一种针对轴承内外圈故障的定量趋势诊断方法技术

本发明专利技术公开了一种针对轴承内外圈故障的定量趋势诊断方法，该方法为一种基于Sparsogram与Lempel‑Ziv的定量趋势诊断方法。本发明专利技术针对，目前难于定量评价轴承故障发展趋势与确定故障位置的研究现状，研究了轴承的故障机理，提出了一种基于Sparsogram与Lempel‑Ziv的定量趋势诊断方法。应用Sparsogram算法对实测信号去噪，提取特征信号。将去噪信号进行Lempel‑Ziv复杂度指标化处理。通过研究发现，故障程度与Lempel‑Ziv复杂度指标值成一定比例关系，同时滚动轴承内、外圈故障位置的不同，Lempel‑Ziv复杂度分辨呈现递增与递减的不同趋势规律，由此判断故障位置与故障大小。

【技术实现步骤摘要】

本专利技术属于故障诊断
，涉及一种轴承内外圈故障定量趋势诊断方法，特别涉及一种基于Sparsogram与Lempel-Ziv的定量趋势诊断方法。
技术介绍
随着科技的进步和工业的发展，流程工业机械设备日益向大型化、高速化、系统化及自动化方向发展，这对设备运行状态的稳定性要求也越来越高。而为了满足生产要求，关键设备结构的功能越来越复杂，再加上工作环境恶劣多变，在长期运行过程中会逐渐老化，发生故障的潜在可能性也相应增加，一旦设备的关键部件发生故障，就可能破坏整台设备的稳定运行，甚至造成巨大的经济损失，导致灾难性的人员伤亡。齿轮箱作为工业传动系统的重要组成部分，其作用十分关键。滚动轴承作为齿轮箱内部最主要的零件，内部结构复杂且常在高速、重载条件下运行，故障发生率较高。因此对滚动轴承进行状态监测和故障诊断对确保生产安全，预防重大事故有着重要意义。轴承是大型机械设备中的重要组成部分，其健康状况直接关系到整个设备的正常运转，对其运行状态进行监测与诊断具有重要意义。而传统的故障监测与诊断方法往往是针对轴承故障的有无进行定性的分析，随着设备逐渐向更加精密化复杂化的方向发展，对轴承故障进行精确的定量分析才能精确的揭示设备的运行状态并预测设备的发展规律和剩余寿命，从而知道设备的检测与维修。
技术实现思路
针对不同故障类型和不同故障损伤程度的滚动轴承故障信号处理问题，方法首先对原始信号进行小波包分解，然后通过稀疏值比较选择出最佳分析频带，构造该结点信号计算其Lempel-Ziv复杂度值，最后分别绘制出不同类型故障的Lempel-Ziv复杂度值与故障程度的关系图。方法的流程如下：第一步：对同一类型的滚动轴承原始信号进行i层小波包分解。第二步：重构与原始信号同样长度的小波包第i层所有结点系数，并以每个小波包结点的系数为实部，以小波包结点系数的Hilbert变换为虚部构造分析信号。然后，取分析信号的模得到分析信号的包络信号。随后，计算该包络信号的功率谱，并计算第i层小波包结点的稀疏值。选择稀疏值最大或者第二大的结点作为最佳分析频带。第三步：对最佳分析频带进行二进制处理，分别计算Lempel-Ziv复杂度归一化值CnNh和CnNl，再综合得到Lempel-Ziv综合指标CnN。根据Lempel-Ziv复杂度的计算结果，绘制出Lempel-Ziv复杂度值与故障损伤程度的关系图。本专利技术针对现场实测故障振动信号，在对故障轴承的振动序列使用复杂度算法进行分析之前，需要分解并提取被分析序列中最有效的部分使用复杂度算法进行计算，对信号的分解和信号有效部分的提取直接关系着诊断结果的好坏。采用Sparsogram算法进行前期信号的分解和信号有效部分的提取。当滚动轴承出现故障后，滚动轴承的振动加剧，故障引起的振动特征是振动信号中存在着冲击脉冲。为了更好地提取轴承振动信号中的冲击特征，对Sparsogram的小波包分解基函数进行优化选取。提取冲击信号效果较好的10种小波基Daubechies5、Daubechies7、Daubechies10、Daubechies13、Symlets6、Symlets7、Symlets8、Coiflet4、Biorthogonal2.6、Biorthogonal3.9、Biorthogonal5.5，基于这10种小波基，通过误差分析选取db7和sym8这两种小波基作为基于Sparsogram与Lempel-Ziv的轴承故障定量趋势诊断的小波包分解基函数。对信号Sparsogram算法处理后，进行Lempel-Ziv复杂度指标化处理。Lempel-Ziv基本思想是：序列的复杂度越大，序列中的周期成分越少，序列越无规律，趋近于随机状态，序列包含的频率成分越丰富，说明系统的复杂性也越大；序列的复杂度越小，序列中周期成分越明显，越趋于周期状态，序列包含的频率成分较少，说明系统的复杂性越低。附图说明图1是基于Sparsogram与Lempel-Ziv的定量趋势诊断方法图。图2是实测轴承内圈故障实验信号。图3是实测轴承外圈故障实验信号。图4是轴承内圈Lempel-Ziv复杂度变化趋势。图5是轴承外圈Lempel-Ziv复杂度变化趋势。具体实施方式以下结合说明书附图和具体实施方式对本专利技术作进一步说明图1为本专利技术的Sparsogram与Lempel-Ziv算法的流程图。下面结合流程图对故障定量诊断方法原理进行详细的说明。(1)对同一类型的滚动轴承原始信号进行i层小波包分解。(2)重构与原始信号同样长度的小波包第i层所有结点系数，并以每个小波包结点的系数为实部，以小波包结点系数的Hilbert变换为虚部构造分析信号。然后，取分析信号的模得到分析信号的包络信号。随后，计算该包络信号的功率谱，并计算第i层小波包结点的稀疏值。选择稀疏值最大或者第二大的结点作为最佳分析频带。Sparsogram是基于小波包的一种最优分析频带选择方法。用稀疏值在小波包分解的最底层的所有结点中找到最优分解结点作为最优分析频带以进行进一步分析。稀疏值S的计算公式：S(i,j)=||P(i,j)||2||P(i,j)||1]]>式中：P(i,j)第i层第j个结点分析信号的能量谱；‖P(i,j)‖1是P(i,j)的L1范数；‖P(i,j)‖2是P(i,j)的L2范数；S(i,j)是第i层第j个结点的稀疏值。将S最大的或者第二大的值对应的结点进行信号重构，得到的最佳分析频带。(3)对最佳分析频带进行二进制处理，分别计算Lempel-Ziv复杂度归一化值CnNh和CnNl，再综合得到Lempel-Ziv综合指标CnN。根据Lempel-Ziv复杂度的计算结果，绘制出Lempel-Ziv复杂度值与故障损伤程度的关系图。对于信号S(i)(i＝1,2,…,N)，我们首先将其转化为二进制序列，令a＝mean(S(i))，若S(i)≥a,则s(i)＝1，否则s(i)＝0。这样就将信号S(i)转化为了二进制序列SN＝{s1，s2，s3，…，sN本文档来自技高网...

