基于衰减余弦字典和稀疏特征符号搜索算法的轴承微弱故障特征提取
发布时间：2021-01-20 09:55
通过分析轴承内外圈故障时域波形特征,结合其早期微弱故障特点,提出了一种与轴承故障波形高度匹配的衰减余弦过完备字典,同时与稀疏表示基追踪方法的特征符号搜索算法相结合的新型算法（ACFS）,实现了强噪声干扰下轴承微弱故障特征的提取。通过分析原始信号频谱与理论故障特征,确定了张成原子库的参数,并结合特征符号搜索算法对不同信噪比轴承内圈仿真信号和轴承全寿命数据中的早期微弱故障信号进行了分析。对比普通包络解调方法与基于Symlet8小波包字典的普通BPDN结果表明,该方法可以在极早期实际轴承故障信号中高效、准确地提取出故障特征频率。对于噪声具有极好的冗余度与鲁棒性。
【文章来源】：振动与冲击. 2019,38(21)北大核心
【文章页数】：8 页
【部分图文】：
算法流程图Fig．1Algorithmflowchart
击周期，fr为主轴转频，B是冲击信号的衰减系数，n(t)是随机噪声。现加入SNＲ为－5dB的高斯白噪声。原始信号与含噪信号如图2(a)、(b)所示。计算含噪信号频谱得其频率峰值为4005Hz，为了满足原子库各原子的完整性和单个原子长度范围内幅值衰减为0的原则，根据单个冲击持续时间长度确定基函数点数为244，阻尼比ξ为800。平衡原子库的冗余性和计算效率，时移参数τ设置为采样率的倒数。(a)无噪轴承内圈仿真信号(b)SNＲ=－5dB时域波形图2轴承内圈故障仿真信号Fig．2Bearinginnerringfaultsimulationsignal计算得到重构信号并对其进行Hilbert解调得到重构信号包络谱如图3(c)。可以看到重构信号基本去除了噪声的干扰，得到的包络谱图可以清晰的看到故障特征频率105Hz、转频边带及倍频成分。将相同内圈仿真信号信噪比降低到－15dB。根据同样的方法计算得到重构信号、重构包络，如图4所示。(a)仿真信号频谱(b)重构信号时域波形(c)重构信号包络谱图3SNＲ=－15dB仿真信号频谱与基于ACFS算法的计算结果Fig．3SpectrumofSNＲ=－15dBsimulatedsignalandcalculationresultbasedonACFSalgorithm(a)SNＲ=－15dB时域波形(b)重构信号时域波形(c)重构信号包络谱图4基于ACFS算法的SNＲ=－15dB仿真信号计算结果Fig．4SNＲ=－15dBsimulationsignalcalculationresultbasedonACFSalgorithm进一步降低仿真信号的信噪比到－18dB，信号时域波形与原始包络如图5、6所示。作为对比，本文给出了稀疏表示特征提取算法中常用的基于Symlet小波包的BPDN方法特
FSalgorithm进一步降低仿真信号的信噪比到－18dB，信号时域波形与原始包络如图5、6所示。作为对比，本文给出了稀疏表示特征提取算法中常用的基于Symlet小波包的BPDN方法特征提取结果，重构信号与包络谱见图7。基于本文ACFS算法特征提取的结果如图8所示。从图8可以看到在极低信噪比输入信号下，ACFS仍能提取出轴承内圈故障频率(105Hz)，此时原始包络解调的方法已经无法提取出故障频率，同样地基于Symlet8小波包原子库的BPDN方法也无法有效提取出故障特征频率。图5SNＲ=－18dB仿真信号时域波形Fig．5TimedomainwaveformofSNＲ=－18dBanalogsignal第21期周浩轩等:基于衰减余弦字典和稀疏特征符号搜索算法的轴承微弱故障特征提取761
【参考文献】：
期刊论文
[1]基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用[J]. 王林,蔡改改,高冠琪,周菲,杨思远,朱忠奎. 振动与冲击. 2017(03)
[2]并联基追踪稀疏分解在齿轮箱弱故障诊断中的应用[J]. 崔玲丽,莫代一,邬娜. 仪器仪表学报. 2014(11)
[3]基于匹配追踪的快速独立分析方法在轴承复合故障盲源分离中的应用[J]. 崔玲丽,莫代一,张建宇. 北京工业大学学报. 2014(06)
