基于局部均值分解和灰色關(guān)聯(lián)的滾動軸承檢測方法
【專利摘要】本發(fā)明基于局部均值分解和灰色關(guān)聯(lián)的滾動軸承檢測方法屬于機械工程領(lǐng)域的滾動軸承的故障檢測方法，涉及一種基于局部均值分解的模糊熵算法和灰色關(guān)聯(lián)的滾動軸承故障檢測方法。檢測方法利用加速度傳感器采集運行狀態(tài)下的滾動軸承振動加速度信號，包括無故障的正常軸承和有內(nèi)圈、滾動體或外圈故障的軸承振動加速度信號。再對采集的加速度信號進行LMD分解，得到若干乘積函數(shù)PF分量和殘差；采用灰色關(guān)聯(lián)算法計算測試樣本與標準矩陣的灰色關(guān)聯(lián)度，進而進行故障模式識別。該識別方法能夠有效的進行振動信號的特征提取，克服了EMD分解具有嚴重過模態(tài)混疊、端點效應的現(xiàn)象以及PF分量數(shù)據(jù)量大不能作為特征向量的問題，實現(xiàn)滾動軸承運行狀態(tài)的有效識別。
【專利說明】
基于局部均值分解和灰色關(guān)聯(lián)的滾動軸承檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于機械工程領(lǐng)域的滾動軸承的故障檢測方法，具體涉及一種基于局部均 值分解的模糊熵算法和灰色關(guān)聯(lián)的滾動軸承故障檢測方法。
【背景技術(shù)】
[0002] 機械設(shè)備中滾動軸承是非常重要的零部件，在日常生活、工業(yè)生產(chǎn)以及國防建設(shè) 等各個領(lǐng)域應用極為廣泛。滾動軸承的運行狀態(tài)的好壞直接影響著整臺設(shè)備運行的穩(wěn)定 性、可靠性以及壽命。因此，滾動軸承的狀態(tài)監(jiān)測和故障診斷技術(shù)，對于安全生產(chǎn)，減小經(jīng)濟 損失，保證機械安全穩(wěn)定的運行具有十分重要的作用。
[0003] 由于滾動軸承受工作環(huán)境的影響，滾動軸承的故障信號大都是非平穩(wěn)、非線性信 號，很難提取到滾動軸承的故障特征。當前，對于非平穩(wěn)、非線性的滾動軸承信號的處理方 法有很多，主要有Wigner分布、經(jīng)驗模式分解(Empirical Mode Decomposition，EMD)，但都 有比較明顯的局限性，例如，Wigner分布對多分量信號進行分析時會產(chǎn)生交叉項;小波變換 處理信號缺乏自適應性;EMD分解雖是自適應信號處理方法，但EMD分解會造成過模態(tài)混疊、 端點效應等現(xiàn)象。
[0004] 局部均值分解(Local Mean Decomposition,LMD)是一種新的自適應非平穩(wěn)信號 處理方法。LMD分解與EMD分解相比，具有更高的信號的完整性保持能力，減少了迭代次數(shù)， 同時能夠更好地避免超調(diào)對信號分解的影響。程軍圣、張亢和楊宇等在《振動與沖擊》2009 年第28卷第5期發(fā)表的論文《局部均值分解與經(jīng)驗模式分解的對比研究》中對LMD和EMD方法 進行了對比，結(jié)果表明在端點效應、迭代次數(shù)等方面LMD方法要優(yōu)于EMD方法。由于滾動軸承 的加速度信號經(jīng)LMD分解為若干的乘積函數(shù)分量(Pr 〇duCtfuncti〇n，PF)含有大量的數(shù)據(jù) 量，無法直接作為分類的標準樣本。熵值是一種表征信號復雜程度的指標，能夠有效的降低 特征向量的維數(shù)，充分表征信號的特征信息。模糊熵(FuzzyEn)對樣本熵、近似熵進行了改 進，在數(shù)據(jù)獨立性和相對一致性方面更加突出。因此采用模糊熵算法計算PF分量的模糊熵 值，作為更簡單的故障特征向量。