基于随机共振预处理的故障特征提取方法

基于随机共振预处理的故障特征提取方法

振动信号法的旋转故障的诊断是有效的。但由于设备的工作环境复杂、载荷大、工作状态多变、信号复杂性及传感器数据漂移等因素，由传感器所得信号本身带有较强的噪声信号，给故障诊断造成较大困难。尤其故障早期，微弱的故障信号会被噪声淹没，无法实现故障诊断及隔离。常用的振动信号去噪方法有小波变换、盲信号分离、EMD分解等，但其基本原理均从信号中去除噪声成分，而由于实际振动信号噪声来源较复杂，噪声频率分布不确定，因此会在一定程度上造成有用信息丢失。随机共振为信号处理领域中新方法，与单纯通过消除、抑制噪声提高信噪比不同，随机共振利用噪声增强信号中所含周期信号，达到提高输出信噪比目的，避免在信号、噪声频率接近或信号过于微弱时用滤波算法将有用信号滤除的情况发生。基于此，本文提出将随机共振方法用于振动信号预处理。为验证预处理效果，分别提取基于时域、频域及时频域分析的三类故障特征集，以转子试验台模拟振动故障数据为研究对象，分析该方法提取的三类特征集故障诊断性能，为转子振动故障预处理及特征集提取提供新的思路。1基于随机共振的信号预处理1.1随机共振信号特性随机共振系统包括三要素:非线性双稳系统U(x)，输入信号s(t)及噪声n(t)。其中U(x)一般取非线性双稳函数:式中:a,b为双稳系统结构参数，满足a>0,b>0。设输入信号Sn(t)=s(t)+n(t),s(t)=Asin(2πf0t)为频率f0的周期信号;n(t)为强度为D的噪声信号。在Sn(t)作用下，双稳系统U(x)输出可由Langevin方程获得:由绝热近似理论知，系统输出信噪比为:由式(3)看出，系统输出信噪比受信号幅值A及噪声强度D影响，在信号、噪声共同作用下，系统输出在两稳态值之间交替变化，噪声起对跃迁运动的激励作用，信号幅值与噪声达到某种匹配状态时，噪声能量会向信号转移，信号周期性会随之加强，即信号有序性得到增强，从而达到提高信噪比目的。因此，将振动信号输入随机共振系统，理论上可提高输出信号信噪比。由文献知，随机共振对淹没在强噪声中的微弱信号增强效果更明显，对早期故障的处理能力优于传统的滤波方法。故该方法可用于信号降噪过程。1.2随机共振方法受绝热近似理论限制，经典随机共振理论只适用于信号频率fue04d1情况，从而大大制约了随机共振应用范围。本文研究转子振动信号，其激振源包括转子及与其具有传动关系的轴承、齿轮等附件。实际工作状态的转子系统工作频率大于1，随机共振理论无法直接用于转子振动信号处理。为解决大参数条件限制，本文用变尺度随机共振方法，即定义一频率压缩比R，据R计算二次采样频率值fsr，获得迭代计算步长h=1/fsr，将信号输入双稳系统，以步长h迭代计算获得系统输出值。据变尺度随机共振基本原理，用遗传算法对频率压缩比R及系统参数b寻优，确保获取最优的输出效果。遗传算法随机共振基本为:(1)种群编码与初始化。采用二进制编码方法，据所需精度值确定编码长度。给定b,R值的取值范围[bmin,bmax],[Rmin,Rmax]。设定种群数量S，随机形成初始群体{bi}，{Ri}(i,j=1,2，…，S)。(2)个体解码与适应度评价。解码获得父代个体的a,R值，并进行适应度评价。选适应度函数为系统输出信号信噪比SNR，其计算式为:式中:S(f0)为系统在输入信号频率f0处输出功率谱Y(f0)的幅值;N(f0)为背景噪声谱Y(f0)在频率f0处左右频段内平均值。(3)选择、交叉、变异操作。(4)将更新后群体{bi}，{Ri}重复(2)、(3)操作，直至满足设定的迭代条件或达到最大迭代次数，输出获得最优解。2运行状态检测与故障诊断传感器测得振动信号含重要状态信息，但须采取适当方法对信号进行特征变换，方能获得可有效反映工况状态的敏感特征参数，实现对系统运行状态检测与故障诊断。