一种变转速下基于短时随机共振的轴承故障诊断方法与流程

1.本发明涉及滚动轴承故障检测技术领域，尤其涉及一种变转速下基于短时随机共振的轴承故障诊断方法。


背景技术：

2.滚动轴承主要由外圈、内圈、滚动体和保持架组成，是旋转机械设备中极其关键的零件，其健康状态影响整个旋转机械的性能、稳定性和寿命周期。据不完全统计，在使用滚动轴承的旋转机械中，大约有30％的机械故障都是由轴承引起的。因此，诊断出轴承的早期故障特征对避免严重故障的发生，保证机械设备的正常运行有着重大的现实意义。然而，早期故障的特征本身是很微弱的，实现早期故障微弱特征的提取极具挑战性。
3.在轴承故障诊断领域，利用现代信号处理方法对轴承故障进行处理，从含有噪声的信号中准确提取故障特征信号，是当前故障诊断的热点之一。传统的噪声背景下微弱特征信息检测方法立足于噪声抑制和信号分解，如小波变换、经验模态分解、局部均值分解等，这些方法在抑制噪声的同时也在一定程度上削弱了有用的特征信息。
4.随机共振不采取直接降噪方式，而是通过信号、非线性系统、噪声三者之间的最佳匹配使系统输出达到最优，实现噪声能量向信号能量的转化，从而增强或识别噪声背景下的微弱特征信息。与传统方法相比，它在削弱噪声的同时强化微弱特征，提高信噪比，实现微弱信号的检测。目前绝大多数采样随机共振方法的滚动轴承故障检测方法都是针对平稳工况下的，即机械设备的转速不变。然而实际工程环境种机械设备经常处于变转速工况下，之前的随机共振检测方法将无法应对。


