文摘
一种滚动轴承故障诊断的新方法在强背景噪声,基于敏感的固有模式函数(首先选择集成经验模态分解(EEMD)和自适应随机共振算法。原始振动信号分解为一组货币基金,EEMD残余趋势项。构建加权峰度指数差光谱(WKIDS),自适应地选择敏感的货币,这种方法可以克服现有方法的缺点如主观选择或使用相关系数需要确定一个阈值。进一步降低噪声,提高薄弱的特点,采用自适应随机共振放大每个敏感的国际货币基金组织(IMF)。然后,统计平均值用于消除随机噪声。仿真与内部故障和滚动轴承实验验证该方法执行。结果表明,该方法不仅克服了困难,选择敏感的货币,但同时,结合自适应随机共振,可以更好地提高弱故障特征。此外,该方法比EEMD和每个敏感的国际货币基金组织(IMF)的自适应随机共振,证明该方法的可行性在高噪声环境中。
1。介绍
滚动轴承广泛应用于大型或小型机械设备(1,2]。在严重的情况下,滚动轴承早期分解在服务机器,这些机器可以损坏。事实上,不可预知的故障可能导致严重损坏机械和设备,所以早期缺陷的提取是非常重要的,确保运行可靠的机械3]。很难对滚动轴承的振动信号的非平稳和强烈调制在强背景噪声下检测微弱故障特征(4]。传统的信号处理方法主要是减少或消除噪音。经验模态分解方法是一种有效的工具来处理复杂的非平稳信号,但它有一个缺点就是混合模式(5]。后,吴邦国委员长和黄(6]提出了集成经验模态分解(EEMD)通过引入额外的噪音,和该方法克服了传统的经验模态分解的缺点在一定程度上。复杂的非平稳振动信号可以分解成许多固有模式函数(货币),这些函数可以反映真实物理振动信号中的信息。然而,其中的一些货币基金是无用的或干扰组件和其他敏感组件故障特征。许多研究人员提取故障特征,通过选择有效的和敏感的货币的机械故障,从而消除噪声组件或unrelated-fault组件。胡锦涛et al。(7,8)提出了一个方法,选择敏感的货币通过使用最大峰度指数;许多峰度值可能大于3;相对应的最大峰度值货币可能会失去故障信息的一部分。谭et al。9)提出了一个方法,选择敏感的货币通过使用相关系数,但该方法需要确定一个阈值,选择敏感货币组件。根据不同的信号,人为地调整所需的阈值。为了克服上述缺点,提出了一种方法,构造加权峰度指数差光谱选择有效的和敏感的货币基金的缺点。然而,在强烈的背景噪声,即使得到了有效的货币基金,故障特征仍很弱,不能有效地识别故障特征。对微弱信号的故障诊断,随机共振被广泛使用以其独特的优势。随机共振研究的最初在1981年提出地球冰川和它吸引了大量的注意力在过去的三十年,特别是在信号去噪和增强[10]。有用信号和噪声混合时,传统的去噪方法将损害有用信号和失去的振动特性。与此同时,传统方法无法提取故障特征的信噪比小于−15分贝。随机共振是用来提高弱故障特征和减少噪声,但随机共振方法的性能主要取决于系统参数的随机共振的势函数11]。现有的随机共振方法忽略参数通过主观地选择参数之间的交互作用或只优化一个参数(12]。Zhang et al。13]扩展随机共振的频率范围缩放变换和应用的故障特征检测轴承外环。此外,多个参数的随机共振系统需要优化,以确保随机共振的有效性。本文引用的方法使用蚁群算法来优化平行的多个参数的随机共振14- - - - - -16]。因此,结合的优势EEMD减少噪声和随机共振增强弱故障特征,提出了一种基于敏感故障诊断方法首先选择EEMD和自适应随机共振。首先,原始振动信号由EEMD分解。振动信号调制解调的有效和振动信号的频率特征分解为多个货币组件。这些货币基金获得组件选择加权峰度指数差光谱(WKIDS)。最后,选择敏感的货币是随机共振系统的输入。为了进一步减少噪音,增强敏感ensemble-averaged首先通过随机共振。最后,弱故障特征实现强大的背景噪音,和敏感的有效性首先选择EEMD和自适应随机共振方法是通过仿真和实验验证。
