文摘

声音信号作为输入,包含强烈的噪声和非平稳的特性,即使在多普勒畸变校正。信息在这些信号弱或轴承缺陷严重衰减。因此,一种改进的复合插值信封地方平均分解(ICIE LMD)方法结合快速kurtogram(颗)提出了轮对轴承。在这种方法论,三次埃尔米特插值和三次样条插值是用来找到信封的极值点ICIE LMD算法来提高精度和减少计算时间分解信号的组件。一颗敏感信号的影响和有效地提取故障的影响特性。在应用程序中,该方法使用ICIE LMD将多组分信号分解成几个特定的单一产品功能(PF)组件。PF的峰度指数计算选择组件包含最错误的信息。然后,所选组件的PF由颗过滤。最后,平方包络谱用于获取故障频率和识别故障定位。的优点ICIE LMD方法验证了仿真分析。 In the application, the results show that the proposed method efficiently extracts the fault features and enhances the target characteristics of the sound signals from a trackside microphone array. Furthermore, the influence of rotating frequency on locating the fault is reduced.

1。介绍

轮对轴承的高速列车是不可或缺的组件容易损坏当火车正在运行。轴承损坏和缺陷直接影响设备的稳定运行1]。点状腐蚀和裂纹等缺陷,,发生在快速滚动轴承的接触表面,当轴承交替接触力下很长一段时间,特别是当火车高速运行和高负载(2]。传统的诊断方法对高速列车滚动轴承振动信号的基本完成。由于铁路的铁路边的麦克风阵列系统的应用检验,重要的是要分析滚动轴承的声信号来自麦克风。之间的区别这两种类型的收集信号是振动信号直接从表面上看,而声波信号在空气中传播。声信号变得较弱,更多的噪音和复杂的反射,严重扭曲了原始信号。此外,收集的多样性影响当前故障诊断方法的效率和精度。

主要故障诊断的关键是提取滚动轴承的故障特征信号(1]。当故障发生时,收集到的信号是一个多组分调制信号,其特点是的非平稳、非线性信号。时频分析是广泛用于故障诊断,如短时傅里叶变换(STFT),能量分布和小波变换(3]。然而,产生一个单独的分解结果提到的方法在处理信号时,但他们不适应的限制是4]。例如,小波分析不能消除干扰微弱信号由于小波基函数和分解层次的选择问题(5,6]。经验模态分解(EMD)模式混合的问题。当信号分解成一系列的固有模式函数(首先通过EMD,货币基金的特征时间尺度是不同的(7]。

地方平均分解(LMD)是一种新的信号处理方法由EMD和史密斯提出的8]。LMD的非平稳信号分解到产品功能(PF)的纯调频信号包络信号组件(9]。它可以分解信号的自适应地根据实际规模特点,可以解决mode-mixing问题引起的EMD (10]。然而,最终效果和混合模式仍然存在于LMD分解。徐et al。11]引入了能量匹配扩展方法来解决最终效果,验证了模拟信号。削弱的影响最终效果,Du et al。12]认为信号是离散的差异,确定的值根据具体情况极端点的延续。新方法的结果是适应信号的滚动轴承外滚道和内心水沟扩展提高了镜子。杨合奏LMD (ELMD)提出的et al。13],它添加了高斯白噪声的原始信号的极点分布和变化的信号。根据ELMD的分解特性,K-L分歧的方法使用提出的自适应选择PFs的本金是他和周(14]。

PF组件的准确性受到LMD的包络函数的影响。移动平均法应用于原始LMD产生相位误差函数的运行下的算法(15]。胡锦涛et al。(16)开发出一种方法获取包络估计函数通过应用三次样条插值来计算当地的极端点的信封。这种方法提高了计算时间,但低于和超调问题信封的观察与强烈的非平稳信号特性(17]。Spline-based LMD,加上第二代小波,适用于提取的故障特征微弱的故障信号(18]。在以前的工作(19,20.),移动平均线是取代单调分段立方埃尔米特插值(LMD MPCHI)算法,这增加的准确性PF组件包含的非平稳信号的特点。MPCHI可以避免脱靶的信封和过度问题的非平稳信号。然而,声信号和振动信号混合几个不稳定和固定部分。因此,赵et al。21)提出了一种结合三次样条插值方法(CSI)和MPCHI获得信封LMD极端点的方法。不稳定系数被定义为信号的包络线划分为CSI和MPCHI部件。

