一种滚动轴承的故障诊断方法与流程

本发明涉及旋转机械故障诊断技术领域，特别是涉及一种滚动轴承的故障诊断方法。

背景技术：

滚动轴承在工业系统中应用广泛，作为旋转机械的关键部件，其运行状态决定着整个系统的性能，据不完全统计，导致旋转机械出现故障的原因约有30％是因为滚动轴承出现故障。

由此可见，如何实现对滚动轴承的故障诊断以保证设备能够安全、高效的长期运行是本领域技术人员亟待解决地问题。

技术实现要素：

本发明的目的是提供一种滚动轴承的故障诊断方法，用于实现对滚动轴承的故障诊断以保证设备能够安全、高效的长期运行。

为解决上述技术问题，本发明提供一种滚动轴承的故障诊断方法，包括：

获取滚动轴承的振动信号；

利用EMD经验模态分解算法将所述振动信号进行信号分解得到分解信号；

采用PeakVue对所述分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；

计算所述滚动轴承的故障频率；

将所述频谱信号和所述故障频率进行对比得到所述滚动轴承的故障诊断结果。

优选地，在所述利用EMD经验模态分解算法将所述振动信号进行信号分解得到分解信号之前还包括：对所述振动信号进行滤波；

其中，通过高通滤波器对所述振动信号进行滤波。

优选地，所述高通滤波器的截止频率为所述振动信号的最大频率的3-4倍。

优选地，所述振动信号为振动加速度信号；

其中，通过振动加速度传感器获取所述振动加速度信号。

优选地，所述采用PeakVue对所述分解信号进行峰值提取、包络检波和时域和频域的转换得到频谱信号具体包括：

以预定采样时间间隔对所述分解信号进行峰值提取得到峰值提取信号；

利用希尔伯特变换对所述峰值提取信号进行处理得到包络信号；

利用FFT变换对所述包络信号进行变换得到所述频谱信号。

优选地，所述预定采样时间间隔为所述振动信号的最大频率的2.56倍的倒数。

优选地，所述故障频率具体包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率。

优选地，所述将所述频谱信号和所述故障频率进行对比得到所述滚动轴承的故障诊断结果具体为：

利用所述频谱信号得到频谱图；

判断所述频谱图中的频率范围是否包含所述外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率以及各自的整数倍频率；

如果是，则输出故障提示信息；

如果否，则输出正常提示信息；

其中，所述故障诊断结果包括所述故障提示信息和所述正常提示信息。

本发明所提供的滚动轴承的故障诊断方法，包括获取滚动轴承的振动信号；利用EMD经验模态分解算法将振动信号进行信号分解得到分解信号；采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；计算滚动轴承的故障频率；将频谱信号和故障频率进行对比得到滚动轴承的故障诊断结果。由此可见，通过采用EMD经验模态分解算法与PeakVue方法结合可以实现对滚动轴承的故障诊断，更为重要的是，该方法可以在线完成，保证设备能够安全、高效的长期运行。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种滚动轴承的故障诊断方法的流程图；

图2为本发明实施例提供的振动信号滤波前和滤波后的时域波形图；

图3为本发明实施例提供的EMD分解，分解后的第一分量与第二分量的时域波形图；

图4为本发明实施例提供的第一分量峰值提取前和峰值提取后的时域波形图；

图5为本发明实施例提供的第一分量的PeakVue频谱图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

本发明的核心是提供一种滚动轴承的故障诊断方法。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

在滚动轴承的故障诊断中，早期的轻微故障信息常常被噪声所淹没，很难发现和提取出来，因此需要找到一个有效的信号处理方法来提高滚动轴承振动信号的信噪比，以便突出其故障特征，而传统的信号处理技术在处理振动信号这种非线性的信号时效果不好或局限性较大，这限制着滚动轴承故障诊断的进一步发展和研究。

图1为本发明提供的一种滚动轴承的故障诊断方法的流程图。如图1所示，滚动轴承的故障诊断方法包括：

S10：获取滚动轴承的振动信号。

在具体实施方式中，振动信号可以为振动速度信号、振动加速度信号等。但是在实际应用中，振动加速度信号更能真实反映滚动轴承的故障特征，因此，作为一种优选地实施方式，振动信号为振动加速度信号。通过振动加速度传感器获取振动加速度信号，在具体操作中，通过磁座将振动传感器吸附在滚动轴承座上以获取振动加速度信号。

S11：利用EMD经验模态分解算法将振动信号进行信号分解得到分解信号。

采用EMD分解过程为：

1)对任意给定的信号x(t)，首先找出信号x(t)的所有的极大值和极小值点，然后用三次样条曲线连接所有的极大值形成上包络线，对所有极小值运用同样方法构造下包络线。求上、下包络线的平均值m₁，信号x(t)和m₁的差值记为h₁，则得到：

h₁＝x(t)-m₁ (公式1)

将h₁视为x(t)，重复上述步骤，直到h_i满足两个条件时，则其成为从原始信号剥离出来的第一阶分量，记为c₁。

上述两个条件为：一是其极值点个数和过零点数相同或最多相差一个，二是其上下包络关于时间轴局部对称。

2)将c₁从x(t)中剥离出来，剩下一个去掉高频振动模态的r₁，即得到：

r₁＝x(t)-c₁ (公式2)

