于天劍，陳特放，陳雅婷，陳春陽

(1.中南大學(xué)交通運(yùn)輸學(xué)院，湖南長(zhǎng)沙410075;2.中南大學(xué)信息科學(xué)與工程學(xué)院，湖南長(zhǎng)沙410075)

在機(jī)車的故障診斷和故障預(yù)測(cè)當(dāng)中，齒輪的健康是典型的指標(biāo)，從振動(dòng)信號(hào)中提取這些值進(jìn)行診斷和預(yù)測(cè)，可以分析齒輪的剩余可用年限。然而在機(jī)車運(yùn)行當(dāng)中，振動(dòng)信號(hào)往往有多個(gè)激勵(lì)源，在大多數(shù)情況下，由于噪聲信息的存在，組成不同來源的綜合效果，噪聲信號(hào)會(huì)比真實(shí)信號(hào)質(zhì)量下降很多，因此診斷和預(yù)后的方法顯得尤為重要，如檢測(cè)閾值時(shí)，剩余可使用年限的準(zhǔn)確性組件，對(duì)機(jī)車牽引齒輪進(jìn)行在線振動(dòng)監(jiān)測(cè)，并據(jù)監(jiān)測(cè)結(jié)果診斷出其故障類型及故障程度，是非常必要的。尋找一個(gè)高效的，可靠的去除噪聲的算法是非常重要的，為盡可能的提取出故障特征的信號(hào)，現(xiàn)在廣泛使用的消噪技術(shù)是同步時(shí)間平均(TSA)的方法［1－2］，采樣收集的數(shù)據(jù)存在不同的旋轉(zhuǎn)插值，TSA的技術(shù)在頻域內(nèi)被提出來。由于大幅減少了計(jì)算，一些功能被成功提取出來并應(yīng)用在故障診斷當(dāng)中，由于旋轉(zhuǎn)的齒輪是異步的，在同一時(shí)間非常容易受外部隨機(jī)干擾和噪聲，在頻域內(nèi)可能是一些噪聲分量出現(xiàn)在頻率軸上，并且出現(xiàn)的噪聲是頻率的倍數(shù)，這樣會(huì)更加增強(qiáng)TSA處理，因此為了實(shí)現(xiàn)更好的信噪比和改善TSA數(shù)據(jù)的質(zhì)量，提取更準(zhǔn)確的特征值，收集更精準(zhǔn)來自換能器的振動(dòng)信號(hào)［3－4］，在本文中，采用盲反卷積的數(shù)學(xué)算法，并用振動(dòng)分析，非線性投影，成本函數(shù)優(yōu)化作為支撐，針對(duì)不斷變化的操作系統(tǒng)以實(shí)現(xiàn)更好的信噪比，以盲反卷積算法為基礎(chǔ)并在真正列車中進(jìn)行試驗(yàn)驗(yàn)證，結(jié)果表明，所提出去噪方案可以大大提高信噪比、功能性能和故障預(yù)測(cè)算法的精度。所開發(fā)的算法已成功應(yīng)用于實(shí)時(shí)故障診斷和故障預(yù)測(cè)［5］。

1 去噪方案原理與設(shè)計(jì)

盲反卷積整體去噪結(jié)構(gòu)圖如圖1所示，將傳感器安裝在變速器上收集振動(dòng)信號(hào)，進(jìn)行預(yù)處理以獲得TSA信號(hào)S(t)，盲反卷積算法在頻域內(nèi)進(jìn)行，將此算法用于S(f)中，其輸出為去噪的振動(dòng)源信號(hào)B(f)。B(f)再經(jīng)過逆傅里葉變換得到b(t)，從B(t)和b(t)進(jìn)行特征提取和融合，隨后進(jìn)行故障診斷和故障預(yù)測(cè)，此算法不僅可以預(yù)測(cè)齒輪的剩余使用壽命(RUL)，而且還可以對(duì)齒輪裂紋長(zhǎng)度做估計(jì)，將估計(jì)的裂紋長(zhǎng)度和負(fù)荷曲線輸入到振動(dòng)模型當(dāng)中，可以產(chǎn)生模型信號(hào)m(t)，將m(t)的頻譜進(jìn)行歸一化獲得加權(quán)系數(shù)向量W(f)中，可以得到該算法的非線性投影［6－7］。

