文摘
因为弱信号和强噪声的特点,低速振动信号故障特征提取一直是一个热点和难题在设备故障诊断领域。此外,传统的最小熵反褶积(地中海)方法已经被证明是用来检测这种故障信号。地中海使用目标函数方法设计滤波器系数,和适当的阈值应该设置在迭代计算过程达到最优的效果。应该指出,阈值的设置不当将导致重新计算目标函数,并由此产生的错误最终会影响目标函数的变形强烈的背景噪声。提出了一种改进的基于地中海从滚动轴承振动信号故障特征提取的方法,起源于高噪声环境。方法使用重组青蛙跳算法(SFLA),找到一组最优滤波器系数,最终避免了人为误差的影响选择阈值参数。因此,两个旋转速度下的故障轴承选择60 rpm和70 rpm的验证与典型的低速故障轴承为研究对象;结果表明,SFLA-MED提取更明显的轴承和信噪比高于之前的医疗方法。
1。介绍
滚动轴承是旋转机械中应用最广泛的元素之一。轴承的机械故障可能导致经济损失,甚至死亡。因此,滚动轴承的状态监测和故障诊断至关重要在现代企业生产效率和工厂安全(1,2]。滚动轴承故障时弱在早期阶段或轴转速低,弱故障特征通常是嵌入在背景噪音。所以这不是一项容易的任务从原始信号中提取的代表特性(3]。例如,快速傅里叶变换不能获得理想的瞬态提取,即使增加信噪比助攻弱故障特征提取。许多学者进行故障诊断的问题来自弱信号,取得了进展。在[4),小波变换应用于弱的问题,异常振动信号提取,但依赖一个单一的小波变换使得复杂振动信号的提取困难(5,6]。很多方法提出了改进的小波变换信号提取,通过结合其他诊断工具:中立网络,隐马尔可夫模型,或奇异值分解。在某些情况下,取得了较好的效果,但这些方法需要很多参数的设置,然而,当信号很弱或噪声强,这些方法给可怜的结果(7- - - - - -10]。黄等人在1998年提出了经验模态分解(EMD),一个自适应信号处理方法,收益率固有模态函数(货币)11]。EMD算法广泛应用于滚动轴承的故障类型识别。然而,有一个严重的混合模式和端点效应EMD方法。吴和黄提出集成经验模态分解(EEMD)克服模式混合的缺点,但最终影响仍然是一个问题。所以EMD和EEMD方法不能胜任弱故障诊断(12,13]。随机共振通常是用来加强微弱的故障信号,提取滚动轴承的特征频率成分(14,15]。给出带通滤波器的参数选择的困难,谱峰度(SK)是另一个有用的工具;它提供了一个温和的方式轮流检测弱故障甚至在强噪声背景下(16,17]。刘等人提出了一种新的方法来提取新特性使用内核联合近似对角化eigenmatrices (KJADE) [18]。稀疏分解来自应用程序故障信号匹配追踪算法的数据可以检测振幅,频率和相位强噪声背景下的弱信号(19]。这些结果并不明显,因为信号细节的损失。
•威金斯在1978年引入了最小熵反褶积(地中海)。地中海一直应用于地震信号处理,特别是对反射信号的卷积分离组件(20.]。地中海2007年,Sawalhi等人首次应用在滚动轴承故障检测和其他装备。地中海通常是结合谱峰度或AR滤波提高滚动轴承故障检测和诊断21,22]。地中海期间也是一个有效的方法来估计问题[23]。然而,由于强烈的噪音,影响组件失败将丢失到地中海,这是因为以下的原因(24- - - - - -26]。
地中海是一个线性算子是难以适应的过程有限频率带宽。对噪声数据,线性算子的限制难以克服。
目标函数的方法得到的滤波器系数(胶卷暗盒)是当地的最适条件,不是全球最适条件。
解决后者的限制,改进医疗方法的基础上,青蛙跳算法(SFLA-MED)提出。在新方法中,重组后的青蛙跳算法(SFLA)应用于选择一组最优的滤波器系数提供最大峰度。因此,过滤后的信号将被利用全局最优逆滤波器。过滤信号的包络谱计算与希尔伯特变换(HHT)和快速傅里叶变换(FFT)。包络谱,滚动轴承的特征频率是相当明显的,和可以诊断轴承故障。
2。改进算法的概述
2.1。最小熵反褶积算法
反褶积是一个逆滤波器,通常应用于地震数据,恢复为目的的反射系数。的主要好处是压缩地震反射脉冲和提高评估地下反射界面的反射系数。反褶积是特别重要的亮点技术的油气勘探和地震资料的分析与岩性研究地震学的形成有关。反褶积可以删除短周期混响干扰和多个波(27,28]。反褶积可分为确定性反褶积和预测反褶积。有很多俗称反褶积,包括最小平方反褶积、预测反褶积,同态反褶积、地表一致性反褶积,最大熵反褶积、最小熵反褶积,改变模具反褶积,反褶积、诺亚反褶积和反褶积的最小信息。