为验证随机共振预处理对特征提取结果影响，本文分别提取时域、频域、时频域故障特征。2.1信号的分布密度时域特征集选取见文献，不再赘述。由于均值、均方根值、方差等特征参数对信号幅值、频率变化较敏感，会影响对发动机状态信息的判断，无量纲特征参数则不存在此情况，其取值仅依赖于信号的分布密度。因此本文选5个无量纲时域特征参数，即波形指标S，峰值指标C，脉冲指标I，裕度指标L，峭度指标K。2.2不同频率带内的能量分布函数将信号进行傅里叶变换后，所得功率谱可较好描述信号能量特性随频率的变化关系，某一频率振动为主要激振源时，其对应的频率范围内应具有较大能量分布。据此，本文选转子振动信号不同频率带内的能量分布函数值作为频域特征集。设转子工频为fz，由文献知，发动机不同振动故障，其特征频率主要表现为转子的分频或倍频。因此本文划分5个频带，为[0,0.8fz],(0.8fz,1.5fz],(1.5fz,2.5fz],(2.5fz,3.5fz]及(3.5fz,10fz]。由于发动机10倍频以上振动能量相比于前面频带能量已较小，对故障不具有鉴别能力，为节省计算量，本文将频带上限设为10fz。每个频带能量计算式为:2.3md分解提取fm分量时频域特征集用EMD分解能量熵，提取方法为先对信号x(t)做EMD分解，获得若干IMF分量，即:其中:ci(t)为各IMF分量，包含信号在各频段范围内成分;rn(t)为趋势项。因此将所取各IMF分量能量熵作为时频域特征集。每个IMF分量能量熵计算式为:3振动信号预处理机械故障诊断的关键为特征提取，利用由振动信号中提取的特征集，可有效获取转子工作状态信息，准确实现故障诊断。但多数情况下，振动信号中混有不同程度噪声信号，对特征提取结果有一定影响。而随机共振方法可有效利用噪声增强信号中周期成分，提高输出信号信噪比。因此，将随机共振用于振动信号预处理，有望实现对信号的降噪及频率细化。由此，本文提出基于随机共振预处理的转子振动故障特征提取方法，具体为:(1)系统初始化。据振动信号特点，初始化遗传算法随机共振参数。(2)随机共振预处理。将原始振动信号经随机共振系统处理，获得信噪比升高的输出信号。(3)故障特征提取。对预处理的输出信号分别从时域、频域及时频域进行特征提取:(1)时域特征提取:据文献，计算时域特征集S,C,I,L,K;(2)频域特征提取:对随机共振输出信号做FFT变换，据式(6)计算各频带能量值Fi(i=1,2,3,4,5)，获得频域特征集F1,F2,F3,F4,F5;(3)时频域特征集提取:对随机共振输出信号做EMD分解，取前5层IMF分量，据式(8)计算各IMF分量能量熵，获得时频域特征集H1,H2,H3,H4,H5。4故障特征集诊断性能分析4.1随机共振处理由第1节内容知，振动信号经随机共振处理后，信噪比得到有效提升。但在实际信号处理中仍存在:对实际振动信号而言，其振动信号本身伴随不同强度噪声，经随机共振处理后的信号可保证信噪比升高，但输出信号已非原振动信号s(t)，而是求解Langevin方程所得数字信号x(t)。x(t)能保留并增强s(t)频率特性，但不能确定是否具有对不同故障状态分辨能力。因此，需分析x(t)提取的三类特征集对故障的识别能力与原始信号相比是否得到加强。4.2转子试验台的布置为验证本文所提方法，用转子试验台进行微弱故障模拟试验，见图1，其基本组成包括基座、电动机、轴、轴承、联轴器、轮盘等。转子试验台采用双跨布置，两轴由刚性联轴器连接，电机与轴之间用挠性联轴器连接。支持轴承为滑动轴承(油膜振荡试验时为油膜轴承)，转子用直流电机驱动，选电涡流传感器，信号采样频率2kHz，试验台电机转速1500r/min，转子工频fz=25Hz，采样时间Ts=10s，采样频率fs=2000Hz。4.3故障特征集诊断性能分析4.3.1多特征融合故障诊断法用试验台模拟正常、不对中、碰摩及支撑松动4种状态各20组数据，选3层BP神经网络分类器验证本文信号预处理方法的有效性。