文摘

基于随机共振的微弱信号检测技术(SR)扮演重要角色在vibration-based健康监测和滚动轴承的故障诊断,尤其是在他们early-fault阶段。针对parameter-fixed振动信号在实际工程中,潜在的滚动轴承故障诊断是可行的,通过自适应地调整SR系统参数,以及其他广义amplitude-transformation系数和scale-transformation系数等参数。然而,现存的关注系统参数自适应调整方法,而其他可调参数的调整没有被充分研究,从而限制自适应SR方法的检测性能。为了进一步提高检测性能的自适应SR方法和扩展他们在滚动轴承故障诊断中的应用,一种自适应multiparameter-adjusting SR (AMPASR)方法对双稳态系统基于粒子群优化(PSO)算法。这个方法可以通过自适应地调整多参数产生最佳的SR输出,从而进一步实现故障特征提取和故障诊断。此外,算法参数对优化结果的影响,探讨了朗之万系统的优化结果和杜芬系统进行了比较。最后,我们提出一个微弱信号检测方法基于杜芬系统的AMPASR和雇佣三个诊断的例子包括内圈故障、外圈故障和滚动体故障诊断显示其在滚动轴承故障诊断的可行性。

1。介绍

滚动轴承,旋转机械的核心部件,扮演了一个重要的角色在现代机器如风力涡轮机、机床、离心泵、压缩机、电动纺锤波。因其恶劣和复杂的工作环境,缺点是容易发生在内环,外环、滚动轴承和滚动的元素,从而导致整个机器的故障,甚至是灾难性的事故。因此,有必要监测滚动轴承的工作条件和诊断尽快他们潜在的缺点,从而避免潜在的事故通过及时维护。

在过去的几十年里,各种诊断技术基于振动、声学、液体温度,提出了滚动轴承的健康监控和故障诊断。在所有这些诊断技术,vibration-based诊断技术,如最大相关峰态反褶积(MCKD) [1),谱峰度(SK) [2),经验模态分解(EMD) [3),小波变换(WT) [4),和混沌理论5),得到了很多的关注,因为与滚动轴承故障振动信号含有丰富的状态信息。然而,由于艰难的工作环境和远程测量距离,故障振动信号总是弱,特别是在故障的早期阶段。在这种情况下,微弱信号检测的能力是一个关键的指标评价方法的诊断性能。尽管上述诊断方法可以实现微弱信号的检测在某种程度上通过压制或取消噪声嵌入故障振动信号和故障特征突出,他们的微弱信号检测性能是有限的,因为他们不可避免地损害弱故障特征淹没在强噪声背景去噪过程。与这些噪音cancellation-based故障诊断方法相比,非线性现象叫做随机共振(SR)领导的一种噪声utilization-based故障诊断方法,具有内在的优越性在微弱信号检测利用噪声提高弱故障特征通过某种非线性系统(6]。

SR Benzi首次提出了描述与地球相关的周期性的冰河时代气候学在1980年代(7]。这个有趣的非线性现象使弱信号加强强度通过吸收一定比例的噪声能量,从而突显出弱信号(8,9]。SR吸引了太多的关注物理和工程社区在动力非线性等研究领域10- - - - - -12,结构监测13),和能量收获(14- - - - - -16]。此外,在老的良好的性能使用噪声增强周期信号特性,SR-based微弱信号检测和故障诊断方法进行了调查,并成功地应用于滚动轴承故障诊断(17,18]。

的性能SR-based微弱信号检测方法主要是由非线性系统的形式决定的。研究表明,SR可以出现在单稳态系统(19,20.)和双稳态系统(21- - - - - -23]。后者的,包括经典的过阻尼的朗之万系统阻尼不足的杜芬系统,老有更好的性能比原系统。因此,双稳态系统大多是在先前的研究作为微弱信号检测模型。