圖1 整體結(jié)構(gòu)去噪方案Fig.1 Structure of the program de－noising

圖2為盲反卷積的去噪方案，在此結(jié)構(gòu)中非線性投影是基于在振動(dòng)信號(hào)上分析的，成本函數(shù)優(yōu)化是關(guān)鍵的組成部分。降噪方法首先是把測(cè)得的振動(dòng)信號(hào)s(f)，經(jīng)過傅里葉變換送入濾波器z(f)中，在頻域中信號(hào)調(diào)制的估計(jì)值的倒數(shù)，與測(cè)得的振動(dòng)信號(hào)S(f)，經(jīng)過卷積得到信號(hào)B(f)，該信號(hào)通過非線性投影得到Bnlf，Bnlf和B(f)可以表示為E(f)，對(duì)其進(jìn)行優(yōu)化的方法是取E(f)信號(hào)并得到極小值，即－B(f)可視為去噪，經(jīng)過逆傅里葉變換，在時(shí)域內(nèi)可以通過以下方法獲得降噪后的信號(hào)［8］。

圖2 盲反卷積去噪Fig.2 Blind deconvolution de－noising

圖3 一個(gè)齒輪的系統(tǒng)配置Fig.3 System configuration of a gear

2 系統(tǒng)設(shè)計(jì)

振動(dòng)信號(hào)從列車的變速器變速箱上提取出來，由于齒輪數(shù)過多，以經(jīng)典的5齒輪進(jìn)行研究［9］，如圖3所示，分析一個(gè)假設(shè)的理想系統(tǒng)，加速度傳感器被安裝在固定的點(diǎn)上，該位置θ=0。所觀察到的齒輪振幅大時(shí)，則齒輪接近傳感器，小時(shí)則遠(yuǎn)，假設(shè)只有一個(gè)齒輪，然后在振動(dòng)具有最大幅值的時(shí)候，此時(shí) θ=0，2π，4π，同樣信號(hào)具有最小振幅的時(shí)候是在 θ=π，3π，...，在理想狀態(tài)下，齒輪N=5個(gè)的齒輪均勻轉(zhuǎn)動(dòng)，并假定轉(zhuǎn)動(dòng)頻率為fs后，此時(shí)刻t與齒輪的相位為

這種情況下，齒輪的調(diào)制信號(hào)p在時(shí)域內(nèi)可寫為:

其中:N是諧波數(shù)量;αn是調(diào)制信號(hào)頻率為nfs的振幅，在理想情況下，所有的齒輪產(chǎn)生信號(hào)具有相同的幅值，但相位不同，由于齒輪的速度正比于角速度，齒合振動(dòng)頻率出現(xiàn)為，另外在頻域中，其振動(dòng)信號(hào)具有諧波振幅為βm，則振動(dòng)齒輪p產(chǎn)生的信號(hào)可以表示

然而，靜態(tài)加速度計(jì)下其振動(dòng)信號(hào)p作為齒輪源信號(hào)與振動(dòng)信號(hào)的合成，可以給定為:

當(dāng)有一個(gè)以上的振動(dòng)信號(hào)時(shí)，用加速度計(jì)所觀察到的振動(dòng)信號(hào)則是所有信號(hào)的疊加:

如式(1)中所示，對(duì)于健康的齒輪，任何整數(shù)k滿足 sin(2kπ + θ)=sinθ，如式(5)所示，mNt+n是否為Np的倍數(shù)，若不能整除則有余數(shù)為γ，振動(dòng)信號(hào)在不同齒輪所均勻分布的角度為2γπ/Np，如圖4所示，在Np=5的情況下表示了其是否為Np整數(shù)的疊加圖，如果mNt+n不是Np的倍數(shù)也就是有余數(shù)，情況不同的振動(dòng)齒輪相結(jié)合時(shí)這些頻率分量會(huì)加在邊帶頻率上，這種情況判斷為故障;相反，如果mNt+n是Np的倍數(shù)，那么會(huì)產(chǎn)生對(duì)稱的頻帶如圖4(b)所示，其中 ξp，m，n是在1 ≤ p≤5 情況下的頻率分量［10－11］。

