CN111947927A

CN111947927A - 一种基于色度理论的滚动轴承故障检测方法

Info

Publication number: CN111947927A
Application number: CN202010688970.0A
Authority: CN
Inventors: 刘剑慰; 姜斌; 杨蒲
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2020-07-16
Filing date: 2020-07-16
Publication date: 2020-11-17
Anticipated expiration: 2040-07-16
Also published as: CN111947927B

Abstract

本发明涉及一种基于色度理论的滚动轴承故障检测方法，根据采集到的轴承振动信息，采用色度算法计算轴承的类RGB特征，并采用支持向量数据描述算法SVDD进行分类，实现故障检测。本发明属于轴承检测技术领域。本发明叙述的故障检测方法是对轴承易获得的振动信号进行分析，并且快速傅里叶变换将振动序列数据转成频域数据，用3个有重叠的数字过滤器将频域数据转成类RGB数据，并用SVDD作为分类器对其进行分类，获得分别表征正常和故障状态。该方法可为轴承的故障检测提供依据。

Description

一种基于色度理论的滚动轴承故障检测方法

技术领域

本发明涉及一种基于色度理论的滚动轴承故障状态分析装置和方法，属于机电系统故障诊断技术领域。

背景技术

滚珠轴承作为机电系统中常见的支撑和旋转隔离装置，已经广泛应用在各种交直流电机传动和机械转动的场合中。随着生产要求的提高，机电系统在向大功率、高转速方向发展，且越来越多的应用在潮湿高温，以及强冲击等恶劣工况条件下，这导致轴承老化磨损加剧，因轴承故障造成的停产损失乃至事故风险也在增加。所以，对滚动轴承进行实时故障检测具有重要的经济和社会价值。

传统的轴承故障检测主要采用人工检测方法，利用人的感官观察轴承的温度、声音、油液色泽等的变化，以判断轴承是否运行正常。这类方法大部分依赖操作者的工作经验，因而诊断效率低，且难以及时检测轴承潜在故障。

为了能够监测轴承工作状态，国内外公司开发出了一些轴承状态在线监测的产品，例如美国Entek-IRD公司采用峰值能量技术，根据机械峰值能量激发机器自身结构产生自振，将自振频率作为载波频率与故障频率进行调制得到峰值能量谱，从而对故障进行判断；艾默生公司研究的Peak Vue技术，采集和监测轴承的应力波，获得应力波的峰值及其频率，并转换为频谱进行分析；瑞典SKF公司研发的冲击脉冲技术(Shock Pulse Method)，监测滚动轴承工作时的振动加速度，再经包络检波解调后进行分析，判断轴承的运行状态等。国内也有大量学者利用轴承的振动信号进行故障检测，比如何凯等利用变分模态分解法和共振解调技术对滚动轴承进行早期故障检测；袁浩东等运用振动能量诊断其故障特征和区分轴承的状态；姜万录等采用形态差值滤波和差分熵识别轴承内外圈早期故障类型；钱沛云等采用EEMD方法对滚动轴承振动特征进行分解，并运用支持向量机进行模式识别实现故障诊断；李从志等采用精细复合多尺度散布熵与支持向量机方法对滚动轴承进行故障诊断。这些方法都取得了一定效果，但是由于滚动轴承是一个工作状态比较复杂，工作现场干扰严重的对象，如何快速有效的根据轴承运行数据获得其故障特征仍然是吸引众多学者研究的难题。

在给出了以上讨论的问题后，希望设计一种能够收集和快速在线检测滚动轴承故障的方法和装置，它们能够根据轴承的振动情况，检测轴承的异常。

本发明采用转速ω、振动x两种工作信号进行故障分析。融合转速ω，和振动信号形成数据z(k)，再利用z(k)计算轴承状态相关的类RGB信号，根据RGB的变化进行故障分析。本发明所设计的故障检测方法使用方便，可在线进行。

发明内容

本发明所要解决的技术问题是提供一种根据转速、振动信息，进行快速滚动轴承故障检测的方法。方法流程图如图1所示。

本发明为实现上述目的，采用如下技术方案：

1.故障实时检测装置采用计算机及相应数据采集卡、振动传感器、转速传感器组成。故障检测模块以软件形式安装在计算机中。计算机将指令信号发给电机系统，并将当前转速和振动信号回传给数据采集卡，再转换成数字信号给计算机。计算机根据运行参数，计算出数据序列对应的类RGB值，然后根据该值的变化分析轴承健康状态的变化。

2.类RGB计算模块根据滚动轴承振动时间序列数据z(k)计算出类RGB值，其中k为采样时刻，并根据类RGB值进行分类，以判别轴承的健康状态的变化，包括如下具体步骤：

