一种滚动轴承故障状态诊断新方法技术

本发明专利技术提出了一种滚动轴承故障状态诊断新方法，其有如下步骤：对欲测轴承的表面设置振动信号传感器，并与测试装置连接，获得滚动轴承振动信号，作为原始的诊断信号；对采集到的滚动轴承振动信号采用基尼指数进行健康状态的评估，并完成故障阶段的界定；对故障阶段的信号采用最优参数最大相关峭度解卷积进行降噪处理预处理并突出其冲击成分；采用层次熵提取各阶段振动信号的特征，并采用布谷鸟算法优化的支持向量机完成滚动轴承故障状态的分类。本发明专利技术用基尼指数准确描述了轴承退化，提出了排列熵滤波器长度和峭度选取方法，自适性强，克服了人为经验选取局限，用布谷鸟算法提高了诊断准确率，较之现有技术，准确率达到100%。100%。100%。

【技术实现步骤摘要】
一种滚动轴承故障状态诊断新方法


[0001]本专利技术涉及机械故障的运行状态下的故障识别技术，特别是一种滚动轴承故障状态诊断新方法。

技术介绍

[0002]滚动轴承是旋转机械中的重要部件，可以减少运行过程中轴与轴之间的摩擦损失，同时也是极易发生失效的部件之一。滚动轴承的运转状况将直接影响到机械设备的正常运行，因此对其进行状态故障诊断具有重要的工程意义。基尼指数是经济学中用来衡量收入分配均匀程度的指标，本专利技术借鉴用来处理轴承退化数据，判断轴承产生早期故障范围。
[0003]由于生产环境复杂，滚动轴承故障产生的瞬态冲击容易被其他信号成分淹没，因此对采集的原信号进行降噪预处理是十分有必要的。最大相关峭度解卷积可以消除信号中的干扰成分，增强信号中的脉冲冲击，提高信噪比，近年来受到滚动轴承领域研究人员的广泛关注。有人基于MCKD与1.5维谱实现了滚动轴承早期故障特征的提取；使用最大相关峭度解卷积应用于采煤机截割部齿轮，进行微弱故障特征的提取。最大相关峭度解卷积降噪效果的优劣取决于滤波器长度L与冲击周期T，但是上述研究中对于这两个参数的选取均是来自个人经验缺乏自适应性。排列熵常用于衡量时间序列的复杂程度，对突变信号高敏感，本专利技术将通过以排列熵为标准选取滤波器长度L，峭度为标准选取冲击周期T来实现MCKD的参数寻优。滚动轴承信号是非线性，非平稳信号，是否从中提取到准确的故障特征信息将影响到后续的智能诊断效果。层次熵是前人于2011年提出的一种熵，它可以通过构造算子同时分析振动信号中的低频成分与高频成分，从而更加全面的提取隐藏的轴承故障特征信号。又有研究人员将小波包能量与层次熵结合用于滚动轴承的故障诊断，应用小波包层次熵实现了对电主轴振动信号的特征提取。支持向量机在模式识别方面得到了广泛的应用，还有人将其应用于蔗种坏芽的检测识别。基于SVM对搅拌摩擦焊的表面缺陷进行识别。但其准确率受核函数g和惩罚参数c的影响。
[0004]可见，尽管滚动轴承故障的现有诊断方法有很多，但都存在某些局限，并不能令人十分满意。有必要探索新的方法途径，以获得更优的诊断技术。