医疗技术是一种系统识别方法,最初开发援助在地震数据提取反射率信息。反射率信息可以用来识别和定位层地下矿物质(23]。该方法的本质是获取一个线性算子,最大化尖脉冲的特点(29日,30.]。最大峰度定义了一个停止条件(30.]。
滚动轴承故障振动信号可以表示为 在哪里是影响滚动轴承振动信号的序列,是传递函数,是噪音的组分。为了便于分析,可以忽略。医学的目的是找到一个反褶积优逆传递函数计算输入信号从输出信号通过 。
从(3)可能会发现最好的反滤波器最大化原始信号的峰度指数。
因此,地中海使经济复苏的信号通过建设一个“最佳”过滤器。
地中海可以归纳为五个步骤(26]:(1)初始化: (2)迭代计算: (3)计算互相关: (4)计算过滤系数: (5)终止条件。
假设给定的阈值是0.01。如果 在迭代结束;其他的 和迭代。
2.2。打乱青蛙跳算法
SFLA结合全球广度搜索整个青蛙的数量和青蛙的局部深度搜索个人信息、主要算法对全局最优的方向(25,31日]。青蛙代表解决方案分为几个子组,和每个人都有自己的文化。然后青蛙根据人口的健康发展。在每个memeplex搜索之后,青蛙从所有memeplexes被打乱,然后重新形成新的memeplexes青蛙,这使得搜索过程不太可能被困在局部最优31日]。
其包括以下步骤:(1)初始化种群规模。(2)初始化种群的一代 ;计算的性能 : (3)把青蛙 ,并安排表示数组 : (4)青蛙被放置在不同的人群。(5)在人口,青蛙开始进化(更新人口中最严重的青蛙): (6)人口的演变后,子组结合并以降序排列。通过不断迭代,然后找出最好的青蛙来更新。
线性时不变系统的输出信号(LTI)系统可以表示如下: 是输入信号,和代表滤波系数,是过滤器的顺序。在这篇文章中, , 最好的滤波器系数蛙跳算法获得的代入公式 ;然后去噪信号就变成了
然后去噪信号由HILBERT-FFT包络解调。最后,SFLA-MED的有效性验证通过比较故障特征值的包络谱。
2.3。由SFLA-MED诊断方法
图1显示了SFLA-MED和地中海之间的差异。地中海过滤器是由目标函数实现方法(胶卷暗盒)给出文献[26]。最大化的胶卷暗盒是一个优化过程设计的峰度地中海输出。指出胶卷暗盒获得的滤波器系数仅仅是当地的最适条件,不是全球最适条件。所以SFLA-MED使用SFLA找到这些最优系数。
故障诊断的过程如图2。在低速轴承振动信号测量的实验。SFLA-MED方法不需要设置阈值参数在迭代和直接对原始信号进行筛选,以便形成一个新的信号。然后应用于新信号包络解调。包络解调由希尔伯特变换(HHT)和快速傅里叶变换(FFT)。为了进一步验证的可靠性和可行性,该方法相对于地中海和理论特征频率。
3所示。实验验证
3.1。模拟信号分析
假设轴承仿真信号的表达式:
冲击分量的振幅;的值被设置为1.5。特征频率 赫兹, 赫兹和载波频率 赫兹。噪声组件是 ,振幅为0.2。时域波形图所示3。
Hilbert-FFT用于解调信号获得的医疗方法和SFLA-MED方法,然后振幅归一化频域的一个清晰的对比。从图可以看出4(一)后,信号已经减少和处理的医疗方法,特征频率是淹没在噪声信号,不能准确地提取轴承的故障特征。SFLA-MED方法被采用后,信号可以准确地提取12赫兹和30赫兹,和谐波特征明显,如图4 (b)。此外,从图可以看出3,模拟信号的调制特点明显,所以信封进行分析,如图4 (c)。信号被包围后,混合白噪声的水下特征检测。应该指出,实际的轴承故障信号中包含的噪声通常是相当复杂的。因此本文使用SFLA-MED和包络分析方法来检测轴承的微弱故障信号。
(一)
(b)
(c)
3.2。低速轴承的实验验证
3.2.1之上。实验系统
实验信号分析收集从低速轴承实验如图5。为了更好地验证本文提出方法的有效性,外环故障数据和内套滚动轴承的故障数据,这些缺陷是人工用使用线切割机器如图6。缺陷的大小如下:外环缺陷:5.0毫米0.5毫米(宽深度)内套缺陷:5.0毫米0.5毫米(宽深度)。
