CN115901256A - 一种用于掘进机的主轴承状态监测方法及系统 - Google Patents

Abstract

本发明提出了一种用于掘进机的主轴承状态监测方法及系统，所述方法通过主轴承的振动信号提取特征参数，对所述特征参数降维得到混合域特征集，根据混沌域特征集建立主轴承振动特征值函数，当混沌域特征集中的参数处于对应的主轴承振动特征值函数所在区间时，主轴承为健康状态，当混沌域特征集中的参数不处于对应的主轴承振动特征值函数所在区间时，主轴承为不健康状态。优点是，本发明实时监测掘进机主轴承的运行情况，精准预测掘进机主轴承的使用寿命，利于调整掘进机主轴承的运行情况，延长掘进机主轴承的使用寿命。

Description

一种用于掘进机的主轴承状态监测方法及系统

技术领域

本发明涉及掘进机主轴承试验技术领域，具体涉及一种用于掘进机的主轴承状态监测方法及系统。

背景技术

掘进机是完成掘进、支护和出渣等施工工序的工厂化流水线式作业的隧道施工装备，能适应恶劣的工作环境，自动化和智能化程度高。主轴承作为掘进机的主要关键部件，在隧道施工过程中具有十分重要的作用。主轴承是传递掘进动力和运动的关键零件，在工作中承受着巨大的轴向力、倾覆力矩和一定的径向力，其性能、寿命和可靠性直接影响掘进机的施工进度、安全和掘进里程。因此，应实时监测主轴承运行状态，及早发现各子部件的非正常运行和故障。

目前，针对于掘进机主轴承的运行状态监测，主要通过铁谱分析和光谱分析、电涡流测试及内窥镜测试等手段实现，铁谱分析和光谱分析可实现对磨合阶段、常规化磨损阶段以及剧烈磨损阶段的检测，并测定掘进机主轴承的磨损状态，但这两种方法只能从掘进机主轴承整体的角度实现对掘进机主轴承运行状态的监测，对于具体是何零件因何故产生的磨损尚不能确定。

综上所述，急需一种用于掘进机的主轴承状态监测方法及系统以解决现有技术中存在的问题。

发明内容

本发明目的在于提供一种用于掘进机的主轴承状态监测方法及系统，具体技术方案如下：

一种用于掘进机的主轴承状态监测方法，步骤如下：

步骤S1：采集原始振动信号，具体是，采集主轴承外圈位置的原始振动信号；

步骤S2：修正原始振动信号，具体是，通过降噪算法处理原始振动信号，得到振动信号；

步骤S3：计算混合域特征集，具体是，对步骤S2中的振动信号提取特征参数，对所述特征参数降维得到混合域特征集；

步骤S4：判断主轴承状态，具体是，根据步骤S3中的混沌域特征集建立主轴承振动特征值函数，当混沌域特征集中的参数处于对应的主轴承振动特征值函数所在区间时，主轴承为健康状态，当混沌域特征集中的参数不处于对应的主轴承振动特征值函数所在区间时，主轴承为不健康状态。

优选的，在步骤S2中，所述降噪算法为CEEMDAN算法。

优选的，在步骤S3中，所述特征参数包括有效值、峰值、均值、峭度、峰值因子、脉冲因子、故障能量占比、样本熵、包络熵和模糊熵，采用PCA算法对所述特征参数降维后得到混合域特征集，所述混合域特征集包括样本熵、故障能量占比、峭度和有效值。

优选的，在步骤S3中，所述样本熵的计算方式如下：

其中，m表示模式维数；

B^m _i(r)为近似数量；Z表示采集到的信号序列数；r表示相似容限。

优选的，在步骤S3中，相似容积的取值方式如下：

r＝(0.1-0.25)Std；

其中，Std为振动信号的标准差。

优选的，在步骤S3中，所述故障能量比为故障特征频率及其二倍频处的能量与信号频谱中对应频段能量比值之和。

优选的，在步骤S3中，所述峭度的表达式如下：

其中，K表示峭度；N为振动信号x(t)的采样长度；x_i为振动信号的采样值；

为采样值的均值；σ为采样值的标准差。

优选的，在步骤S3中，所述有效值的表达式如下：

其中，X_rms表示有效值，N为振动信号x(t)的采样长度；x_i为振动信号的采样值。

另外，本发明还提出了一种用于掘进机的主轴承状态监测系统，包括振动传感器组、多路信号调理器、数据采集卡和计算机设备，振动传感器组包括多组均匀布置在主轴承外圈软带位置上的振动传感器，所述振动传感器均连接多路信号调理器，所述多路信号调理器连接数据采集卡，所述数据采集卡连接计算机设备，所述计算机设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时实现如上述的主轴承状态监测方法。

