基于隨機共振預處理的故障特征提取方法

基于隨機共振預處理的故障特征提取方法

振動信號法的旋轉(zhuǎn)故障的診斷是有效的。但由于設備的工作環(huán)境復雜、載荷大、工作狀態(tài)多變、信號復雜性及傳感器數(shù)據(jù)漂移等因素，由傳感器所得信號本身帶有較強的噪聲信號，給故障診斷造成較大困難。尤其故障早期，微弱的故障信號會被噪聲淹沒，無法實現(xiàn)故障診斷及隔離。常用的振動信號去噪方法有小波變換、盲信號分離、EMD分解等，但其基本原理均從信號中去除噪聲成分，而由于實際振動信號噪聲來源較復雜，噪聲頻率分布不確定，因此會在一定程度上造成有用信息丟失。隨機共振為信號處理領域中新方法，與單純通過消除、抑制噪聲提高信噪比不同，隨機共振利用噪聲增強信號中所含周期信號，達到提高輸出信噪比目的，避免在信號、噪聲頻率接近或信號過于微弱時用濾波算法將有用信號濾除的情況發(fā)生?；诖?，本文提出將隨機共振方法用于振動信號預處理。為驗證預處理效果，分別提取基于時域、頻域及時頻域分析的三類故障特征集，以轉(zhuǎn)子試驗臺模擬振動故障數(shù)據(jù)為研究對象，分析該方法提取的三類特征集故障診斷性能，為轉(zhuǎn)子振動故障預處理及特征集提取提供新的思路。1基于隨機共振的信號預處理1.1隨機共振信號特性隨機共振系統(tǒng)包括三要素:非線性雙穩(wěn)系統(tǒng)U(x)，輸入信號s(t)及噪聲n(t)。其中U(x)一般取非線性雙穩(wěn)函數(shù):式中:a,b為雙穩(wěn)系統(tǒng)結(jié)構參數(shù)，滿足a>0,b>0。設輸入信號Sn(t)=s(t)+n(t),s(t)=Asin(2πf0t)為頻率f0的周期信號;n(t)為強度為D的噪聲信號。在Sn(t)作用下，雙穩(wěn)系統(tǒng)U(x)輸出可由Langevin方程獲得:由絕熱近似理論知，系統(tǒng)輸出信噪比為:由式(3)看出，系統(tǒng)輸出信噪比受信號幅值A及噪聲強度D影響，在信號、噪聲共同作用下，系統(tǒng)輸出在兩穩(wěn)態(tài)值之間交替變化，噪聲起對躍遷運動的激勵作用，信號幅值與噪聲達到某種匹配狀態(tài)時，噪聲能量會向信號轉(zhuǎn)移，信號周期性會隨之加強，即信號有序性得到增強，從而達到提高信噪比目的。因此，將振動信號輸入隨機共振系統(tǒng)，理論上可提高輸出信號信噪比。由文獻知，隨機共振對淹沒在強噪聲中的微弱信號增強效果更明顯，對早期故障的處理能力優(yōu)于傳統(tǒng)的濾波方法。故該方法可用于信號降噪過程。1.2隨機共振方法受絕熱近似理論限制，經(jīng)典隨機共振理論只適用于信號頻率fue04d1情況，從而大大制約了隨機共振應用范圍。本文研究轉(zhuǎn)子振動信號，其激振源包括轉(zhuǎn)子及與其具有傳動關系的軸承、齒輪等附件。實際工作狀態(tài)的轉(zhuǎn)子系統(tǒng)工作頻率大于1，隨機共振理論無法直接用于轉(zhuǎn)子振動信號處理。為解決大參數(shù)條件限制，本文用變尺度隨機共振方法，即定義一頻率壓縮比R，據(jù)R計算二次采樣頻率值fsr，獲得迭代計算步長h=1/fsr，將信號輸入雙穩(wěn)系統(tǒng)，以步長h迭代計算獲得系統(tǒng)輸出值。據(jù)變尺度隨機共振基本原理，用遺傳算法對頻率壓縮比R及系統(tǒng)參數(shù)b尋優(yōu)，確保獲取最優(yōu)的輸出效果。