本文的其他部分如下。部分2介绍了EEMD和随机共振的基本原理。部分3敏感的描述方法首先选择EEMD和自适应随机共振。构建WKIDS,所选货币输入自适应随机共振。进一步降低噪音,提高弱信号和自适应随机共振敏感的国际货币基金组织(IMF),统计平均值用于消除随机噪声。验证了该方法的有效性通过周期脉冲信号仿真部分4。轴承的内圈故障检测的方法5。最后,给出的结论是在部分6。
2。原理分析
2.1。集成经验模态分解
黄等。17,18)提出了经验模态分解分解任何复杂的信号,已被广泛研究和应用于故障诊断领域。然而,经验模态分解方法在某些方面仍需要改进。一个重要的限制是混合模式的问题。最近,吴和黄6)提出了一种新的方法(EEMD)解决混合模式可以恢复原始信号的性质。这是一个很好的改善经验模态分解和广泛应用在机械领域19]。
EEMD方法的原则统一的频率分布的高斯白噪声的统计特性;加入高斯白噪声信号时,信号将会继续在不同的尺度上。为了减少程度的混合模式,具体分解步骤和原则如下所示。
步骤1。在原始信号,添加高斯白噪声0的振幅平均值,标准差是恒定的。因此, 的公式,表示添加高斯白噪声信号时间和范围高斯白噪声的大小将直接影响到信号EEMD避免混合模式的分解效果。
步骤2。 由经验模态分解分解,因此我们得到了IMF分量,其余。表明,后次,和添加高斯白噪声th组件。
步骤3。重复步骤1和2N次了。使用的原则不相关的随机序列的统计平均值0,国际货币基金组织(IMF)对应于上面会有平均操作和消除影响国际货币基金组织(IMF)而反复添加高斯白噪声。最后,imf的EEMD后得到: 在公式(2),代表的概念th IMF分量从EEMD获得原始信号。的价值就越大,imf的高斯白噪声往往是0。所以,EEMD的结果如下: 是最后的剩余组件和代表的平均趋势的信号。EEMD方法可以将任何信号分解成一组货币的总和和剩余组件。内在模式组件代表一个组件从高到低频率范围的信号。每个频段都包含不同的频率成分和可能随振动信号的变化。
2.2。随机共振模型
如今,双稳态系统是广泛研究是由高斯白噪声和外部周期信号。这双稳态系统可以定义如下: 在哪里势函数的非线性双稳态系统 在周期性外力和高斯白噪声的强度吗和中值是0。因此,我们可以获得(6)通过操作(4)和(5): 在哪里随机共振系统的输出信号和吗和随机共振系统的参数;与此同时,系统参数满足,。这个方程表明,在两个潜在的井,过阻尼运动的粒子是由周期信号和噪声。的势函数有两个稳定的不动点在哪里势垒的高度,位于顶部的障碍。具体而言,我们选择;,;,。图1展示了不同国家的潜在功能在不同的随机共振系统参数和。很明显,两个潜在的井是对称的,由一个障碍分开与高度的变化与不同的系统参数和,从而达到最好的随机共振(20.,21]。因此,我们可以达到检测微弱信号的目的成功地通过调整系统参数(22,23]。
3所示。提出的基于敏感的诊断方法首先选择和随机共振
3.1。选择敏感的货币基金
峰度指数非常敏感的故障特征强烈的背景噪声。一般来说,峰态指数是用于测量脉冲振动信号的特征。峰度指数公式写成(24] 的公式,是信号序列,是信号长度,是信号的平均值,是信号的标准偏差 方程(7)转向 因为信号的平均值,脉冲信号增加或减少时,它不会有什么影响。当增加脉冲信号,增加,因此减少。同样的,当脉冲信号减少,增加。当有多个脉冲信号在强背景噪声,隐藏在一个或多个脉冲信号噪声,可能无法发现;不减少而增加。脉冲信号的损失称为“漏峰现象。“因此,峰度指数曲线不能反映货币的所有信息。
