一种CNG压缩机滚动轴承故障特征提取方法技术

本发明专利技术公开了一种CNG压缩机滚动轴承故障特征提取方法，对于采集到的复杂轴承信号，根据其频谱，构造出频谱趋势，以趋势的极小值点为边界对频谱进行划分，从而实现自适应地对信号进行分解，得到信号的子频带。此方法避免了模态混叠现象，并保证了在分解结果中不出现过多的无效分量。此外，对信号子频带进行奇异值分解后得到各个子带的奇异值，再利用奇异值分解的幅值滤波特性并结合时域负熵指标对奇异值进行选择，以此实现降噪处理。通过对降噪后的子频带进行包络解调，提取出故障特征频率，最终实现CNG压缩机滚动轴承的故障诊断。最终实现CNG压缩机滚动轴承的故障诊断。最终实现CNG压缩机滚动轴承的故障诊断。

【技术实现步骤摘要】
一种CNG压缩机滚动轴承故障特征提取方法


[0001]本专利技术属于旋转机械故障诊断领域，具体涉及一种信号自适应分解和降噪的CNG压缩机滚动轴承故障特征提取方法

技术介绍

[0002]滚动轴承是CNG压缩机中的常用零部件，同时也是CNG压缩机中最易损坏的元件之一，因此，对CNG压缩机中的轴承进行状态检测和故障诊断的必要性体现在：当轴承发生故障时，很可能会出现大型的恶性事故，甚至会造成严重的财产损失和人身伤亡。
[0003]振动信号处理对于CNG压缩机设备状态监测与故障诊断具有重要意义，其主要目的就是将信号中的故障特征提取出来。而在CNG压缩机运行过程中，振动信号通常呈现出非平稳、非线性的特性。基于此，众多国内外学者提出了各种信号处理的方法，如短时傅里叶变换、小波分析等。
[0004]目前，能对信号实现自适应分解的主要方法有经验模式分解(EMD)、局部均值分解(LMD)以及经验小波变换(EWT)。但EMD和LMD这两种算法的结果中存在着模态混叠的问题，而EWT的分解结果中会出现很多无用的分量。