技术实现要素：

5.针对上述存在的问题，本发明旨在提供一种变转速下基于短时随机共振的轴承故障诊断方法，将变转速下的轴承故障振动时域信号分解为多个短时区间，从而使每个短时区间内的转速变化不大(可视为定值)，即根据轴承理论故障频率计算公式可以近似计算每个短时区间的理论故障频率。把理论故障频率代入信噪比计算公式并以此公式作为每个短时区间的随机共振的优化目标，得到每个短时区间的最优随机共振输出。对其进行短时傅里叶变化得到它们相应的频谱图，从中提取实际故障频率并与理论故障频率作对比来判断是否发生故障以及故障类型。
6.为了实现上述目的，本发明所采用的技术方案如下：一种变转速下基于短时随机共振的轴承故障诊断方法，其特征在于，包括以下步骤：
7.s1、数据采集：同步采集滚动轴承的振动时域信号及转速数据；
8.s2、数据分区：将整个采集时间内的振动时域信号按时域分解为m个短时区间，并使得每个所述短时区间内的转速变化保持一致；
9.s3、数据计算：根据每个短时区间内采集的数据计算滚动轴承的理论故障频率f
t
，其包括如下方面：
10.外圈故障频率：
11.内圈故障频率：
12.滚动体故障频率：
13.保持架故障频率：
14.其中：f为输入轴的转速，取值基于采样的转速数据和短时区间的第一个时间点；z表示轴承滚动体数量；d为滚动体直径；d
m
为轴承节径；α为接触角；并得到完整时域下理论故障频率随转速变化的曲线图；
15.将理论故障频率数值f
t
与代入信噪比(snr)计算公式：
[0016][0017]
式中，f为故障特征频率；p
s
(f)表示频率f处的功率；p
t
(f)表示局部总功率；k表示频率；f在功率谱中的位置；x(k)表示时间序列的离散傅里叶变换；j为计算局部功率；p
t
所选取的信号长度，最终得出以最优信噪比为依据作为随机共振的优化参考值；
[0018]
s4、自适应随机共振：以上述参考值通过量子粒子群优化算法优化后为目标，对每个所述短时区间内的振动信号进行自适应随机共振，并得到每个短时区间内的最优输出信号；
[0019]
s5、数据转换：对每个短时区间的最优输出信号进行短时傅里叶变换并得到相应的频谱图，提取最高幅值处的频率作为实际故障频率并绘制实际故障频率随转速变化曲线图；
[0020]
s6、数据对比：将理论故障频率随转速变化的曲线图与实际故障频率随转速变化曲线图作对比，计算平均绝对误差mae；
[0021][0022]
式中，f
i
为理论故障频率；f
r
为实际识别故障频率；n为所要计算的区间个数，进而判断是否发生故障及得知故障类型。
[0023]
优选的，所述频谱图的频率分辨率满足其中：f1为频率分辨率，f
s
为采样频率，为每一个短时区间的采样总数，n为整个采样时间内的采样点数。
[0024]
优选的，认定故障发生的平均绝对误差值的范围为0.7
‑
1.5。
[0025]
本发明的有益效果是：本发明将振动信号分解为多个短时区间，对每一个短时区间进行优化随机共振并提取实际故障频率。通过与理论故障频率对比，实现了轴承机械故障的有效诊断。本发明克服了强噪声背景下变转速轴承故障振动信号的故障频率难以捕捉的问题，使被噪声淹没的并且实时变化的微弱故障信息得以放大，对复杂变工况下的滚动轴承的早期故障诊断具有重要意义。
附图说明
[0026]
图1为本发明滚动轴承未知故障检测流程图。
[0027]
图2为本发明轴承内圈故障的原始振动信号的时域波形和频谱图。
[0028]
图3为本发明轴承转速随时间变化图以及计算得到的理论故障频率曲线。
[0029]
图4为本发明300个分解的原始振动信号短时区间中的16个(时域图)。
[0030]
图5为本发明16个短时区间的频谱图。
[0031]
图6为本发明16个短时区间以理论外圈故障频率计算的snr为优化目标得到的最优随机共振输出的频谱图。
[0032]
图7为本发明16个短时区间以理论内圈故障频率计算的snr为优化目标得到的最优随机共振输出的频谱图。
[0033]
图8为本发明16个短时区间以理论滚动体故障频率计算的snr为优化目标得到的最优随机共振输出的频谱图。
[0034]
图9为本发明16个短时区间以理论保持架故障频率计算的snr为优化目标得到的最优随机共振输出的频谱图。
[0035]
图10为本发明内圈故障轴承的四种类型故障对应的理论故障频率曲线与实际识别故障频率曲线对比图。
[0036]
图11为本发明内圈故障轴承的四种类型故障对应的平均绝对误差(mae)计算结果对比图。
[0037]
图12为本发明健康轴承的四种类型故障对应的理论故障频率曲线与实际识别故障频率曲线对比图。
[0038]
图13为本发明健康轴承的四种类型故障对应的平均绝对误差(mae)计算结果对比图。
具体实施方式
[0039]
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实际故障轴承案例对本发明的技术方案做进一步的描述。
[0040]
参照附图1～13所示的一种变转速下基于短时随机共振的轴承故障诊断方法，下面结合附图对本发明作进一步详细的说明。
[0041]
为了更加直观地说明本方法的各个步骤，我们以内圈故障的滚动轴承作为验证对象进行进一步的详细说明。并且为了验证本方法的防误诊能力，以健康轴承作为验证对象，进行故障诊断误诊实验。
[0042]
首先，对内圈故障滚动轴承振动时域信号进行采集(优选的通过加速度传感器采集)，如图2(a)，为该轴承内圈故障信号的时域波形图。采样时间为300秒。为了模拟实际工
