一种回转支承故障诊断方法、装置及存储介质

技术领域

本发明涉及轴承检测技术领域，尤其涉及一种回转支承故障诊断方法、装置及存储介质。

背景技术

回转支承是一种特殊的大型滚动轴承，广泛应用于各种大型机械，例如港口的门座起重机。门座起重机回转支承在工作状态时各部分的受力不均以及运动状态复杂，并且由于低速重载的运行特点和大量的背景噪声，使得原本因故障产生的冲击淹没在背景噪声里，因此故障特征的提取比一般中高速轴承难。然而，在门座起重机的长期使用中，回转支承的故障产生是难免的。如果这些故障不能及时发现并作出应对措施，将会影响门座起重机的正常运转，同时导致巨大的经济损失。

目前，少部分的研究人员在回转支承故障诊断展开研究并取得初步成果。吕学昭等人采用小波分解和极值域均值模态分解的复合方法对门座起重机回转支承进行故障诊断。然而小波分解中小波基与分解层数无法自适应选取。南京工业大学针对回转支承故障诊断做了较多的研究，将圆域分析、小波能量模式、双谱分析、峭度概率密度分析、加权融合算法、概率主成分分析等方法应用于实验台回转支承的振动信号的降噪和特征提取，同时还将支持向量机、BP神经网络等机器学习方法应用于实验台回转支承的故障诊断和寿命预测。但因其数据来自于实验台，且故障是人为加工所形成的，与现场实际的故障还是有一定的区别。因此，就如何对实际使用过程中进行支承振动信号采集和后处理获得故障诊断结果的研究依然还需要进一步深入。

发明内容

有鉴于此，本发明的目的在于提出一种实施可靠、准确度高、响应快速的回转支承故障诊断方法、装置及存储介质。

为了实现上述的技术目的，本发明所采用的技术方案为：

一种回转支承故障诊断方法，包括：

S1、获取回转支承的振动信号，将其设为原始信号；

S2、通过EEMD法(Ensemble Empirical Mode Decomposition，集合经验模态分解)对原始信号进行处理，然后经分解获得振动信号的本征模态分量IMF，继而对本征模态分量IMF进行择优处理，得到最优分量；

S3、利用GWO算法以相关峭度为适应度函数在最优分量上进行MCKD参数寻优处理，获得最佳参数组合，该最佳参数组合为MCKD算法输入参数，周期T，滤波器长度L；

S4、将GWO算法寻优处理获得的最佳参数组合代入到最大相关峭度解卷积算法MCKD中对最优分量进行分析，得到降噪信号；

S5、对降噪信号进行包络谱分析，将包络谱中发现的故障特征频率与理论故障特征频率进行对比分析，得出诊断结果。

作为一种可能的实施方式，进一步，所述通过EEMD法对原始信号进行处理和分解的方法为：

按照预设标准差和预设次数往原始信号中多次加入等幅值的高斯白噪声并进行EMD分解，然后对多次EMD分解后的IMF分量进行平均，消除多次加入的高斯白噪声。

作为一种较优的实施选择，优选的，所述通过EEMD法对原始信号进行处理和分解的具体方法包括如下步骤：

S21、设定加入高斯白噪声的次数和高斯白噪声的幅值；

S22、往原始信号x(t)中加入一组均匀的高斯白噪声n

x

其中，n

S23、对带噪信号x

其中，c

S24、重复N次步骤S22和步骤S23，对得到的各IMF和余项取平均即为最终的IMF和余项：

其中，c

作为一种较优的实施选择，优选的，所述对IMF进行择优处理的方法为：以相关系数、排列熵、方差贡献率或峭度为指标选择至少一个本征模态分量IMF作为最优分量，例如，取指标数值最大的一个IMF或按从大到小取前3个IMF进行重构合成最优分量，或者对其指标数值进行归一化处理，再取数值大于0.5的分量重构等等方式进行处理。

作为一种较优的实施选择，优选的，步骤S1中，高斯白噪声的加入次数为50或100，高斯白噪声的幅值为0.01～0.4。

作为一种较优的实施选择，优选的，所述利用GWO算法以相关峭度为适应度函数在最优分量上进行MCKD参数寻优处理的方法包括：

S31、初始化GWO算法，生成灰狼群位置；

S32、将灰狼群位置中各灰狼位置导入MCKD算法中进行计算各灰狼适应度函数值CK；

S33、对各灰狼适应度函数值CK进行对比评价；

S34、根据评价结果更新灰狼位置；

S35、判定迭代计算的次数，当当前计算的迭代次数小于预设最大迭代次数时，则将更新后的灰狼位置参数重新返回到步骤S32中进行按步骤处理，当当前计算的迭代次数大于预设最大迭代次数时，则将更新后的灰狼位置参数输出，获得最佳参数组合。

