基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法
发布时间：2019-11-09 12:22
【摘要】：针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题,提出了基于网格搜索法优化最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题,提出了利用网格搜索法优化最大相关峭度反卷积参数。首先,早期微弱故障信号集成经验模态分解后,采用相关系数以及峭度准则重构原信号;然后,以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期,采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强,最后通过包络谱、包络功率谱提取微弱故障特征。实验表明,该方法能够对早期微弱故障中冲击成分进行自适应增强,有效检测出被噪声淹没的微弱故障,实现滚动轴承故障的精确诊断。
【图文】：
积为了解决最小熵反卷积方法(MinimumEntropyDeconvolution，MED)在实际应用中只能突出少数大的尖脉冲而导致故障冲击丢失的问题，Geaff等［7］在MED方法的基础上进行改进，通过选取一个有限冲击响应滤波器通过迭代收敛准则，使已知信号相关峭度最大，提出最大相关峭度反卷积方法。MED通过目标函数来寻求最优的滤波器系数，使MED增强后输出信号的峭度值最大。如图1所示:滚动轴承采集到的故障信号:y=(x+e)*h，其中x为输入冲击系列，y为环境影响以及衰弱后的响应。最小熵反卷积寻找最优逆滤波器f，使输出y≈x。图1MED中反卷积过程Fig．1ThedeconvolutionprocessinMEDMCKD方法中，定义M移位相关峭度(CorrelatedKurtosisofM-Shift)CKM(T)=∑Nn=1∏yny()n－mT2∑Nn=1yn()2M+1(1)式中:N表示输入信号x的样本数，L表示有限冲击响应滤波器的长度，T表示信号的周期。相关峭度主要是由于考虑滤波器组fk输出信号的周期约为一个周期T，并且信号有着很高的峭度。如果T=0且M=1时，CK就是MED使用的峭度标准。从最大值问题开始，通过单独地对CKM的分子和分母求导以求出滤波器系数fk:MCKDM(T)=max迤→fCKM()T=max迤→f∑Nn=1∏Mm=0y()n－mT2∑Nn=1yn()2M+1(2)式中:f→为滤波器组;M为信号平移周期数，称其为移位数。通过对式(2)中的分子分母分别求导，然后令ddfkCKM(T)=0，当k=1，2，…，L时，将其转换成矩阵形式，则其迭代解的结果可以表示为:f→=‖y→‖2‖β→‖(X0X0T)－1∑Mm=0XmTα→m(3)式中:α→m=y1－mT－1(y12
的阶数L以及周期T，返回步骤(2)，否则输出最优解。3基于网格搜索法优化最大相关峭度反卷积方法的滚动轴承微弱故障诊断策略对于含有严重背景噪声的原始样本信号，集成经验模态分解(EnsembleEmpiricalModeDecomposition，EEMD)按照频率成分从高频到低频的顺序分解为不同振动模态的本征模态函数(IntrinsicModeFunctions，IMF)。高频部分IMF分量的调制信号中含有大量故障信息，但是高频IMF分量中往往含有大量噪声成分，使得高频IMF分量中反映机械故障的脉冲冲击成分难以有效的提龋基于网格搜索法优化最大相关峭度反卷图2网格搜索法优化最大相关峭度反卷积参数流程图Fig．2TheoptimizationprocessforMCKDparametersbasedongridsearchalgorithm积方法的滚动轴承微弱故障诊断策略如图3所示。首先对获取的滚动轴承的故障振动样本信号进行EEMD分解，得到滚动轴承故障状态的各个IMF分量，利用相关系数以及峭度准则，选择IMF分量重构原始信号，以最大相关峭度反卷积后信号的小波Shannon熵作为目标函数，采用网格搜索法优选出最优滤波器的阶数L以及周期T，对重构信号进行自适应MCKD增强，，最后利用包络谱、包络功率谱提取故障特征频率，输出诊断结果。图3基于网格搜索法优化MCKD的故障诊断策略Fig．3ThefaultdiagnosisbasedonMCKDoptimizedbygridsearchalgorithm4实例分析为验证本文方法的有效性，选取6205-2ＲS型深沟球滚动轴承做为研究对象。电机转速为1772r/min(29．2Hz)，采样频率为12000Hz，测量轴承座上加速第15期吕中亮等:基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法31
