專利名稱：一種變工況下的滾動軸承故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于滾動軸承的故障診斷技術(shù)領(lǐng)域,具體涉及一種基于Hilbert-Huang變換和奇異值分解在變工況下的滾動軸承故障診斷方法。
背景技術(shù)：
滾動軸承的作用是支承轉(zhuǎn)動軸及軸上零件，并保持軸的正常工作位置和旋轉(zhuǎn)精度，其特點是使用維護(hù)方便、工作可靠、起動性能好、在中等速度下承載能力較高。滾動軸承是機(jī)械設(shè)備中常用的關(guān)鍵零部件，其工作狀態(tài)是否正常直接關(guān)系到整臺機(jī)組乃至整條生產(chǎn)線的生產(chǎn)質(zhì)量和安全。與其他機(jī)械零部件相比，滾動軸承有一個突出的特點其壽命離散性大，即在實際工程應(yīng)用中，有的軸承已大大超過設(shè)計壽命而依然完好無損地工作，而有的軸承遠(yuǎn)未達(dá)到設(shè)計壽命就出現(xiàn)故障。因而研究滾動軸承的故障檢測和診斷技術(shù)，對于避免重大事故、減少人力物力損失以及變革維修體質(zhì)等具有重要的理論研究價值和實際應(yīng)用意義。在滾動軸承故障檢測和診斷領(lǐng)域，由于實際工作中滾動軸承的工況常常發(fā)生改變，導(dǎo)致其故障診斷方法中的各參數(shù)甚至診斷方法有時也隨之改變，而目前現(xiàn)存的診斷方法中，傅里葉變換要求系統(tǒng)是線性的，信號必須為嚴(yán)格周期或是穩(wěn)定的，這使得其在分析非線性非穩(wěn)定信號時失去了其物理意義，小波分析盡管體現(xiàn)了在非穩(wěn)定信號分析上的優(yōu)勢，但小波基的選擇和能量泄漏是小波變換的劣勢，尤其是在變工況情況下，小波基的選擇不得不需要隨著工況的改變進(jìn)行改變，這些方法中存在的局限性使得其很難應(yīng)對工況改變下的滾動軸承故障診斷。因此，研究一種適合變工況下的滾動軸承故障診斷方法具有重要意義。Hilbert-Huang轉(zhuǎn)換(HHT)方法是黃鍔利用近代知名數(shù)學(xué)家Hilbert的數(shù)學(xué)理論設(shè)計分析非穩(wěn)定或非線性信號的一種方法，其實質(zhì)為將信號進(jìn)行經(jīng)驗?zāi)B(tài)分解(EMD)，對分解得到的基本模態(tài)分量(IMF，各分量包含了原信號不同時間尺度的局部特征信號)分別進(jìn)行Hilbert變換，從而得到解析信號Hi (t)，可進(jìn)一步求得瞬時頻率和瞬時幅值，用于繪制Hilbert頻譜,從而通過Hilbert譜進(jìn)行相應(yīng)的譜分析。EMD方法依據(jù)數(shù)據(jù)自身的時間尺度特征來進(jìn)行信號分解，無須預(yù)先設(shè)定任何基函數(shù)，該方法在理論上可以應(yīng)用于任何類型信號的分解，因而在處理非平穩(wěn)及非線性數(shù)據(jù)上，具有非常明顯的優(yōu)勢。包絡(luò)線分析是工程信號分析中較常用的一種方法，在往復(fù)機(jī)械故障診斷和振動機(jī)械信號分析中有很重要的作用。在工程實際中，從設(shè)備中檢測得到的信號波形有些雖然比較復(fù)雜，但其包絡(luò)線有一定的規(guī)律或一定的趨勢，在此情況下，利用包絡(luò)線分析方法可以對該波形高頻成分的低頻特征或低頻率事件作做詳細(xì)的分析?；贖ilbert-Huang變換在處理非平穩(wěn)及非線性信號上的明顯優(yōu)勢，Hilbert-Huang變換已被用于滾動軸承故障診斷領(lǐng)域。