时空稀疏贝叶斯的多通道降噪方法及在机械故障诊断中的应用
发布时间：2020-12-17 02:33
压缩感知利用与稀疏基相独立的观测矩阵将具有稀疏结构的高维度信号投影到低维子空间,对于信号的压缩和降噪有很好的效果,但是稀疏基以及稀疏系数矩阵的获得对于分析的结果有决定性的影响。稀疏贝叶斯学习(sparse bayesian learning,SBL)算法能极大地提高信号稀疏分解的精度,提出了一种改进的基于时空稀疏贝叶斯(SpatioTemporal Sparse Bayesian Learning,STSBL)的多通道信号降噪算法。首先给出了多通道压缩感知理论模型,然后通过自适应过完备字典求取信号的稀疏基矩阵,最后提出基于STSBL的多通道理论模型获取多通道稀疏系数矩阵,从而实现多通道机械故障信号的有效降噪以及特征成分的精确重构。分别通过数值仿真实验和实测风力发电机轴承内圈故障信号进行分析,结果表明提出的方法有很好的降噪效果,同时能成功地提取信号的故障特征信息。
【文章来源】：机械设计与制造. 2020年09期 北大核心
【文章页数】：4 页
【部分图文】：
基于时空稀疏贝叶斯学习的多通道降噪方法流程图
为了说明提出的方法对于实测信号的降噪性能，在现场采集风力发电机后轴承数据用于分析。该风机为功率1.5MW的直驱式永磁风力发电机，其滚动轴承在运行的过程中出现了内圈故障。该风力发电机组主要部件及传感器测点布置，如图3所示。图中：1H—主轴承水平方向；1V—主轴承垂直方向；1A—主轴承轴向方向。现场检测的照片，如图4所示。图4 现场测试照片
为了验证自适应过完备字典的优势，选用离散余弦变换（DCT）字典作为对比分析。在训练过程中，从20个源信号中任意选取10通道信号以数据长度为200进行切割，得到200个原子，随后以此为样本进行字典训练，获得各自的字典，最后分别利用两种字典结合STSBL方法对剩余的10通道信号随机抽取两个通道进行重构去噪，并对比降噪效果。同时为了验证提出方法的有效性，选用WT对抽取的两个通道信号分别进行处理，比较它们的降噪效果。各方法的分析结果，如图2所示。其中，抽取其中两个通道含噪信号的频域图，如图2(a）所示。WT处理的结果，如图2(b）所示。基于DCT字典和STSBL处理的结果，如图2(c）所示。基于自适应过完备字典和STSBL处理的结果，如图2(d）所示。由图2(a）可发现，原始信号频谱图中虽然可以找到特征频率的谐波频率，但是调制成分几乎被强噪声所淹没，导致故障特征难以识别。图2(b）是WT的处理结果频谱图，可以观察到故障特征频率和其谐波频率以及简谐成分，但是调制边频成分依然不完整，且存在很多由红色圆圈标记峰值较高的难以解释的干扰频率成分，导致了不能准确的判断故障类型。而从图2(c）通过提出的方法处理后，内圈故障特征频率和其各谐波频率以及对应的调制边频都非常清晰，同时虽存在一些干扰频率成分，但是可以看出它们的峰值均较小，对于故障的确定几乎没有影响，此外，相比较其他两种方法，这里方法的降噪效果非常明显。因此，提出的基于自适应过完备字典和STSBL的方法具有良好的降噪效果，能准确的提取浮躁信号中的故障特征成分。
【参考文献】：
期刊论文
[1]基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构[J]. 吴建宁,徐海东,王珏. 电子与信息学报. 2016(07)
[2]基于希尔伯特-黄变换的电力系统低频振荡的非线性非平稳分析及其应用[J]. 韩松,何利铨,孙斌,姜浩,彭小俊. 电网技术. 2008(04)
[3]基于奇异谱的降噪方法及其在故障诊断技术中的应用[J]. 吕志民,张武军,徐金梧,翟绪圣. 机械工程学报. 1999(03)
[4]小波分析及其在设备故障诊断中的应用[J]. 何岭松,吴波,康宜华,吴雅. 华中理工大学学报. 1993(01)
本文编号：2921247
【文章来源】：机械设计与制造. 2020年09期 北大核心
【文章页数】：4 页
【部分图文】：
基于时空稀疏贝叶斯学习的多通道降噪方法流程图
为了说明提出的方法对于实测信号的降噪性能，在现场采集风力发电机后轴承数据用于分析。该风机为功率1.5MW的直驱式永磁风力发电机，其滚动轴承在运行的过程中出现了内圈故障。该风力发电机组主要部件及传感器测点布置，如图3所示。图中：1H—主轴承水平方向；1V—主轴承垂直方向；1A—主轴承轴向方向。现场检测的照片，如图4所示。图4 现场测试照片
为了验证自适应过完备字典的优势，选用离散余弦变换（DCT）字典作为对比分析。在训练过程中，从20个源信号中任意选取10通道信号以数据长度为200进行切割，得到200个原子，随后以此为样本进行字典训练，获得各自的字典，最后分别利用两种字典结合STSBL方法对剩余的10通道信号随机抽取两个通道进行重构去噪，并对比降噪效果。同时为了验证提出方法的有效性，选用WT对抽取的两个通道信号分别进行处理，比较它们的降噪效果。各方法的分析结果，如图2所示。其中，抽取其中两个通道含噪信号的频域图，如图2(a）所示。WT处理的结果，如图2(b）所示。基于DCT字典和STSBL处理的结果，如图2(c）所示。基于自适应过完备字典和STSBL处理的结果，如图2(d）所示。由图2(a）可发现，原始信号频谱图中虽然可以找到特征频率的谐波频率，但是调制成分几乎被强噪声所淹没，导致故障特征难以识别。图2(b）是WT的处理结果频谱图，可以观察到故障特征频率和其谐波频率以及简谐成分，但是调制边频成分依然不完整，且存在很多由红色圆圈标记峰值较高的难以解释的干扰频率成分，导致了不能准确的判断故障类型。而从图2(c）通过提出的方法处理后，内圈故障特征频率和其各谐波频率以及对应的调制边频都非常清晰，同时虽存在一些干扰频率成分，但是可以看出它们的峰值均较小，对于故障的确定几乎没有影响，此外，相比较其他两种方法，这里方法的降噪效果非常明显。因此，提出的基于自适应过完备字典和STSBL的方法具有良好的降噪效果，能准确的提取浮躁信号中的故障特征成分。
【参考文献】：
期刊论文
[1]基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构[J]. 吴建宁,徐海东,王珏. 电子与信息学报. 2016(07)
[2]基于希尔伯特-黄变换的电力系统低频振荡的非线性非平稳分析及其应用[J]. 韩松,何利铨,孙斌,姜浩,彭小俊. 电网技术. 2008(04)
[3]基于奇异谱的降噪方法及其在故障诊断技术中的应用[J]. 吕志民,张武军,徐金梧,翟绪圣. 机械工程学报. 1999(03)
[4]小波分析及其在设备故障诊断中的应用[J]. 何岭松,吴波,康宜华,吴雅. 华中理工大学学报. 1993(01)
本文编号：2921247
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2921247.html
