《电子技术应用》

基于ASR降噪和改进LMD的齿轮故障诊断方法

2017年电子技术应用第4期 作者:边兵兵
2017/5/17 16:53:00

边兵兵

(平顶山工业职业技术学院,河南 平顶山467001)


    摘  要: 针对恶劣环境影响下齿轮特征信息难以被有效提取出来的情况,提出了一种基于自适应随机共振降噪和改进局部均值分解的齿轮故障诊断算法。利用粒子群优化算法对随机共振参数进行优选,实现最佳随机共振输出,提取出微弱故障信息;基于故障特征频率信噪比,改进局部均值分解,剔除伪分量的干扰,提取模糊熵特征对齿轮类型进行诊断识别。实验研究表明,该方法能较好地识别出多种齿轮类型,是一种有效的齿轮故障诊断算法。

    关键词: 自适应随机共振;局部均值分解;支持向量机;故障诊断

    中图分类号: TN06

    文献标识码: A

    DOI:10.16157/j.issn.0258-7998.2017.04.024


    中文引用格式: 边兵兵. 基于ASR降噪和改进LMD的齿轮故障诊断方法[J].电子技术应用,2017,43(4):90-93.

    英文引用格式: Bian Bingbing. Fault diagnosis method of gear based on ASR denoising and improved LMD[J].Application of Electronic Technique,2017,43(4):90-93.

0 引言

    齿轮作为机械传动形式的基本组成,其运行情况的好坏直接影响到机械设备的运行状态,当设备发生故障时,严重的甚至威胁操作人员的人身安全[1]。因此,对其进行故障诊断,在发生严重故障前能够提前作出判断是保障机械设备运行可靠性的首要研究内容。

    受实际工况下恶劣环境的影响,信号夹杂大量噪声,信噪比较低,特征信息被淹没,难以被有效提取出来。随机共振在提取微弱信号特征信息方面已取得良好的应用,但是初始参数的选择对提取特征的效果影响较大[2]。SMITH J S[3]提出一种类似于EMD算法的局部均值分解(Local Mean Decomposition,LMD)方法,非常适合应用于具有非稳定性和非线性特点的齿轮振动信号。LMD利用信号的局部极值点对信号进行处理,将信号分解为一系列不同频率段的具有实际意义的PF分量之和[4-6]。基于以上情况,本文利用粒子群(Particle Swarm Optimization,PSO)算法优化随机共振参数,实现最优输出的自适应求解,提取出故障微弱信号,然后利用LMD对信号进行分解,分析PF信噪比,筛选出包含主要特征信息的分量,并求取模糊熵信息特征,结合SVM实现对齿轮故障的诊断识别。

1 故障诊断关键技术

1.1 自适应随机共振降噪

    自适应随机共振(Adaptive Stochastic Resonance,ASR)是利用粒子群优化算法对随机共振参数进行优选,粒子群优化算法是一种基于群体智能的全局寻优方法。初始设置每个粒子表示求解问题的一个解,粒子群追随最优的粒子进行搜索,粒子的优劣由适应度函数决定,本文以随机共振输出信号的信噪比作为适应度值[7-8]

ck5-1.1-x1.gif

ck5-gs1-4.gif

其中:E为均值函数,D为噪声强度,δ(t)为冲激函数。通过调节a、b和D,系统输出会按照输入外力的调制频率(ω=2πf)得到周期性的共振现象,这样使得采集到的振动信号中的有用分量得到加强,从而突出有用信号,提高信号的信噪比,有利于特征信息的提取。

1.2 改进局部均值分解

    LMD方法是一种信号自适应分解方法,将信号分解为一系列AM-FM信号,并且具有实际物理意义的PF分量之和[3]。给定任意一组信号X(t),分解步骤如下:

    (1)搜索出原始信号X(t)对应的所有局部极值点ni,并求解任意相邻两个极值点之间的平均值mi和包络估计值ai

     ck5-gs5-6.gif

    连接所有mi和ai,在连接相邻点时,根据移动平均方法操作计算出信号的局部均值函数m11(t)和包络估计函数a11(t);

    (2)从原始信号X(t)中将计算得到的m11(t)剥离出来,并对分离出的信号h11(t)进行解调处理,得到解调信号s11(t):

     ck5-gs7-8.gif

    (3)对解调信号s11(t)进行判断,如果当-1≤t≤1时,属于纯调频信号,迭代终止;否则将s11(t)作为原始信号继续重复步骤(1)~(3)的操作。迭代终止条件如下:

    ck5-gs9.gif

    (4)将上述迭代操作中所有计算得到的包络估计函数相乘即可得到包络信号,也就是对应于信号的瞬时幅值:

     ck5-gs10-11.gif

    (5)当满足迭代终止条件,将PF1从原始信号中剥离出来,余下的信号u1(t)继续重复上述分解操作,循环k次,直到uk(t)为一个单调函数为止。最后,原始信号可表示为k个PF分量与一个残余分量uk(t)的和:

    ck5-gs12.gif

    各个PF分量中的噪声能量都远低于原噪声能量,且大多集中在高频段,同时齿轮产生的故障特征频率更多地集中在低频部分。所以,必定存在某一相对低的频段的故障特征频率的信噪比远远超过原信号的信噪比,将其作为包含故障特征频率主要信息的有效PF,从而可从中提取出故障特征频率。定义针对故障特征频率的信噪比为:

ck5-gs13-15.gif

2 实验装置及数据采集

    验证实验在故障模拟实验台上进行,实验中采集齿轮的振动信号,后面分为训练样本和测试样本,其中电机转速设置为40 Hz,采样频率为5 120 Hz。齿轮箱上的传感器布置如图1所示。实验过程中为模拟出正常、断齿、少齿和磨损4种状态齿轮的振动信号,对齿轮箱中的齿轮更换为相应故障类型,然后进行测量,采集到的4种齿轮振动信号时域图如图2所示。

ck5-t1.gif

ck5-t2.gif

3 实验结果分析

    由于背景噪声的影响,通过对齿轮的时域波形图进行分析并不能提取出有效的故障特征信息,无法区分出齿轮的故障类型。下面对齿轮信号进行频域分析,以断齿齿轮信号为例进行说明,其频谱图如图3所示。从图中可以看出,断齿齿轮低频段主要成分为15.53 Hz、31.23 Hz、39.08 Hz、46.76 Hz、62.46 Hz,其中39.08 Hz频率对应于电机输入转频,15.53 Hz大致对应于其中一级轴的旋转频率,31.23 Hz、46.76 Hz和62.46 Hz分别为15.53 Hz的二倍频、三倍频和四倍频。故障齿轮的特征频率20.83 Hz并不明显,被其他频率成分所淹没,无法提取出来。

ck5-t3.gif

    随机共振具有两个非常关键的参数a和b,随机共振的输出效果受限于这两个参数的设置[9],因此本文采用粒子群优化算法,以随机共振输出信号的信噪比作为适应度值进行优化选择,选择优化粒子数50个,迭代次数为200次,得到的最优个体适应度值变化过程如图4所示,最终得到的最优个体适应度值为-12.658 dB,a和b的优化结果为:a=0.078 77,b=2.84。

ck5-t4.gif

    利用龙格库塔算法进行求解,得到的断齿齿轮的随机共振输出波形频谱图低频带部分如图5所示。

ck5-t5.gif

    从图5中可以看出齿轮故障特征频率20.14 Hz及其产生的边频带被成功提取出来,很好地提高了原始信号的信噪比,减少了噪声对信号中有用特征信息提取的干扰。

    下面利用基于故障特征频率信噪比的LMD改进算法对特征信息进行提取。首先,利用LMD对信号进行自适应分解,断齿齿轮信号分解得到5层PF和1个残余分量R,如图6所示。

ck5-t6.gif

    然后,根据提出的基于故障特征频率信噪比的有效PF提取方法,由于同一频率成分有可能被分解到多个PF中,因此选取多个PF作为齿轮故障特征频率的PF,故障特征频率信噪比的计算结果如表1所示。

ck5-b1.gif

    其中PF3的故障特征频率信噪比最高达到-13.537 dB,由于同一故障特征频率可能被分解到多个PF中,因此选择前3个故障特征频率信噪比最高的PF分量作为包含主要故障特征信息的有效PF分量,并将这3个PF分量分别求取模糊熵,作为特征信息输入到建立好的SVM中,其中每种齿轮类型随机选择30组作为训练样本,余下的各10组样本作为测试样本进行齿轮类型识别,验证算法的准确率,识别结果如图7所示,总体正确率达到92.5%,原因是在提取故障特征信息时,个别样本的特征比较接近,有重叠现象,所以出现了误识别。

ck5-t7.gif

4 结论

    本文采用基于ASR降噪和改进LMD的齿轮故障诊断方法,为了抑制噪声对信号特征信息提取的干扰,对采集到的振动信号进行自适应随机共振降噪处理,将粒子群优化算法引入到随机共振参数优选过程,通过分析预处理后的信号频谱,能较好地观察到齿轮故障特征频率及边频带,提高了信号信噪比;利用基于故障特征频率信噪比的LMD分解方法,有效筛选出PF1~PF3这3个有用的PF分量,并计算得到4种齿轮类型的模糊熵敏感特征集;结合训练好的SVM识别模型对齿轮类型进行诊断识别。实验研究表明,提出的算法对4种类型齿轮的总体识别正确率达到92.5%,表明该算法是一种有效的齿轮故障诊断算法。

参考文献

[1] 何正嘉,陈进,王太勇,等.机械故障诊断理论及应用[M].北京:高等教育出版社,2010.

[2] 杨宁,张培林,马乔,等.自适应随机共振在微弱信号检测中的应用[J].机械强度,2012(6):798-802.

[3] SMITH J S.The local mean decomposition and its application to EEG perception data[J].Journal of the Royal Society Interface,2005,2(5):443-454.

[4] 程军圣,张亢,杨宇.局部均值分解方法在调制信号处理中的应用[J].振动、测试与诊断,2010,30(4):362-365.

[5] 张亢,程军圣,杨宇.基于局部均值分解与形态谱的旋转机械故障诊断方法[J].振动与冲击,2013,32(9):135-140.

[6] 赵利民,朱晓军,高旭瑞.基于改进的LMD运动想象信号识别[J].电子技术应用,2016,42(3):116-119.

[7] 张仲海,王多,王太勇,等.采用粒子群算法的自适应变步长随机共振研究[J].振动与冲击,2013,32(19):125-130.

[8] 林川,冯全源.粒子群优化算法的信息共享策略[J].西南交通大学学报,2009,3(6):437-441.

[9] 耿永强,危韧勇.基于ICA和SVM的滚动轴承故障诊断方法研究[J].电子技术应用,2007,33(10):84-86.

继续阅读>>