但HHT也存在一些局限，在現(xiàn)有的應(yīng)用中，HHT往往以Hilbert譜或Hilbert邊際譜的最終形式體現(xiàn),通過對譜圖中特征頻率處的幅值分析達(dá)到對滾動軸承故障類型分類的目的。然而，在實際中滾動軸承的工作狀況往往會發(fā)生改變，其中滾動軸承轉(zhuǎn)速的改變就會導(dǎo)致滾動軸承特征頻率的相應(yīng)變化，使得Hilbert譜分析在變工況的滾動軸承故障診斷中存在局限性。傳統(tǒng)的包絡(luò)分析法存在如下問題，在進(jìn)行包絡(luò)信號譜分析時，一般都采用傅里葉變換方法。但由于傅里葉變換給出的結(jié)果是包絡(luò)信號在頻域的統(tǒng)計平均，不能反映信號的細(xì)節(jié)，且傅里葉變換以簡諧信號為基本組成信號容易造成信號能量的擴(kuò)散及截斷，導(dǎo)致信號傅里葉分析的能量泄漏效應(yīng)，從而使分析結(jié)果精度不高，分辨率降低。矩陣奇異值是矩陣的固有特征，通過對特征矩陣的奇異值分解可以有效提取特征矩陣中的關(guān)鍵信息，但奇異值分解時特征矩陣的構(gòu)造較為繁瑣，不同的構(gòu)造方法達(dá)到的效果也不相同，這也是奇異值分解的不足之處。

發(fā)明內(nèi)容
本發(fā)明的目的是為了解決常用的滾動軸承故障診斷方法在工況改變時，通常會失效或其判斷精度大幅度下降的缺陷。為此，提出一種基于Hilbert-Huang變換和奇異值分解的在變工況下的滾動軸承故障診斷方法。本發(fā)明是一種變工況下滾動軸承故障診斷方法，包括以下步驟步驟一、獲取滾動軸承在正常、內(nèi)圈故障、外圈故障以及滾動單體故障共四種狀態(tài)下的時域信號。設(shè)每種狀態(tài)下獲取N組時域信號，每組時域信號包含η個采樣數(shù)據(jù)。步驟二、對每組時域信號進(jìn)行Hilbert-Huang變換,具體進(jìn)行如下處理步驟2.1 :對待處理的時域信號進(jìn)行經(jīng)驗?zāi)B(tài)分解(EMD)，分解得到若干基本模態(tài)分量(IMF)，這些基本模態(tài)分量包含了待處理的時域信號的不同時間尺度的局部特征信號;步驟2. 2 :選取前 k個基本模態(tài)分量，對選取的每個基本模態(tài)分量分別做Hilbert變換并解析，得到解析結(jié)果H1 (t) ^Hk (t)，對H1 (t) ^Hk (t)取其各自包絡(luò)，依次得到k個包絡(luò)線 abS1、abs2、abs3、…、absk, k 個包絡(luò)線組成特征向量空間 w, W=Labs1; abs2;; absk]。步驟三、對每組時域信號得到的特征向量空間進(jìn)行奇異值分解，獲取代表該特征向量空間固有特征的奇異值矩陣，將該奇異值矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入。步驟四、建立并訓(xùn)練滾動軸承故障診斷定位系統(tǒng)。所述的故障診斷定位系統(tǒng)采用Elman神經(jīng)網(wǎng)絡(luò)實現(xiàn)，輸入為滾動軸承各個狀態(tài)下時域信號的奇異值矩陣，輸出為代表滾動軸承的四種狀態(tài)輸出矩陣，輸出矩陣(1，O, O, O)對應(yīng)軸承正常狀態(tài)，輸出矩陣(0，I, O, O)對應(yīng)軸承內(nèi)圈故障狀態(tài)，輸出矩陣(0，O, I, O)對應(yīng)軸承外圈故障狀態(tài)，輸出矩陣(0，O, 0，I)對應(yīng)軸承滾動單體故障狀態(tài)。