一种滚动轴承故障在线检测与状态评估方法技术

技术编号:14405595 阅读:127 留言:0更新日期:2017-01-11 17:14
一种滚动轴承故障在线检测与状态评估方法,包括以下步骤:提取12维无量纲参数,12维无量纲参数包括:6维时域统计参数、3维频域统计参数和小波包络谱中的3维无量纲参数;获得标准化重构特征向量;以及判定滚动轴承是否出现故障和滚动轴承的状态评估。本发明专利技术的方法能自动提取出有效表征滚动轴承状态的12维无量纲参数,并通过对12维无量纲参数进行去相关和标准化处理,得到以原点为球心的超球状分布的标准化重构特征向量,仅通过标准化重构特征向量的2范数就能实现滚动轴承的故障检测与状态评估,解决了滚动轴承状态评估模型在线训练耗时长、效率低以及故障样本难以获得等难点问题。

【技术实现步骤摘要】

本专利技术属于滚动轴承故障智能检测与状态评估方法领域,具体涉及一种滚动轴承故障在线检测与状态评估方法
技术介绍
由于滚动轴承故障样本往往难以得到,且轴承故障类型复杂多样,几类故障可能同时存在,所以,滚动轴承的状态评估往往面临的是数据域描述问题,即所采取的特征评估方法应该适用于仅有正常样本的情况。既然滚动轴承的在线监测本质上可以看作是对轴承正常数据域边界的描述问题,那么就有必要研究多维特征向量在空间上的分布,以期更好地利用先验知识来建立一个合适的模型。通常,特征的维数很高(3维以上),其分布无法进行可视化的展示,但根据低维情况的推广,不难想象特征向量的分布是超椭球状的,而根据选择的特征的不同,超椭球主轴的方向和长度均可能会发生变化。这样的边界是复杂的,若想描述复杂的边界,算法需要具有强非线性能力,支持向量数据描述、自组织神经网络和高斯混合模型等方法具有这样的能力,并已被用作解决该类问题并在试验上均取得了良好的效果。但正由于上述方法具有强非线性能力,其训练时都不可避免地面临一个问题:运算复杂度较大,并因此难以实现动态训练。然而,以航空发动机滚动轴承为例,其状态评估模型是被期望嵌于航空发动机控制系统中,而发动机控制系统需要谨慎地优化分配计算资源来保证重要任务(如发动机控制等)的安全性,有限的运算资源与模型的复杂性构成了一对矛盾。因此,构造有效且运算复杂度低的评估模型,可以实现滚动轴承的动态训练与实时评估,具有重要的工程意义。201310015619号中国专利公开了一种基于振动检测的滚动轴承故障检测方法,先将加速度传感器采集到的滚动轴承数据进行3层小波包分解,接着求解第三层小波包系数重构信号的能量,接着根据第三层各频段能量值变化,选取能量集中的频段以重构原始信号的近似估计;利用倒频谱对重构信号进行更进一步的分析,最后与理论计算的故障特征频率以及边频特性比较以诊断故障。这类方法需要滚动轴承的故障数据,但无论是实际检测还是理论计算,故障数据往往难以获得,诊断过程需要人为参与,不利于自动在线训练与检测。
技术实现思路
本专利技术的目的在于提供一种在线训练的滚动轴承故障检测与状态评估方法,该方法能够解决滚动轴承状态评估模型在线训练耗时长,效率低的难点问题。为实现上述目的,本专利技术是通过以下技术方案实现的:一种滚动轴承故障在线检测与状态评估方法,包括以下步骤:S1:提取12维无量纲参数,所述12维无量纲参数包括:6维时域统计参数、3维频域统计参数和小波包络谱中的3维无量纲参数;S2:获得标准化重构特征向量;以及S3:判定所述滚动轴承是否出现故障;其中,所述步骤S1具体包括:S1-1:采集振动加速度信号,将采集的振加速度信号分段储存,得到若干样本;S1-2:通过时域统计参数从所述样本中提取6维时域统计参数,所述6维时域统计参数包括:波形因数TSI、峰值指标TCI、脉冲指标TMI、裕度指标TCLI、峭度TKU和歪度TSK;S1-3:通过频域统计参数从所述样本中提取3维频域统计参数,所述3维频域