SR描述了输入信号的最优协同行动,噪声和非线性系统。因此,针对parameter-fixed嘈杂的信号,如测量滚动轴承的振动故障信号,这是有可能的,唯一的方法来调整系统参数,以匹配信号参数产生SR和获得进一步的特征提取。该方法实现老SR是所谓的参数校正方法(24]。可调双稳态SR系统中系统参数包含势函数参数和阻尼比(只有欠阻尼的系统)。此外,研究人员发现,与不恰当的信号振幅和频率大,有必要引入amplitude-transformation系数和scale-transformation系数,分别改变振幅和频率特征信号的一个适当的范围(25]。结合amplitude-transformation系数和scale-transformation系数,multiparameter-adjusting SR方法进一步提出和多参数调整规则是完全从理论上研究[26,27]。根据定性调整规则,SR可以通过手动调整多参数对不同的噪声信号。

然而,手动调整的成功取决于工程师的经验。调整过程可能会耗费时间和最优SR输出可能不是通过工程师没有足够的经验。这是低效的,甚至一个不可靠的方式实现SR和故障诊断在实际工程。此外,手动调整方法只能应用于离线检测。为了解决这些问题,通过使用等多参数优化算法粒子群优化(PSO) (28)和遗传算法(GA) [22,29日),一些自适应参数校正方法,可以实现SR在网络条件下高效率和高可靠性,提出和研究[30.- - - - - -35]。这些适应性SR方法已经成功地应用于滚动轴承的故障诊断。

然而,现存的自适应方法主要研究传统的调整系统参数,而其他广义参数的调整,如amplitude-transformation系数和scale-transformation系数并没有得到充分的研究。因此,最优输出结果可能无法实现特别是对这些信号与低信噪比(信噪比),从而限制了老自适应方法的检测性能。为了进一步提高检测性能的自适应SR方法和扩展他们在故障诊断中的应用,有必要考虑多参数并提出相应的自适应multiparameter-adjusting SR方法。此外,在大多数引用(22,32- - - - - -34,36),自适应方法采用直接诊断机械故障没有被验证优化结果的可靠性和优化参数讨论。此外,朗之万的自适应故障诊断性能的比较系统和杜芬系统,尚未研究,应该进行,可以选择一个更好的双稳态系统的进一步应用。

在本文中,我们提出一种自适应multiparameter-adjusting SR (AMPASR)方法基于双稳态系统。这种方法在滚动轴承故障诊断中的应用。本文的其余部分组织如下。节2介绍multiparameter-adjusting SR的朗之万系统和杜芬系统。节3双稳态系统,自适应multiparameter-adjusting SR方法基于PSO算法和自适应优化结果进行了分析。节4,我们将讨论算法参数对优化结果的影响,比较优化结果的朗之万系统和杜芬系统。部分5介绍了微弱信号检测的过程基于AMPASR杜芬系统,还有三个滚动轴承故障诊断的例子。结论和摘要部分6。

2。双稳态系统的Multiparameter-Adjusting SR

老双稳态系统有两个典型的形式。一个是描述方程(1)表明一个欠阻尼的杜芬系统[31日由微弱信号和噪音的来源 ,,另一个是描述方程(2)表明一个过阻尼的朗之万系统[37忽略惯性项的]。在这两种双稳态系统,表示的力量势场的势函数与和正在积极的系统参数。杜芬系统方程(1)表示阻尼比。被定义为系统的输入信号;在本文的仿真分析,代表一个谐波微弱信号振幅和频率 ,和代表一个高斯白噪声和噪声强度的来源 :

在缺乏和 ,的势函数方程(1)和(2)描述了双稳势场与两个稳定平衡的点和一个不稳定的平衡点 ,如图1。势垒的高度,将两个潜在的井 。这就是为什么方程(1)和(2)被称为双稳态系统。

输出方程(1)和(2)可以被理解为与时间相关的单位质量布朗粒子的位置朝双稳势场相互作用下的阻尼力(只对杜芬系统方程(1)),势场力 ,驱动力和随机噪声 。通过理论和仿真分析,先前的研究已经表明,SR可以发生在杜芬系统方程(1)和朗之万系统方程(2)。在非线性系统的帮助下,噪声对微弱信号可以产生积极的影响输出和提高其强度 。因此,老在双稳态系统在微弱信号检测有潜在优势。