技术实现思路

[0005]为此，本专利技术提出一种滚动轴承故障状态诊断新方法，使之能够更便捷更准确地实现对运行状态下的滚动轴承是否存在故障隐患进行无操作无停顿的控诊，获取其中的故障信息，通过技术手段使被隐藏的故障信息直观地展现出来，以此为滚动轴承故障诊断的现有技术提供新的技术选择。
[0006]本专利技术提出的这种滚动轴承故障状态诊断新方法，其特征在于它有如下步骤：步骤（一）对欲测轴承的表面设置振动信号传感器，并与测试装置连接，获得滚动轴承振动信号，作为原始的诊断信号；
步骤（二）：对采集到的滚动轴承振动信号采用基尼指数进行健康状态的评估，并完成故障阶段的界定。
[0007]步骤（三）：对故障阶段的信号采用最优参数最大相关峭度解卷积进行降噪处理预处理并突出其冲击成分。
[0008]步骤（四）：采用层次熵提取各阶段振动信号的特征，并采用布谷鸟算法优化的支持向量机完成滚动轴承故障状态的分类。
[0009]步骤（一）所述的滚动轴承振动信号的具体采集方式是对被测轴承设置水平和垂直方向的加速度传感器，并与检测装置连接。
[0010]步骤（一）所述的故障状态对应的基尼指数划分为：运行正常阶段，基尼指数曲线在0.415－0.428之间小幅波动;早期故障阶段，基尼指数曲线在0.42
‑
0.51之间逐步上升;逐渐失效阶段，基尼指数曲线在0.2－0.515之间大幅度上下波动。
[0011]各步骤的数据运算均在计算机内进行。
[0012]本专利技术的技术效果体现在如下方面：（1）针对滚动轴承的健康检测问题，本专利技术提出了一种采用基尼指数来构建健康指标的新方法。通过与常用指标均方根值的对比，证实了基尼指数可以很好的描述轴承的退化过程，且对于早期故障更为敏感。
[0013]（2）针对MCKD的降噪效果的优劣主要取决于滤波器长度L与故障周期T两个参数的问题，提出了采用排列熵选取滤波器长度，峭度选取故障周期的最优参数选择方法，使MCKD更具自适应性，克服了人为经验选取的参数的局限性。
[0014]（3）通过布谷鸟算法对故障诊断分类模型进行参数优化，能有效提高故障诊断模型的诊断准确率。
[0015]（4）本专利技术的方法对滚动轴承关联状态的诊断准确率达到100%，较之现有的诊断方法具有明显优越性。
附图说明
[0016]图1是本专利技术方法步骤流程图。
[0017]图2是本专利技术采用的滚动轴承振动原始信号信号采集示意图。
[0018]图3是均方根值趋势图。
[0019]图4是实施例的基尼指数趋势图。
[0020]图5是5280min时刻的时域波形图。
[0021]图6是5280min时刻的包络谱图。
[0022]图7是5330min时刻时域波形图。
[0023]图8是5330min时刻的包络谱图。
[0024]图9是MCKD滤波器长度L迭代次数图。
[0025]图10是MCKD故障周期迭代次数图。
[0026]图11是5280min时刻信号降噪后的包络谱图。
[0027]图12是状态识别结果图。
[0028]图2中，各组成部分的标号如下：
1
‑
电机；2
‑
传动副；3
‑
转轴；4
‑
一号轴承；5
‑
二号轴承；6
‑
三号轴承；7—四号轴承；8
‑
热电偶；9
‑
加速度传感器。
[0029]图３说明：横坐标：t
×
10min （单位：分钟），纵坐标：均方根值/(m
·
s
‑2) （均方根的值，单位：m
·
s
‑2）。第二组试验持续时间为164h，共采集数据文件984个，采样间隔为10min，计算每个数据文件的均方根值（每个数据文件对应一个均方根值），连点成线得到均方根值曲线。K为采用最小二乘法对轴承状态开始发生变化（从5330min开始有上升趋势）的上升沿数据进行直线拟合得到的斜率。
[0030]图４说明：横坐标：t
×
10min （单位：分钟），纵坐标：基尼系数/(m
·
s
‑2) （基尼系数的值，单位：m
·
s
‑2）。第二组试验持续时间为164h，共采集数据文件984个，采样间隔为10min，计算每个数据文件的基尼系数（每个数据文件对应一个基尼系数值），连点成线得到基尼系数值曲线。K为采用最小二乘法对轴承状态开始发生变化（从5280min开始有上升趋势）的上升沿数据进行直线拟合得到的斜率。
[0031]图５说明：横坐标：t/s（采样时间，单位：秒），纵坐标：A/mV（幅值，单位：毫伏）。
[0032]图６说明：横本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障状态诊断新方法，其特征在于它有如下步骤：步骤（一）对欲测轴承的表面设置振动信号传感器，并与测试装置连接，获得滚动轴承振动信号，作为原始的诊断信号；步骤（二）：对采集到的滚动轴承振动信号采用基尼指数进行健康状态的评估，并完成故障阶段的界定；步骤（三）：对故障阶段的信号采用最优参数最大相关峭度解卷积进行降噪处理预处理并突出其冲击成分；步骤（四）：采用层次熵提取各阶段振动信号的特征，并采用布谷鸟算法优化的支持向量机完成滚动轴承故障状态的分类。2.根据权利要求1所述滚动轴承故...

【专利技术属性】
技术研发人员：张文斌，崔奔，郭盼盼，李妍，郭德伟，俞利宾，闵洁，王云，杨碧涛，普亚松，
申请(专利权)人：红河学院，
类型：发明
国别省市：