遺傳算法隨機共振基本為:(1)種群編碼與初始化。采用二進制編碼方法，據(jù)所需精度值確定編碼長度。給定b,R值的取值范圍[bmin,bmax],[Rmin,Rmax]。設定種群數(shù)量S，隨機形成初始群體{bi}，{Ri}(i,j=1,2，…，S)。(2)個體解碼與適應度評價。解碼獲得父代個體的a,R值，并進行適應度評價。選適應度函數(shù)為系統(tǒng)輸出信號信噪比SNR，其計算式為:式中:S(f0)為系統(tǒng)在輸入信號頻率f0處輸出功率譜Y(f0)的幅值;N(f0)為背景噪聲譜Y(f0)在頻率f0處左右頻段內(nèi)平均值。(3)選擇、交叉、變異操作。(4)將更新后群體{bi}，{Ri}重復(2)、(3)操作，直至滿足設定的迭代條件或達到最大迭代次數(shù)，輸出獲得最優(yōu)解。2運行狀態(tài)檢測與故障診斷傳感器測得振動信號含重要狀態(tài)信息，但須采取適當方法對信號進行特征變換，方能獲得可有效反映工況狀態(tài)的敏感特征參數(shù)，實現(xiàn)對系統(tǒng)運行狀態(tài)檢測與故障診斷。為驗證隨機共振預處理對特征提取結(jié)果影響，本文分別提取時域、頻域、時頻域故障特征。2.1信號的分布密度時域特征集選取見文獻，不再贅述。由于均值、均方根值、方差等特征參數(shù)對信號幅值、頻率變化較敏感，會影響對發(fā)動機狀態(tài)信息的判斷，無量綱特征參數(shù)則不存在此情況，其取值僅依賴于信號的分布密度。因此本文選5個無量綱時域特征參數(shù)，即波形指標S，峰值指標C，脈沖指標I，裕度指標L，峭度指標K。2.2不同頻率帶內(nèi)的能量分布函數(shù)將信號進行傅里葉變換后，所得功率譜可較好描述信號能量特性隨頻率的變化關系，某一頻率振動為主要激振源時，其對應的頻率范圍內(nèi)應具有較大能量分布。據(jù)此，本文選轉(zhuǎn)子振動信號不同頻率帶內(nèi)的能量分布函數(shù)值作為頻域特征集。設轉(zhuǎn)子工頻為fz，由文獻知，發(fā)動機不同振動故障，其特征頻率主要表現(xiàn)為轉(zhuǎn)子的分頻或倍頻。因此本文劃分5個頻帶，為[0,0.8fz],(0.8fz,1.5fz],(1.5fz,2.5fz],(2.5fz,3.5fz]及(3.5fz,10fz]。由于發(fā)動機10倍頻以上振動能量相比于前面頻帶能量已較小，對故障不具有鑒別能力，為節(jié)省計算量，本文將頻帶上限設為10fz。每個頻帶能量計算式為:2.3md分解提取fm分量時頻域特征集用EMD分解能量熵，提取方法為先對信號x(t)做EMD分解，獲得若干IMF分量，即:其中:ci(t)為各IMF分量，包含信號在各頻段范圍內(nèi)成分;rn(t)為趨勢項。因此將所取各IMF分量能量熵作為時頻域特征集。每個IMF分量能量熵計算式為:3振動信號預處理機械故障診斷的關鍵為特征提取，利用由振動信號中提取的特征集，可有效獲取轉(zhuǎn)子工作狀態(tài)信息，準確實現(xiàn)故障診斷。但多數(shù)情況下，振動信號中混有不同程度噪聲信號，對特征提取結(jié)果有一定影響。而隨機共振方法可有效利用噪聲增強信號中周期成分，提高輸出信號信噪比。因此，將隨機共振用于振動信號預處理，有望實現(xiàn)對信號的降噪及頻率細化。由此，本文提出基于隨機共振預處理的轉(zhuǎn)子振動故障特征提取方法，具體為:(1)系統(tǒng)初始化。