[4]基于Gabor感知多成份字典的图像稀疏表示算法研究[J]. 孙玉宝,肖亮,韦志辉,邵文泽. 自动化学报. 2008(11)
[5]基于稀疏分解的图像去噪[J]. 尹忠科,解梅,王建英. 电子科技大学学报. 2006(06)
本文编号：2988835
【文章来源】：振动与冲击. 2019,38(21)北大核心
【文章页数】：8 页
【部分图文】：
算法流程图Fig．1Algorithmflowchart
击周期，fr为主轴转频，B是冲击信号的衰减系数，n(t)是随机噪声。现加入SNＲ为－5dB的高斯白噪声。原始信号与含噪信号如图2(a)、(b)所示。计算含噪信号频谱得其频率峰值为4005Hz，为了满足原子库各原子的完整性和单个原子长度范围内幅值衰减为0的原则，根据单个冲击持续时间长度确定基函数点数为244，阻尼比ξ为800。平衡原子库的冗余性和计算效率，时移参数τ设置为采样率的倒数。(a)无噪轴承内圈仿真信号(b)SNＲ=－5dB时域波形图2轴承内圈故障仿真信号Fig．2Bearinginnerringfaultsimulationsignal计算得到重构信号并对其进行Hilbert解调得到重构信号包络谱如图3(c)。可以看到重构信号基本去除了噪声的干扰，得到的包络谱图可以清晰的看到故障特征频率105Hz、转频边带及倍频成分。将相同内圈仿真信号信噪比降低到－15dB。根据同样的方法计算得到重构信号、重构包络，如图4所示。(a)仿真信号频谱(b)重构信号时域波形(c)重构信号包络谱图3SNＲ=－15dB仿真信号频谱与基于ACFS算法的计算结果Fig．3SpectrumofSNＲ=－15dBsimulatedsignalandcalculationresultbasedonACFSalgorithm(a)SNＲ=－15dB时域波形(b)重构信号时域波形(c)重构信号包络谱图4基于ACFS算法的SNＲ=－15dB仿真信号计算结果Fig．4SNＲ=－15dBsimulationsignalcalculationresultbasedonACFSalgorithm进一步降低仿真信号的信噪比到－18dB，信号时域波形与原始包络如图5、6所示。作为对比，本文给出了稀疏表示特征提取算法中常用的基于Symlet小波包的BPDN方法特
FSalgorithm进一步降低仿真信号的信噪比到－18dB，信号时域波形与原始包络如图5、6所示。作为对比，本文给出了稀疏表示特征提取算法中常用的基于Symlet小波包的BPDN方法特征提取结果，重构信号与包络谱见图7。基于本文ACFS算法特征提取的结果如图8所示。从图8可以看到在极低信噪比输入信号下，ACFS仍能提取出轴承内圈故障频率(105Hz)，此时原始包络解调的方法已经无法提取出故障频率，同样地基于Symlet8小波包原子库的BPDN方法也无法有效提取出故障特征频率。图5SNＲ=－18dB仿真信号时域波形Fig．5TimedomainwaveformofSNＲ=－18dBanalogsignal第21期周浩轩等:基于衰减余弦字典和稀疏特征符号搜索算法的轴承微弱故障特征提取761
【参考文献】：
期刊论文
[1]基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用[J]. 王林,蔡改改,高冠琪,周菲,杨思远,朱忠奎. 振动与冲击. 2017(03)
[2]并联基追踪稀疏分解在齿轮箱弱故障诊断中的应用[J]. 崔玲丽,莫代一,邬娜. 仪器仪表学报. 2014(11)
[3]基于匹配追踪的快速独立分析方法在轴承复合故障盲源分离中的应用[J]. 崔玲丽,莫代一,张建宇. 北京工业大学学报. 2014(06)
[4]基于Gabor感知多成份字典的图像稀疏表示算法研究[J]. 孙玉宝,肖亮,韦志辉,邵文泽. 自动化学报. 2008(11)
[5]基于稀疏分解的图像去噪[J]. 尹忠科,解梅,王建英. 电子科技大学学报. 2006(06)
本文编号：2988835
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2988835.html