技术实现思路

[0005]为了克服上述算法中的不足，本专利技术提供了一种新的信号自适应分解和降噪的CNG压缩机滚动轴承故障诊断方法。具体来说，该方法通过对信号频谱进行傅里叶变换的方法得到其关键函数，以此自适应地划分信号的频带。随后，利用奇异值分解获得信号各个子带的奇异值，结合奇异值分解的幅值滤波特性选择奇异值，对信号子带进行重构，实现降噪的效果，最终得到故障特征信息。
[0006]本专利技术包括如下步骤：
[0007]第一步：采集振动信号x(t)，并记采样频率为f
s
，采样点数为N。利用FFT算法得到其幅值谱A(f)和相位谱
[0008]第二步：对幅值谱A(f)再次进行FFT，获取信号的关键函数K(f)。选择关键函数的前N
K
个点进行逆傅里叶变换，从而得到信号的趋势；
[0009]第三步：取信号趋势的极小值点f
d1
,f
d2
,
…
,f
di
(0<i<N)，以此为边界线，对信号的频谱进行划分，得到信号的子频带Band 1、Band 2
……
Band m，其中0<m<i
‑
1；
[0010]第四步：选择各个子频带中需要重构的频率分量，步骤如下：
[0011]将信号子频带中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵j为频带Band m的长度
[0012]构造幅值为1,、频率大小为相位为的正弦信号组
[0013]分别取正弦信号组的前h(h＝1,2,
…
,k)个信号，该结果记为计算其时域负熵，记为时域负熵的计算公式为
[0014][0015]式中<
·
>表示均值计算。
[0016]选取中最大值所对应的迭代次数，记为a
m
，则频率排名矩阵R
m
中的前a
m
个频率即为需要进行重构的分量；
[0017]第五步：构造幅值增强后信号xE
m
(t)的公式如下：
[0018][0019]其中A
E
为幅值增强的倍数；
[0020]第六步：利用xE
m
(t)构造Hankel矩阵，对其进行奇异值分解。根据奇异值分解的幅值滤波特性，选取前2a
m
个奇异值，并通过简便法实现了信号分量xE'
m
(t)的重构；
[0021]第七步：为了保证此算法得出的结果具有可靠性，需要对重构结果进行幅值恢复。因此，信号子带xd
m
(t)可由下式表示；
[0022][0023]第八步：对信号子带xd
m
(t)进行解调处理即可提取出故障特征频率。
[0024]相比于目前普遍应用的经验小波变换和经验模式分解，奇异分量分解能对频谱进行更为合理地划分，并且还能在分解重构的结果中避免模态混叠现象。
附图说明
[0024]图1为本专利技术的滚动轴承故障诊断方法流程图；
[0025]图2为本专利技术中振动信号的波形和频谱；
[0026]图3为本专利技术中振动信号的包络谱；
[0027]图4为本专利技术中振动信号的频谱趋势及边界划分；
[0028]图5为本专利技术中振动信号的子频带；
[0029]图6为本专利技术中振动信号各子频带中所需重构的频率；
[0030]图7为本专利技术中振动信号第二子频带的重构结果；
[0031]图8为本专利技术中振动信号第三子频带的重构结果。
具体实施方式
[0032]本专利技术方法以某滚动轴承内外圈混合故障信号为例，电机转速为1496r/min，采样频率为15360Hz，采样点数为8192。经计算后，该轴承的内圈故障特征频率f
i
＝122.74Hz，外圈故障特征频率为f
o
＝76.88Hz。
[0033]首先选择有故障的CNG压缩机，将压缩机启动起来，利用数据采集器进行数据采集，并将采集的数据传输到电脑中，利用本方法进行后续的数据处理分析。
[0034]对采集到的信号进行傅里叶变换。图2为采集到的故障信号波形及其频谱。从中可以看出信号的波形中没有明显的周期性冲击，频谱中的边频带成分也较难分辨。
[0035]在利用包络解调的方法对信号频谱进行处理，得到信号的包络谱，如图3所示。由于噪声较大，包络谱中的有效信息被湮没，很难进行故障诊断。
[0036]对信号的频谱再次进行FFT，获取信号的关键函数。选择关键函数的前20个点进行逆傅里叶变换，从而得到信号的趋势。而后以趋势的极小值点为边界对信号的频谱进行划分。图4表示了信号的频谱趋势及边界划分，其中红线表示频谱趋势；黑线为边界线。图5为信号经划分后得到的子频带。
[0037]将信号子频带Band 1、Band 2
……
Band7中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵其中j为频带Band m的长度，m＝1,2,3,4,5,6,7。
[0038]然后，构造幅值为1,、频率大小为相位为的正弦信号组如下式所示。
[0039][0040]再分别取正弦信号组的前h(h＝1,2,
…
,k)个信号依次叠加，该结果记为计算其时域负熵，记为时域负熵的计算公式为：
[0041][0042]式中<
·
>表示均值计算。
[0043]选取中最大值所对应的迭代次数，记为a
m
。则频率排名矩阵R
m
中的前a
m
个频率即为信号子频带Band m中需要进行重构的分量。图6为各子频带中频率重构的示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CNG压缩机滚动轴承的故障特征提取方法，其特征在于：该方法包括以下步骤：第一步：采集CNG压缩机振动信号x(t)，并记采样频率为f
s
，采样点数为N；利用FFT算法得到其幅值谱A(f)和相位谱第二步：对幅值谱A(f)再次进行FFT，获取信号的关键函数K(f)；选择关键函数的前N
K
个点进行逆傅里叶变换，从而得到信号的趋势；第三步：取信号趋势的极小值点f
d1
,f
d2
,
…
,f
di
(0<i<N)，以此为边界线，对信号的频谱进行划分，得到信号的子频带Band 1、Band 2
……
Band m，其中0<m<i
‑
1；第四步：选择各个子频带中需要重构的频率分量，步骤如下：a.将信号子频带中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵j为频带Band m的长度b.构造幅值为1,、频率大小为相位为的正弦信号组c.分别取正弦信号组的前h(h...

【专利技术属性】
技术研发人员：王京荣，魏宇航，孙磊，潘晓，
申请(专利权)人：北京燃气绿源达清洁燃料有限公司，
类型：发明
国别省市：