一种CNG压缩机滚动轴承故障特征提取方法与流程

一种cng压缩机滚动轴承故障特征提取方法
技术领域
1.本发明属于旋转机械故障诊断领域，具体涉及一种信号自适应分解和降噪的cng压缩机滚动轴承故障特征提取方法


背景技术：

2.滚动轴承是cng压缩机中的常用零部件，同时也是cng压缩机中最易损坏的元件之一，因此，对cng压缩机中的轴承进行状态检测和故障诊断的必要性体现在：当轴承发生故障时，很可能会出现大型的恶性事故，甚至会造成严重的财产损失和人身伤亡。
3.振动信号处理对于cng压缩机设备状态监测与故障诊断具有重要意义，其主要目的就是将信号中的故障特征提取出来。而在cng压缩机运行过程中，振动信号通常呈现出非平稳、非线性的特性。基于此，众多国内外学者提出了各种信号处理的方法，如短时傅里叶变换、小波分析等。
4.目前，能对信号实现自适应分解的主要方法有经验模式分解(emd)、局部均值分解(lmd)以及经验小波变换(ewt)。但emd和lmd这两种算法的结果中存在着模态混叠的问题，而ewt的分解结果中会出现很多无用的分量。


技术实现要素：

5.为了克服上述算法中的不足，本发明提供了一种新的信号自适应分解和降噪的cng压缩机滚动轴承故障诊断方法。具体来说，该方法通过对信号频谱进行傅里叶变换的方法得到其关键函数，以此自适应地划分信号的频带。随后，利用奇异值分解获得信号各个子带的奇异值，结合奇异值分解的幅值滤波特性选择奇异值，对信号子带进行重构，实现降噪的效果，最终得到故障特征信息。
6.本发明包括如下步骤：
7.第一步：采集振动信号x(t)，并记采样频率为fs，采样点数为n。利用fft算法得到其幅值谱a(f)和相位谱
8.第二步：对幅值谱a(f)再次进行fft，获取信号的关键函数k(f)。选择关键函数的前nk个点进行逆傅里叶变换，从而得到信号的趋势；
9.第三步：取信号趋势的极小值点f
d1
,f
d2
,
…
,f
di
(0《i《n)，以此为边界线，对信号的频谱进行划分，得到信号的子频带band 1、band 2
……
band m，其中0《m《i-1；
10.第四步：选择各个子频带中需要重构的频率分量，步骤如下：
11.将信号子频带中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵j为频带band m的长度
12.构造幅值为1,、频率大小为相位为的正弦信号组
13.分别取正弦信号组的前h(h＝1,2,
…
,k)个信号，该结果记为计算其时域负熵，记为时域负熵的计算公式为
[0014][0015]
式中《
·
》表示均值计算。
[0016]
选取中最大值所对应的迭代次数，记为am，则频率排名矩阵rm中的前am个频率即为需要进行重构的分量；
[0017]
第五步：构造幅值增强后信号xem(t)的公式如下：
[0018][0019]
其中ae为幅值增强的倍数；
[0020]
第六步：利用xem(t)构造hankel矩阵，对其进行奇异值分解。根据奇异值分解的幅值滤波特性，选取前2am个奇异值，并通过简便法实现了信号分量xe'm(t)的重构；
[0021]
第七步：为了保证此算法得出的结果具有可靠性，需要对重构结果进行幅值恢复。因此，信号子带xdm(t)可由下式表示；
[0022][0023]
第八步：对信号子带xdm(t)进行解调处理即可提取出故障特征频率。
[0024]
相比于目前普遍应用的经验小波变换和经验模式分解，奇异分量分解能对频谱进行更为合理地划分，并且还能在分解重构的结果中避免模态混叠现象。
附图说明
[0024]
图1为本发明的滚动轴承故障诊断方法流程图；
[0025]
图2为本发明中振动信号的波形和频谱；
[0026]
图3为本发明中振动信号的包络谱；
[0027]