【技术保护点】
一种针对轴承内外圈故障的定量趋势诊断方法，其特征在于：包括以下步骤：步骤(1)对同一类型的滚动轴承原始信号进行i层小波包分解；步骤(2)重构与原始信号同样长度的小波包第i层所有结点系数，并以每个小波包结点的系数为实部，以小波包结点系数的Hilbert变换为虚部构造分析信号；然后，取分析信号的模得到分析信号的包络信号；随后，计算该包络信号的功率谱，计算第i层小波包结点的稀疏值；选择稀疏值最大或者第二大的结点作为最佳分析频带；(3)对最佳分析频带进行二进制处理，分别计算Lempel‑Ziv复杂度归一化值CnNh和CnNl，再综合得到Lempel‑Ziv综合指标CnN；根据Lempel‑Ziv复杂度的计算结果，绘制出Lempel‑Ziv复杂度值与故障损伤程度的关系图。

【技术特征摘要】
1.一种针对轴承内外圈故障的定量趋势诊断方法，其特征在于：包括以下步骤：步骤(1)对同一类型的滚动轴承原始信号进行i层小波包分解；步骤(2)重构与原始信号同样长度的小波包第i层所有结点系数，并以每个小波包结点的系数为实部，以小波包结点系数的Hilbert变换为虚部构造分析信号；然后，取分析信号的模得到分析信号的包络信号；随后，计算该包络信号的功率谱，计算第i层小波包结点的稀疏值；选择稀疏值最大或者第二大的结点作为最佳分析频带；(3)对最佳分析频带进行二进制处理，分别计算Lempel-Ziv复杂度归一化值CnNh和CnNl，再综合得到Lempel-Ziv综合指标CnN；根据Lempel-Ziv复杂度的计算结果，绘制出Lempel-Ziv复杂度值与故障损伤程度的关系图。2.根据权利要去1所述的一种针对轴承内外圈故障的定量趋势诊断方法，其特征在于：所述步骤(1)对同一类型的滚动轴承原始信号进行i层小波包分解；选取db7和sym8这两种小波基作为基于Sparsogram与Lempel-Ziv的轴承故障定量趋势诊断的小波包分解基函数。3.根据权利要去1所述的一种针对轴承内外圈故障的定量趋势诊断方法，其特征在于：步骤(1)对同一类型的滚动轴承原始信号进行i层小波包分解；步骤(2)重构与原始信号同样长度的小波包第i层所有结点系数，并以每个小波包结点的系数为...

【专利技术属性】
技术研发人员：崔玲丽，姚天昌，马春青，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11