实际上,老了微弱信号之间的协同作用,噪声和非线性系统。SR只能发生在这三个因素相匹配。测量振动信号由于机械故障,信号参数是固定的。因此,为了利用SR的双稳态系统来检测微弱的故障信号,唯一的方法是调整系统参数匹配的振动信号。SR通过调整系统参数是所谓的老参数校正。

传统上,调整涉及的系统参数 , , 杜芬系统方程(1), , 朗之万系统方程(2)。然而,这些系统参数的调整不足以匹配各种嘈杂的信号,尤其是对这些信号large-frequency组件,一个幅度不足,低信噪比(信噪比)。因此,amplitude-transformation系数和一个scale-transformation系数进一步介绍了方程(1)和(2),可以写成

在这里,用于输入信号的振幅线性变换到一个适当的范围内,然后呢是用来改变输入信号的时间/频率刻度。尺度转换只是意识到通过设置时间步而不是在数值计算表示采样频率。因此,系统的输出时间尺度可以获得。

基于杜芬系统方程(3)和朗之万系统方程(4),一个multiparameter-adjusting方法(26老]提出了实现通过共同调整广义参数 , 和系统参数(只对杜芬系统), , 。SR-oriented调整规则为每个参数研究和总结。这些参数调整规则被成功地用于SR-based微弱信号检测和轴承故障诊断。

然而,参数调整规则只展示如何调整单独的参数实现SR在双稳态系统。它没有透露如何共同调整多参数,有助于实现SR复杂和低信噪比输入信号。此外,现有的multiparameter-adjusting方法依赖于观察和手动调整的工程师,和最优参数集和SR输出可能不会发现。因此,有必要研究一种自适应双稳态系统multiparameter-adjusting SR (AMPASR)方法,它可以调整老多参数自适应地实现最优输出不同的输入信号,要充分利用的优势multiparameter-adjusting微弱信号检测和滚动轴承故障诊断的方法。

3所示。AMPASR双稳态系统基于PSO算法

在本节中,将粒子群优化(PSO)算法引入一种自适应算法,和双稳态系统的输出信噪比将定义为目标函数。因此,AMPASR方法基于PSO算法将老提出实现自适应双稳态系统。优化结果将进一步分析在这一节中。

3.1。引入PSO算法

PSO算法是一种有效的多参数优化算法。在算法中,每个粒子代表一个潜在的解决优化问题,它是由目标函数的健身价值。每个粒子都有一个速度,决定了其飞行方向和距离。移动的速度动态调整粒子本身的经验和其他粒子。最优解决方案将根据更新粒子的最佳健康。

PSO算法可以在数学描述。假设有一个人口组成的粒子在一个 - - - - - -维空间的解决方案。的位置和速度我粒子在人群中 和 ,分别。每个粒子的最优解和整个人口 和 ,分别。在粒子找到这两个最优解,粒子更新它的速度和位置 在哪里是迭代数最大的一个;惯性权重;和积极的学习因素;和均匀分布的随机数中 。在这篇文章中,和选为2,决定通过一种自适应加权法: 在哪里和给定的最大和最小值吗 ; 意味着粒子当前的健身目标函数值,和表示平均价值和目标函数的最小值,所有粒子。

关于多参数优化自适应SR基于PSO算法的过程,代表多参数的数量。也就是说,AMPASR的杜芬系统(包括调整参数 , , , 和 ),和朗之万的AMPASR系统(包括调整参数 , , 和 )。随着PSO算法只能发现解空间中最小的目标函数,目标函数的优化过程是选为负的输出信噪比,这是一个常用的SR性能指标。摘要输入信噪比和输出信噪比的信号被定义为 在这里,代表了单面的系统输入 ,和系统输出的单边频谱 ,这可以通过四阶龙格-库塔算法来解决。因此,和显示相对应的幅值特征在系统输入和输出信号频率,分别。