步骤1)，根据转速信号ω转/分，振动数据采样频率f赫兹，计算基准序列长度L：

其中，floor(.)为对数据进行舍尾取整。α一般在3至10之间取值。

步骤2)，以基准序列长度L为长度，以β为重叠比例，对滚动轴承振动时间序列数据z(k)进行切分。形成数组Z

Z＝[z₁ z₂ ... z_i ...] (2)

其中，每个z_i包括L个数据，z_i的起始数据为原始序列的第i*floor(N*(1-β))个数据。

随着测量的持续，数组Z持续扩展。

步骤3)，计算各个z_i的类RGB值，包括如下步骤：

步骤3.1)，对数组中的序列z_i进行快速傅里叶变换FFT，转化成频域的序列p_i。每个p_i中含有L/2+1个数据。

步骤3.2)，设置3个带宽范围有重叠的数字滤波器数组R_f、G_f、B_f，其中，

该数组中最后的0有L/4+1个；

该数组中开始的0有L/4+1个

对每个p_i，用矢量乘法，分别计算类RGB值：

其中，T表示对数组进行转置。

每组Ri，Gi，Bi构成一个3维点。

对刚开始投入运行的新轴承，认为处于正常状态。对测得的初始振动数据，通过步骤1至3获得类RGB值，作为正常状态数据。

步骤4)，对正常状态的RGB数据的空间点集，计算一个包含所有点的超球面，即正常状态超球面，得到球心c和半径r。计算超球面的算法可以采用支持向量数据描述 (SVDD)方法，或者其他机器学习方法。

步骤5)，对待检测的数据，计算类RGB值，以及在RGB空间中与球心c的距离d。根据是否超过超球面的半径的λ倍，判断轴承是否处于正常状态。若超过超球面的半径λ倍，则认为轴承开始出现故障。

其中，λ根据系统环境状况进行选取，一般可以取2倍。

3.在具备轴承正常状态数据集和多种故障状态数据集的情况下，根据步骤1～3，可以计算正常状态和各故障状态类RGB值，在步骤4中分别训练正常状态分类器和故障状态分类器，得到多个超球面。根据待检测数据落在哪个超球面内，可以判断是否故障，以及故障类型。

4.为降低干扰影响，可对同一个轴承安装多个传感器，同时得到多个振动数据x_i(k)， i＝1，...，m。对m组数据进行小波变换，将小波分解的低频部分重构后再平均，得到新的振动数据序列z(k)。

本发明与现有的轴承故障检测技术相比，本发明的有益效果是：

(1)本发明将振动信号转成类RGB值，计算相对方便，且可用色度直观显示，便于人工观察。

(2)本发明计算类RGB值后，可得到空间点阵，便于采用机器学习的人工智能方法进行分类，方法拓展性好。

附图说明

图1是故障实时检测实施流程图；

图2是轴承正常状态和故障状态下的类RGB；

图3是正常数据到圆心距离与检测阈值比较；

图4是故障数据到圆心距离与故障检测阈值比较

具体实施方式

下面结合附图2，对美国凯斯西储大学的轴承故障测试数据的故障检测为例，对本发明专利的实施作进一步说明。

实施方式1：

凯斯西储大学制作的轴承测试实验平台包括一个2马力的电机，一个转矩传感器，一个功率计和电子控制设备。被测试轴承支承电机轴。使用电火花加工技术在轴承上布置了单点故障。实验中使用加速度传感器采集振动信号，加速度传感器分别安装在电机壳体的驱动端和风扇端12点钟的位置。振动信号是通过16通道的DAT记录器采集的。振动信号采样频率为f＝12kHz。轴承型号6205-2RS JEM SKF。

本案例选择正常情况无负载时的测试数据集，计算类RGB值，并计算正常状态的超球面，得到圆心和半径。然后选择驱动端故障的测试数据集，计算类RGB值，以及与正常状态超球面圆心的距离。比较距离值与半径，判断是否出现故障。计算类RGB的过程如下：

步骤1)，根据转速信号ω＝1797转/分，取α＝10，得到基准序列长度L：

其中，floor(.)为对数据进行舍尾取整。

步骤2)，以基准序列长度L为长度，以β的重叠比例对数列z(k)进行切分，β可以在0到90％间选取，在此可以取β＝20％。形成超数组Z

Z＝[z₁ z₂ ... z_i ...]