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的是克服現(xiàn)有技術(shù)的缺陷，發(fā)明一種基于局部均值分解和灰色關(guān)聯(lián)的滾 動軸承檢測方法，通過對軸承加速度信號的分析，進而識別出軸承的運行狀態(tài)。采用基于 LMD模糊熵算法和灰色關(guān)聯(lián)的滾動軸承檢測方法，克服了 EMD分解具有嚴重過模態(tài)混疊、端 點效應的現(xiàn)象以及PF分量數(shù)據(jù)量大不能作為特征向量的問題，實現(xiàn)滾動軸承運行狀態(tài)的有 效識別。
[0006] 本發(fā)明采用的技術(shù)方案是一種基于局部均值分解和灰色關(guān)聯(lián)的滾動軸承檢測方 法，其特征是，檢測方法采用基于LMD模糊熵算法和灰色關(guān)聯(lián)相結(jié)合的計算方法，方法的具 體步驟如下：
[0007] 步驟一:利用加速度傳感器采集運行狀態(tài)下的滾動軸承振動加速度信號，包括無 故障的正常軸承和有內(nèi)圈故障、滾動體故障或外圈故障的軸承振動加速度信號；
[0008] 步驟二:對采集的加速度信號進行LMD分解，得到若干乘積函數(shù)PF分量和殘差；
[0009] 1)確定x(t)的所有局部極值點ru，計算相鄰極值點m和m+i的平均值mi和包絡估計 值ai，即：
[0012]用直線將所有相鄰兩個極值點的平均值nu連接起來，再利用滑動平均法對連線進 行平滑處理，得到局部均值函數(shù)11^(〇，（」=1，2，一士=1，2，一）；同樣，用直線把所有相鄰 包絡估計值&1連接起來，再利用滑動平均法對連線進行平滑處理，得到包絡估計函數(shù)a jk (t), (j = l ,2,··· ；k=l ,2··· ；k=)；
[0013] 2)把局部均值函數(shù)mjk(t)從原始信號x(t)中分離出來，得到函數(shù)h jk⑴為
[0014] hjk(t)=x(t)-mjk(t), (j = l ,2,··· ；k=l ,2··· ；k=) (3)
[0015] 3)用hjk⑴除以包絡估計函數(shù)ajk⑴對hjk⑴進行解調(diào)，得到調(diào)頻信號以⑴為
[0017]理想的s訴(t)是一個純調(diào)頻信號，其局部包絡函數(shù)滿足aj(k+1) = l;如果不滿足，則 把sjk(t)作為原始信號重復上述的步驟，直到得到純調(diào)頻信號~n(t)，即滿足 1，它的局部包絡函數(shù)a j(n+1)(t) = 1，有
[0022] 在實際應用中，為避免過多的分解次數(shù)，設(shè)一個變動量Δ，滿足1-Δ <ajn(tH 1+ A，迭代結(jié)束；
[0023] (4)將產(chǎn)生的局部包絡函數(shù)相乘得到包絡信號，即PF分量的瞬時幅值，即
[0024] aj(t)=aji(t)aj2(t)…ajn(t)，（ j = l，2，···） (8)
[0025] 5)將包絡信號a」(t)和純調(diào)頻信號sjn(t)相乘，得到原始信號的第一個PF分量，即
[0026] PFj(t)=aj(t)sjn(t), (j = l ,2,···) (9)
[0027] PFKt)包含了原始信號中最高頻率成分，是一個單分量的調(diào)幅-調(diào)頻信號，包絡信 號a」(t)就是其瞬時幅值，其瞬時頻率灼(t)由純調(diào)頻信號s jn(t)求出，即
[0029] 6)將PFKt)從原始信號x(t)中分離出來，得到一個時間信號m(t)，把m(t)作為原 始信號重復上述步驟，循環(huán)P次，直到uP (t)為一個單調(diào)函數(shù)。
[0031]原始信號被分解為了 p個PF分量和一個單調(diào)函數(shù)uP(t)之和，即