统计参数包括重心频率FFC、均方频率FMSF和频率方差FVF;以及S1-4:通过小波变换得到所述样本的小波包络谱,提取所述小波包络谱中的3维无量纲参数,所述小波包络谱中的3维无量纲参数包括:内圈故障频率fI对应的特征WBPFI、外圈故障频率fO对应的特征WBPFO和滚珠故障频率fB对应的特征WBSF;所述步骤S2具体包括:S2-1:基于最小重构误差准则,对上述12维无量纲参数施加约束条件,得到12维去相关的重构特征向量;S2-2:对所述12维去相关的重构特征向量进行标准化处理,获得12维样本均值为0且样本标准差为1的标准化重构特征向量;并且所述步骤S3具体包括:S3-1:训练,得到滚动轴承正常运行状态下所述标准化重构特征向量的2范数的样本均值和样本标准差,并设定滚动轴承状态异常的阈值;S3-2:测试,将滚动轴承未知状态下样本的特征向量到所述滚动轴承正常运行状态下的样本均值特征向量的欧氏距离作为劣化指标,比较劣化指标与所述阈值,当劣化指标大于所述阈值时,判定滚动轴承处于故障状态;当劣化指标小于或者等于所述阈值时,判定滚动轴承处于正常运行状态。进一步的,所述劣化指标越大,则判定滚动轴承的劣化程度越大。进一步的,步骤S1-2中提取所述6维时域统计参数的具体操作为:波形因数TSI的由式(1)给出,峰值指标TCI的由式(2)给出,脉冲指标TMI的由式(3)给出,裕度指标TCLI由式(4)给出,峭度TKU由式(5)给出,歪度TSK由式(6)给出,TSI=1NΣi=1N(yi2)1NΣi=1N|yi|---(1)]]>TCI=Σi=110ypi1NΣi=1N(yi)2---(2)]]>TMI=Σi=110ypi1NΣi=1N|yi|---(3)]]>TCLI=Σi=110ypi[1NΣi=1N|yi|]2---(4)]]>TKU=1NΣi=1Nyi4(1NΣi=1Nyi2)2---(5)]]>TSK=1NΣi=1Nyi3(1NΣi=1Nyi2)32---(6)]]>其中,yi是所述振加速度信号中的数据;ypi是将所述数据分为10段后每段数据绝对值的最大值。进一步的,步骤S1-3中提取3维时域统计参数的具体操作为:重心频率FFC由式(7)给出,均方频率FMSF由式(8)给出,频率方差FVF由式(9)给出,FFC=Σi=0nfiS(fi)Σi=0nS(fi)---(7)]]>FMSF=Σi=0nfi2S(fi)Σi=0nS(fi)---(8)]]>FVF=Σi=0n(fi-FFC)2S(fi)Σi=0nS(fi)---(9)]]>其中,S(fi)为振动加速度信号频谱函数。进一步的,所述的步骤S1-4的具体操作包括以下三步:S1-4-1,根据式(10)-(12)计算内圈故障频率fI、外圈故障频率fO和滚珠故障频率fB,fI=12Z(1+dDcosα)fr---(10)]]>fO=12Z(1-dDcosα)fr---(11)]]>fB=D2d[1-(dD)2cos2α]fr---(12)]]>其中d表示滚动体直径,D表示轴承节径,Z表示滚动体个数,α表示接触角,fr表示滚动轴承内圈和外圈的相对转动频率;S1-4-2,采用db8小波对所述振动加速度信号进行小波分解得到6个信号,包括5个细节信号d1、d2、d3、d4、d5和1个近似信号a5;S1-4-3,提取小波包络谱中的3维无量纲参数:设在小波包包络谱中,故障特征频率及其各阶倍频附近有特征谱峰存在,设包络谱分析带宽为fe,包络谱为W(f),设W(f)谱线的数目为Ne,则Sea为Sea=1NeΣi=0NeW(fi)---(13)]]>再令Sed为包络谱中故障特征频率各阶倍频处的谱线平均值,设包络谱中故障频率的谱线数为ne,则Sed=1neΣi=0neW(ifd)---(14)]]>构造一个无量纲本文档来自技高网
...
一种滚动轴承故障在线检测与状态评估方法