随着测量的持续，超数组Z持续扩展。

其中，超数组的元素zi的起始数据为原始序列的第i*floor(N*(1-β))个数。

步骤3)，计算各个数组元素对应的类RGB值，包括如下步骤：

步骤3.1)，对数组中的z_i序列进行快速傅里叶变换FFT，转化成频域的序列p_i。每个p_i中含有L/2+1个数据。

该数组中最后的0有L/4+1个；

该数组中开始的0有L/4+1个

对每个p_i，用矢量乘法，分别计算类RGB值：

其中，T表示对数组进行转置。

每组Ri，Gi，Bi构成一个3维点。对正常情况计算RGB数据的空间点集，如图2 的三角点阵所示。

步骤4)，对正常状态数据集，采用支持向量数据描述(SVDD)方法计算一个包含所有点的超球面，即正常状态超球面，得到球心c＝[3.3931，0.812，0.1518]，半径r＝0.0001116。计算超球面的算法还可以采用其他机器学习方法。根据是否超过超球面的半径的λ倍，判断轴承是否处于正常状态。在此取λ＝2，即故障检测阈值0.0002223。如图3所示。

步骤5)，对待检测的数据，按照步骤1至3计算类RGB值，如图2的圆形点阵所示。然后计算RGB点与球心c的距离d。若距离超过阈值，则认为轴承开始出现故障。

如图4所示，故障点的距离超过了阈值，所以可正确无误的判断为故障。

实施方式2：

采用凯斯西储大学的轴承测试实验平台的数据集，包括正常状态Normal、内圈故障 Faultln、滚球故障FaultBall、外圈故障FaultOut，4种状态数据。

步骤1至3与实施方式1中步骤1至3相同，计算得到4种状态的类RGB值。

步骤4)，对4种状态数据集，分别采用支持向量数据描述方法计算超球面，得4个球心和半径。其中正常状态超球面球心c1＝[3.3931，0.812，0.1518]，取λ＝2，即故障检测阈值0.0002223。内圈故障状态超球面球心c1＝[31.3754，6.4175，0.4353]，取λ＝1，即阈值0.0261。滚球故障状态超球面球心c1＝[7.0926，1.2328，0.1373]，取λ＝1，即阈值0.0003906。外圈故障状态超球面球心c1＝[38.6083，7.7409，0.212]，取λ＝1，即阈值0.0943。

步骤5)，对待检测的数据，按照步骤1至3计算类RGB值。然后计算RGB点与各超球面球心c的距离d。若距离小于相应的阈值，则属于该类。如果不属于任何类，则判断为未知类型故障。由此本方法不仅可以进行故障检测，而且可以进行故障分类。

Claims

1.一种基于色度理论的滚动轴承故障检测方法，其特征如下：

根据滚动轴承振动时间序列数据z(k)，k为采样时刻，计算出轴承的类RGB值，根据类RGB值分析轴承的故障状态的变化，包括如下具体步骤：

步骤2)，以基准序列长度L为长度，以β为重叠比例，对滚动轴承振动时间序列数据z(k)进行切分。形成序列组Z

Z＝{z₁ z₂ ... z_i ...} (2)

其中，每个z_i包括L个数据，其起始数据为原始时间序列的第i*floor(N*(1-β))个数据。

随着测量的持续，序列组Z持续扩展。

步骤3)，计算各个z_i的类RGB值，包括如下步骤：

步骤3.1)，对每个z_i序列进行快速傅里叶变换FFT，转化成频域的序列p_i。每个p_i中含有L/2+1个数据。

该数组中最后的0有L/4+1个；

该数组中开始的0有L/4+1个。

对每个p_i，用矢量乘法，分别计算类RGB值：

R_i＝2p_i*R_f ^T

G_i＝p_i*G_f ^T (4)

B_i＝2p_i*B_f ^T

其中，T表示对数组进行转置。

每组Ri，Gi，Bi构成一个3维点。

对刚开始投入运行的新轴承，认为处于正常状态。对测得的初始振动数据，通过以上步骤获得类RGB值，为正常状态数据。

步骤4)，对正常状态的RGB数据的空间点集，计算一个包含所有点的超球面，即正常状态超球面，得到球心c和半径r。计算超球面的算法可以采用支持向量数据描述(SVDD)方法，或者其他机器学习方法。

其中，λ根据系统环境状况进行选取，一般可以取2倍以上。

2.根据权利要求1所述的一种基于色度理论的滚动轴承故障检测方法，其特征在于：在有轴承的故障状态数据集和正常状态数据集的情况下，根据步骤1～3，可以计算正常状态和故障状态类RGB值，在步骤4中分别训练正常状态分类器和故障状态分类器，多个超球面。根据待检测的数据落在哪个超球面内，可以判断是否故障，以及故障类型。