一种滚动轴承的故障诊断方法技术

本发明专利技术公开了一种滚动轴承的故障诊断方法，包括获取滚动轴承的振动信号；利用EMD经验模态分解算法将振动信号进行信号分解得到分解信号；采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；计算滚动轴承的故障频率；将频谱信号和故障频率进行对比得到滚动轴承的故障诊断结果。由此可见，通过采用EMD经验模态分解算法与PeakVue方法结合可以实现对滚动轴承的故障诊断，更为重要的是，该方法可以在线完成，保证设备能够安全、高效的长期运行。

【技术实现步骤摘要】

本专利技术涉及旋转机械故障诊断
，特别是涉及一种滚动轴承的故障诊断方法。
技术介绍
滚动轴承在工业系统中应用广泛，作为旋转机械的关键部件，其运行状态决定着整个系统的性能，据不完全统计，导致旋转机械出现故障的原因约有30％是因为滚动轴承出现故障。由此可见，如何实现对滚动轴承的故障诊断以保证设备能够安全、高效的长期运行是本领域技术人员亟待解决地问题。
技术实现思路
本专利技术的目的是提供一种滚动轴承的故障诊断方法，用于实现对滚动轴承的故障诊断以保证设备能够安全、高效的长期运行。为解决上述技术问题，本专利技术提供一种滚动轴承的故障诊断方法，包括：获取滚动轴承的振动信号；利用EMD经验模态分解算法将所述振动信号进行信号分解得到分解信号；采用PeakVue对所述分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；计算所述滚动轴承的故障频率；将所述频谱信号和所述故障频率进行对比得到所述滚动轴承的故障诊断结果。优选地，在所述利用EMD经验模态分解算法将所述振动信号进行信号分解得到分解信号之前还包括：对所述振动信号进行滤波；其中，通过高通滤波器对所述振动信号进行滤波。优选地，所述高通滤波器的截止频率为所述振动信号的最大频率的3-4倍。优选地，所述振动信号为振动加速度信号；其中，通过振动加速度传感器获取所述振动加速度信号。优选地，所述采用PeakVue对所述分解信号进行峰值提取、包络检波和时域和频域的转换得到频谱信号具体包括：以预定采样时间间隔对所述分解信号进行峰值提取得到峰值提取信号；利用希尔伯特变换对所述峰值提取信号进行处理得到包络信号；利用FFT变换对所述包络信号进行变换得到所述频谱信号。优选地，所述预定采样时间间隔为所述振动信号的最大频率的2.56倍的倒数。优选地，所述故障频率具体包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率。优选地，所述将所述频谱信号和所述故障频率进行对比得到所述滚动轴承的故障诊断结果具体为：利用所述频谱信号得到频谱图；判断所述频谱图中的频率范围是否包含所述外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率以及各自的整数倍频率；如果是，则输出故障提示信息；如果否，则输出正常提示信息；其中，所述故障诊断结果包括所述故障提示信息和所述正常提示信息。本专利技术所提供的滚动轴承的故障诊断方法，包括获取滚动轴承的振动信号；利用EMD经验模态分解算法将振动信号进行信号分解得到分解信号；采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；计算滚动轴承的故障频率；将频谱信号和故障频率进行对比得到滚动轴承的故障诊断结果。由此可见，通过采用EMD经验模态分解算法与PeakVue方法结合可以实现对滚动轴承的故障诊断，更为重要的是，该方法可以在线完成，保证设备能够安全、高效的长期运行。附图说明为了更清楚地说明本专利技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的一种滚动轴承的故障诊断方法的流程图；图2为本专利技术实施例提供的振动信号滤波前和滤波后的时域波形图；图3为本专利技术实施例提供的EMD分解，分解后的第一分量与第二分量的时域波形图；图4为本专利技术实施例提供的第一分量峰值提取前和峰值提取后的时域波形图；图5为本专利技术实施例提供的第一分量的PeakVue频谱图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本专利技术保护范围。本专利技术的核心是提供一种滚动轴承的故障诊断方法。为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。在滚动轴承的故障诊断中，早期的轻微故障信息常常被噪声所淹没，很难发现和提取出来，因此需要找到一个有效的信号处理方法来提高滚动轴承振动信号的信噪比，以便突出其故障特征，而传统的信号处理技术在处理振动信号这种非线性的信号时效果不好或局限性较大，这限制着滚动轴承故障诊断的进一步发展和研究。图1为本专利技术提供的一种滚动轴承的故障诊断方法的流程图。如图1所示，滚动轴承的故障诊断方法包括：S10：获取滚动轴承的振动信号。在具体实施方式中，振动信号可以为振动速度信号、振动加速度信号等。但是在实际应用中，振动加速度信号更能真实反映滚动轴承的故障特征，因此，作为一种优选地实施方式，振动信号为振动加速度信号。通过振动加速度传感器获取振动加速度信号，在具体操作中，通过磁座将振动传感器吸附在滚动轴承座上以获取振动加速度信号。S11：利用EMD经验模态分解算法将振动信号进行信号分解得到分解信号。采用EMD分解过程为：1)对任意给定的信号x(t)，首先找出信号x(t)的所有的极大值和极小值点，然后用三次样条曲线连接所有的极大值形成上包络线，对所有极小值运用同样方法构造下包络线。求上、下包络线的平均值m1，信号x(t)和m1的差值记为h1，则得到：h1＝x(t)-m1(公式1)将h1视为x(t)，重复上述步骤，直到hi满足两个条件时，则其成为从原始信号剥离出来的第一阶分量，记为c1。上述两个条件为：一是其极值点个数和过零点数相同或最多相差一个，二是其上下包络关于时间轴局部对称。2)将c1从x(t)中剥离出来，剩下一个去掉高频振动模态的r1，即得到：r1＝x(t)-c1(公式2)把r1作为新的x(t)，重复步骤1)，直到第N阶的残余信号为单调函数，不能再分解出分量。rN＝rN-1-cN(公式3)由上述分解方法可知，x(t)被分解成N个可分离分量和一个残余项，即得到：上式中：rN(t)为残余项，代表信号的平均趋势；各分量ci(t)代表信号从高频到低频的成分，每一频率段所包含的频率成分是不同的，同一个分量中，不同时刻的瞬时频率也是不同的，这种不同频率成分的局部时间分布是随信号本身变化而改变的。S12：采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号。在对振动信号进行EMD分解后，采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号。S13：计算滚动轴承的故障频率。在具体实施中，故障频率可以包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率等。要计算各个故障频率首先要查询滚动轴承信息，该信息包括滚珠个数n，滚动体直径d，轴承直径D，滚动体接触角α等，并获取轴承转速r，单位：转/分钟。根据以下公式计算滚动轴承故障频率：S14：将频谱信号和故障频率进行对比得到滚动轴承的故障诊断结果。可以理解的是，上述公式5-8计算出的频率是对应的硬件发生故障时的频率，如果在频谱信号中有对应的频率则说明对应的硬件就发生故障。另外，在试验过程中发现，故障频率的整数倍的幅值也较大，因此，在对比过程中，还可以加入故障频率的整数倍的分析，本实施例不作限定。另外，由于滚动轴承的内圈、外圈、滚动体和保持架都是金属，容易产生碰撞，因此，振动信本文档来自技高网...