快速kurtogram(颗)是基于谱峰度(SK)开发的,主要用于计算峰度值。峰度值是容易受到瞬态信号,反映非平稳的组件的数量包括在每个频率曲线(22]。颗用于优化带通滤波器的中心频率和带宽,然后提取脉冲。Barszcz和兰德尔(23探索一些方法通常应用于在线故障检测和诊断。结果表明,只有SK方法可以识别灾难性的齿轮故障。张和兰德尔(24结合遗传算法和颗滚动轴承组件。实验说明了该方法的有效性。这是被证明比共振解调提供更好的结果。颗给简单的处理结果很有效。单独应用时,颗可以提取脉搏但不能识别故障定位,因为旋转频率的影响。

关于提到的问题,改进的复合插值信封(ICIE) LMD结合颗提出提取铁路方面声学轴承的故障特征信号。首先,原始信号分解成若干单个组件ICIE LMD。第二,每个元素的峰度值计算。因为峰度冲击信号敏感,组件的最大峰度值被选中为颗分析、广场和包络谱用于提取故障特征信息。平均峰值信噪比(PSNR)的方法是用来显示该方法对故障诊断的效率。结果表明,该方法可以有效地提取和提高声作为输入,滚动轴承的故障特征,削弱旋转频率的影响。

CSI LMD的理论,ICIE LMD,颗简要介绍部分2。节3的仿真分析ICIE LMD用人造数据显示。节4,该方法应用于故障诊断的实际声轴承作为输入信号。中概述的结论部分5。

2。改善LMD方法

2.1。CSI LMD的原则

LMD自适应信号分解成一系列的PF组件,它是一个纯粹的产品信号调频信号和一个信封。的频率分解PF组件自动从高到低排列。根据CSI LMD算法,上下极端信封是两个函数,导出了CSI取代moving-averaging方法在经典的一个25]。算法如下(25]:步骤1。当地的给定信号的最大和最小点然后上信封,收购了吗和较低的信封极值是通过CSI步骤2。当地的平均值和包络函数派生的上层信封吗和较低的信封作为 步骤3。当地的平均值从原始数据中分离出来吗 然后除以 ,插图作为 重复上述步骤,包络函数可以获得的。理想情况下,如果是一个纯调频信号,这意味着什么 ,程序结束。如果不是这样,被认为是原始数据,上述步骤迭代,直到满足上述需求。然而,在实践中,包络函数不能完全1。阈值Δ是集。 ,迭代结束步骤4。相应的信封是计算 第一个产品功能可以获得的 因此,是由减去从原始信号 。 被认为是一项所有步骤,直到单调的信号。在那之后,被表示为

2.2。改进的复合插值包络算法

因为脱靶的信封问题和过度的CSI方法,复合插值信封LMD (CIE LMD)提出了赵et al。21]。它定义了不稳定系数来表示信号的状态。不稳定系数的阈值是选择将信号划分为一个固定部分和非平稳的部分。信封是由化合物通过CSI的固定部分和MPCHI的非平稳信号的一部分。然而,与CSI LMD相比,计算不稳定系数和信封的方式增加了计算时间在CIE LMD。