作为一种可能的实施方式，进一步，所述获取振动信号的采样时间长度大于回转支承旋转一周的耗时，每次采样的采样频率为400Hz。

基于上述的诊断方法，本发明还提供一种回转支承故障诊断装置，其包括：

若干加速度传感器，布设在回转支承的振动信号可探测区域上，且用于采集回转支承工作时产生的振动信号；

数据处理单元，用于获取振动信号，且通过EEMD法对振动信号进行处理，并输出择优处理后的最优分量；

参数优化单元，用于通过GWO算法寻优处理获得最大相关峭度解卷积算法MCKD的最佳参数组合，并利用该最佳参数组合代入MCKD中对最优分量进行分析，得到降噪信号；

诊断分析单元，用于对降噪信号进行包络谱分析，并根据包络谱分析输出诊断结果。

基于上述的诊断装置，本发明还提供一种起重机回转支承故障诊断装置，其包括上述所述的一种回转支承故障诊断装置；

其中，所述的若干加速度传感器布设在门座起重机的背风侧且靠近回转支承的位置；

另外，所述回转支承的轴向和径向上均布设覆盖有加速度传感器。

基于上述的诊断方法，本发明还提供一种存储介质，所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述所述的回转支承故障诊断方法。

采用上述的技术方案，本发明与现有技术相比，其具有的有益效果为：本发明方案将EEMD和MCKD两种方法相结合，用于门座起重机回转支承故障诊断。为了实现MCKD参数的自适应选取，采用灰狼优化算法，以相关峭度为适应度函数对最佳参数组合进行全局寻优；通过所提方法，实现了门座起重机回转支承故障特征频率的提取；而基于该方案，实现了在响应快速的情况下，兼具准确度高地对回转支承工作中的异常振动进行诊断和结果输出，为维保人员提供较为可靠、有价值的反馈。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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为本发明诊断方法的简要方法流程示意图；

图2为本发明诊断方法中MCKD的简要流程示意图；

图3为本发明实施时的回转支承时域图与频域图；

图4为本发明实施例时各IMF分量峭度示意图；

图5为MCKD参数寻优的简要示意图；

图6为最优IMF分量经MCKD降噪后的包络谱示意图；

图7为本发明回转支承故障诊断装置的简要连接示意图。

具体实施方式

下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参考图1所示，本实施例的回转支承故障诊断方法采用EEMD与GWO-MCKD结合方法用于低速重载门座起重机回转支承故障特征提取，具体步骤如下：

(1)确定EEMD算法的参数。EEMD中有两个需要人为设定的参数：高斯白噪声的标准差和添加噪声的次数。标准差根据信号中噪声大小而定，一般为0.01-0.4，本实施例中选择0.2；添加噪声次数通常取50或100，本实施例中选择50；

(2)对原始振动信号进行EMD分解，选择峭度最大的IMF作为最优分量；

(3)使用GWO算法，以相关峭度为适应度函数在最优分量上进行MCKD最佳参数寻优。滤波器长度L的寻优范围设置为[100,700]。解卷积周期T＝f

(4)将GWO寻优得到的最佳参数组合代入MCKD，以此对最优分量进行分析，并做出包络谱；

(5)将包络谱中发现的故障特征频率与理论故障特征频率进行对比分析，得出诊断结果。

其中，EEMD原理及算法流程如下：

EEMD方法通过在原始信号中多次加入等幅值的高斯白噪声，利用高斯白噪声频率均匀的特性，对多次EMD分解后的IMF分量进行平均，消除多次加入的高斯白噪声，同时有效抑制由极值分布不均而引起的模态混叠。EMD分解的步骤如下：

(1)设定加入高斯白噪声的次数，即总体平均次数N；

(2)往原始信号x(t)中加入一组均匀的高斯白噪声n

x

其中，n

(3)对带噪信号x

其中，c

(4)重复N次步骤(2)和步骤(3)，对得到的各IMF和余项取平均即为最终的IMF和余项：

其中，c

另外，在图1的基础上，着重参考图2所示，MCKD原理及算法流程如下：

假设回转支承发生故障时产生的周期性信号为y(t)，传递路径衰减响应为h(t)，采集信号时掺杂的环境噪声为e(t)，则实测信号x(t)为：

x(t)＝h(t)*y(t)+e(t)

MCKD算法的实质是找寻最优滤波器f，使得从实测信号x(t)中尽可能地恢复周期性信号y(t)。该算法通过相关峭度最大为指标，将淹没在环境噪声中的周期性信号凸显出来。相关峭度的计算公式如下：