应用本发明的技术方案，具有以下有益效果：

(1)本发明中的主轴承状态监测方法对采集的振动信号进行时频域分解算法实现信号降噪，降低后续对信号处理的工作量；建立时间段△t和对应振动的特征值△T的关系函数，可实时预测掘进机主轴承振动的特征值的正常变化趋势；以采集的振动信号样本熵、故障能量占比、峭度和有效值判断掘进机主轴承的健康状态，进而可以构建掘进机主轴承的健康振动数据库和不健康振动数据库，精准监测掘进机主轴承的健康振动状态。

(2)本发明通过PCA(主成分分析)数据降维算法，保留低阶主成分，忽略高阶主成分，且减少采集到的特征参数的维数，同时保持特征参数中对方差贡献最大的特征，这样低阶成分往往能够保留住数据的最重要方面，即混合域特征集中样本熵、故障能量占比、峭度和有效值可以保留原始信号中最重要的信息，用以判别主轴承健康状态。

(3)本发明中的主轴承状态监测系统在主轴承外圈软带位置设置多组振动传感器，实时采集掘进机主轴承在运行过程中的振动信号，有利于准确判断掘进机主轴承的健康状态。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例中主轴承状态监测方法的流程图；

图2是本发明实施例中故障能力占比计算的示意图；

图3是本发明实施例中主轴承状态监测系统的结构示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

实施例1：

参阅图1，本实施例公开了一种用于掘进机的主轴承状态监测方法，步骤如下：

步骤S1：采集原始振动信号，具体是，采集主轴承外圈位置的原始振动信号。

需要说明的是，实际采集的原始振动信号在采集和传输过程中会受到各种因素的干扰，因此首先可以考虑对原始振动信号进行降噪处理，修正波形的畸变，削弱信号中的多余成分，尽可能还原信号的真实面貌。

步骤S2：修正原始振动信号，具体是，通过降噪算法处理原始振动信号，得到振动信号。

需要说明的是，所述降噪算法通过时频域分解算法，将原始振动信号进行分解后，筛分其中能够突出故障信息的一个或几个敏感分量，忽略其余分量，实现信号降噪。

本实施例优选的降噪算法为CEEMDAN算法，下面介绍降噪算法CEEMDAN算法的原理：

在原始振动信号x(t)中多次加入具有标准正态分布的白噪声ω(t)，且每次的ω(t)均不一样，则添加第i次白噪声的信号可表示为

xⁱ(t)＝x(t)+β₀ωⁱ(t)  (1)

式中，i＝1,2,...,I，I表示试验次数；β₀为噪声系数，本实施例可以根据β₀选择不同的信噪比。

进一步地，定义E_k(·)为EMD(经验模态分解)获得的第k个本征模态分量，

为CEEMDAN获得的第k个本征模态分量，则CEEMDAN算法的实现步骤如下：

步骤1：对i＝1,2,...,I，利用EMD对信号xⁱ(t)＝x(t)+β₀ωⁱ(t)进行I次分解，则

为每次分解的IMF₁均值，即第一个本征模态分量，表达式如下：

步骤2：计算第一残差分量，第一残差分量的表达式如下：

步骤3：构造信号r₁(t)+β₁E₁[ωⁱ(t)]，利用EMD对该信号进行分解，这里i取值仍旧为1,2,...,I。则第二个本征模态分量

定义如下：

步骤4：计算残差分量，计算表达式如下：

其中，r_k(t)表示第k个残差分量。

步骤5：构造信号r_k(t)+β_kE_k[ωⁱ(t)]，利用EMD对该信号进行分解，则第k+1个本征模态分量

的表达式如下：

步骤6：重复步骤4和5，直至计算出的残差分量无法再进行EMD处理，即获得最终的残差分量R(t)，则原始振动信号x(t)被分解为

由上述步骤可知，CEEMDAN算法的分解过程完整，实现了对原始振动信号x(t)的重构。

步骤S3：提取振动信号的特征值集合，具体是，采用步骤S2中的振动信号提取特征参数，降维所述特征参数得到混合域特征集。

所述特征参数包括有效值、峰值、均值、峭度、峰值因子、脉冲因子、故障能量占比、样本熵、包络熵和模糊熵，采用PCA算法(主成分分析算法)对所述特征参数降维后得到混合域特征集，保留低阶主成分，忽略高阶主成分，且减少采集到的特征参数的维数，同时保持特征参数中对方差贡献最大的特征，所述混合域特征集包括样本熵、故障能量占比、峭度和有效值。