因此,ICIE LMD方法应用气方法,取代MPCHI方法,简化算法,降低了中央处理单元(CPU)。气方法的定义如下。

区间[a, b],节点系列 和函数值 。当 , 被定义为 ,和被定义为 。气的插值函数

同一系列的 ,MPCHI被描述为方程的插值函数(8)[21]。

公式中的参数定义

一阶导数是 在哪里 和 。如果数据是单调的,也就是说, 或 ,

MPCHI方法需要做出判断的数据在处理之前的单调性。此外,它有一个不同的方式计算导数值与气。因素导致CPU时间增加。

此外,阈值的不稳定系数计算的算术平均方程(12)ICIE LMD适应不同类型的信号,获得更好的精度。

然后,的台阶ICIE LMD算法(21)如下:步骤1。当地的极值系列 给定信号的计算,最大极值系列和最小极值分别处理步骤2。的斜率极值系列之一 计算;在那之后,不稳定系数 通过方程计算(13) 步骤3。阈值不稳定系数是通过方程(12)。的价值大于非固定的点 。他们的位置被记录 步骤4。关键是和它的前一个 ,和下面的一个 ,所有作为插值点气;当地的气间隔 。如果两个极值点的数量不稳定点和小于5,两个气间隔作为连接 ;如果数量的极值点之间的非平稳点和左边或者右边极值系列小于3,初始局部气间隔 和结束时间间隔 第5步。剩下的静止点,沪深信封创建在步骤4一样步骤6。如果气间隔都是空的,CSI极端方法创建整个系列。类似地,如果CSI的间隔都是空的,信封是由气的方法步骤7。复合两种类型的信封,当地气连接端点区间分配给CSI步骤8。重复上述步骤获得其他极值系列的信封

该方法应用于取代CSI LMD的第一步方法2。1,让剩下的程序,ICIE LMD。

2.3。快Kurtogram

在滚动轴承故障的存在瞬态振动信号与裂缝和间隙高度相关。SK是一个有用的瞬态信号检测技术。安东尼(26)2006年建立光谱峰态理论,定义谱峰度STFT和发展快速kurtogram算法。

的光谱形式World-Cramer中定义分解非平稳的状态。

的非平稳信号和固定噪声混合,SK计算吗 在哪里是一个标准正交光谱增量和 是一个复杂的信封的在频率时间和注意是noise-to-signal比例的混合信号。时的值是接近于零,这里没有噪音的存在。当接近故障特征信号的带宽、频率的功能和窗口长度达到最大。

因此,带通滤波器的中心频率和带宽颗可以优化的算法,和窄带信号影响的条件下,可以提炼出大量的噪音。的流程图,该方法应用于滚动轴承故障检测是图所示1。

3所示。仿真分析

3.1。模拟评价下的非平稳信号

比较CSI, CIE ICIE信封,以下模拟信号具有较强的非平稳特征构造: 在哪里 , ,和周期性影响的参数信号的振幅,阻尼系数是0.04,3000赫兹的频率特征。时间是0.000001秒,冲击信号的周期是每周期0.005秒。模拟信号如图2。

三个算法可以适应原始信号的形状的固定部分。从非平稳的放大图的一部分3,结果CSI和CIE的这一部分是过度和脱靶。这导致减少分解精度的信号。

进一步分析的准确性极端的信封,当地的功能是由两种方法计算,与理论地方平均函数 。绝对值误差和CPU运行时计算来评估不同的方法的实用程序,如表所示1。说明,CSI的CPU时间是最短的,绝对是最大的错误。的绝对误差值ICIE方法接近CIE的方法,但是改进的方法的计算成本小于CIE的方法。

不稳定系数的阈值的选择原因在信封计算脱靶和过度的问题。在这项研究中,不稳定系数的算术平均值作为阈值,和特定的影响数值2和几何平均和调和平均数作为阈值进行了分析,如图4。后计算,几何平均的值是1.97,和调和平均数为2.17。算术平均是2.45。算术平均方法可以适应不同的信号特征,信封没有超过和低于问题。然而,这个问题的其他方法影响分解精度。

影响信号和正弦信号组成的模拟信号。此外,影响信号是高频信号和指数组成的信号。因此,正弦和指数共同调制信号的振幅高频信号。ICIE, CSI, CIE LMD方法用于获得不同时间尺度组件。ICIE和CSI算法得到三个PF组件,在CIE方法两个PF组件如图5所示。对于三种方法,第一个PF表示信号特性的影响。第二个是正弦信号的获得。CIE的分解是停了下来,而ICIE和CSI正弦信号可以得到更详细的信息,这是第三个组件。因此,他们有三个组件。计算相关系数来反映PF组件和这些信号的关系,如表2。PF组件从ICIE LMD方法表示模拟信号的固有特性更好。然而,处理后存在变形CSI的方法。