图4为本发明中振动信号的频谱趋势及边界划分；
[0028]
图5为本发明中振动信号的子频带；
[0029]
图6为本发明中振动信号各子频带中所需重构的频率；
[0030]
图7为本发明中振动信号第二子频带的重构结果；
[0031]
图8为本发明中振动信号第三子频带的重构结果。
具体实施方式
[0032]
本发明方法以某滚动轴承内外圈混合故障信号为例，电机转速为1496r/min，采样频率为15360hz，采样点数为8192。经计算后，该轴承的内圈故障特征频率fi＝122.74hz，外圈故障特征频率为fo＝76.88hz。
[0033]
首先选择有故障的cng压缩机，将压缩机启动起来，利用数据采集器进行数据采集，并将采集的数据传输到电脑中，利用本方法进行后续的数据处理分析。
[0034]
对采集到的信号进行傅里叶变换。图2为采集到的故障信号波形及其频谱。从中可以看出信号的波形中没有明显的周期性冲击，频谱中的边频带成分也较难分辨。
[0035]
在利用包络解调的方法对信号频谱进行处理，得到信号的包络谱，如图3所示。由于噪声较大，包络谱中的有效信息被湮没，很难进行故障诊断。
[0036]
对信号的频谱再次进行fft，获取信号的关键函数。选择关键函数的前20个点进行逆傅里叶变换，从而得到信号的趋势。而后以趋势的极小值点为边界对信号的频谱进行划分。图4表示了信号的频谱趋势及边界划分，其中红线表示频谱趋势；黑线为边界线。图5为信号经划分后得到的子频带。
[0037]
将信号子频带band 1、band 2
……
band7中的频率按照幅值从大到小的顺序排列，获得频率排名矩阵其中j为频带band m的长度，m＝1,2,3,4,5,6,7。
[0038]
然后，构造幅值为1,、频率大小为相位为的正弦信号组如下式所示。
[0039][0040]
再分别取正弦信号组的前h(h＝1,2,
…
,k)个信号依次叠加，该结果记为计算其时域负熵，记为时域负熵的计算公式为：
[0041][0042]
式中《
·
》表示均值计算。
[0043]
选取中最大值所对应的迭代次数，记为am。则频率排名矩阵rm中的前am个频率即为信号子频带band m中需要进行重构的分量。图6为各子频带中频率重构的示意图，其中红色标星的频率即为该频带的重构频率分量。
[0044]
在进行提取信号中单个频率分量的实验过程中，发现奇异值分解幅值滤波特性的存在一点不足之处。当信号中两个频率分量的幅值较为接近时，选择其中一个分量对应的两个非零奇异值进行重构后，其结果中往往存在这两个频率分量成分。
[0045]
因此，对各个子频带中需要重构的分量进行了幅值增强。构造幅值增强后的信号xem(t)(m＝1,2,3,4,5,6)为：
[0046][0047]
选取前2am个奇异值，并通过简便法实现信号分量的重构，得到重构信号xe'm(t)。为了保证得出的结果具有可靠性，需要对重构结果进行幅值恢复。因此，信号子带xdm(t)可由下式表示，其中，m＝1,2,3,4,5,6
[0048][0049]
从图6中可以看出故障信息主要都集中在band 2和band 3中，因此最终只展示了第二子带和第三子带的降噪重构后的波形、频谱以及包络谱的低频部分，如图7和图8所示。
[0050]
在第二子带重构结果的包络谱中，低频部分出现了明显的峰值，其大小为6307轴承的外圈故障特征频率fo及其倍频，由此可以诊断出轴承外圈发生故障。与此同时，在第三
子带重构结果的包络谱中，低频部分同样出现了明显的峰值(图8中圈出的频率成分)，其大小与6307轴承内圈故障特征频率fi及其倍频相似，故可以认为该轴承内圈出现故障。
[0051]
因此，本发明可以有效地对具有cng压缩机复合故障的滚动轴承故障信号进行自适应分解和降噪处理，且结果中故障特征频率突出，诊断效果较好。