【技术保护点】
一种滚动轴承故障在线检测与状态评估方法,其特征在于:包括以下步骤:S1:提取12维无量纲参数,所述12维无量纲参数包括:6维时域统计参数、3维频域统计参数和小波包络谱中的3维无量纲参数;S2:获得标准化重构特征向量;以及S3:判定所述滚动轴承是否出现故障;其中,所述步骤S1具体包括:S1‑1:采集振动加速度信号,将采集的振加速度信号分段储存,得到若干样本;S1‑2:通过时域统计参数从所述样本中提取6维时域统计参数,所述6维时域统计参数包括:波形因数TSI、峰值指标TCI、脉冲指标TMI、裕度指标TCLI、峭度TKU和歪度TSK;S1‑3:通过频域统计参数从所述样本中提取3维频域统计参数,所述3维频域统计参数包括重心频率FFC、均方频率FMSF和频率方差FVF;以及S1‑4:通过小波变换得到所述样本的小波包络谱,提取所述小波包络谱中的3维无量纲参数,所述小波包络谱中的3维无量纲参数包括:内圈故障频率fI对应的特征WBPFI、外圈故障频率fO对应的特征WBPFO和滚珠故障频率fB对应的特征WBSF;所述步骤S2具体包括:S2‑1:基于最小重构误差准则,对上述12维无量纲参数施加约束条件,得到12维去相关的重构特征向量;S2‑2:对所述12维去相关的重构特征向量进行标准化处理,获得12维样本均值为0且样本标准差为1的标准化重构特征向量;并且所述步骤S3具体包括:S3‑1:训练,得到滚动轴承正常运行状态下所述标准化重构特征向量的2范数的样本均值和样本标准差,并设定滚动轴承状态异常的阈值;S3‑2:测试,将滚动轴承未知状态下样本的特征向量到所述滚动轴承正常运行状态下的样本均值特征向量的欧氏距离作为劣化指标,比较劣化指标与所述阈值,当劣化指标大于所述阈值时,判定滚动轴承处于故障状态;当劣化指标小于或者等于所述阈值时,判定滚动轴承处于正常运行状态。...

【技术特征摘要】
1.一种滚动轴承故障在线检测与状态评估方法,其特征在于:包括以下步骤:S1:提取12维无量纲参数,所述12维无量纲参数包括:6维时域统计参数、3维频域统计参数和小波包络谱中的3维无量纲参数;S2:获得标准化重构特征向量;以及S3:判定所述滚动轴承是否出现故障;其中,所述步骤S1具体包括:S1-1:采集振动加速度信号,将采集的振加速度信号分段储存,得到若干样本;S1-2:通过时域统计参数从所述样本中提取6维时域统计参数,所述6维时域统计参数包括:波形因数TSI、峰值指标TCI、脉冲指标TMI、裕度指标TCLI、峭度TKU和歪度TSK;S1-3:通过频域统计参数从所述样本中提取3维频域统计参数,所述3维频域统计参数包括重心频率FFC、均方频率FMSF和频率方差FVF;以及S1-4:通过小波变换得到所述样本的小波包络谱,提取所述小波包络谱中的3维无量纲参数,所述小波包络谱中的3维无量纲参数包括:内圈故障频率fI对应的特征WBPFI、外圈故障频率fO对应的特征WBPFO和滚珠故障频率fB对应的特征WBSF;所述步骤S2具体包括:S2-1:基于最小重构误差准则,对上述12维无量纲参数施加约束条件,得到12维去相关的重构特征向量;S2-2:对所述12维去相关的重构特征向量进行标准化处理,获得12维样本均值为0且样本标准差为1的标准化重构特征向量;并且所述步骤S3具体包括:S3-1:训练,得到滚动轴承正常运行状态下所述标准化重构特征向量的2范数的样本均值和样本标准差,并设定滚动轴承状态异常的阈值;S3-2:测试,将滚动轴承未知状态下样本的特征向量到所述滚动轴承正常运行状态下的样本均值特征向量的欧氏距离作为劣化指标,比较劣化指标与所述阈值,当劣化指标大于所述阈值时,判定滚动轴承处于故障状态;当劣化指标小于或者等于所述阈值时,判定滚动轴承处于正常运行状态。2.根据权利要求1所述的滚动轴承故障在线检测与状态评估方法,其特征在于:所述劣化指标越大,则判定滚动轴承的劣化程度越大。3.根据权利要求1所述的滚动轴承故障在线检测与状态评估方法,其特征在于:步骤S1-2中提取所述6维时域统计参数的具体操作为:波形因数TSI的由式(1)给出,峰值指标TCI的由式(2)给出,脉冲指标TMI的由式(3)给出,裕度指标TCLI由式(4)给出,峭度TKU由式(5)给出,歪度TSK由式(6)给出,TSI=1NΣi=1N(yi2)1NΣi=1N|yi|---(1)]]>TCI=Σi=110ypi1NΣi=1N(yi)2---(2)]]>TMI=Σi=110ypi1NΣi=1N|yi|---(3)]]>TCLI=Σi=110ypi[1NΣi=1N|yi|]2---(4)]]>TKU=1NΣi=1N...

【专利技术属性】
技术研发人员:欧阳文理林桐滕春禹王云
申请(专利权)人:中国航空综合技术研究所
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