因此,目标函数在老双稳态系统的多参数优化选择 。因此,本文中使用PSO算法的流程图如图2。

3.2。自适应优化结果的分析

在本节中,最优的杜芬系统的方程(3)在给定信号参数将通过解方程不同的参数设置和使用PSO算法,分别。值得注意的是,使用PSO算法,朗之万系统可以产生相似的模拟结果,不提出了简洁。因此,PSO算法的可靠性和有效性在AMPASR双稳态系统可以解决。

首先,最优通过相互调节系统参数和 。杜芬系统方程(3),信号参数设置 , ,采样频率 ,和采样点的数量 。通过设置其他可调参数为常数( , 和 ),数据3(一个)和4(一)现在杜芬系统的系统参数和下(dB)和(分别dB)。从数据可以看出3(一个)和4(一)系统输出信噪比通常呈现出减少的趋势和正在增加,但分配的规则值是更复杂的。的数量在不同的范围的数字3(一个)和4(一)数和在数据吗3 (b)和4 (b),分别。中可以看出 值,426个值出现在的范围dB在图3(一个)(概率0.7%)和242个值出现在的范围dB在图4(一)(概率0.4%)。此外,系统输出信噪比最大的人物3(一个)出现在和与dB,最大输出信噪比图4(一)出现在和与dB。再次,仿真结果显示参数校正方法在改善的意义双稳态系统的输出信噪比。

接下来,最优是通过PSO算法。相同的信号参数 , 赫兹和采样频率赫兹在杜芬系统方程(组3)。提出了PSO算法的优化参数设置和 ,用于搜索最优和相应的参数设置,可调参数的搜索范围 , ,而 , 和设置的数据吗3和4。10优化的结果和绘制在图5与按升序显示和x设在每个优化结果显示订单号。

从图可以看出5粒子群优化算法,在每个优化,只能找到局部最优解,导致不同的最优在每一个优化。最优为在10个随机优化的范围从8.035−−5.993 dB dB,最大0.7%范围内(dB)图3 (b)。同样,最优为范围从14.65−−11.68 dB数据库,在最大范围的0.4%(dB)图4(一)。这些结果表明,尽管PSO算法不可能找到全局最优 ,获得局部最优非常接近全局最优。因此,提出在优化AMPASR PSO算法是可行的。此外,之间的关系和转台参数,如图3(一个)和4(一),耗时,而PSO算法可以在短时间内找到一个可用的最优解,从而提供一个方便的方法等实际应用的在线检测。

应该指出,为了表示输出结果数据等使用清晰的三维图像3(一个)和4(一),只有两个调节参数(和 )被认为是在本节。和也得到了相似的结果表明,PSO算法可以找到一个可用的最优解在短时间内对所有调整参数。

4所示。讨论

4.1。PSO算法参数对优化结果的影响

节中提到的粒子群优化算法3.1粒子的数量和最大迭代数预设。在本节内,通过分析最优杜芬系统,这两个参数的影响在双稳态系统的输出SR性能进行了讨论。

调整参数的搜索范围的选择应首先声明。的搜索范围杜芬系统依赖于输入信号的噪声密度。的搜索范围和是由保证特征信号分量的振幅和频率转换适当的small-parameter范围内后,而系统的搜索范围和可以尽可能大。不失一般性,的上限和本节设置为5的比较优化结果。

同样,在杜芬系统方程(3),信号参数设置 , 赫兹,(dB),采样频率赫兹,采样点 。采用PSO算法搜索的搜索范围 , , , 和 。有必要第一州,用于数值模拟的计算机CPU的英特尔(R) (TM)核心i7 - 6700和8.00 GB RAM作为其主要的配置。

首先,的影响系统优化结果进行了研究。表1提出了最优和迭代时间和和不同的8个随机优化。优化结果也绘制在图6与数据按升序。从表可以看出1和图6(一),在8个随机优化与不同 ,获得最优−9.5 dB周围是一个狭窄的范围内,这是相比显著提高吗 ,表明的价值几乎不影响优化结果。然而,表1和图6 (b)显示的值增加,迭代时间显著增加,从而降低了优化效率。因此,一个小的价值 ,比如10,本文选择与接受的优化算法优化结果和短迭代时间保证。