圖4 健康和故障齒輪Fig.4 Health and failure respectively gear

研究結(jié)果表明，在一個(gè)理想系統(tǒng)中，齒輪數(shù)是頻率的倍數(shù)，然后可以將其傅里葉變換寫成:

γm，n為頻譜幅值的大小，fnl是其非線性投影，

當(dāng)齒輪上有一條裂紋的時(shí)候，此時(shí)齒輪不再沿2π均勻地隔開，由于這個(gè)相移如果mNt+n不是Np的倍數(shù)時(shí)，不同齒輪的振動(dòng)分量不會(huì)消除，這個(gè)結(jié)果將會(huì)導(dǎo)致更高的非嚙合頻率;另一方面，如果mNt+n是Np的倍數(shù)，不同的振動(dòng)分量會(huì)有不完全的相位，這將導(dǎo)致非嚙合頻率的降低，如圖4所示。因此非線性方法不適合來預(yù)測(cè)有故障的變速箱，故我們可以修改為在頻域內(nèi)，振動(dòng)模型將已經(jīng)確立負(fù)荷分布和裂紋的大小作為2個(gè)輸入端，負(fù)載曲線可以從已知裂紋尺寸的預(yù)測(cè)算法來估計(jì)，改進(jìn)的模型如圖1和圖2所示，這種情況下可以得到非線性投影為

3 盲反卷積去噪計(jì)劃

從齒輪箱的振動(dòng)分析可知，振動(dòng)信號(hào)是由多個(gè)信號(hào)所組成的，為了簡(jiǎn)化模型，這樣一個(gè)復(fù)雜的信號(hào)被定義為:

其中:s(t)為測(cè)試的振動(dòng)信號(hào);b(t)為無噪聲的未調(diào)制的振動(dòng)信號(hào);a(t)是調(diào)制信號(hào);n(t)是累積的加性噪聲。此時(shí)，在系統(tǒng)中，調(diào)制信號(hào)a(t)的本身

因此，式(9)可以表示為

以前的研究結(jié)果為旋轉(zhuǎn)設(shè)備振動(dòng)信號(hào)的光譜特性，因此，由頻域卷積定理可知，測(cè)得的振動(dòng)信號(hào)在時(shí)域上的積等同于2個(gè)信號(hào)在頻域中的卷積，所以式(10)在頻域內(nèi)可以寫為

最后到時(shí)域轉(zhuǎn)換回恢復(fù)無噪聲振動(dòng)信號(hào)

Dsup是包含了主要振動(dòng)信號(hào)的頻率范圍，由于存在諧波并把諧波集中在一個(gè)窗口來定義臨界頻率，所有這些窗口都在Dsup內(nèi)，在式(18)中假設(shè)(1)和(2)將用于第2項(xiàng)中用來避免全0的逆濾波器Z(f)，可以使誤差最小化，此外，用迭代的方法具有更快的收斂性［12－14］。

4 試驗(yàn)結(jié)果

為了能更好地進(jìn)行準(zhǔn)確度和精確度的分析，提出了2個(gè)性能指標(biāo)使其能更直觀的體現(xiàn)試驗(yàn)的有效性，第1個(gè)性能指標(biāo)為線性關(guān)系特征值和裂紋增長(zhǎng)曲線，其中x為特征向量，y為裂紋生長(zhǎng)曲線，可以表示為

式中:lx為其數(shù)量，xi為是平滑的特征向量。是由邊帶的特征向量。在故障的預(yù)測(cè)和檢測(cè)算法中，提取特征值被作為測(cè)量輸入的，因此性能指標(biāo)和檢測(cè)閾值和精度的預(yù)測(cè)其使用壽命是密切相關(guān)的，一個(gè)精確的PMD特性都應(yīng)該有一個(gè)很小的值近乎為0。