选取振动信号的特征参数计算公式如下：

①样本熵SampEn(以下简称为S)，所述样本熵为求取一个时间序列在模式上的自相似程度的特征参数，对于一个信号序列的变化，可以利用样本熵值的改变达到有效识别的目的。样本熵SampEn的计算过程如下：

其中，m表示模式维数，m可取1或2；

B^m _i(r)为近似数量；Z表示采集到的信号序列数；r表示相似容限。需要说明的时，r若取值过大，会导致有用信息丢失；若取值过小，无法获取理想的统计效果。

进一步地，实际中r可按下式取值。

r＝(0.1-0.25)Std  (9)

其中，Std为振动信号{x(t)}＝x(1),x(2),...,x(t)的标准差。

②故障能量占比R：

故障能量占比R的定义为故障特征频率f_t及其二倍频2f_t处的能量与信号频谱中对应频段能量比值之和，参阅图2，其中，幅值A反映了信号频域转换后的大小。

在图2中，f_t为计算出的理论故障特征频率，实际故障特征频率值会因为轴承元件的尺寸偏差、轴承转速变化和负载变化等因素的综合影响，与理论值之间可能存在微小差异，故计算故障能量时将f_t修正为一个窄带的频率范围[f_t-Δf_t,f_t+Δf_t]，这里可以取Δf_t＝5Hz。之后计算一倍频故障特征频率f的能量E₁，表达式如下：

其中，A_j为[f_t-5,f_t+5]范围内解算出的各离散频率的幅值。

为避免其他频段内信号能量对计算结果的影响，按式(11)计算一倍频范围内频域信号的总能量E_1a，这里一倍频范围取[0.5f_t,1.5f_t]。

计算一倍频故障能量E₁与总能量E_1a的比值R₁，R₁＝E₁/E_1a。同理计算二倍频故障特征频率2f的能量E₂与总能量E_2a的比值R₂＝E₂/E_2a。这里考虑到理论故障特征频率与实际频率的偏差在计算二倍频时会进一步增大，修改2f的范围为[2f-2Δf,2f+2Δf]，同样取Δf＝5Hz。二倍频范围取[1.5f,2.5f]，则二倍频故障特征频率2f_t的能量E₂、二倍频范围内频域信号的总能量E_2a，以及二者的比值R₂可按式(12)计算。

将计算出的两个能量比值相加，即可得到故障能量占比R，作为评价故障特征频率f_t处是否存在故障信息的指标。

③峭度K：

其中，x_i为振动信号的采样值；N为振动信号x(t)的采样长度；

为采样值的均值；σ为采样值的标准差。

④有效值X_rms：

其中，x_i为振动信号的采样值。

步骤S4，判断主轴承状态，具体是，根据步骤S3中的混沌域特征集建立主轴承振动特征值函数，当混沌域特征集中的参数处于对应的主轴承振动特征值函数所在区间时，主轴承为健康状态，当混沌域特征集中的参数不处于对应的主轴承振动特征值函数所在区间时，主轴承为不健康状态。

具体的，建立时间段△t及其对应的掘进机主轴承振动的特征值△S、△R、△K和△X_rms之间的函数关系，则有△S＝s(△t)、△R＝r(△t)、△K＝k(△t)和△X_rms＝x(△t)，其中s、r、k和x分别表示各自对应的函数。则可推断出在t+△t时刻附近对应的主轴承振动特征值：

①样本熵特征值S_(t+Δt)：

②故障能量占比特征值R_(t+Δt)：

③峭度特征值K_(t+Δt)：

④有效值特征值X_(t+Δt)：

当掘进机主轴承处于健康状态时，需满足S∈[s₁,s₂]、R∈[r₁,r₂]、K∈[k₁,k₂]、X_rms∈[x₁,x₂]等条件，其中，s₁和s₂为根据S(t+△t)确定的上下限、r₁和r₂为根据R(t+△t)确定的上下限、k₁和k₂为根据K(t+△t)确定的上下限、x₁和x₂为根据X_rms(t+△t)确定的上下限，反之掘进机主轴承处于不健康状态。