將包含四種狀態(tài)的4N組滾動軸承信號的奇異值矩陣以及各狀態(tài)下的輸出矩陣作為訓(xùn)練集對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保存訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)作為判斷網(wǎng)絡(luò)。步驟五、實時采集變工況下的滾動軸承工作振動信號，將采集的振動信號通過步驟二和步驟三的處理得到相應(yīng)的奇異值矩陣，將得到的奇異值矩陣作為已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果對滾動軸承進(jìn)行實時故障檢測及故障定位。本發(fā)明的優(yōu)點與積極效果在于(I)充分利用Hilbert-Huang變換針對非平穩(wěn)信號的優(yōu)點，使復(fù)雜信號分解為有限個基本模態(tài)分量，各基本模態(tài)分量包含了原信號的不同時間尺度的局部特征信號；同時，對于受到調(diào)制的信號也起到了解調(diào)的作用，有利于進(jìn)一步對故障定位的準(zhǔn)確分析。
(2)高頻段的MF分量對應(yīng)著M個頻率族(M的大小視選取的MF個數(shù)而定)，而其它的IMF分量為噪聲，因此，本發(fā)明方法充分利用了 EMD分解方法在分開M個頻率族的同時達(dá)到去除噪聲的目的。(3)充分利用奇異值分解的特性。矩陣的奇異值是矩陣的固有特征，具有較好的穩(wěn)定性，即當(dāng)矩陣元素發(fā)生小的變動時，矩陣的奇異值變化也很小，該特性為變工況下的滾動軸承故障診斷提供了可能；同時，矩陣的奇異值可以以幾個值的形式表示出原矩陣的特性，在尺度方面，特征向量矩陣的維數(shù)得到了壓縮，更有利于提高神經(jīng)網(wǎng)絡(luò)的判斷精度和判斷速度。(4)與已有的EMD和奇異值分解相融合的方法相比，本發(fā)明方法針對不同工況下同一種故障模式的不同信號(包括轉(zhuǎn)速不同、故障程度不同等)所獲得的奇異值矩陣仍有較高的重合度，表明該方法對變工況下的同種故障模式識別度較高；不同故障模式信號所獲得的奇異值矩陣相互間差別較大，表明變工況下的不同故障模式相互間區(qū)分度較高。(5)與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，本發(fā)明方法實現(xiàn)了變工況下的滾動軸承故障智能診斷定位，無需相關(guān)人員學(xué)習(xí)過于專業(yè)的知識，只需對相關(guān)知識有一定了解就可進(jìn)行故障診斷，降低了對操作分析人員的專業(yè)要求。


圖1為本發(fā)明的滾動軸承故障診斷方法整體步驟流程圖；圖2是EMD分解流程圖；圖3是特征向量獲取示意圖；圖4為本發(fā)明實施例中內(nèi)圈故障信號時域圖；圖5為本發(fā)明實施例中正常信號EMD分解結(jié)果圖；圖6為本發(fā)明實施例中內(nèi)圈故障信號EMD分解結(jié)果圖；圖7為本發(fā)明實施例中外圈故障信號EMD分解結(jié)果圖；圖8為本發(fā)明實施例中滾動單體故障信號EMD分解結(jié)果圖；圖9為本發(fā)明實施例中外圈故障信號第一個MF的包絡(luò)線示意圖；圖10為本發(fā)明實施例內(nèi)圈故障下兩種方法提取的奇異值簇對比圖；圖11為本發(fā)明實施例外圈故障下兩種方法提取的奇異值簇對比圖；圖12為本發(fā)明實施例滾動單體故障下兩種方法提取的奇異值簇對比圖；圖13為實施例中本發(fā)明所用方法的不同故障模式下的奇異值簇示意圖。
