外侧采集。采集到的振动信号在经过长距离传播后严重衰减;此外由于航空发动机中存在着大量的回转结构,因此采集到的信号中混入了大量的背景噪声,这使得从航空发动机机匣外部采集的信号中难以提取和识别出轴承故障特征信息。因此需要对轴承的故障特征信息进行提取。

2、常用的故障特征提取方法,例如经验模态分解(empirical mode decomposition,emd)、小波包分解(wavelet packet decomposition,wpd)、经验小波变换(empircalwavelet transform,ewt)、变分模态分解(variational mode decomposition,vmd)等方法将信号分解为一系列子频带,但小波包分解的小波包基和分解层数无法自适应确定。经验模态分解会产生端点效应、模态混叠现象,对复杂路径下中介轴承故障信号特征提取效果不佳;并且关于对信号分解方法后节点分量的筛选原则方面,国内外学者主要针对判别信号中冲击成分含量判断信号中轴承故障特征含量,鲜有基于信号中与轴承故障特征相关的冲击成分进行判别的筛选指标。因此,在信号的分解方法以及轴承故障特征提取指标的选择方面还存在很多的不足,亟需一种更全面的中介轴承故障特征提取方案。

技术实现思路

1、本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于局部能量密度的中介轴承故障特征提取与表征方法,能够有效的识别信号分量中与轴承故障相关的信号特征含量,改善了只按信号冲击成分进行筛选可能导致包含故障信息的分量被过滤、包含干扰信息的分量被重构的问题,实现轴承故障特征提取,更有效地提取故障频率。

2、为解决上述技术问题,本发明所采取的技术方案是:

3、一种基于局部能量密度的中介轴承故障特征提取与表征方法,包括如下步骤:

4、步骤1:采用加速度传感器采集滚动轴承的振动信号;

5、步骤2:采用奇异谱分析方法对故障轴承振动信号进行初步降噪得到预降噪信号;

6、步骤3:以局部能量密度(led)为适应度函数,通过人工蜂鸟算法(aha)对最大相关峭度解卷积方法(mckd)进行参数寻优,利用寻优得到的最优参数对预降噪信号进行重构得到重构信号;

7、步骤4:对重构信号进行hilbert包络解调分析,提取出故障特征对滚动轴承进行故障诊断。

8、进一步地,所述步骤2的具体方法为:

9、对轴承时域信号x=[x1,x2,…,xn],确定其窗口长度为l得到轨迹矩阵x,即:

10、

11、式中,l=n-k+1;

12、对轨迹矩阵x进行奇异值分解:

13、x=uσvt                   (2)

14、式中,σ为l×k奇异值矩阵,其主对角线上的值为奇异值;u、v为酉矩阵,u∈rl×l,σ∈rl×k,v∈rk×k;

15、将轨迹矩阵按照对角矩阵σ中的奇异值进行分解测到η个初等矩阵:

16、

17、式中,η为轨迹矩阵的奇异值个数,η=rank(x)≤min(l,k);ui和vi分别是x的左、右奇异向量;σ1,σ2,...,ση为按降序排列的x的奇异值;x1,x2,…,xη为x奇异值分解后的各项初等矩阵;

18、将初等矩阵x1,x2,…,xη的下标分为p个不相交的子集合i1,i2,…,ip,将原始轨迹矩阵分解为有用信号和噪声的加和:

19、

20、通过式(5)实现矩阵的反对角平均化,转换为新的时间序列y1,y2,…,yn:

21、

22、式中,l*=min(l,k),k*=max(l,k);

23、最后采用三角形余弦值方法确定重构阶次,并对信号进行重构。

24、进一步地,所述步骤3的具体方法为:

25、通过piecewise映射来初始化解的位置,使解的初始位置均匀分布;首先,初始化蜂鸟的种群规模为20,最大迭代次数为25;设置影响mckd性能的参数搜索区间范围为t∈(fs/1.02ffault,fs/0.98ffault),fs为采样频率,ffault为故障特征频率,滤波器长度区间l∈(100,1000),位移数区间m∈(1,7);采用led的最大值为适应度函数,通过引aha寻找最佳参数组合;当led取最大时,mckd的参数为最优取值;

26、led的定义如下式所示:

27、

28、式中,f′为[wffault-fr,wffault+fr]频率范围内前五个最大幅值对应的频率;f(wffault)为fmin处的幅值;n为待计算的倍频数量;fr为转频;r(wffault)为包络谱上故障特征频率或其倍频在[wffault-ffault/3,wffault+ffault/3]频率范围内的有效值。

29、进一步地,所述步骤4的具体方法为:

30、hilbert变换定义为:

31、

32、式中,x(t)为原始振动信号;为振动信号的hilbert变换;为x(t)的一次卷积分,该卷积分的冲击响应为

33、轴承故障特征频率计算公式为:

34、

35、

36、

37、式中,fo为轴承外圈故障频率,hz;fi为轴承内圈故障频率,hz;fb为轴承滚动体故障频率,hz;db为滚珠直径,mm;dc为节圆直径,mm;θ为接触角,fr为转频,hz;z为滚珠个数;

38、通过观察信号频谱中在故障特征频率及其倍频处是否出现明显峰值判断轴承状态。

39、采用上述技术方案所产生的有益效果在于:本发明提供的基于局部能量密度的中介轴承故障特征提取与表征方法,引入局部能量密度(local energy density,led),通过奇异谱分析(singular spectrum analysis,ssa)和最大相关峭度解卷积(maximumcorrelated kurtosis deconvolution,mckd)方法对信号中的轴承故障特征进行识别,通过局部能量密度指标来表征不同节点分量所含故障信息的多少,能有效识别复杂传递路径下滚动轴承故障信息,更有效地提取故障频率,可为一般滚动轴承及航空发动机中介轴承特征信息提取及故障诊断提供方法指导。

技术特征:

1.一种基于局部能量密度的中介轴承故障特征提取与表征方法,其特征在于:包括如下步骤:

2.根据权利要求1所述的基于局部能量密度的中介轴承故障特征提取与表征方法,其特征在于:所述步骤2的具体方法为:

3.根据权利要求1所述的基于局部能量密度的中介轴承故障特征提取与表征方法,其特征在于:所述步骤3的具体方法为:

4.根据权利要求1所述的基于局部能量密度的中介轴承故障特征提取与表征方法,其特征在于:所述步骤4的具体方法为:

技术总结本发明提供一种基于局部能量密度的中介轴承故障特征提取与表征方法,涉及轴承故障诊断技术领域。采用加速度传感器采集滚动轴承的振动信号;采用奇异谱分析方法对故障轴承振动信号进行初步降噪得到预降噪信号;以局部能量密度为适应度函数,通过人工蜂鸟算法对最大相关峭度解卷积方法进行参数寻优,利用寻优得到的最优参数对预降噪信号进行重构得到重构信号;对重构信号进行Hilbert包络解调分析,提取出故障特征对滚动轴承进行故障诊断。本发明能够有效识别信号分量中与轴承故障相关的信号特征含量,改善只按信号冲击成分进行筛选可能导致包含故障信息的分量被过滤、包含干扰信息的分量被重构的问题,更有效地实现轴承故障特征提取。技术研发人员:栾孝驰,张振鹏,沙云东,赵奉同,赵新华,杨杰,郭小鹏受保护的技术使用者:沈阳航空航天大学技术研发日:技术公布日:2024/7/29

本文地址:https://www.jishuxx.com/zhuanli/20240730/194817.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。