The invention discloses a fault diagnosis method for rotating mechanical bearings. Firstly, the original signal is decomposed by wavelet packet, and the reconstructed signal sets are reconstructed by extracting the first half wavelet coefficients of the wavelet packet decomposition. Then the corresponding eigenvalues are extracted in the time domain and the frequency domain respectively, and the BP neural network is used to get the corresponding eigenvalues. The weight value of the fault classification is obtained by line pattern recognition, and then the D S evidence theory is used to fuse the fault classification weight values obtained in the time domain and frequency domain to obtain the final fusion results. Finally, the maximum value of the fusion results is selected as the decision decision result of the fault diagnosis, and the final result of the unit diagnosis is obtained. The fault diagnosis method of the rotating mechanical bearing provided by this invention has not only greatly improved the accuracy rate of fault diagnosis, but also can judge, diagnose and predict the different kinds of faults in the rotating machinery bearing. It is better than the time domain and frequency domain analysis results alone, and can improve the accuracy and stability of the fault classification. Qualitative.
【技术实现步骤摘要】
一种旋转机械轴承的故障诊断方法
本专利技术涉及一种故障诊断方法,特别是涉及一种旋转机械轴承的故障诊断方法,属于工业旋转机械故障诊断
技术介绍
随着科学技术的不断发展,旋转机械在石化、工业等领域中应用非常广泛,且对企业起到了关键性的作用。然而,由于旋转机械长期的运转,轴承极其容易造成不同程度的损害,产生各种故障类型。当轴承故障达到一定的程度,如果不能及时发现并加以维修,可能会造成机械不必要的停机,不但影响企业的经济效益,重要的会发生安全事故。因此,为了更好的判定与区分旋转机械轴承的故障类型,提高故障诊断的可靠性、准确性和精确性,提供一种新的故障诊断方法是有益之举。
技术实现思路
本专利技术的主要目的在于,克服现有技术中的不足,提供一种旋转机械轴承的故障诊断方法,可有效解决现有机械设备故障诊断存在难分辨、精度不高等问题。为了达到上述目的,本专利技术所采用的技术方案是:一种旋转机械轴承的故障诊断方法,包括以下步骤:1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi,并将振动信号Xi采集汇总为原始信号X=[X1,X2,…,Xi],其中,1≤i≤N,N为数据点数;2)对原始信号X进行小波包分解,且分解尺度为n,n≥1;3)提取原始信号X经小波包分解后的前一半小波系数将该前一半小波系数Y的2n-1个低频信号采用小波包分解重构算法进行重构,获得重构信号集4)在时域上利用BP神经网络获取时域分析结果;4-1)进行时域分析,将重构信号集S进行时域特征值提取;重构信号集S中的每个重构信号均提取7个时域特征值,7个时域特征值分别为波形指标T1、脉冲指标T ...
【技术保护点】
1.一种旋转机械轴承的故障诊断方法,其特征在于,包括以下步骤:1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi,并将振动信号Xi采集汇总为原始信号X=[X1,X2,…,Xi],其中,1≤i≤N,N为数据点数;2)对原始信号X进行小波包分解,且分解尺度为n,n≥1;3)提取原始信号X经小波包分解后的前一半小波系数
【技术特征摘要】
1.一种旋转机械轴承的故障诊断方法,其特征在于,包括以下步骤:1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi,并将振动信号Xi采集汇总为原始信号X=[X1,X2,…,Xi],其中,1≤i≤N,N为数据点数;2)对原始信号X进行小波包分解,且分解尺度为n,n≥1;3)提取原始信号X经小波包分解后的前一半小波系数将该前一半小波系数Y的2n-1个低频信号采用小波包分解重构算法进行重构,获得重构信号集4)在时域上利用BP神经网络获取时域分析结果;4-1)进行时域分析,将重构信号集S进行时域特征值提取;重构信号集S中的每个重构信号均提取7个时域特征值,7个时域特征值分别为波形指标T1、脉冲指标T2、裕度指标T3、峰值指标T4、峭度指标T5、均方根指标T6和偏度指标T7;4-2)将提取的7个时域特征值分别归一化至[-1,1],归一化后获得时域分析轴承故障特征向量;4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的时域分析基本概率分布PAp,1≤p≤k,A表示时域分析,k为故障种类数;4-4)将获取的时域分析基本概率分布PAp归一化至[0,1],归一化后获得时域归一化后概率PAAp;5)在频域上利用BP神经网络获取频域分析结果;5-1)进行频域分析,对重构信号集S进行频域特征值提取;对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换,得到对应的频谱图;对频谱图的频域信号提取7个频域特征值,7个频域特征值分别为平均信号功率指标F1、平均频率指标F2、信号平均能量指标F3、标准化能量方差指标F4、频谱最大值指标F5、方差系数指标F6和标准化信号功率倒数指标F7;5-2)将提取的7个频域特征值分别归一化至[-1,1],归一化后获得频域分析轴承故障特征向量;5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的频域分析基本概率分布PBp,1≤p≤k,B表示频域分析;5-4)将获取的频域分析基本概率分布PBp归一化至[0,1],归一化后获得频域归一化后概率PBBp;6)通过D-S证据理论对时域分析结果与频域分析结果进行融合,计算出归一化常数K的结果,并计算出融合分析概率分布PZp,1≤p≤k,Z表示融合分析;7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果,并依据该决策判断结果进行有无故障及故障种类的判断。2.根据权利要求1所述的一种旋转机械轴承的故障诊断方法,其特征在于:所述振动传感器安装在靠...
【专利技术属性】
技术研发人员:林水泉,吕运容,宋昊,胡勤,
申请(专利权)人:广东石油化工学院,
类型:发明
国别省市:广东,44
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。