其中，T为冲击信号的周期，M为移位数。M的取值范围一般为1-7，如果大于7，精度则会降低。本实施例选择参数M为5。

若要相关峭度最大，则等价于：

其中，L为滤波器长度。

最终经计算推导可得出f为：

其中，r＝0,T,2T,…,mT

GWO算法原理如下：

灰狼优化算法是由Mirjalili等人受到灰狼野外捕食活动的启发而开发的一种群智能优化算法。灰狼是群居生活动物，并严格遵守着金字塔等级关系。处于最顶层的头狼为α狼，负责对食欲获取和栖息位置作出决策，具有领导地位；第二层为β狼，服从于α狼，同时也是α狼去世后的最佳候选者；第三层为δ狼，服从于α、β狼；最后一层为ω狼，是整个狼群的基础，同时也需要服从前三个层次的狼。灰狼捕猎主要分为三个阶段：追踪、包围、攻击。

灰狼优化算法的数学模型表示如下：

D＝C·X

X(t+1)＝X

其中，D为狼群与猎物之间的距离，t为当前迭代次数，X为狼群的位置，A，C为协同系数向量，其表达式为：A＝2a·r

灰狼在搜寻猎物的过程中主要由α、β、δ狼的指引来完成。因此，在迭代的过程中，保留当前最优的三只灰狼作为α、β、δ狼，再根据它们的位置来更新狼群的位置，该过程可表示为：

D

D

D

X

X

X

其中，D

作为一种实施实例，以某港口门座起重机中的回转支承的分析数据采集作为基础，进行如下论证，该回转支承结构为三排滚珠式，工作方式为内圈固定，外圈旋转。本次数据采集选取加速度传感器。由于传感器的布置直接影响到采集数据质量的好坏，故先对传感器放置的位置进行分析。为了尽量减小噪声的干扰以及信号传递的质量，将加速度传感器放置在门座起重机的背风侧且靠近回转支承的位置。此外，回转支承主要受到轴向力、径向力和倾覆力矩的作用，应在轴向和径向均布置传感器。

根据现场实际工作环境，选择载荷及速度较为稳定的条件下进行数据采集。采集时回转支承的转速为1.22r/min，采样频率为400Hz。同时为了避免遗漏故障信息，每次采样的时间均大于回转支承旋转一周的时间。

三排滚珠式回转支承可以简化为普通的三排滚动轴承。因此，其理论故障特征频率计算公式可使用滚动轴承的计算公式。具体公式如下：

其中，f

依据公式13-15可计算出回转支承理论故障特征频率，如表1所示。

表1理论故障特征频率

为了避免故障信息的遗落，选择回转支承旋转两周(98s)数据进行分析。图3为此数据的时域图和频谱图。从时域图中可明显观察到明显的冲击成分，从频谱图中可以观察到许多突出频率，但无法从中直接辨别故障的特征频率。因此，需对原始信号进行信号处理再进一步分析。

依据图1所示方法流程对现场信号进行分析。

首先使用EEMD算法对原始信号进行分解，得到14个IMF，计算每个IMF的峭度值如图4所示。从图4可以看出，IMF2的峭度值最大，选择其作为分析的最优分量；其次，根据解卷积周期公式，从表1中选取最大、最小理论故障特征频率代入，可得解卷积周期T的理论寻优范围为[96,492]，将范围适当扩大为[90,500]。MCKD的参数寻优过程如图5所示。从图中可以看出，算法在第7代的时候，相关峭度达到最大，此时对应的最佳L和T组合为[689,97]；最后，设定MCKD中的滤波器长度L＝689，解卷积周期T＝97，得到最优分量经MCKD处理后的包络谱图，如图6所示。从图中可以观察到，包络谱中存在4.2Hz的故障特征频率及其倍频。与表1中的理论故障特征频率对比，发现其与中排回转支承理论内圈故障特征频率4.124Hz最为接近。因回转支承的制造安装误差与使用时的磨损和相对滑动，故特征频率会存在一定的误差。因此可以判定中排回转支承内圈发生了较为严重的损伤。整个方法的过程与结果表明故障特征频率被准确地提取，从而也验证了所提方法的有效性。

如图7所示，基于上述的诊断方法，本实施例还提供一种回转支承故障诊断装置，其包括：

若干加速度传感器1，布设在回转支承的振动信号可探测区域上，且用于采集回转支承工作时产生的振动信号；

数据处理单元2，用于获取振动信号，且通过EEMD法对振动信号进行处理，并输出择优处理后的最优分量；

参数优化单元3，用于通过GWO算法寻优处理获得最大相关峭度解卷积算法MCKD的最佳参数组合，并利用该最佳参数组合代入MCKD中对最优分量进行分析，得到降噪信号；

诊断分析单元4，用于对降噪信号进行包络谱分析并根据包络谱分析输出诊断结果。

而基于上述的诊断装置，本实施例还提供一种起重机回转支承故障诊断装置，其包括上述所述的一种回转支承故障诊断装置；

其中，所述的若干加速度传感器布设在门座起重机的背风侧且靠近回转支承的位置；

另外，所述回转支承的轴向和径向上均布设覆盖有加速度传感器。

在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。