代表了两种信号的相关性。越相似,更大的价值。信号之间的互关联系数和,,被定义为 因为故障振动信号由EEMD分解成货币基金组件,每个国际货币基金组织(IMF)组件类似于,他们的互关联系数。也类似于正常工作状态信号国际货币基金组织,每个组件和正常工作状态信号的互关联系数。和被定义为 结合这两个互关联系数,一个新的互关联系数是获得与断层有关。不仅被认为是每一个国际货币基金组织和正常的信号之间的相似性,而且故障振动信号的相似性。因为绝对值一个实数,是不超过1,它有可能是体重。
在强背景噪声和多脉冲信号,一个或多个脉冲信号被噪声,和增加。然而,脉冲信号的相似性与断层有关减少;也就是说,减少,减少的纠正的增加。因此,本文运用的重量构造加权峰度指数这是定义为 加权峰度指数不仅可以防止振动信号的损失,但也确保振动信号的相似性。因此,货币的加权峰度指数曲线反映了所有的信息。让货币基金对应的序列加权峰度指数定义为导致微分光谱。方程是=()。然后,所有形成一个序列 被命名为加权峰度指数差光谱(WKIDS)。差光谱是用来描述相邻加权峰度指数的变化。当相邻的加权峰度指标之间的差异相对较大,有一个最大的突变点在整个差光谱对应的加权峰度指数序列。反映了加权的最大区别峰度索引属性。换句话说,信号生成有用的货币基金之间的突变信号和噪声信号。因此,选择有效的方法首先信号可以提出。加权峰度指数序列,之前的点突变点包括,加权峰度指数对应于有用的货币。突变点后,加权峰度指数对应于无用的货币。从这个意义上说,WKIDS敏感货币选择。
3.2。自适应随机共振
因为机械设备的故障特点是隐藏在背景噪声强,大量的背景噪声大大降低了信噪比。虽然敏感货币基金由KWIDS选择方法,很难提取故障特征。
因此,敏感的货币基金EEMD由自适应随机共振方法进一步提高。传统的随机共振只适用于小信号参数(信号幅度、噪音强度,信号频率)。因此,敏感的货币基金前处理输入到随机共振系统频移和缩放变换满足小参数条件。方法的原理是设计频率压缩规模,和敏感的货币被压缩的频率来确定计算步长。这种方式,首先满足小参数的要求。系统参数和的随机共振对其性能有决定性的影响(25]。在这篇文章中,一个良好的全局优化能力的蚁群算法用于搜索最优参数的随机共振。参数的最优组合和带进随机共振和每个敏感的国际货币基金组织(IMF)的信噪比计算是反对蚁群算法的函数。因此,增强货币基金。为了减少随机干涉每个增强国际货币基金组织(IMF),每个增强IMF ensemble-averaged,消除噪音,以多种货币的影响。所以,最终结果被定义为 在公式(17),代表了有效的国际货币基金组织(IMF)组件。
本文提出的方法的流程图如图2。方法的过程描述如下。
轴承振动信号是由EEMD来分解,获得货币基金和趋势项。
提出了一种WKIDS法;通过WKIDS敏感货币选择,这被视为随机共振系统的输入。
启动蚁群算法的参数和选择评价函数的随机共振。在这里,评价函数设置为输出信号的信噪比随机共振系统。
的敏感的货币基金最初是由移频处理和缩放变换来满足小参数的要求。
采用蚁群算法来优化两个参数和的随机共振,从而获得最优的组合和。的信噪比敏感的货币作为评价函数,并进一步计算加强货币基金。
的加强货币基金ensemble-averaged得到最终增强信号,并提取故障特征频率。
4所示。模拟验证
为了验证方法的有效性,采用轴承故障模拟信号的周期脉冲(26]。周期脉冲信号的采样频率10 kHz。特征频率是50赫兹,采样时间是1 s。周期脉冲信号的时域波形和频谱图所示3。
(一)
(b)
高斯白噪声的噪声强度0.5添加到周期性脉冲信号来模拟旋转机械的操作背景。这是显示在图4(一)周期脉冲信号淹没在强背景噪声。因此,模拟信号具有一定的现实意义。
(一)
(b)
(c)
由于周期性脉冲信号是隐藏在强烈的噪音,我们不能获得周期性脉冲时域波形图的特点4(一)和相应的频谱图4 (b)。我们知道包络谱有很好的影响提取故障特征,但故障特征仍隐藏在图4 (c)。因此,我们得出结论,包络谱不能提取噪声信号的特征频率强烈的背景噪音。