本文编号：2558440
【图文】：
积为了解决最小熵反卷积方法(MinimumEntropyDeconvolution，MED)在实际应用中只能突出少数大的尖脉冲而导致故障冲击丢失的问题，Geaff等［7］在MED方法的基础上进行改进，通过选取一个有限冲击响应滤波器通过迭代收敛准则，使已知信号相关峭度最大，提出最大相关峭度反卷积方法。MED通过目标函数来寻求最优的滤波器系数，使MED增强后输出信号的峭度值最大。如图1所示:滚动轴承采集到的故障信号:y=(x+e)*h，其中x为输入冲击系列，y为环境影响以及衰弱后的响应。最小熵反卷积寻找最优逆滤波器f，使输出y≈x。图1MED中反卷积过程Fig．1ThedeconvolutionprocessinMEDMCKD方法中，定义M移位相关峭度(CorrelatedKurtosisofM-Shift)CKM(T)=∑Nn=1∏yny()n－mT2∑Nn=1yn()2M+1(1)式中:N表示输入信号x的样本数，L表示有限冲击响应滤波器的长度，T表示信号的周期。相关峭度主要是由于考虑滤波器组fk输出信号的周期约为一个周期T，并且信号有着很高的峭度。如果T=0且M=1时，CK就是MED使用的峭度标准。从最大值问题开始，通过单独地对CKM的分子和分母求导以求出滤波器系数fk:MCKDM(T)=max迤→fCKM()T=max迤→f∑Nn=1∏Mm=0y()n－mT2∑Nn=1yn()2M+1(2)式中:f→为滤波器组;M为信号平移周期数，称其为移位数。通过对式(2)中的分子分母分别求导，然后令ddfkCKM(T)=0，当k=1，2，…，L时，将其转换成矩阵形式，则其迭代解的结果可以表示为:f→=‖y→‖2‖β→‖(X0X0T)－1∑Mm=0XmTα→m(3)式中:α→m=y1－mT－1(y12
的阶数L以及周期T，返回步骤(2)，否则输出最优解。3基于网格搜索法优化最大相关峭度反卷积方法的滚动轴承微弱故障诊断策略对于含有严重背景噪声的原始样本信号，集成经验模态分解(EnsembleEmpiricalModeDecomposition，EEMD)按照频率成分从高频到低频的顺序分解为不同振动模态的本征模态函数(IntrinsicModeFunctions，IMF)。高频部分IMF分量的调制信号中含有大量故障信息，但是高频IMF分量中往往含有大量噪声成分，使得高频IMF分量中反映机械故障的脉冲冲击成分难以有效的提龋基于网格搜索法优化最大相关峭度反卷图2网格搜索法优化最大相关峭度反卷积参数流程图Fig．2TheoptimizationprocessforMCKDparametersbasedongridsearchalgorithm积方法的滚动轴承微弱故障诊断策略如图3所示。首先对获取的滚动轴承的故障振动样本信号进行EEMD分解，得到滚动轴承故障状态的各个IMF分量，利用相关系数以及峭度准则，选择IMF分量重构原始信号，以最大相关峭度反卷积后信号的小波Shannon熵作为目标函数，采用网格搜索法优选出最优滤波器的阶数L以及周期T，对重构信号进行自适应MCKD增强，，最后利用包络谱、包络功率谱提取故障特征频率，输出诊断结果。图3基于网格搜索法优化MCKD的故障诊断策略Fig．3ThefaultdiagnosisbasedonMCKDoptimizedbygridsearchalgorithm4实例分析为验证本文方法的有效性，选取6205-2ＲS型深沟球滚动轴承做为研究对象。电机转速为1772r/min(29．2Hz)，采样频率为12000Hz，测量轴承座上加速第15期吕中亮等:基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法31
【相似文献】
相关期刊论文 前3条
1 王健峰;张磊;陈国兴;何学文;;基于改进的网格搜索法的SVM参数优化[J];应用科技;2012年03期
2 纪昌明;周婷;向腾飞;黄海涛;;基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用[J];电力自动化设备;2014年03期
3 ;[J];;年期
相关硕士学位论文 前1条
1 康璇;解无导数优化问题的非单调过滤集网格搜索方法[D];南京师范大学;2014年
本文编号：2558440
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/2558440.html