(一)
(b)
3.2.2。轴承数据集描述
为了充分分析信号特性和获得更全面的信息对故障诊断的研究,采样频率设置为100 kHz,采样时间是10秒,主轴的转速是60 rpm, 70 rpm。所以四种得到振动信号,外环故障振动信号在60 rpm,内套故障振动信号在60 rpm,外环故障振动信号在70 rpm,和内圈故障振动信号在70 rpm,分别。通过改变转速、振动信号的时域波形两个图所示。图7显示时域波形的外圈和内圈故障振动信号时,转速是60 rpm和图8显示了外环和内环振动信号的时域波形,当转速为70 rpm。
(一)
(b)
(一)
(b)
轴承缺陷将产生一系列的影响排放在轴承振动特征频率每次运行辊经过一个缺陷(32]。因此可以确定故障类型通过识别特征频率(33]。
pass-frequencies计算如表所示1。纯滚动运动是上述方程的一个条件。在实践中可能会有一些滑动,结果在表1是近似的值。
4所示。结果与讨论
4.1。特征提取的地中海和SFLA-MED
基于希尔伯特变换的包络谱分析已广泛应用于轴承故障诊断(34]。分离从收集到的信号调制信号,其中包含的信息显示故障类型。包络谱分析得到的包络信号的FFT。图9显示了规范化的外圈和内圈故障振动信号的包络谱的速度60 rpm地中海过滤的方法。如图9(一个)、理论特征谱峰频率没有清楚地显示。虽然有一个清晰的频谱峰值附近出现的理论特征频率,如图9 (b)谱峰,它不是最高的,不能确定第一次。因此,地中海与应急方法提取故障特征频率。
(一)
(b)
青蛙跳算法优化提高了医疗方法。在理论研究的基础上,轴承故障特征频率方程是基于假设的纯滚动运动。这些发生在轴承振动特征频率估计基于轴承的几何形状,其转速,缺陷的位置。然而,在实践中,可能会出现一些意想不到的状态,导致轻微的特征频率的偏移位置。图10显示了规范化的外圈和内圈故障振动信号的包络谱的速度60 rpm SFLA-MED过滤。从图10,可以看出有一个明显的谱峰对应的理论特征频率,因此获得的结果从SFLA-MED满足诊断精度的要求。总之,SFLA-MED方法能够更好地提取故障特征频率。
(一)
(b)
根据实验结果图11,传统的医疗方法可以识别轴承故障,这显示了医疗方法的有效性。SFLA-MED用来分析实验数据,而且它还可以识别轴承故障,如图12。这两种方法都很好识别故障轴承故障特征在70 rpm。与60 rpm实验数据相比,SFLA-MED算法识别轴承故障的特征频率在不同速度下,这表明它有更好的普遍性和更适合的应用程序。
(一)
(b)
(一)
(b)
4.2。地中海和SFLA-MED的效果比较
众所周知,信噪比(信噪比)是一种最基本的指标来衡量一个算法。结合四组的实验数据,发现SFLA-MED特征频率信号的方法不是由噪声淹没,他们更容易识别与故障特征(最高频谱峰值)。此外,与实验结果相比,信号的速度60 rpm, SFLA-MED方法的信噪比高于原来的医疗方法如表所示2。因此,SFLA-MED可以更准确地提取故障频率,减少误判的可能性。
频域信噪比的计算公式所示。 采样长度,是第一层序的相应的振幅特征频率,然后呢频域信号振幅。
5。结论
在本文中,一个SFLA-MED结合包络解调应用于弱滚动轴承的故障诊断。地中海与以前的方法相比,该方法提取滚动轴承的故障特征更加明显,更适合工程应用。指出改进的地中海地中海获得全局最优解,但没有。SFLA使滤波系数的选择更加灵活。从算法流程图可以看出,没有积累误差SFLA-MED,因为发现滤波器系数的过程不受过去的影响过滤信号。没有额外的频率成分之外出现在包络谱的特征频率。
的利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
提出了工作是由所有作者的合作。唐代王的构思和设计实验;Junlin李和Jingshen江进行了实验和模拟;萧红风扇和浏阳歌曲分析数据;Wenbin刘、杨剑锋和陈Liangchao执行仿真和修改论文;Junlin李和唐代王写的论文。所有作者阅读和批准最终的手稿。
确认
本文由中国国家自然科学基金(批准号51675035)和中国石油科技创新基金(批准号2015 d50060606)。