为了获得强大的背景噪音的特征频率,原始信号是由EEMD来分解,然后13首先得出残余的趋势项,如图所示5(一个)。IMF1 ~ IMF6高和低频率成分,IMF7 ~ IMF9低频分量,IMF10 ~ IMF13极低频率成分的特征频率不能看到。周期信号不能清楚的区分出信封频谱图5 (b)。我们使用的方法KWIDS选择敏感的货币。首先,根据(9),我们可以得到峰度指数曲线在图6(一)。从图,多个峰度索引值大于3,可能造成损失的一些特点。因此,由互关联系数构造加权峰度指数得到imf的所有故障信息和光谱曲线的差异由公式(17)在图6 (b)。差光谱对应货币如表所示1,IMF4 0.07206和最大突变点。因此,IMF1 ~ IMF4反映原始振动信号的故障特征,他们敏感的货币基金自适应随机共振方法的输入。
(一)
(b)
(一)
(b)
根据频移缩放变换方法,通过频率和48 Hz高通滤波器的截止频率和40 Hz,分别。调制频率是40 Hz和可变规模压缩率是400。目标频率被压缩赫兹符合小参数的要求。IMF1 ~ IMF4输入信号输入到随机共振系统,和两个系统参数和蚁群算法的随机共振进行了优化。找到最优的参数组合自适应随机共振系统的范围和,输出信噪比IMF1 ~ IMF4是20.3957,20.1430,21.4371,和18.5379,分别,这是一个评估函数表2。
时域和频谱IMF1 ~ IMF4组件输入自适应随机共振图所示7~10。
(一)
(b)
因为自适应随机共振可以提高弱故障特征埋在噪声、信号的特征频率分量可以突出显示。自适应随机共振频率光谱IMF1 ~ IMF3都有最大价值50 Hz的人物7 (b),8 (b),9 (b),这与实际情况是一致的,因此他们有噪声干扰,噪声干扰的IMF2尤其严重。在图10,由于强噪声干扰,谱峰的最大是51.67赫兹,而不是目标的频率。为了减少噪声干扰,整体平均操作执行IMF1 ~ IMF4,结果如图11。
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
在图11 (b)最高的振幅的频率是50赫兹,是一样的特征频率,振动信号的周期非常明显。此外,在很大程度上消除噪声通过使用随机共振和统计平均水平。相比之下,EEMD图5 (b)在数据和随机共振的IMF分量7 (b),8 (b),9 (b),10 (b),它明显优于上述所有。换句话说,EEMD减少噪音但不提取故障的特征。随机共振的国际货币基金组织(IMF)组件是用于提高弱故障特征和这种效果并不是那么完美。为了进一步降低噪声,该统计平均值用于四个加强货币基金。最后,有效地提取故障特征频率和峰值远高于周围的噪音。因此,我们验证了故障诊断方法的有效性,敏感的货币选择EEMD和自适应随机共振。
5。演示实验
实验中使用的设备是一个轴承故障测试平台由美国光谱追求制造公司,如图12。在测试中,我们使用ZonicBook / 618 e型测试系统和ER-10K轴承圆柱滚子轴承的失败。振动信号采集的加速度传感器安装在轴承上。圆柱滚子轴承几何尺寸,毫米,毫米,。在测试、采样频率为5120赫兹和轴的速度是2100 r / min。
根据对滚动轴承故障特征频率理论,我们可以知道,内套故障频率为173.25赫兹。轴承内座圈的时域波形图所示(13日)。由于故障信号非常弱的强背景噪声,它是不容易找到故障特征频率的频谱和包络谱图所示13 (b)和13 (c)。因此,我们不能确定轴承内座圈是否有错。
(一)
(b)
(c)
根据本文提出的方法,首先,原始振动信号分解为EEMD的时域波形IMF1 ~ IMF4如图(14日)。轴承内圈故障的特征分量完全隐藏在低信噪比的背景噪音,不能检测到明显的频谱的谱峰IMF1 ~ IMF4图14 (b),不能提取故障特征。因此,该方法用于选择EEMD和自适应随机共振的敏感的货币。