圖5 不同方法的去噪對(duì)比Fig.5 Comparison of different methods of de－noising

圖5所示為不同的運(yùn)行周期下去噪的情況，可以明顯地看到，盲反卷積去噪具有最高的信噪比，故其方法是可行的，而在不同扭矩下不同的相關(guān)系數(shù)和PMD比值總結(jié)在表1中?？梢杂^察到在100%扭矩下，CCR，CCS和PMD在TSA和D－N去噪數(shù)據(jù)分別為 0.953，0.971 和 5.57% 以及0.983，0.991和3.57%，可以看出 D －N 和 TSA 去噪相比，精度幾乎是相同的，但是從性能指標(biāo)上有明顯的改善，由此可以看出去噪算法的作用。

表1 不同轉(zhuǎn)矩下的精度與性能指標(biāo)Table 1 Aerodynamic drag coefficient of each part of head car

5 故障預(yù)測(cè)

對(duì)于向前一步的預(yù)測(cè)，可以使用經(jīng)驗(yàn)數(shù)據(jù)來估計(jì)RUL，該算法的實(shí)現(xiàn)需要一個(gè)過程模型，因此，下面為去裂紋的生長(zhǎng)狀態(tài)模型和模型參數(shù)估計(jì)。

其中:L(t)為裂紋的生長(zhǎng)曲線;w1(t)為非高斯白噪聲信號(hào);α(t)為未知參數(shù)模型;w2(t)為另一個(gè)非高斯白噪聲;C和M分別為固有材料的特有常數(shù);ΔK(t)是對(duì)于裂紋長(zhǎng)度和應(yīng)力的負(fù)荷分布;f為一個(gè)非線性裂紋受力變化情況;h為裂紋增長(zhǎng)預(yù)估計(jì)值［12－14］;v(t)為被干擾的非高斯白噪聲，也就是在2個(gè)循環(huán)內(nèi)運(yùn)行此算法，內(nèi)環(huán)更新可以對(duì)該功能的數(shù)據(jù)裂紋長(zhǎng)度做估計(jì)，外環(huán)更新非線性映射到h當(dāng)中，這樣長(zhǎng)期預(yù)測(cè)每個(gè)粒子生成的估計(jì)狀態(tài)，這些估計(jì)值可以在任何時(shí)間段內(nèi)估計(jì)RUL和PDF(概率密度函數(shù))。由實(shí)驗(yàn)可以得到運(yùn)行周期與裂紋大小情況，如圖6所示。

圖6 運(yùn)行周期與裂紋大小情況Fig.6 Peration cycle and the size of crack

表2 不同方法下的準(zhǔn)度與精度Table 2 Accuracy and precision of the different method

以第714個(gè)周期時(shí)裂紋大小和期望作為對(duì)比，比較前后消噪情況可以得出此算法的效率，可以用可信區(qū)間(CI)和期望來預(yù)測(cè)故障概率，信任區(qū)間更多可以和第714個(gè)運(yùn)行周期做比較，小于95%CI即更為精確，，而期望則是越靠近714個(gè)周期越準(zhǔn)確，更多實(shí)驗(yàn)數(shù)據(jù)如表2所示。表2所示準(zhǔn)確度的改進(jìn)是TSA的信任區(qū)間減去D－N的信任區(qū)間的長(zhǎng)度，而精確度為714減去真值的期望，越接近于0效果越好。在第365個(gè)周期的時(shí)候，準(zhǔn)確度和精度是十分相似的，在第400個(gè)周期的時(shí)候兩者都有提升，其信任區(qū)間長(zhǎng)度是41個(gè)周期，在此結(jié)果上其期望為747，超出了714個(gè)周期，故效果一般，另一方面消噪的效果非常接近714個(gè)周期，在第450個(gè)周期的情況下，其效果和第400個(gè)周期十分相似，但是效果要好于第400個(gè)周期的時(shí)候，故起到了預(yù)測(cè)的作用。

6 結(jié)論

(1)在實(shí)際的檢測(cè)當(dāng)中，高質(zhì)量的振動(dòng)信號(hào)往往被噪聲和干擾所掩蓋掉，本文介紹了一種新的振動(dòng)信號(hào)去噪的模型，用新模型與特征提取以及故障預(yù)測(cè)的共同作用的方法，來提高信噪比和信號(hào)質(zhì)量，并且提高對(duì)該故障預(yù)測(cè)的準(zhǔn)確度和精度。