具體實施例方式下面將結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步的詳細(xì)說明。本發(fā)明提出的變工況下的滾動軸承故障診斷方法,基于Hilbert-Huang和奇異值分解相結(jié)合，利用了 Hilbert-Huang在處理非平穩(wěn)及非線性數(shù)據(jù)上具有明顯優(yōu)勢的特性，以及矩陣奇異值是矩陣的固有特征，它具有較好的穩(wěn)定性，當(dāng)矩陣元素發(fā)生小的變動時矩陣的奇異值變化很小等特性。實驗結(jié)果表明，本發(fā)明方法可以有效應(yīng)對滾動軸承故障診斷時工況改變對各參數(shù)改變的影響，較好完成變工況下的滾動軸承故障模式的分類，且分類結(jié)果精度高，能有效進(jìn)行故障診斷。
本發(fā)明的變工況下的滾動軸承故障診斷方法的整體步驟流程如圖1所示，具體步驟如下步驟一、獲取滾動軸承四種狀態(tài)下的時域信號，所述的四種狀態(tài)分別為正常狀態(tài)、內(nèi)圈故障狀態(tài)、外圈故障狀態(tài)和滾動單體故障狀態(tài)。在滾動軸承運行狀態(tài)下，以預(yù)先設(shè)定的采樣頻率和采樣時間，對正常、內(nèi)圈故障、外圈故障、滾動單體故障四種狀態(tài)下的滾動軸承各采集N組振動信號，且故障狀態(tài)下采集的振動信號包含不同故障程度下的信號。每種狀態(tài)下的N組振動信號就是所要獲取的時域信號，設(shè)每組振動信號具有η個采樣點。步驟二、對采集的各狀態(tài)下的時域信號分別進(jìn)行Hilbert-Huang變換處理。步驟2.1 :對原始的時域信號進(jìn)行經(jīng)驗?zāi)B(tài)分解(EMD)，得到若干基本模態(tài)分量(IMF)，這些基本模態(tài)分量包含了原始的時域信號不同時間尺度的局部特征信號。如圖2所示，進(jìn)行經(jīng)驗?zāi)B(tài)分解具體包括步驟2.1.1 :讀取待處理的原始時域信號并賦值給待處理序列X (t)，設(shè)定計數(shù)器P的初始值為I，將待處理序列x(t)賦值給剩余信號序列r(t)。步驟2.1. 2 :確定待處理序列x(t)的所有局部極值點，包括極大值點和極小值點，然后將所有極大值點和極小值點分別用三次樣條曲線連接起來，得到x(t)的上包絡(luò)線El和下包絡(luò)線E2，使信號所有數(shù)據(jù)點都處于這兩條包絡(luò)線之間。求取上、下包絡(luò)線的均值序列m(t) :m(t) = (El+E2)/2。步驟2. 1.3:令序列1(0中減去其上、下包絡(luò)線均值m(t)，得到信號差值序列u(t)=x(t)-m(t)0檢測u(t)是否 滿足基本模態(tài)分量需要的兩個條件在整個時間范圍內(nèi)，局部極值點和過零點的數(shù)目必須相等，或最多相差一個；在任意時刻點，局部最大值的包絡(luò)(上包絡(luò)線)和局部最小值的包絡(luò)(下包絡(luò)線)的平均值必須為零。如果滿足以上兩個條件，則u(t)就是原始時域信號的一個基本模態(tài)分量Cp(t)，首次得到的為cl (t)。反之，則將u (t)作為新的待處理序列x(t) :x(t)=u(t)，然后轉(zhuǎn)步驟2.1. 2執(zhí)行，直至u (t)是一個基本模態(tài)分量，記作Cp (t):cp (t) = u(t)(I)步驟2.1. 4 :更新剩余信號序列r(t)，在當(dāng)前原始序列中分解出一個基本模態(tài)分量^⑴后，需要從當(dāng)前原始序列中減去cp(t)，更新的剩余信號序列r(t)為r(t) = r (t)-cp(t)(2)步驟2. 1.5 :判斷剩余信號序列r(t)是否是一個單調(diào)函數(shù)，若是，則結(jié)束經(jīng)驗?zāi)B(tài)分解過程；否則，將剩余信號序列r(t)作為待處理序列x(t)，并更新計數(shù)器P = p+1，然后轉(zhuǎn)步驟2.1. 