任韻君,張建剛
(蘭州交通大學(xué) 數(shù)理學(xué)院,甘肅 蘭州 730070)
旋轉(zhuǎn)機(jī)械是大型機(jī)械設(shè)備中最常見(jiàn)的設(shè)備,這些機(jī)械設(shè)備的關(guān)鍵部分都是滾動(dòng)軸承,其包括轉(zhuǎn)子系統(tǒng)、軸承系統(tǒng)等,由軸承故障引起的嚴(yán)重事故不在少數(shù),帶來(lái)的損失巨大,因此對(duì)于軸承的故障檢測(cè)尤為重要.隨著信號(hào)理論的發(fā)展,用于檢測(cè)初期軸承故障的方法主要有小波變換(Wavelet Transform,WT)[1]、經(jīng)典模態(tài)分解(Empirical Mode Decomposition,EMD)[2]、集成經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)[3],以及隨機(jī)共振(Stochastic Resonance,SR)等,其中基于SR的故障診斷是利用噪聲對(duì)故障產(chǎn)生的微弱信號(hào)進(jìn)行增強(qiáng),這促使人們對(duì)噪聲的作用及影響進(jìn)行重新認(rèn)識(shí)和研究.
SR 最早是在研究古氣象學(xué)周期性遞歸的過(guò)程中發(fā)現(xiàn)和提出的[4-5].研究發(fā)現(xiàn)噪聲不僅不會(huì)破壞原有的系統(tǒng),反而可以加強(qiáng)系統(tǒng)的響應(yīng).在發(fā)現(xiàn)這一現(xiàn)象后人們廣泛地將SR 應(yīng)用到故障診斷中.首先根據(jù)勢(shì)函數(shù)的不同產(chǎn)生SR 效應(yīng)的強(qiáng)度也不同,已有經(jīng)典雙穩(wěn)態(tài)勢(shì)(Conventional Potential Stochastic Resonance,CBSR)[6]、單穩(wěn)態(tài)勢(shì)(Gaussian Potential Stochastic Resonance,GP)[7]、Woods-Saxon(Woods-Saxon Potential Stochastic Resonance,WS)勢(shì)[8]、周期勢(shì)[9]、三穩(wěn)態(tài)勢(shì)[10]、時(shí)延勢(shì)(Time-delayed Feedback Stochastic Resonance,TFSR)[11]等;其次優(yōu)先考慮了過(guò)阻尼系統(tǒng);之后多項(xiàng)研究[12-13]表明,欠阻尼系統(tǒng)的阻尼因子也會(huì)影響粒子躍遷的效率[14],最終影響SR 性能,據(jù)此進(jìn)一步研究了欠阻尼系統(tǒng).
1964年,F(xiàn)itzHugh 和Nagumo 將H-H神經(jīng)元模型[15]簡(jiǎn)化為了二維非線性模型FitzHugh-Nagumo,稱為FHN 模型[16],F(xiàn)HN 模型以更簡(jiǎn)潔的方式描述神經(jīng)元釋放到細(xì)胞膜中的節(jié)律.研究結(jié)果表明大多數(shù)生物神經(jīng)系統(tǒng)具有敏感的弱信號(hào)感知能力,并且欠阻尼系統(tǒng)具有二次濾波功能,故本文將研究欠阻尼FHN 系統(tǒng)與其系統(tǒng)參數(shù)的關(guān)系,并將結(jié)論用于弱信號(hào)檢測(cè)中.本文提出了一種基于FitzHugh-Nagumo 勢(shì)的自適應(yīng)雙穩(wěn)態(tài)SR 的故障診斷方法(AUFHNSR),該方法可以通過(guò)選擇合適的參數(shù)起到增強(qiáng)弱信號(hào)的功能,進(jìn)而將弱信號(hào)提取出來(lái),得到最優(yōu)輸出.