同样,的影响系统优化结果进行了研究。表2和图7目前最优和迭代时间和和不同的8个随机优化。从图可以看出7(一)的最优与和很近,显然比 ,表明最大迭代数影响优化结果的时候很小,当它足够大时,其影响可以忽略。因此,在本文中选择作为一个适当的值的最大迭代次数,可以产生可接受的优化结果在一个适当的迭代时间。

4.2。对比优化朗之万系统和杜芬系统的结果

杜芬系统(3)和朗之万系统(4)是两种常用的双稳态系统。先前的研究表明,杜芬系统具有更好的适应性和大信号由于噪声强度可调阻尼比(25]。在本节内,PSO算法用于系统获得最佳的输出信噪比下三组相同的信号,给出的 , 赫兹, ,采样频率赫兹,采样点的数量在方程(3)和(4)。因此,进一步优化结果的比较。

PSO算法的优化过程中,和选择基于剖面的分析吗4.1方程,搜索范围(3)和(4) (只对杜芬系统(3)), , , 和 ,分别。杜芬系统和朗之万系统的优化结果记录在表3和4,分别。从表可以看出3和4当噪声强度很小( , dB),最优和平均在这两个系统都在同一水平,表明杜芬系统和朗之万系统提供类似的小噪音强度条件下的优化结果。然而,当噪声强度增加( , dB和 , dB),最优的杜芬系统比朗之万的大系统,更重要的是,平均水平朗之万的杜芬系统远远大于系统,表明杜芬系统可以产生一个可取的更容易通过使用PSO算法。这些可以解释,阻尼比杜芬系统有助于解决大噪声强度信号。此外,仿真过程表明,分歧很可能发生在朗之万的优化系统,和一个最优的可能无法获得在某些情况下,这是另一个缺乏朗之万的系统相比,杜芬系统。

基于前面的分析,杜芬系统,本文将选择自适应故障诊断,提出更好的双稳态系统在微弱信号检测。

5。实际的例子

5.1。微弱信号检测方法基于AMPASR杜芬系统

根据之前的分析,AMPASR杜芬系统提供解决方案的适应性检测弱信号出现在强噪声背景。该方法的一个潜在的应用程序是滚动轴承早期故障的诊断,其振动信号通常与低信噪比噪声信号。考虑到一个稳定状态在实际工程可以分解成一些周期信号和噪声的来源,AMPASR杜芬系统提出了可用于产生最佳SR自适应。因此,可以判断潜在故障的存在。

在实际振动故障信号,准确的特征频率的错误总是未知的。因此,输出信噪比的定义应该修改评估潜在的频域 故障信号。修改后的 ,选为目标函数的自适应检测在实际应用程序中,是吗

因此,轴承故障诊断的过程通过使用AMPASR杜芬系统对应于方程(3),呈现在图8。过程中,故障频率域 首先应该估计,然后一个合适的采样频率应该选择获取振动信号 。在优化之前,多参数的搜索范围应根据振动信号决定。在本节中,之后是什么三提出了滚动轴承故障诊断的例子来演示了该方法的有效性和可靠性。

5.2。自适应诊断滚动轴承故障的例子

滚动轴承故障信号提出了分段引用来自凯斯西储大学(CWRU)轴承数据中心,为诊断提供数据呈现不同程度的困难(38]。试验台的基本布局图所示9。它由一个2-horsepower依赖电动马达驱动的轴转矩传感器和编码器安装。扭矩是通过测功器应用于轴和电子控制系统。

在测试中,电机轴承被播种的错误使用放电加工(EDM)。故障直径从0.007英寸到0.040英寸直径分别介绍了内圈,外圈、滚动体。指责轴承是重新安装到测试电机和振动数据为0到3马力电动机负载,记录和加速度数据测量位置靠近和远离电机轴承。