把r₁作为新的x(t)，重复步骤1)，直到第N阶的残余信号为单调函数，不能再分解出分量。

r_N＝r_N-1-c_N (公式3)

由上述分解方法可知，x(t)被分解成N个可分离分量和一个残余项，即得到：

上式中：r_N(t)为残余项，代表信号的平均趋势；各分量c_i(t)代表信号从高频到低频的成分，每一频率段所包含的频率成分是不同的，同一个分量中，不同时刻的瞬时频率也是不同的，这种不同频率成分的局部时间分布是随信号本身变化而改变的。

S12：采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号。

在对振动信号进行EMD分解后，采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号。

S13：计算滚动轴承的故障频率。

在具体实施中，故障频率可以包括外圈故障频率、内圈故障频率、滚动体故障频率或保持架故障频率等。要计算各个故障频率首先要查询滚动轴承信息，该信息包括滚珠个数n，滚动体直径d，轴承直径D，滚动体接触角α等，并获取轴承转速r，单位：转/分钟。

根据以下公式计算滚动轴承故障频率：

S14：将频谱信号和故障频率进行对比得到滚动轴承的故障诊断结果。

可以理解的是，上述公式5-8计算出的频率是对应的硬件发生故障时的频率，如果在频谱信号中有对应的频率则说明对应的硬件就发生故障。另外，在试验过程中发现，故障频率的整数倍的幅值也较大，因此，在对比过程中，还可以加入故障频率的整数倍的分析，本实施例不作限定。另外，由于滚动轴承的内圈、外圈、滚动体和保持架都是金属，容易产生碰撞，因此，振动信号容易受到干扰。为了优化本方案，在步骤S14的比对过程中，可以对故障频率设置一个区间，在这个区间内如果幅值较大，也可以判断为故障，本实施例不再赘述。

本实施例提供的滚动轴承的故障诊断方法，包括获取滚动轴承的振动信号；利用EMD经验模态分解算法将振动信号进行信号分解得到分解信号；采用PeakVue对分解信号进行峰值提取、包络检波以及时频域的转换得到频谱信号；计算滚动轴承的故障频率；将频谱信号和故障频率进行对比得到滚动轴承的故障诊断结果。由此可见，通过采用EMD经验模态分解算法与PeakVue方法结合可以实现对滚动轴承的故障诊断，更为重要的是，该方法可以在线完成，保证设备能够安全、高效的长期运行。

在上述实施例的基础上，还包括：对振动信号进行滤波；

其中，通过高通滤波器对振动信号进行滤波。

通过滤波可以降低干扰信号对振动信号本身的影响。为了实现较好的滤波效果，办法实施例中采用高通滤波器对振动信号进行滤波。作为优选地，高通滤波器的截止频率为振动信号的最大频率的3-4倍。在具体实施中，可以将内圈故障频率作为振动信号的最大频率，即高通滤波器的截止频率为内圈故障频率的3-4倍。

在上述实施例的基础上，采用PeakVue对分解信号进行峰值提取、包络检波和时域和频域的转换得到频谱信号具体包括：

以预定采样时间间隔对分解信号进行峰值提取得到峰值提取信号。

作为优选地实施方式，预定采样时间间隔为振动信号的最大频率的2.56倍的倒数，即1/(2.56*振动信号的最大频率)。

利用希尔伯特变换对峰值提取信号进行处理得到包络信号。

利用FFT变换对包络信号进行变换得到频谱信号。

由于希尔伯特变换和FFT变换为本领域技术人员熟知，这里不再赘述。

在上述实施例的基础上，将频谱信号和故障频率进行对比得到滚动轴承的故障诊断结果具体为：

利用频谱信号得到频谱图；

判断频谱图中的频率范围是否包含外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率以及各自的整数倍频率；

如果是，则输出故障提示信息；

如果否，则输出正常提示信息；

其中，故障诊断结果包括故障提示信息和正常提示信息。

为了让本领域技术人员更加清楚本发明提供的技术方案，以下给出一个具体例子加以说明。

本发明中使用转速为1722r/min、采样率为12kps的滚动轴承内圈故障数据，经计算内圈故障频率为155.42Hz，设置高通滤波器的截止频率为700Hz。图2为本发明实施例提供的振动信号滤波前和滤波后的时域波形图。

按照公式(1)～(4)对滤波后的信号进行EMD分解，分解后的第一分类与第二分量的时域波形如图3所示。图3为本发明实施例提供的EMD分解，分解后的第一分量与第二分量的时域波形图。

根据上述峰值提取原理，设定采样时间间隔取1/(2.56*155.42)≈3ms，然后对EMD分解的第一分量进行峰值提取。峰值提取前后的时域波形如图4所示。图4为本发明实施例提供的第一分量峰值提取前和峰值提取后的时域波形图。选取第一分量先进行希尔伯特变换提取其包络信号，并利用FFT变换将包络信号从时域变换到频域，绘制频谱图，如图5所示，图5为本发明实施例提供的第一分量的PeakVue频谱图。从图5可以看出内圈故障频率的1至3倍频很明显，分别为155.3Hz、310.5Hz、465.8Hz，同时转频29.5的1倍频对应有较大的幅值，表明有内圈故障发生。

以上对本发明所提供的滚动轴承的故障诊断方法进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。