程工况，向其中加入强度为0.5的levy噪声，含噪的振动信号时域图如图2(b)所示，可以发现振动信号波形被噪声完全淹没无法分别。
[0043]
与此同时，采用转速传感器实时采集故障轴承的转速数据，并绘制转速随时间变化曲线，如图3(左)所示。并根据轴承四种类型故障的理论故障频率f
t
计算公式来计算随转速变化的理论故障频率曲线，其包括如下方面的计算：
[0044]
外圈故障频率：
[0045]
内圈故障频率：
[0046]
滚动体故障频率：
[0047]
保持架故障频率：
[0048]
其中：f为输入轴的转速，取值基于采样的转速数据和短时区间的第一个时间点；z表示轴承滚动体数量；d为滚动体直径；d
m
为轴承节径；α为接触角；根据计算结果可得到完整时域下理论故障频率随转速变化的曲线图。
[0049]
如图3(右)所示，(a)为理论内圈故障频率曲线；(b)为理论外圈故障频率曲线；(c)为理论滚动体故障频率曲线；(d)为理论保持架故障频率曲线。
[0050]
优选的，将时域信号平均分解为300份，即每个短时区间的采样时间为1秒，由于整个振动时域信号被分解为多个短时区间，从而使每个短时区间内的转速变化不大(可视为定值)，根据上述理论故障频率计算公式，1秒内的四种理论故障频率变化范围要远远小于整个采样时间的故障频率变化范围，可视为定值。短时区间分解个数取决于转速变化的快慢，即转速变化较快则短时区间较多，反之则较少，从而保证每一个短时区间内的转速变化很小(优选的将其视为不变的定值)。从300份短时区间中选取其中的16个，图4和图5分别为它们的时域图和频谱图。从中可以清楚的发现，时域故障脉冲波形依然被噪声淹没无法识别，此外，频谱图中也识别不出故障频率。
[0051]
将理论内圈故障频率f
t
与所计算的信噪比(snr)为优化目标，得出以最优信噪比为依据作为随机共振的优化参考值，并优选通过量子粒子群优化算法后进行自适应随机共振得到每个短时区间内的最优输出信号，将该最优输出信号进行短时傅里叶变换并得到相应的频谱图(如图6所示)；
[0052]
其中，信噪比(snr)计算公式为：
[0053][0054]
式中，f为故障特征频率；p
s
(f)表示频率f处的功率；p
t
(f)表示局部总功率；k表示
频率；f在功率谱中的位置；x(k)表示时间序列的离散傅里叶变换；j为计算局部功率；p
t
所选取的信号长度。
[0055]
基于信噪比(snr)目标函数优选与量子粒子群算法优化。图7为理论外圈故障频率所计算的信噪比(snr)为优化目标并进行随机共振得到的最优输出的频谱图；图8为理论滚动体故障频率所计算的信噪比(snr)为优化目标并进行随机共振得到的最优输出的频谱图；图9为理论保持架故障频率所计算的信噪比(snr)为优化目标并进行随机共振得到的最优输出的频谱图；每个所述频谱图的频率分辨率满足其中：f1为频率分辨率，f
s
为采样频率，为每一个短时区间的采样总数，n为整个采样时间内的采样点数。
[0056]
分别提取这些频谱图中在相应的理论故障频率附近幅值最大的频率作为实际识别的故障频率(并可作为四种故障的搜索频率，搜索故障频率在所述频谱图上若存在幅值与其相近的干扰频率，则对所述的四种输出结果使用级联随机共振方法得到优化后的四种输出结果，级联随机共振方法依然基于所述的四种信噪比(snr)目标函数和所述的量子粒子群算法优化)，并绘制实际故障频率随转速变化曲线图，绘制计算得到的四种理论故障频率和提取到的实际识别故障频率随转速的变化曲线对比图，如图10所示；
[0057]
(a)为内圈故障对比结果；(b)为外圈故障对比结果；(c)为滚动体故障对比结果；(d)为保持架故障对比结果；从图中可以直观看出，内圈故障所对应的理论故障频率曲线和实际识别故障频率曲线两者的吻合度较好。
[0058]
此外，也可以通过对比四种故障频率的平均绝对误差(mae)值来进行故障诊断，计算公式为：
[0059][0060]
式中，f
i
为理论故障频率；f
r
为实际识别故障频率；n为所要计算的区间个数，如图11所示，内圈故障的mae值小于另外三个并且在1左右。综上所述，可以判断轴承发生了内圈故障，符合真实情况。而根据多次对滚动轴承不同部件多次检测得知，认定滚动轴承故障发生的平均绝对误差值的范围值为0.7
‑
1.5。
[0061]
为了防止本方法对健康轴承做出错误故障诊断结果，我们对健康的轴承也用本方法进行故障诊断。得到的理论故障频率曲线与实际识别故障频率曲线的对比图如图12所示。可以直观的发现四种故障类型对应的理论故障频率曲线与实际识别故障频率曲线的吻合度都很差，并且出现部分实际故障频率无法识别的情况。图13为它们的mae计算结果，也可以发现四种故障对应的mae都远远大于1。由此判断轴承没有发生故障，即所发明的方法具有很好的防误诊效果。
[0062]
本发明的原理是：将变转速下采集到的轴承振动时域信号分解为多个短时区间并分别运用最优随机共振来增强故障特征，可以诊断出强噪声干扰下轴承故障。这种方法克服了强噪声背景下微弱信号提取难的问题，以及转速实时变化带来的故障频率随之变化从而难以识别和提取的问题。
[0063]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本
发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，其都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。