为避免样本数量对诊断准确率影响，用k轮n倍交叉检验方法对故障进行分类实验:将每类20个共80个样本合并为一个数组，随机抽取其中60组数据作为训练样本，剩余20组数据作为测试样本，每组抽取的各类故障样本个数不相等，反复进行多次试验，最大限度减小测试集过小所致估计方差大的问题，计算每次分类的正确率。设进行n次试验，第i次试验中抽取的各类故障样本个数为pji(j=1,2,3,4;i=1,2，…，n)个，且每类故障各有mji(mjiue025pji)个样本被分类正确，则每类故障正确率估计为:总诊断正确率为:分别对3类特征集进行故障诊断性能分析，神经网络分类器输入5个特征量，TT=[S,C,I,L,K]T,TF=[F1,F2,F3,F4,F5]T,TH=[H1,H2,H3,H4,H5]T。网络输出按M中取1原则进行编码，当类别数为m时，网络输出节点亦为m，即每个节点输出对应1类故障。在进行神经网络训练时，若样本属于第j类故障，则将第j个节点输出设为1，其余节点设为0。为更直观对故障类型进行判断，进行故障诊断时据神经网络输出向量定位故障类型，将输出设为类别标识，即设某样本输出中绝对值最大元素，输出该值对应的索引i，即为该样本对应的类别标识，可实现故障定位。如在进行一次试验时，前5个样本对应的输出为:则每个输出向量最大元素索引分别为4,3,1,4,1。其故障类型分别为支承松动、碰摩、正常、支承松动、正常。综上，神经网络输入节点数n=5，输出节点数m=4，取隐含层节点数p=10，进行10次交叉检验试验，结果见图2、表2～表4。为节省篇幅，仅给出时域特征诊断结果。由表2～表4结果看出，信号经随机共振预处理后，由于输出信号信噪比得到提高，具有周期性故障信号得到加强，所提特征集诊断效果亦得以明显提高。对每类特征集，随机共振输出信号特征集对正常、不对中、碰摩及支承松动状态诊断能力均优于原始信号提取的特征集，因此，整体诊断正确率明显高于原始信号特征集。由三表结果对比可知，本文提取的3类特征集中，时域特征集诊断正确率最高，时频域次之，频域特征集诊断效果最差。由表5看出，用原始数据进行诊断时，对4类故障诊断正确率标准差均大于SR特征集标准差，即用原始特征集诊断不确定性更大，诊断结果稳定性低于SR特征集诊断结果。4.3.2随机共振对特征集的分类性能影响分析实际应用中设备故障往往非单一产生，通常会多种故障并存。为验证本文方法在复合故障模式下特征提取效果，用转子试验台模拟转子在支撑松动条件下发生碰摩故障的振动数据，并与模拟的碰摩、支撑松动及正常数据结合进行复合故障条件下特征提取研究。先对4类状态的20组数据进行随机共振预处理，分别选各一组数据的时域波形进行对比，见图3。由图3看出，由于噪声的存在，原始信号均存在一定程度不平整现象，此时信号信噪比为-10.256dB，仍属噪声水平较低情况，因此有用信号尚未被噪声淹没。而随机共振处理后的信号时域波形更规则，信号周期性更明显。特征提取时受噪声干扰会较小，故用随机共振对信号进行预处理优势明显。用BP神经网络分类器分析特征集分类性能，得复合故障条件下诊断结果见表6。限于篇幅，不列举每次交叉验证试验的诊断结果。由表6看出，在复合条件下，用本文方法提取的特征集诊断正确率较高，与原始信号提取的故障特征集相比，由于信号噪声得到较好抑制，使噪声对各特征参数影响降低明显，能较好保持特征集对故障状态的识别能力。由于本文所选故障状态间存在一定耦合性，会使碰摩、支撑松动故障诊断正确率较单一故障有一定程度的降低，表明复合故障条件、复合故障状态的特征集与各单一故障状态特征集之间数量关系存在较强的非线性。将该特征集用于故障诊断，必会影响诊断正确率，对此，需研究非线性条件的特征提取方法，解决复合故障条件的特征提取问题。5随机共振对特征集分类性能的分析本文通过研究基于随机共振预处理的振动故障特