[0033]步驟三:對軸承正常、內(nèi)圈故障、滾動體故障和外圈故障四種狀態(tài)各取5組數(shù)據(jù)作 為標準樣本，計算5組樣本前3個PF分量的模糊熵值，取其均值作為標準矩陣；
[0034]步驟四：四種工況各取3組數(shù)據(jù)作為測試樣本，提取其前3個PF分量的模糊熵，采用 灰色關(guān)聯(lián)算法計算測試樣本與標準矩陣的灰色關(guān)聯(lián)度，進而進行故障模式識別；
[0035]灰色關(guān)聯(lián)分析的一般過程：
[0036] 1)選擇適當?shù)奶卣鲄?shù)組成狀態(tài)模式向量
[0037] x=[x(l)，x(2)，···，x(k)，···，x(n)](k = l，2，···，n) (13)
[0038] 2)確定所要分類的狀態(tài)個數(shù)，構(gòu)造標準狀態(tài)模式向量或矩陣
[0039] Xi= [xi(l)，xi(2)，…，xi(n)](i = 1，2,…，m) (14)
[0040] 3)提取待檢軸承的狀態(tài)模式向量
[0041] Y=[y(l)，y(2)，···，y(n)] (15)
[0042] 4)分別計算待檢軸承的狀態(tài)模式向量Y與m個標準模式向量乂1在1^點的關(guān)聯(lián)系數(shù)
[0044] 式中：ξ是分辨系數(shù)，是一個預先選定的常數(shù)，一般可取ξ < 0.5 ;△ min是狀態(tài)模式向 量Y與標準模式向量Xl中各元素的最小絕對差值，即
[0045]
[0046] Δ max為狀態(tài)模式向量Y與標準模式向量Xi中各元素的最大絕對差值，即
[0047]
[0048] △ i(k)為狀態(tài)模式向量Y與標準模式向量Xi中元素k的絕對差值，即
[0049] Ai(k)= |y(k)-xi(k) |，（k=l，2，."，n;i = l，2，."，m) (19)
[0050] 5)分別計算待檢模式向量Y與標準模式向量關(guān)聯(lián)度
[0052] 將待測模式向量與m個標準模式向量的關(guān)聯(lián)度由大到小排序，根據(jù)關(guān)聯(lián)度的大小 確定待檢軸承屬于哪一標準模式的可能性更大，并推斷軸承的故障程度;通過上述計算將 多個參數(shù)凝聚成為一個參數(shù)，即灰色關(guān)聯(lián)度;灰色關(guān)聯(lián)度定量表征待檢模式向量與標準模 式向量間的總體平均接近程度，因而可以用于滾動軸承的狀態(tài)分類和故障診斷。
[0053] 本發(fā)明的有益效果為:針對滾動軸承故障振動信號非線性、非高斯和非平穩(wěn)的特 點，采用LMD分解方法可以自適應的處理信號，能夠得到原始信號完整的時頻分布;采用PF 分量的模糊熵值作為特征向量，克服了 PF分量數(shù)據(jù)量大，無法作為特征向量的缺點；該識別 方法能夠有效的進行振動信號的特征提取，準確地對正常、內(nèi)圈故障、滾動體故障和外圈故 障四種軸承狀態(tài)的識別。
【附圖說明】
[0054]圖1為檢測方法的流程圖；
[0055] 圖2a)為軸承內(nèi)圈故障狀態(tài)的時域波形圖，圖2b)為軸承滾動體故障狀態(tài)的時域波 形圖，圖2c)為軸承正常狀態(tài)的時域波形圖，圖2d)為軸承外圈故障狀態(tài)時域波形圖。
【具體實施方式】
[0056] 下面結(jié)合附圖和技術(shù)方案對本發(fā)明的實施作詳細說明。
[0057] 圖1為檢測方法的流程圖，該試驗所用的電機功率為1.5KW，測試所用軸承的型號 為SKF6205。軸承轉(zhuǎn)速為1750r/min，采樣頻率為12KHz，故障直徑為0.1778mm，軸承的內(nèi)圈、 外圈和滾動體故障均用電火花人為加工而成。軸承的運行狀態(tài)分為正常、內(nèi)圈故障、滾動體 故障和外圈故障，四種軸承狀態(tài)的時域波形圖如圖2所示。檢測方法的具體步驟如下：