(一)
(b)
为了获得敏感的货币基金,构建KWDIS根据(9)和峰态指数曲线如图(15日)。峰度指数曲线说明了多个峰度索引值大于3,表明提取的轴承内圈故障是扭曲的。因此,加权峰度指数是由互关联系数得到所有轴承内圈故障信息和差光谱(17)在图15 (b)。不同光谱对应货币如表所示3,IMF3 0.9087和最大突变点。因此,IMF1 ~ IMF3反映的故障特征轴承内座圈和他们敏感的货币输入自适应随机共振信号。
(一)
(b)
所选IMF1 ~ IMF3输入自适应随机共振。由于轴承内圈故障的目标频率是173.25赫兹,频移和缩放变换预处理方法,通过频率和高通滤波器的截止频率170赫兹和165赫兹,分别。调制频率为165赫兹和变量规模压缩率是400。目标频率被压缩赫兹符合小参数的要求。因为实际的信号比模拟信号,更复杂的随机共振的参数优化是基于蚁群算法。最优参数组合的自适应随机共振IMF1 ~ IMF3 IMF1 ~ IMF3和输出信噪比是22.3860,22.2677,和22.3304,分别,这是一个评估函数表4。
时域和频谱IMF1 ~ IMF3每个自适应随机共振图所示16~18,分别。
(一)
(b)
自适应随机共振治疗后,IMF1的故障频率和IMF2是170.7赫兹和165.3 Hz大大不同于理论值如图16 (b)和17 (b)。IMF3是近似特征频率在图173.25赫兹18 (b),但环境噪声有一个很大的障碍。从上面的分析,可以知道,即使我们将噪音降低EEMD和国际货币基金组织的随机共振分量引起强烈的背景噪声,仍有大量实际峰值和峰值理论之间的偏差。噪声干扰仍然是非常严重的。
(一)
(b)
(一)
(b)
为了进一步降低噪声,统计系综平均IMF1 ~ IMF3执行和最终结果如图19。
(一)
(b)
在图19 (b)谱峰,最大是173.7赫兹(轴承内座圈的理论值为173.25赫兹),近似的故障特征频率。与数据14 (b)和19 (b),我们不能看到任何故障特征频率图14 (b)。因此,该方法提供了明显的优势在EEMD方法提取弱特征与低信噪比的信号。此外,IMF1的频率谱,IMF2, IMF3每个自适应随机共振图所示16 (b),17 (b),18 (b)分别;特征频率不是最好的结果。我们可以假设弱故障特征也不能获得只有通过自适应随机共振。换句话说,该方法不仅比EEMD也优于自适应随机共振方法。
6。结论
在本文中,基于敏感的故障诊断方法首先选择EEMD和自适应随机共振进行了研究,实验进行仿真和轴承,主要产生以下的结论。
敏感的一种新方法首先选择EEMD提出。WKIDS由互相关和峰度系数指数。WKIDS序列的最大值点反映了有效的货币基金和无用的货币基金之间的突变。这种方法可以自适应地选择有效的货币基金和消除人工选择货币基金的主体性。
结合有效的货币选择EEMD和每个有效的自适应随机共振国际货币基金组织的统计平均值,原始信号的噪声大大降低,信噪比增加。该方法检测弱故障特征准确、效果非常明显。
在仿真和实验中,相比之下,EEMD国际货币基金组织(IMF)和自适应随机共振敏感,发现EEMD不能检测出弱故障特征在高噪声环境中。选择有效的货币被送入自适应随机共振,但每个增强国际货币基金组织(IMF)的故障特征频率仍被噪音、故障频率并不是显而易见的。进一步降低噪音,提高有效ensemble-averaged货币基金。最后,弱故障特征隐藏在强噪声中提取。后减少了噪音,有效的自适应随机共振首先不能有效提取的错,所以我们只能得出这样的结论:随机共振不能检测弱故障特征。因此,该方法比EEMD和自适应随机共振。
相互竞争的利益
作者宣称没有利益冲突。
确认
这项研究由美国国家科学基金会支持的中国(51075029)。