1.1 數(shù)學(xué)模型為了得到更佳的微弱故障的檢測(cè)效果,本文提出了一種基于FHN 勢(shì)的欠阻尼方法.該方法的二階系統(tǒng)的 L angevin方程[17]可以描述為:
式中,x(t)表示系統(tǒng)的輸出信號(hào),在實(shí)際應(yīng)用中對(duì)應(yīng)于經(jīng)過(guò)隨機(jī)共振方法診斷后的輸出信號(hào);s(t)=Acos(2πft+φ)是周期信號(hào)即模擬軸承周期性地滾過(guò)故障產(chǎn)生的信號(hào),A代表幅值,f為驅(qū)動(dòng)頻率,φ為相位,令ω=2πft;(t)模擬的是覆蓋故障信號(hào)的強(qiáng)噪聲,滿足〈N(t)〉=0,〈N(t)N(t′)〉=2Dδ(t-t′)的性質(zhì),D表示噪聲強(qiáng)度,ξ(t)為高斯白噪聲[17];U(x)是非線性雙穩(wěn)態(tài)勢(shì),配合周期信號(hào)s(t)和噪聲N(t)產(chǎn)生隨機(jī)共振現(xiàn)象.一般工程信號(hào)對(duì)應(yīng)的參數(shù)較大,本節(jié)只針對(duì)小參數(shù)進(jìn)行理論討論.雙勢(shì)阱U(x)的表達(dá)式表達(dá)如下:
將(2)式代入(1)式中得到:
式(5)對(duì)應(yīng)的系統(tǒng)模型如圖1 所示.
圖1 基于FitzHugh-Nagumo 勢(shì)的自適應(yīng)雙穩(wěn)態(tài)SR方法的系統(tǒng)模型Fig.1 System model for adaptive bistable SR method based on FitzHugh-Nagumo potential
粒子運(yùn)動(dòng)的概率密度p(x,y,t)通過(guò)FPK 方程來(lái)推導(dǎo)[17],表達(dá)式如下:
根據(jù)雙穩(wěn)態(tài)理論[20]和兩態(tài)模型[21]理論,布朗粒子在勢(shì)阱之間的躍遷速率可表示為:
在絕熱近似[17]條件下,忽略A的二次項(xiàng),得到系統(tǒng)的輸出信噪比(Signal-to-Noise Ratio,SNR)為:
由以上的推導(dǎo)可以看出輸出信噪比與系統(tǒng)參數(shù)有關(guān),圖2(a)~(c)為(11)式表示的信噪比分別與阻尼因子 γ、參數(shù)a、參數(shù)b的關(guān)系圖,其中噪聲強(qiáng)度D從0 增加到2,對(duì)應(yīng)的參數(shù)為a=2.01,b=0.25,γ=0.8.可以看出,信噪比隨系統(tǒng)參數(shù)表現(xiàn)出了顯著的非單調(diào)特性.從另一個(gè)方面也可以說(shuō),通過(guò)選擇合適的參數(shù),AUFHNSR 系統(tǒng)的輸出信噪比可以優(yōu)化.
圖2 信噪比與參數(shù)的關(guān)系圖Fig.2 Plot of signal-to-noise ratio versus parameters
2.1 基于FHN 系統(tǒng)的工程信號(hào)處理上節(jié)理論分析了AUFHNSR 系統(tǒng),但所有推導(dǎo)都局限于小參數(shù)限制,而實(shí)際的工程信號(hào)不滿足小參數(shù)限制,在這種情況下無(wú)法得到解析的隨機(jī)共振解,且在離散時(shí)間系統(tǒng)中處理數(shù)字信號(hào)有更多的優(yōu)勢(shì).因此本文采用四階Runge-Kutta 數(shù)值模擬的方法確定欠阻尼系統(tǒng)的數(shù)值模擬解,進(jìn)而進(jìn)行故障診斷.