应用本实施例判断出掘进机主轴承的健康状态后，可以记录试验过程中轴承振动信号特征值与轴承状态的映射关系，建立主轴承健康振动数据库和不健康振动数据库。健康振动数据库包括原始振动信号及其采样条件(轴承型号、转速、采样率、传感器布局等)、时频域特征集、健康状态等，以及数据库的组织结构、参数封装形式、数据库接口设计等。不健康振动号数据库包括故障类型、故障恶劣程度标记、故障特征向量集等，以及故障特征向量的敏感程度、故障模式与振动特征库的映射关系等。数据库可方便后续添加、删除或修改数据。将实际采集的振动信号同健康振动数据库和不健康振动数据库里的信号进行对比，来快速辨识和诊断轴承健康状态。

另外，参阅图3，本实施例还公开了一种主轴承状态监测系统，全面监测掘进机主轴承的运行状况振动信号。所述主轴承状态监测系统包括振动传感器组、多路信号调理器、数据采集卡和计算机设备，振动传感器组包括多组均匀布置在主轴承外圈软带位置上的振动传感器1到振动传感器n，所述振动传感器1到振动传感器n均连接多路信号调理器，所述多路信号调理器连接数据采集卡，所述数据采集卡连接计算机设备，所述计算机设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时实现如上述的主轴承状态监测方法。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于掘进机的主轴承状态监测方法，其特征在于，步骤如下：

步骤S1：采集原始振动信号，具体是，采集主轴承外圈位置的原始振动信号；

步骤S2：修正原始振动信号，具体是，通过降噪算法处理原始振动信号，得到振动信号；

步骤S3：计算混合域特征集，具体是，对步骤S2中的振动信号提取特征参数，对所述特征参数降维得到混合域特征集；

步骤S4：判断主轴承状态，具体是，根据步骤S3中的混沌域特征集建立主轴承振动特征值函数，当混沌域特征集中的参数处于对应的主轴承振动特征值函数所在区间时，主轴承为健康状态，当混沌域特征集中的参数不处于对应的主轴承振动特征值函数所在区间时，主轴承为不健康状态。

2.根据权利要求1所述的主轴承状态监测方法，其特征在于，在步骤S2中，所述降噪算法为CEEMDAN算法。

3.根据权利要求2所述的主轴承状态监测方法，其特征在于，在步骤S3中，所述特征参数包括有效值、峰值、均值、峭度、峰值因子、脉冲因子、故障能量占比、样本熵、包络熵和模糊熵，采用PCA算法对所述特征参数降维后得到混合域特征集，所述混合域特征集包括样本熵、故障能量占比、峭度和有效值。

4.根据权利要求3所述的主轴承状态监测方法，其特征在于，在步骤S3中，所述样本熵的计算方式如下：

其中，m表示模式维数；

B^m _i(r)为近似数量；Z表示采集到的信号序列数；r表示相似容限。

5.根据权利要求4所述的主轴承状态监测方法，其特征在于，在步骤S3中，相似容积的取值方式如下：

r＝(0.1-0.25)Std；

其中，Std为振动信号的标准差。

6.根据权利要求3所述的主轴承状态监测方法，其特征在于，在步骤S3中，所述故障能量比为故障特征频率及其二倍频处的能量与信号频谱中对应频段能量比值之和。

7.根据权利要求3所述的主轴承状态监测方法，其特征在于，在步骤S3中，所述峭度的表达式如下：

其中，K表示峭度；N为振动信号x(t)的采样长度；x_i为振动信号的采样值；

为采样值的均值；σ为采样值的标准差。

8.根据权利要求3所述的主轴承状态监测方法，其特征在于，在步骤S3中，所述有效值的表达式如下：

其中，X_rms表示有效值，N为振动信号x(t)的采样长度；x_i为振动信号的采样值。

9.一种用于掘进机的主轴承状态监测系统，其特征在于，包括振动传感器组、多路信号调理器、数据采集卡和计算机设备，振动传感器组包括多组均匀布置在主轴承外圈软带位置上的振动传感器，所述振动传感器均连接多路信号调理器，所述多路信号调理器连接数据采集卡，所述数据采集卡连接计算机设备，所述计算机设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8任意一项所述的主轴承状态监测方法。

Images