基于自适应概率主成分分析的滚动轴承故障特征增强方法

发布时间：2019-11-15 14:45

【摘要】：针对实际工程中滚动轴承微弱故障信号特征难以提取的问题,提出了一种新的自适应概率主成分分析(Adaptive Probabilistic Principal Component Analysis,APPCA)的轴承故障特征增强方法。概率主成分分析(Probabilistic Principal Component Analysis,PPCA)能够提取信号的主要故障特征,去除背景噪声干扰,但结果易受到主成分数与原始变量维数选择的影响。为了自适应实现最佳分析结果,利用粒子群算法多参数寻优特性,根据最大峭度准则确定影响PPCA的最佳影响参数组合。原信号通过APPCA方法处理后,背景噪声得到有效抑制,故障特征得到增强,最后通过包络分析识别故障特征。仿真和实验结果证明了该方法的有效性。
【图文】：

方法流程

参数时，参考了文献［14-15］中的参数取值，如表1所示。表1粒子群算法各项参数Tab．1Eachparameterofparticleswarmalgorithm最大进化代数Gmax种群规模M加速度因子c1加速度因子c2惯性权重ω2010221自适应概率主成分分析故障特征增强方法实现过程如图1所示。利用粒子群多参数寻优特性，根据最大峭度准则确定影响PPCA的最佳影响参数组合，可有效避免参数设定时人为主观因素带来的弊端。原信号通过APPCA方法处理后，背景噪声得到有效抑制，故障特征得到增强，最后通过包络分析识别故障特征。图1APPCA方法流程图Fig．1FlowchartofAPPCAmethod3仿真分析及应用3．1仿真信号分析采用文献［16］中的滚动轴承内圈故障模型进行模拟。故障数学模型如式(11)所示x(t)=s(t)+n(t)=∑iAih(t－iT－τi)+n(t)Ai=A0cos(2πfrt+鐖A)+CAh(t)=exp(－Bt)cos(2πfnt+鐖ω})(11)式中，τi为第i次冲击相对于平均周期T的微小波动;Ai为以1/fr为周期的幅值调制;h(t)为指数衰减脉冲;B为系统的衰减系数;A0=2，CA=0;fr=20Hz为轴承所在工作轴的转频;fi=150Hz为内圈故障通过频率;fn=3kHz为系统固有频率;n(t)为信噪比－12db的高斯白噪声。设置采样频率为fs=12800Hz，取4096点数据分析。加噪故障仿真信号的时域波形如图2所示，图3为直接对加噪轴承内圈故障仿真信号做包络谱的分析结果。图3包络谱中没有找到幅值突出的频率成分，说明仅包络分析难以提取到强背景噪声下的轴承微弱故障信号。图2加噪内圈故障仿真信号时域波形Fig．2Timedomainwaveformofinnerringfaultsimulationsignalwithnoise图3内圈故障仿真信号包络谱Fig．3Theenvelopespectrum

波形,故障仿真,内圈,波形

示x(t)=s(t)+n(t)=∑iAih(t－iT－τi)+n(t)Ai=A0cos(2πfrt+鐖A)+CAh(t)=exp(－Bt)cos(2πfnt+鐖ω})(11)式中，τi为第i次冲击相对于平均周期T的微小波动;Ai为以1/fr为周期的幅值调制;h(t)为指数衰减脉冲;B为系统的衰减系数;A0=2，CA=0;fr=20Hz为轴承所在工作轴的转频;fi=150Hz为内圈故障通过频率;fn=3kHz为系统固有频率;n(t)为信噪比－12db的高斯白噪声。设置采样频率为fs=12800Hz，取4096点数据分析。加噪故障仿真信号的时域波形如图2所示，图3为直接对加噪轴承内圈故障仿真信号做包络谱的分析结果。图3包络谱中没有找到幅值突出的频率成分，说明仅包络分析难以提取到强背景噪声下的轴承微弱故障信号。图2加噪内圈故障仿真信号时域波形Fig．2Timedomainwaveformofinnerringfaultsimulationsignalwithnoise图3内圈故障仿真信号包络谱Fig．3Theenvelopespectrumoftheinnerringfaultsimulationsignal利用APPCA方法对故障信号进行分析，首先将所选4096点轴承故障数据xr去均值得到一维数据x，将x构造n维原始变量数据X如式(12)所示X=x(1)x(2)…x(4096－n+1)x(2)x(3)…x(4096－n+2)…………x(n)x(n+1)…x(4096)(12)其次将参数P与σ2值初始化后按照式(6)式(7)经过多次迭代求解参数值，当两参数取值确定后，按照式(1)建立PPCA模型。在模型中n与k的取值直接影响到主成分提取的效果，根据参考文献［10］的取值，当固定参数k的取值为2，参数n的取值大于20时，轴承故障信号的信噪比会降低，不利于轴承故障特征的增强，，因此本文参数n的最大取值设置为20。另外由于PPCA算法的本质是优先将方差最大的方向作为主?

【相似文献】