從表1可以看出,廣西金融術(shù)語(yǔ)的翻譯過(guò)于放在字面的翻譯,而忽略了實(shí)際的意義體現(xiàn)。但是,縱觀后期的金融翻譯,廣西金融翻譯也出現(xiàn)了采用香港金融翻譯的現(xiàn)象。[4]
通過(guò)傅里葉變換計(jì)算x[n]的功率譜,即可得到系統(tǒng)對(duì)應(yīng)的輸出信噪比[21]表達(dá)式為:
式中,Es(f)和En(f)分 別表示特征頻率f處的功率和信號(hào)特征頻率f周圍噪聲的平均功率,其中表示信號(hào)的長(zhǎng)度.輸出信噪比越大,表明對(duì)信號(hào)特征的提取效能越好.結(jié)合1.2節(jié)輸出信噪比與系統(tǒng)參數(shù)和阻尼因子的關(guān)系,此處引入量子粒子群優(yōu)化算法(Quantum Particle Swarm Optimization,QPSO)[22]對(duì)系統(tǒng)參數(shù)等進(jìn)行優(yōu)化.QPSO 算法是建立在粒子群算法(Particle Swarm Optimization,PSO)算法的基礎(chǔ)上,以粒子群的位置即需要優(yōu)化的參數(shù)作為決策變量,搜索最好的適應(yīng)值即以(12)式定義的離散系統(tǒng)的輸出信噪比為尋優(yōu)指標(biāo).當(dāng)粒子處于某一位置時(shí),輸出此位置對(duì)應(yīng)的系統(tǒng)進(jìn)行隨機(jī)共振處理后的序列,進(jìn)一步根據(jù)(12)式計(jì)算其對(duì)應(yīng)的適應(yīng)值.最終輸出當(dāng)適應(yīng)值最大時(shí)對(duì)應(yīng)的粒子群的位置,則該位置即為本文系統(tǒng)對(duì)信號(hào)特征提取效能最好時(shí)對(duì)應(yīng)的最優(yōu)參數(shù).綜上,AUFHNSR 方法的流程描述如下:
步驟1信號(hào)預(yù)處理.運(yùn)用包絡(luò)提取即用希爾伯特變換解調(diào)得到包絡(luò)信號(hào)為信號(hào)的預(yù)處理.
步驟2參數(shù)初始化.設(shè)置參數(shù)a,b,γ的取值范圍即尋優(yōu)范圍及迭代次數(shù).
步驟3參數(shù)優(yōu)化.使用QPSO 算法[22]對(duì)系統(tǒng)中的參數(shù)進(jìn)行優(yōu)化,取h=0.000 1,將式(12)得到的信噪比作為QPSO 算法的尋優(yōu)指標(biāo),尋找最大輸出信噪比時(shí)對(duì)應(yīng)的匹配參數(shù).
步驟4應(yīng)用到弱信號(hào)檢測(cè).將最優(yōu)參數(shù)代入原系統(tǒng),再將第(1)步得到的預(yù)處理信號(hào)作為新系統(tǒng)的輸入信號(hào),然后采集最優(yōu)輸出波形作為檢測(cè)信號(hào),計(jì)算出相應(yīng)的功率譜用于目標(biāo)信號(hào)識(shí)別.
2.2 模擬信號(hào)的故障診斷根據(jù)1.1 節(jié)中(1)式對(duì)軸承故障信號(hào)s(t)的 定義,且s(t)會(huì)隨著運(yùn)行條件的不穩(wěn)定導(dǎo)致不均勻的脈沖,故我們選擇單邊衰減脈沖函數(shù)作為模擬故障信號(hào),即:
式中,A為信號(hào)的幅值,f為載波頻率,d反映了衰減速率,n(t)=[t/Td]控 制脈沖的周期,Td=1/fd是脈沖區(qū)間(fd是驅(qū)動(dòng)頻率).此處相應(yīng)的參數(shù)取值分別為:f=2 000 Hz,A=1,fd=100,d=30 000.加 高斯白噪聲N(t)為 噪聲強(qiáng)度D=0.5的噪聲信號(hào),產(chǎn)生于軸承運(yùn)行過(guò)程中其余部件之間的摩擦等.對(duì)于欠阻尼FHN 系統(tǒng),使用QPSO 算法求得的最優(yōu)參數(shù)為a=2.493 7,b=0.112 7,γ=0.107 6.
圖3(a)所示為單邊衰減脈沖函數(shù)s(t)的時(shí)域和頻譜.圖3(b)為將噪聲信號(hào)N(t)加 到s(t)后的時(shí)域波形和功率譜,可以看出圖3(b)中所待測(cè)的分量被噪聲完全掩蓋,不能識(shí)別.圖3(c)為將含噪信號(hào)經(jīng)過(guò)Hilbert 變換得到的包絡(luò)信號(hào),由圖可知經(jīng)過(guò)包絡(luò)解調(diào)后,可以指出故障的特征頻率,但同時(shí)也會(huì)存在不可忽略的干擾成分導(dǎo)致檢測(cè)錯(cuò)誤.圖3(d)為將通過(guò)包絡(luò)解調(diào)后的信號(hào)作為欠阻尼FHN 系統(tǒng)的輸入進(jìn)行故障診斷即AUFHNSR 方法時(shí),得到的輸出信號(hào)的時(shí)域波形和頻譜圖,由圖3(d)可以看出原本的噪聲干擾基本消除,從功率譜來(lái)看,待測(cè)頻率在100 Hz 處得到了顯著的提高,待測(cè)分量得到顯著提升.