據(jù)振動信號特點，初始化遺傳算法隨機共振參數(shù)。(2)隨機共振預處理。將原始振動信號經(jīng)隨機共振系統(tǒng)處理，獲得信噪比升高的輸出信號。(3)故障特征提取。對預處理的輸出信號分別從時域、頻域及時頻域進行特征提取:(1)時域特征提取:據(jù)文獻，計算時域特征集S,C,I,L,K;(2)頻域特征提取:對隨機共振輸出信號做FFT變換，據(jù)式(6)計算各頻帶能量值Fi(i=1,2,3,4,5)，獲得頻域特征集F1,F2,F3,F4,F5;(3)時頻域特征集提取:對隨機共振輸出信號做EMD分解，取前5層IMF分量，據(jù)式(8)計算各IMF分量能量熵，獲得時頻域特征集H1,H2,H3,H4,H5。4故障特征集診斷性能分析4.1隨機共振處理由第1節(jié)內(nèi)容知，振動信號經(jīng)隨機共振處理后，信噪比得到有效提升。但在實際信號處理中仍存在:對實際振動信號而言，其振動信號本身伴隨不同強度噪聲，經(jīng)隨機共振處理后的信號可保證信噪比升高，但輸出信號已非原振動信號s(t)，而是求解Langevin方程所得數(shù)字信號x(t)。x(t)能保留并增強s(t)頻率特性，但不能確定是否具有對不同故障狀態(tài)分辨能力。因此，需分析x(t)提取的三類特征集對故障的識別能力與原始信號相比是否得到加強。4.2轉(zhuǎn)子試驗臺的布置為驗證本文所提方法，用轉(zhuǎn)子試驗臺進行微弱故障模擬試驗，見圖1，其基本組成包括基座、電動機、軸、軸承、聯(lián)軸器、輪盤等。轉(zhuǎn)子試驗臺采用雙跨布置，兩軸由剛性聯(lián)軸器連接，電機與軸之間用撓性聯(lián)軸器連接。支持軸承為滑動軸承(油膜振蕩試驗時為油膜軸承)，轉(zhuǎn)子用直流電機驅(qū)動，選電渦流傳感器，信號采樣頻率2kHz，試驗臺電機轉(zhuǎn)速1500r/min，轉(zhuǎn)子工頻fz=25Hz，采樣時間Ts=10s，采樣頻率fs=2000Hz。4.3故障特征集診斷性能分析4.3.1多特征融合故障診斷法用試驗臺模擬正常、不對中、碰摩及支撐松動4種狀態(tài)各20組數(shù)據(jù)，選3層BP神經(jīng)網(wǎng)絡分類器驗證本文信號預處理方法的有效性。為避免樣本數(shù)量對診斷準確率影響，用k輪n倍交叉檢驗方法對故障進行分類實驗:將每類20個共80個樣本合并為一個數(shù)組，隨機抽取其中60組數(shù)據(jù)作為訓練樣本，剩余20組數(shù)據(jù)作為測試樣本，每組抽取的各類故障樣本個數(shù)不相等，反復進行多次試驗，最大限度減小測試集過小所致估計方差大的問題，計算每次分類的正確率。設進行n次試驗，第i次試驗中抽取的各類故障樣本個數(shù)為pji(j=1,2,3,4;i=1,2，…，n)個，且每類故障各有mji(mjiue025pji)個樣本被分類正確，則每類故障正確率估計為:總診斷正確率為:分別對3類特征集進行故障診斷性能分析，神經(jīng)網(wǎng)絡分類器輸入5個特征量，TT=[S,C,I,L,K]T,TF=[F1,F2,F3,F4,F5]T,TH=[H1,H2,H3,H4,H5]T。網(wǎng)絡輸出按M中取1原則進行編碼，當類別數(shù)為m時，網(wǎng)絡輸出節(jié)點亦為m，即每個節(jié)點輸出對應1類故障。