張 銳 黃晉英 郎忠寶

（1.中北大學(xué)機械與動力工程學(xué)院，山西 太原 030051；2.晉西集團技術(shù)中心，山西 太原 030051）

0 概述

模態(tài)參數(shù)識別是系統(tǒng)識別的一個大類。系統(tǒng)的模態(tài)參數(shù)包括模態(tài)頻率、模態(tài)阻尼比和模態(tài)振型等參數(shù)。準(zhǔn)確的識別和獲得模態(tài)參數(shù)在結(jié)構(gòu)損傷的精確識別和健康監(jiān)測中具有重要的意義[1]。

獨立分量分析是20世紀(jì)末發(fā)展起來的一項基于輸出的信號處理方法[2]。它可以不受信號間頻帶混淆和外界噪聲的干擾[3]，從復(fù)雜的由若干信源線性組合成的觀察信號中，將這些獨立成分分離開來。

1 獨立分量分析原理

ICA可簡單描述為：假設(shè)有m個傳感器測得m個觀測信號xi（i=1，2，…，m），每個觀測信號是 n 個獨立源信號 sj（j=1，2，…，n）的線性混合，

其中，X=[x1，x2，…，xm]T和 S=[s1，s2，…，sm]T是混合信號矢量和源信號矢量，A是n×m的混合矩陣。上式描述了觀測信號是如何由獨立分量sj的混合過程得到的。A為未知的混合矩陣，因此ICA的問題就是要在僅知道觀測矢量的 xi（1，2，3，…，m）的情況下，估計出混合矩陣A和獨立分量sj。由于混合矩陣A未知，所以無法從觀測信號直接得到各獨立分量，即要找到一個分離矩陣W，通過一個線性變換Y=WX，使得Y是源信號的最優(yōu)估計。如果矩陣W能估計出來，對其求逆就得到了矩陣A。

由于盲源分離僅依靠觀測信號來估計源信號及混合矩陣，在沒有任何先驗知識的情況下，盲源分離問題通常是無解的。為了ICA模型能被估計，通常需滿足以下假設(shè)：

(1)各源信號為均值為零、實隨機變量，各源信號之間相互統(tǒng)計獨立。

(2)源信號個數(shù)小于或等于觀測信號個數(shù)。

(3)混合矩陣A列滿秩，即A-1存在。

(4)源信號的各分量中最多只允許一個具有高斯分布。[4]

通過上述對ICA原理與算法的分析發(fā)現(xiàn)，ICA的本質(zhì)是將混合信號中是獨立分量分離開來。為了定量地衡量ICA分離分量的獨立性引入 IPI值[5]，

Ymax和Ymmax分別是ICA分離信號功率譜中的最大峰值和次大峰值。IPI的變化范圍是0～1之間，其大小揭示了ICA分離分量的獨立性。當(dāng)IPI值越接近于1時，表明ICA分離信號的獨立性越好；反之，當(dāng)IPI值越接近于0時，表明ICA分離信號的獨立性越差。

2 齒輪箱實驗

本次實驗在實驗室的齒輪箱故障診斷實驗臺上對某二級齒輪箱進(jìn)行布點測試，并且選用LMS公司的LMS Test.Lab測試系統(tǒng)對齒輪箱的振動信號進(jìn)行采集和簡單后處理。實驗設(shè)備包括三向加速度傳感器及LMS信號采集分析儀等。本次實驗選擇在齒輪箱的敏感振動部位布設(shè)8個傳感器，分別布置在靠近輸入軸一側(cè)的軸承座處的箱體上，測試方向為垂直向上。傳感器在箱體表面的布測編號按從左到右從上到下的順序。該齒輪箱為二級傳動裝置，實驗設(shè)定采樣頻率為8192Hz，輸入軸的轉(zhuǎn)速為1200r/min，在該轉(zhuǎn)速下兩對齒輪的嚙合頻率分別為600Hz和157Hz。

用LMS Test.Lab軟件對齒輪箱實驗數(shù)據(jù)進(jìn)行分析，計算各個測點之間的互功率譜函數(shù)，并對所有互功率譜函數(shù)進(jìn)行集總平均，再進(jìn)行曲線擬合，得到SUM互功率譜函數(shù)，用Op.PolyMAX法分析SUM互功率譜函數(shù)得到穩(wěn)態(tài)極點圖和模態(tài)參數(shù)。通過對齒輪箱敏感測點和振動響應(yīng)較大測點的優(yōu)化分析后，選取測點5作為參考點。齒輪箱正常工況與故障工況下模態(tài)參量如表1所示。

對正常工況和故障工況采集到的信號分別運用FASTICA算法進(jìn)行處理，同樣選擇測點5作為參考點。由于篇幅問題，此處只選取了部分經(jīng)FASTICA分離前后的功率譜密度曲線，如圖1所示。

測試曲線表明3個振動加速度測試信號的功率譜密度曲線基本相同，是由多種源信號的混合造成的。實際上齒輪箱各測點的振動信號主要體現(xiàn)的是它的固有特征，故障特征信號非常微弱，幾乎淹沒在結(jié)構(gòu)的特征信號中。經(jīng)ICA分離的源信號的功率譜密度曲線出現(xiàn)了明顯的不同，雖然頻率成分上與源信號出現(xiàn)了一定的相似性。

表1 Op.PolyMAX法與ICA法識別模態(tài)參量結(jié)果對比

Op.PolyMAX法與ICA法識別模態(tài)頻率對比如表（1）所示，“—”為未識別出結(jié)果，由表（1）可知，與Op.PolyMAX法識別的模態(tài)頻率相對比，ICA方法同樣識別出了故障頻率，而且方法簡便，特別是引入IPI評價準(zhǔn)則，簡化了MAC驗證的繁瑣計算，有效地剔除了虛假模態(tài)的影響，為提高模態(tài)參數(shù)的可信度提供了有力依據(jù)。

3 結(jié)論

通過分析ICA原理與工作模態(tài)分析原理的一致性，揭示了將ICA技術(shù)應(yīng)用于工作模態(tài)分析中的可行性，并通過齒輪箱實驗驗證了ICA方法識別工作模態(tài)參數(shù)是可行的，而且方法簡便，為工作模態(tài)參數(shù)識別提供新的識別依據(jù)。

[1]傅志方，華宏星.模態(tài)分析理論與應(yīng)用[M].上海：上海交通大學(xué)出版社,2002:25-26.

[2]梁君.趙登峰.工作模態(tài)分析理論研究現(xiàn)狀與發(fā)展[J].電子機械工程，2006，22（6）:7-32.

[3]張睿，鄭文帥，黃彬城，等.基于FASTICA與PNN的齒輪箱故障診斷研究[J].煤礦機械，2013,349（6）：278-280.

[4]楊福生，洪波.獨立分量分析的原理與應(yīng)用[M].北京：清華大學(xué)出版社,2006:152-164.

[5]王俊元.基于ICA的工作模態(tài)參數(shù)辨識方法研究[D].太原：太原理工大學(xué),2008:62-70.