在本节中,从驱动端轴承故障振动信号1马力的电动机负载用于验证。滚动轴承是深沟球轴承,SKF 6205 - 2的类型- rs杰姆。轴承的几何参数和故障频率提供了5。振动信号的故障特征频率 , ,和预计在信号频谱当故障出现在内环、外环、滚动体,分别。在测试期间,一个加速度计放置在12点钟位置在电动机的驱动端住房;近似电动机转速为1774 rpm(29.57赫兹),振动信号收集使用16通道DAT记录器以每秒48000个样本(赫兹)主动端故障,数据长度

5.2.1。案例1:内圈故障诊断

内圈故障的故障频率可以作为计算赫兹根据表5。原始振动信号的波形和频谱与内圈的错,这是直径0.021英寸显示严重的故障情况,提出了在数字10 ()和10 (b)。可以看出,由于较低的输入信噪比(dB),内圈故障频率的信号分量赫兹是淹没在波形和并不明显比其他光谱信号组件。因此,内圈故障信号隐藏在原始振动信号不能被识别。

为了检测潜在的滚动轴承内圈故障,提出AMPASR杜芬系统的方法是采用振动信号进行了分析。在每一个优化,频率域的潜力 ,和可调参数的搜索范围 , , , 和 ,分别。应该指出,搜索的范围和是由保证故障信号分量的振幅和频率转换后在适当的small-parameter范围。最优输出信号的波形和频谱10给出了随机优化数据10 (c)和10 (d)最优参数 , , , 和 ,分别。从图可以看出10 (d)频率的信号分量赫兹是明显的光谱输出信号由于大大增强−12.78 dB。此外,3和4 x高阶谐波也可以观察到。输出的结果表明,一个内圈故障可能存在于滚动轴承驱动端,这是符合实际物理真理的滚动轴承。因此,自适应内圈故障的诊断是实现通过使用AMPASR杜芬系统的方法。此外,分析了相同的日期(27使用手动调整tristable SR系统)。输出信噪比,参考(−25.43 dB)小得多,在图10 (d)(−12.78 dB),从而证明该AMPASR方法的优势在自适应滚动轴承内圈故障诊断。

此外,相同的振动信号与内圈故障也可以检测到该AMPASR朗之万法系统。最优杜芬系统的输出信号和朗之万系统在10个随机自适应检测呈现在图11。可以看出,尽管朗之万系统有助于提高检测到信号的最优从朗之万系统输出的信号通常是小于的杜芬系统。的杜芬系统被证明是一个更好的双稳态系统与朗之万相比在微弱信号检测系统。因此,在下列故障诊断的情况下,我们只研究达芬系统的检测结果。

5.2.2。案例2:外圈故障诊断

同样,外圈故障的故障频率可以作为计算赫兹根据表5。原始振动信号的波形和频谱与外环的错,直径0.021英寸,给出数据12(一个)和12 (b)。可以看出,外圈故障频率的信号分量赫兹不能识别波形和频谱由于极低的输入信噪比(dB)。

再次,提出AMPASR杜芬系统的方法是采用对振动信号进行分析。在每一个优化,频率域的潜力 ,和可调参数的搜索范围 , , , 和 ,分别。最优输出信号的波形和频谱10给出了随机优化数据12 (c)和12 (d)最优参数 , , , 和 ,分别。一个可以看到频率的信号分量赫兹可以确定输出信号的频谱图所示12 (d),在那里增强−14.64 dB。这个结果表明存在主动端滚动轴承外环故障。因此,自适应外圈故障的诊断是实现通过使用AMPASR杜芬系统的方法。

5.2.3。案例3:滚动体故障诊断

最后,滚动体故障的振动信号是考虑。滚动体故障的故障频率可以作为计算赫兹根据表5。原始振动信号的波形和频谱与滚动体故障,直径0.021英寸,给出数据(13日)和13 (b),滚动体故障频率的信号分量赫兹是完全淹没由于极低的输入信噪比(dB)。