在進行神經(jīng)網(wǎng)絡訓練時，若樣本屬于第j類故障，則將第j個節(jié)點輸出設為1，其余節(jié)點設為0。為更直觀對故障類型進行判斷，進行故障診斷時據(jù)神經(jīng)網(wǎng)絡輸出向量定位故障類型，將輸出設為類別標識，即設某樣本輸出中絕對值最大元素，輸出該值對應的索引i，即為該樣本對應的類別標識，可實現(xiàn)故障定位。如在進行一次試驗時，前5個樣本對應的輸出為:則每個輸出向量最大元素索引分別為4,3,1,4,1。其故障類型分別為支承松動、碰摩、正常、支承松動、正常。綜上，神經(jīng)網(wǎng)絡輸入節(jié)點數(shù)n=5，輸出節(jié)點數(shù)m=4，取隱含層節(jié)點數(shù)p=10，進行10次交叉檢驗試驗，結(jié)果見圖2、表2～表4。為節(jié)省篇幅，僅給出時域特征診斷結(jié)果。由表2～表4結(jié)果看出，信號經(jīng)隨機共振預處理后，由于輸出信號信噪比得到提高，具有周期性故障信號得到加強，所提特征集診斷效果亦得以明顯提高。對每類特征集，隨機共振輸出信號特征集對正常、不對中、碰摩及支承松動狀態(tài)診斷能力均優(yōu)于原始信號提取的特征集，因此，整體診斷正確率明顯高于原始信號特征集。由三表結(jié)果對比可知，本文提取的3類特征集中，時域特征集診斷正確率最高，時頻域次之，頻域特征集診斷效果最差。由表5看出，用原始數(shù)據(jù)進行診斷時，對4類故障診斷正確率標準差均大于SR特征集標準差，即用原始特征集診斷不確定性更大，診斷結(jié)果穩(wěn)定性低于SR特征集診斷結(jié)果。4.3.2隨機共振對特征集的分類性能影響分析實際應用中設備故障往往非單一產(chǎn)生，通常會多種故障并存。為驗證本文方法在復合故障模式下特征提取效果，用轉(zhuǎn)子試驗臺模擬轉(zhuǎn)子在支撐松動條件下發(fā)生碰摩故障的振動數(shù)據(jù)，并與模擬的碰摩、支撐松動及正常數(shù)據(jù)結(jié)合進行復合故障條件下特征提取研究。先對4類狀態(tài)的20組數(shù)據(jù)進行隨機共振預處理，分別選各一組數(shù)據(jù)的時域波形進行對比，見圖3。由圖3看出，由于噪聲的存在，原始信號均存在一定程度不平整現(xiàn)象，此時信號信噪比為-10.256dB，仍屬噪聲水平較低情況，因此有用信號尚未被噪聲淹沒。而隨機共振處理后的信號時域波形更規(guī)則，信號周期性更明顯。特征提取時受噪聲干擾會較小，故用隨機共振對信號進行預處理優(yōu)勢明顯。用BP神經(jīng)網(wǎng)絡分類器分析特征集分類性能，得復合故障條件下診斷結(jié)果見表6。限于篇幅，不列舉每次交叉驗證試驗的診斷結(jié)果。由表6看出，在復合條件下，用本文方法提取的特征集診斷正確率較高，與原始信號提取的故障特征集相比，由于信號噪聲得到較好抑制，使噪聲對各特征參數(shù)影響降低明顯，能較好保持特征集對故障狀態(tài)的識別能力。由于本文所選故障狀態(tài)間存在一定耦合性，會使碰摩、支撐松動故障診斷正確率較單一故障有一定程度的降低，表明復合故障條件、復合故障狀態(tài)的特征集與各單一故障狀態(tài)特征集之間數(shù)量關系存在較強的非線性。將該特征集用于故障診斷，必會影響診斷正確率，對此，需研究非線性條件的特征提取方法，解決復合故障條件的特征提取問題。5隨機共振對特征集分類性能的分析本文通過研究基于隨機共振預處理的振動故障特