3.2。模拟评价人工信号下的滚动轴承

真正的滚动轴承的故障信号是比个人更复杂的非平稳信号,因为噪音。提出了三种方法的分解性能在滚动轴承故障信号的仿真。模拟使用与0.1 dB白噪声信号产生影响,定义如下: 在哪里是3,是3000 Hz,是0.1。采样频率为30000赫兹。故障频率设置为50 Hz,这意味着每循环一段0.02秒。模拟故障信号如图6,信号代表了断层冲击的影响。提出了三种方法的分解结果图7。然后,峰度计算得到PF在每个方法影响最大的信息,如表3所示。选择最大值计算希尔伯特包络谱,如图8。ICIE LMD可以提取清晰的信息噪音干扰的影响。至于CSI和CIE LMD,部分信息是受噪声的影响。

因此,相比之下,CSI和CIE ICIE方法可以适合原始信号的上、下信封更好。比较本地的绝对误差值意味着函数获得的方法表明,ICIE方法的精度高于其他方法。的分解成分ICIE LMD原始信号的信息有更好的特性。因为噪声弱影响ICIE LMD比CSI和CIE ICIE LMD应用在实验验证。

4所示。实验验证

展示设计的有效性为滚动轴承故障检测算法,实验后的铁路边的麦克风采集的信号多普勒有效的校正进行了分析,他们外圈故障信号。此外,复合算法与其他方法相比,实验数据分析,说明该算法的优越性。声信号采样频率是45249 Hz,内圈的速度是380 r / min。轴承的规格表中给出的实验中使用4。

图9显示轴承声信号的时域波形。可以观察到一些效果;它包含强烈的噪声。定位故障位置,首先,信号被ICIE分解LMD。第一夫妇PF组件的主要故障信息。因此,前三个PF组件如图10。PF组件的峰度值进行计算,并提出了在桌子上5。的峰度值三个组件都相似,但PF1是最大的价值。因此,PF1基于颗被一个带通滤波器过滤。结果如图(11日)。的颜色kurtogram表明峰度值。最黑暗的颜色代表了最大峰度值,其中包含最错误的信息。

带通滤波器的优化参数从kurtogram收购。因为最大的峰度值是6和中心频率2500赫兹,乐队5414赫兹频率选择。过滤后,故障特征频率的订单是清楚地说明了平方包络谱。旋转频率不是由个人颗增强方法,如图12,很难在实践中认识到故障定位。轴承信号的包络谱和PF1分解ICIE LMD图所示13。错的一阶频率明显,但是其他订单的故障频率蒙面包络谱干扰频率成分。他们有强烈的背景噪声。

相比,该方法的性能和个人颗ICIE LMD方法,应用PSNR值方程(19)。PSNR值可以确定提取故障特征信号的影响。 在哪里特征谱线频率振幅和吗是附近的最大噪声谱线值特征频率谱线。在那里,PSNR值 ,五个订单的平均值的故障频率振幅在相关噪声的频率振幅,计算如表所示6。该方法PSNR值的最大价值,而个人颗方法有最小的一个。原因是故障诊断的旋转频率是无用的,相对于故障频率。提取的故障特征频率为44.19赫兹,接近理想的一个。通过更好的结果,证明了该方法与其他方法相比。

5。结论

方法结合ICIE LMD提出了颗铁路轮对滚动轴承的故障诊断。故障特征提取的方法改善性能和提高了故障识别精度。

在仿真中,ICIE信封表现优于CIE和CSI信封。CSI方法有最低CPU时间的牺牲信封的准确性。ICIE方法灵活地适应不同的信号。算术平均的定义来计算不稳定系数的阈值。该方法的分解结果获得一个更好的信号特征。对于噪声的模拟故障信号,ICIE LMD是不容易受到噪声的影响,与其他方法相比。仿真验证,ICIE LMD方法比其他方法更好的精度。

该方法和个人方法都部署过程真正的火车轮对滚动轴承声信号。这涉及到两个步骤。首先,信号被分解ICIE LMD,和PF根据峰度值被选中。然后,PF被颗过滤。平方包络谱中提取故障特征频率。提出了PSNR值来识别这些方法的性能。结果表明,该方法获得清晰的故障特征。

数据可用性

数据中包括用于支持这些发现补充信息文件(s)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(批准号61471304),我们要感谢他们的支持。作者还要感谢西南交通大学光电工程研究所同类实验的支持。