[0058]第一步利用加速度傳感器采集滾動軸承的振動加速度信號，包括無故障的正常軸 承和有內(nèi)圈故障、滾動體故障或外圈故障的軸承振動加速度信號。
[0059]第二步將采集的原始信號采用LMD分解，分解為若干的PF分量和一個殘差，每一個 PF分量都是由一個包絡函數(shù)與一個純調(diào)頻函數(shù)相乘所得。由于經(jīng)過LMD分解后得到的PF分 量包含了大量的數(shù)據(jù)，無法直接用作故障特征向量，因此采用模糊熵方法計算PF分量的模 糊熵值來作為特征向量，提取滾動軸承的狀態(tài)特征向量。
[0060] 第三步將正常、內(nèi)圈故障、滾動體故障和外圈故障軸承四種狀態(tài)各取5組數(shù)據(jù)作為 標準樣本，每組數(shù)據(jù)1024個點，計算每組數(shù)據(jù)的PF分量，取5組的平均值組成標準矩陣。
[0061] 第四步計算5組樣本前3個PF分量的模糊熵值，取其均值作為標準矩陣，表一是LMD 分解后的模糊熵均值。
[0062]表一 LMD分解后的模糊熵均值
[0064] 第五步采用灰色關(guān)聯(lián)算法計算測試樣本與標準矩陣的灰色關(guān)聯(lián)度，進而進行故障 模式識別；分別計算待檢模式向量Y與標準模式向量關(guān)聯(lián)度，將關(guān)聯(lián)度由大到小排序， 根據(jù)關(guān)聯(lián)度的大小確定待檢軸承屬于哪一標準模式的可能性更大，并推斷軸承的故障程 度;將多個參數(shù)凝聚成為一個參數(shù)，即灰色關(guān)聯(lián)度;灰色關(guān)聯(lián)度定量表征待檢模式向量與標 準模式向量間的總體平均接近程度，因而可以用于滾動軸承的狀態(tài)分類和故障診斷。
[0065] 軸承四種狀態(tài)各取3組數(shù)據(jù)作為測試樣本，提取其前3個PF分量的模糊熵，采用灰 色關(guān)聯(lián)算法計算測試樣本與標準矩陣的灰色關(guān)聯(lián)度，進而進行故障模式識別。若關(guān)聯(lián)度越 大，說明二者的相似程度越高，由此來分辨待測樣本的故障模式，表二灰色關(guān)聯(lián)度計算結(jié) 果。
[0066]表二灰色關(guān)聯(lián)度計算結(jié)果
[0067]
[0068] 從表二中可以看出，基于局部均值分解和灰色關(guān)聯(lián)的方法很好地識別軸承故障狀 態(tài)，可以廣泛用于滾動軸承的故障檢測。
【主權(quán)項】
1. 一種基于局部均值分解和灰色關(guān)聯(lián)的滾動軸承檢測方法，其特征是，檢測方法采用 基于LMD模糊熵算法和灰色關(guān)聯(lián)相結(jié)合的計算方法，方法的具體步驟如下： 步驟一:利用加速度傳感器采集運行狀態(tài)下的滾動軸承振動加速度信號，包括無故障 的正常軸承和有內(nèi)圈故障、滾動體故障或外圈故障的軸承振動加速度信號； 步驟二:對采集的加速度信號進行LMD分解，得到若干乘積函數(shù)PF分量和殘差； 1) 確定x(t)的所有局部極值點m，計算相鄰極值點m和ru+i的平均值mi和包絡估計值ai, 即：用直線將所有相鄰兩個極值點的平均值nu連接起來，再利用滑動平均法對連線進行平 滑處理，得到局部均值函數(shù)_(〇，（」=1，2，~士=1，2，~）；同樣，用直線把所有相鄰包絡 估計值&1連接起來，再利用滑動平均法對連線進行平滑處理，得到包絡估計函數(shù)a jk(t)，（j =1，2,…;k=l，2,…）； 2) 把局部均值函數(shù)mjk(t)從原始信號x(t)中分離出來，得到函數(shù)hjk⑴為 hjk(t) = x(t)-mjk(t), (j = 1,2,---^= 1,2,···) (3) 3) 