再次,提出AMPASR杜芬系统的方法是采用对振动信号进行分析。在每一个优化,频率域的潜力 ,和可调参数的搜索范围 , , , 和 ,分别。最优输出信号的波形和频谱10给出了随机优化数据13 (c)和13 (d)最优参数 , , , 和 ,分别。可以看出频率的信号分量赫兹可以确定输出信号的频谱图所示13 (d),在那里增强−14.78 dB。这一结果表明,滚动体故障滚动轴承驱动端。因此,实现滚动体故障的自适应诊断使用AMPASR杜芬系统的方法。

5.3。讨论实际的例子

在本节中,提出基于微弱信号检测方法的可行性AMPASR杜芬系统已经证明。可以看出,疲软的内圈的特点,外环,和滚动元素故障可以极大地增强了通过调整系统参数自适应地产生一个最佳的系统输出老此外,给定的优化参数的计算时间是6年代,这在实际工程是可以接受的。因此,该方法提供了一个可靠的解决方案在线和离线自适应诊断滚动轴承故障。

实际上,检测到的振动信号的长度对检测结果有影响,特别是对于在线检测。众所周知, 。的变化表明两种情况:(1)当是固定的,根据特征频率设置不同的振动故障信号,我们可以简单地改变搜索范围的scale-transformation系数得到一个好的优化结果;(2)当为给定的振动故障信号,是固定的变化显示的变化 。一方面,当()是小,花费更少的时间自适应优化过程和检测效率更高尤其是在线检测。另一方面,当()较大,参与信号的更多信息和光谱分辨率较大,这是很重要的对于一些复杂的信号。因此,我们应该设置的值适当尤其是在线检测,或者我们可以设置不同的值处理相同的振动故障信号,找到最好的输出结果。

应该指出,我们总是以为,滚动轴承的故障类型是已知在上面的例子。因此,相应的故障频率,为自适应的调整是必要的,可以计算,可以验证该方法的可行性。然而,在大多数情况下的实际工程,断层的存在和潜在的故障类型不能预见。因此,每个人都应该计算的故障频率内圈,外圈和滚动元素基于电动机的旋转频率。潜在的频率域选择相应获得最佳的输出结果为每种故障类型。因此,三种类型的滚动断层的存在可以识别和故障检测可以实现。

在本节中,我们只考虑单一故障的情况下证明提出的自适应方法的可行性。然而,微弱的振动信号与multifault信号实际工程中是十分常见的。在这些情况下,可以选择不同的频率域不同的故障频率实现multifaults的检测。这是值得进一步的研究在不久的将来。

6。结论

针对滚动轴承故障诊断的一种自适应multiparameter-adjusting SR方法双稳态系统提出了基于PSO算法和本文研究。可调参数包括传统的非线性系统参数和其他广义参数如amplitude-transformation系数和scale-transformation系数。输出信噪比( )为目标函数,优化老双稳态系统的输出可以通过调整parameter-fixed振动信号的多参数自适应地,和一个更大的信噪比可以实现输出信号。因此,潜在的弱滚动轴承故障特性可以用该方法提取和故障诊断。仿真结果表明,虽然自适应方法只能找到局部最优解在每个优化,获得的接近最优的微弱信号特征可以从老的输出。基于提出AMPASR方法,PSO算法参数对仿真结果的影响研究,和一组合理的算法参数包括粒子数和最大迭代数选择为进一步模拟。此外,朗之万系统和杜芬系统的优化结果进行比较,结果表明,杜芬系统,这是本文选择自适应故障诊断,是一种优良的双稳态系统在微弱信号检测。最后,微弱信号检测方法提出了基于AMPASR杜芬系统。该方法采用自适应诊断滚动轴承故障包括内圈故障,外环的错,和滚动体故障从CWRU基于数据,从而证明该方法的可用性和可靠性。

数据可用性

数据分析部分5凯斯西储大学轴承可以访问的数据中心网站(http://csegroups.case.edu/bearingdatacenter/pages/download-data-file)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(批准号51905349),江西省自然科学基金(CN)(批准号深圳大学20161 bab216111),自然科学基金(批准号2019036,和860 - 000002110264),重点实验室的江西省轻质和高强度结构材料(批准号20171 bcd40003)。