(2)從數(shù)據(jù)的準(zhǔn)確度和精度方面與TSA去噪方法和譜減法進(jìn)行比較，信噪比和性能指標(biāo)的試驗(yàn)結(jié)果表明盲反卷積去噪比常規(guī)去噪更有效率，這樣的信號(hào)處理技術(shù)明顯降低了故障檢測(cè)閾值，提高了診斷和預(yù)警的技術(shù)。

(3)在高速列車當(dāng)中，盲反卷積去噪計(jì)劃是很實(shí)用的方法之一，可以應(yīng)用到各種系統(tǒng)中，特別是在非線性系統(tǒng)中的開發(fā)有很大的研究?jī)r(jià)值。

［1］Kam Z，F(xiàn)euer A.Blind image deconvolution using machine learning for three － dimensional microscopy［J］.Mech Pattern Analysis and Machine Intelligence，IEEE Transactions，2010，32:2194 – 2204.

［2］Onel I Y，Benbouzid M.Induction motor bearing failure detection and diagnosis:Park and concordia transform approaches comparative study［J］.IEEE/ASME Trans Mechatronics，2008，13(2):257 – 262.

［3］Lankarany M，Savoji M H.Knowledge based blind deconvolution of non － minimum phase FIR systems［J］.Electrical and Computer Engineering Conference，2010，10:1 －5.

［4］Keller J，Grabill P.Vibration monitoring of UH － 60A main transmis － sion planetary carrier fault［J］.Amer Helicopter Soc 59th Annu Forum Phoenix，AZ，2003:1 －11.

［5］曹堯謙，李夏苗.基于改進(jìn)四階段法的武廣客運(yùn)專線客流預(yù)測(cè)［J］.鐵道科學(xué)與工程學(xué)報(bào)，2010，7(3):109－114.

CAO Yaoqian，LI Xiamiao.Based on four－stage method of Wuhan－Guangzhou Passenger Railway Line and prediction［J］.Journal of Railway Science and Engineering，2010，7(3):109 －114.

［6］蘇文勝.滾動(dòng)軸承振動(dòng)信號(hào)處理及特征提取方法研究［D］.大連:大連理工大學(xué)，2010.

SU Wensheng.Rolling bearing vibration signal processing and feature extraction method［D］.Dalian:Dalian University of Technology Electrical and Mechanical College，2010.

［7］Orchard M.A particle filtering－based framework for online fault diagnosis and failure prognosis［D］.Georgia Inst Technol，Atlanta，2007.

［8］Wu B，Saxena A，Khawaja T，et al.An approach to fault diagnosis of helicopter planetary gears［J］.Autotestcon，San Antonio，2004:475－481.

［9］LI Lianlin，WANG Libo，TAN Yunhua.Generalized MED blind deconvolution of GPR data and its sparsity－promoted solution［J］.MicrowaveConferenceProceedings(APMC)，2013:1024－1026.

［10］程軍圣，楊宇.局部均值分解方法及其在齒輪故障診斷中的應(yīng)用［J］.振動(dòng)工程學(xué)報(bào)，2009，22(1):76 －84.

CHENG Junsheng，YANG yu.Local mean decomposition method and its application in gear fault diagnosis［J］.Journal of Vibration Engineering.2009，22(1):76 －84.

［11］王洪霞，李學(xué)平，含表面裂紋懸臂梁的非線性振動(dòng)分析［J］.鐵道科學(xué)與工程學(xué)報(bào)，2010，7(1):69－73.

WANG Hongxia，LI Xueping，Nonlinear vibration analysis of a cantilever beam with surface cracks［J］.Journal of Railway Science and Engineering，2010，7(1):69 －73.

［12］Antoni J.Blind separation of vibration components:Principles and demonstrations［J］.Mech Syst Signal Process，2005(19):1166－1180.

［13］Sroubek F，Milanfar P.Robust multichannel blind deconvolution via fast alternating minimization［J］.Image Processing，IEEE Transactions on，2012，21(4):1687 －1700.

［14］Li L.Sparsity－Promoted Blind Deconvolution of Ground－ Penetrating Radar(GPR)Data［J］.Geoscience and Remote Sensing Letters，IEEE，2014(11):1330 －1334.