用hjk⑴除以包絡估計函數(shù)ajk⑴對hjk⑴進行解調(diào)，得到調(diào)頻信號s jk(t)為理想的sjk(t)是一個純調(diào)頻信號，其局部包絡函數(shù)滿足aj(k+1) = l;如果不滿足，則把sjk (t)作為原始信號重復上述的步驟，直到得到純調(diào)頻信號sjn(t)，即滿足-1 < 1，它 的局部包絡函數(shù)aj(n+l) ( t) = 1，有一般迭代終止條件為在實際應用中，為避免過多的分解次數(shù)，設(shè)一個變動量△，滿足1-Δ <ajn(tHl+A，迭 代結(jié)束； (4)將產(chǎn)生的局部包絡函數(shù)相乘得到包絡信號，即PF分量的瞬時幅值，即 aj(t)=aji(t)aj2(t)~ajn(t)，（j = l，2^··) (8) 5) 將包絡信號％(t)和純調(diào)頻信號sp(t)相乘，得到原始信號的第一個PF分量，即 PFj(t)=aj(t)sjn(t), (j = l,2,···) (9) PFj(t)包含了原始信號中最高頻率成分，是一個單分量的調(diào)幅-調(diào)頻信號，包絡信號 (t)就是其瞬時幅值，其瞬時頻率f」(t)由純調(diào)頻信號~⑴求出，即(10) 6) 將PFKt)從原始信號x(t)中分離出來，得到一個時間信號m(t)，把m(t)作為原始信 號重復上述步驟，循環(huán)P次，直到u P(t)為一個單調(diào)函數(shù)；(11) 原始信號被分解為了 P個PF分量和一個單調(diào)函數(shù)uP(t)之和，即(12) 步驟三:對軸承正常、內(nèi)圈故障、滾動體故障和外圈故障四種狀態(tài)各取5組數(shù)據(jù)作為標 準樣本，計算5組樣本前3個PF分量的模糊熵值，取其均值作為標準矩陣； 步驟四：四種工況各取3組數(shù)據(jù)作為測試樣本，提取其前3個PF分量的模糊熵，采用灰色 關(guān)聯(lián)算法計算測試樣本與標準矩陣的灰色關(guān)聯(lián)度，進而進行故障模式識別； 灰色關(guān)聯(lián)分析的一般過程： 1) 選擇適當?shù)奶卣鲄?shù)組成狀態(tài)模式向量 Χ=[χ(1)，χ(2)，···，χ(1〇，···，χ(η)](1?=1，2，···，η) (13) 2) 確定所要分類的狀態(tài)個數(shù)，構(gòu)造標準狀態(tài)模式向量或矩陣 Xi=[xi(l)^xi(2),= 1,2,---^)( 14) 3) 提取待檢軸承的狀態(tài)模式向量 Y=[y(l)，y(2)，."，y(n)] (15) 4) 分別計算待檢軸承的狀態(tài)模式向量Y與m個標準模式向量&在1^點的關(guān)聯(lián)系數(shù)(16) 式中：ξ是分辨系數(shù)，是一個預先選定的常數(shù)，一般可取ξ < 05 △ min是狀態(tài)模式向量Y與 標準模式向量t中各元素的最小絕對差值，即 (17) ?: >\·A max為狀態(tài)模式向量Υ與標準模式向量t中各元素的最大絕對差值，即(18) Δ i(k)為狀態(tài)模式向量Y與標準模式向量Xi中元素 k的絕對差值，即 Ai(k)=|y(k)-xi(k)|，（k=l，2，~，n;i = l，2，~，m) (19) 5) 分別計算待檢模式向量Y與標準模式向量Xi的關(guān)聯(lián)度 (20) 將待測模式向量與m個標準模式向量的關(guān)聯(lián)度由大到小排序，根據(jù)關(guān)聯(lián)度的大小確定 待檢軸承屬于哪一標準模式的可能性更大，并推斷軸承的故障程度。
【文檔編號】G06K9/00GK105865784SQ201610168614
【公開日】2016年8月17日
【申請日】2016年3月23日
【發(fā)明人】馬躍, 楊帥杰, 張旭, 李鐸, 李震
【申請人】大連理工大學