2執(zhí)行。設(shè)最終得到P個基本模態(tài)分量C1 (t)，. . .，Ci (t)，. . .，Cp (t)。步驟2. 2 :對得到的所有基本模態(tài)分量進(jìn)行選取，高頻段的IMF分量對應(yīng)著若干個頻率族，而其它的MF分量為噪聲，需要舍去以達(dá)到降噪目的。由于前幾個MF分量頻率最高，僅對包含主要故障信息的前k個IMF分量進(jìn)行提取，對選取的每一個基本模態(tài)分量分別做Hilbert變換，得到解析結(jié)果H1 (t) ^Hk (t)，對H1 (t) ^Hk (t)取其各自包絡(luò)，依次得到包絡(luò)線absp abs2、abs3、…、absk組成特征向量空間w,以用于進(jìn)一步分析。具體過程如下通過分解得到MF后，就可以對選取的每一個MF分量做Hilbert變換，然后得到IMF分量Ci (t) (I ^ i ^ k)的解析結(jié)果為
權(quán)利要求
1.一種變工況下的滾動軸承故障診斷方法，其特征在于，具體包括如下步驟步驟一、獲取滾動軸承在正常狀態(tài)、內(nèi)圈故障、外圈故障和滾動單體故障四種狀態(tài)下的時域信號；設(shè)每種狀態(tài)下獲取N組時域信號，每組時域信號包含η個采樣數(shù)據(jù)；步驟二、對每組時域信號分別進(jìn)行Hilbert-Huang變換處理，處理過程為步驟2.1 :對待處理的時域信號進(jìn)行經(jīng)驗?zāi)B(tài)分解，得到基本模態(tài)分量，基本模態(tài)分量包含了該時域信號的不同時間尺度的局部特征信號；步驟2. 2 :選取前k個基本模態(tài)分量，對選取的每個基本模態(tài)分量分別做Hilbert變換并解析，得到解析結(jié)果H1 (t) ^Hk (t)，對H1 (t) ^Hk (t)取其各自包絡(luò)，依次得到k個包絡(luò)線abs” abs2、abs3、…、absk, k 個包絡(luò)線組成特征向量空間 w, W=Labs1; abs2;..., absk]；步驟三、對每組時域信號得到的特征向量空間進(jìn)行奇異值分解，獲取代表特征向量空間固有特征的奇異值矩陣；步驟四、建立并訓(xùn)練滾動軸承故障診斷定位系統(tǒng)；所述的故障診斷定位系統(tǒng)采用Elman神經(jīng)網(wǎng)絡(luò)實現(xiàn)，輸入為滾動軸承各個狀態(tài)下時域信號的奇異值矩陣，輸出為代表滾動軸承的四種狀態(tài)的輸出矩陣，輸出矩陣(1，O, O, O)對應(yīng)正常狀態(tài)，輸出矩陣(0，I, O, O)對應(yīng)內(nèi)圈故障狀態(tài)，輸出矩陣(0，O, I, O)對應(yīng)外圈故障狀態(tài)，輸出矩陣(0，O, O, I)對應(yīng)滾動單體故障狀態(tài)，將包含四種狀態(tài)的滾動軸承時域信號的奇異值矩陣以及各狀態(tài)下的輸出矩陣作為訓(xùn)練集對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保存訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)作為判斷網(wǎng)絡(luò)；步驟五、實時采集變工況下的滾動軸承工作振動信號，將采集的振動信號通過步驟二和步驟三的處理后，得到對應(yīng)的奇異值矩陣，將對應(yīng)的奇異值矩陣作為已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果對滾動軸承進(jìn)行實時故障檢測及故障定位。