【技术保护点】
一种滚动轴承的故障诊断方法，其特征在于，包括：获取滚动轴承的振动信号；利用EMD经验模态分解算法将所述振动信号进行信号分解得到分解信号；采用PeakVue对所述分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；计算所述滚动轴承的故障频率；将所述频谱信号和所述故障频率进行对比得到所述滚动轴承的故障诊断结果。

【技术特征摘要】
1.一种滚动轴承的故障诊断方法，其特征在于，包括：获取滚动轴承的振动信号；利用EMD经验模态分解算法将所述振动信号进行信号分解得到分解信号；采用PeakVue对所述分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；计算所述滚动轴承的故障频率；将所述频谱信号和所述故障频率进行对比得到所述滚动轴承的故障诊断结果。2.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于，在所述利用EMD经验模态分解算法将所述振动信号进行信号分解得到分解信号之前还包括：对所述振动信号进行滤波；其中，通过高通滤波器对所述振动信号进行滤波。3.根据权利要求2所述的滚动轴承的故障诊断方法，其特征在于，所述高通滤波器的截止频率为所述振动信号的最大频率的3-4倍。4.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于，所述振动信号为振动加速度信号；其中，通过振动加速度传感器获取所述振动加速度信号。5.根据权利要求1所述的滚动轴承的故障诊断方法，其特征在于，所述采用PeakVue对所述分解信号进行峰...

【专利技术属性】
技术研发人员：张宝，
申请(专利权)人：四川中烟工业有限责任公司，
类型：发明
国别省市：四川;51