2.根據(jù)權(quán)利要求1所述的一種變工況下的滾動軸承故障診斷方法，其特征在于，所述的步驟2.1具體為步驟2.1.1 :讀取待處理的時域信號并賦值給待處理序列x(t)，設(shè)定計數(shù)器P的初始值為1，將x(t)賦值給剩余信號序列r(t)；步驟2. 1.2 :確定待處理序列x(t)的所有局部極值點，包括極大值點和極小值點，然后將所有極大值點和極小值點分別用三次樣條曲線連接起來，得到x(t)的上包絡(luò)線El和下包絡(luò)線E2，最后，求取上、下包絡(luò)線的均值序列m(t) m(t) = (El+E2)/2 ；步驟2.1. 3 :確定信號差值序列u (t) =x (t) -m(t)，判斷u (t)是否滿足基本模態(tài)分量需要的兩個條件在整個時間范圍內(nèi)，局部極值點和過零點的數(shù)目必須相等，或最多相差一個；在任意時刻點，局部最大值的包絡(luò)和局部最小值的包絡(luò)的平均值必須為零；若滿足以上兩個條件，則得到原始時域信號的一個基本模態(tài)分量cp (t) = u (t)，否則，更新待處理序列X (t) =u (t),然后轉(zhuǎn)步驟2.1. 2執(zhí)行；步驟2.1. 4 :更新剩余信號序列r (t)=r (t)-cp(t)；步驟2.1. 5 :判斷序列r(t)是否是單調(diào)函數(shù)，若是，結(jié)束經(jīng)驗?zāi)B(tài)分解過程；否則，將剩余信號序列r (t)作為待處理序列x(t)，并更新計數(shù)器P = p+1，然后轉(zhuǎn)步驟2.1. 2執(zhí)行。
3.根據(jù)權(quán)利要求1所述的一種變工況下的滾動軸承故障診斷方法，其特征在于，步驟三中所述的對特征向量空間進(jìn)行奇異值分解的方法是對于復(fù)數(shù)域內(nèi)kXn階矩陣w，采用奇異值分解法求取奇異值矩陣，不管矩陣w行列是否相關(guān)，必然存在正交矩陣U和V，U = [U1U2 …uk] e Rkxk,V= [V1V2…Vk] e RnXn, 使得w = UDVt成立，對角矩陣D=[diag[o J2…oq]0]或者其轉(zhuǎn)置，O代表零矩陣，q表示奇異值的個數(shù)，奇異值σ1≥σ2≥…≥oq≥0，矩陣D就是w的奇異值矩陣。
全文摘要
本發(fā)明為一種變工況下的滾動軸承故障診斷方法，利用Hilbert-Huang變換提取信號的特征向量，對信號EMD分解得到若干IMF，選取有用的IMF分別進(jìn)行Hilbert變換，得到解析信號Hi(t)，并對其取各自包絡(luò)組成特征向量w；然后利用奇異值分解法對w進(jìn)行奇異值分解，將奇異值矩陣作為最終故障特征向量。將滾動軸承四種模式下的奇異值矩陣作為輸入，將四種模式對應(yīng)的四種矩陣作為輸出，訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)。當(dāng)滾動軸承發(fā)生故障時，通過訓(xùn)練好的Elman神經(jīng)網(wǎng)絡(luò)對t時刻信號的分析判斷，可判斷滾動軸承是否出現(xiàn)故障并準(zhǔn)確定位發(fā)生故障的方位。本發(fā)明能有效地完成變工況下的滾動軸承故障模式的分類，且保持較高精度。
文檔編號G01M13/04GK103048137SQ20121056009
公開日2013年4月17日 申請日期2012年12月20日 優(yōu)先權(quán)日2012年12月20日
發(fā)明者劉紅梅, 王軒, 呂琛, 劉大偉, 王靖 申請人:北京航空航天大學(xué)