圖3 采用不同方法分析單邊衰減脈沖的結(jié)果Fig.3 The results of unilateral decaying pulses analyzed using different methods
2.3 實(shí)驗(yàn)驗(yàn)證為了檢驗(yàn)AUFHNSR 在實(shí)際應(yīng)用中的價(jià)值和有效性,本節(jié)對(duì)來(lái)自兩個(gè)不同實(shí)驗(yàn)室的故障軸承數(shù)據(jù)進(jìn)行了測(cè)試.
2.3.1 數(shù)據(jù)1 首先使用的信號(hào)取自Case Western Reserve University (CWRU)的電氣工程實(shí)驗(yàn)室缺陷軸承數(shù)據(jù)中心的實(shí)驗(yàn)裝置.該實(shí)驗(yàn)裝置的驅(qū)動(dòng)端軸承的采樣頻率為1 2 000 Hz,軸承型號(hào)為6205-2RS軸承,其滾子數(shù)量為9個(gè),軸承中徑為 39.04 mm,滾子直徑為 7.94 mm,接觸角為 0°.根據(jù)軸承類型和轉(zhuǎn)速以及公式(14)和(15),可以求得內(nèi)外圈故障的特征頻率[23]相關(guān)參數(shù)分別為:內(nèi)圈故障頻率fBPFI155 Hz,外圈故障頻率fBPFO105 Hz.
內(nèi)圈故障特征頻率[24]:
外圈故障特征頻率[25]:
式中,fr表示電機(jī)頻率,Nball表示滾子數(shù)量,B、P、α分別表示滾子直徑、軸承中徑和接觸角.
首先對(duì)內(nèi)圈故障信號(hào)進(jìn)行分析.采集信號(hào)的時(shí)域和頻譜如圖4(a)所示,從波形中幾乎找不到內(nèi)圈故障脈沖,反而存在很多比故障特征更高的尖峰,使得診斷結(jié)果存在錯(cuò)誤,無(wú)法進(jìn)行故障分析與判斷.圖4(b)為原信號(hào)經(jīng)過(guò)包絡(luò)分析后的結(jié)果,從圖中可以看出,功率譜中可以找出fBPFI,但是在fBPFI附近仍然存在一些噪聲分量且計(jì)算對(duì)應(yīng)的信噪比為28.235.采用傳統(tǒng)SCSR[25]方法輸出結(jié)果如圖4(c)所示.采用本文提出的AUFHNSR 方法結(jié)果如圖4(d)所示.輸出波形中故障觸發(fā)的脈沖可以清晰地識(shí)別出來(lái),且大多數(shù)噪聲成分被抑制.
圖4 不同方法分析內(nèi)圈故障信號(hào)的結(jié)果Fig.4 Results of analyzing the inner ring fault signal with different methods
其次,為了進(jìn)一步驗(yàn)證所提方法的有效性,對(duì)外圈缺陷信號(hào)進(jìn)行如下處理:圖5(a)~(d)依次為原始信號(hào)、包絡(luò)信號(hào)、使用傳統(tǒng)SCSR 的輸出以及本文提出AUFHNSR 的輸出對(duì)應(yīng)的時(shí)域圖和頻域圖.可以看到從原始信號(hào)中不能檢測(cè)出故障,包絡(luò)解調(diào)后可以在功率譜中指出外滾道的故障特征頻率fBPFO,同時(shí)噪聲干擾也很明顯.最后,使用本文提出的AUFHNSR 方法可以很明顯地從功率譜中看出高頻和低頻噪聲都得到了抑制,且低頻信號(hào)抑制效果更為明顯,即可以清晰地在功率譜中指出外滾道故障的頻率fBPFO,同時(shí)fBPFO占主導(dǎo)地位,且效果略優(yōu)于傳統(tǒng)SCSR 方法.
圖5 不同方法分析外圈故障信號(hào)的結(jié)果Fig.5 The results of analyzing the outer ring fault signal with different methods
2.3.2 數(shù)據(jù)2 我們選用的第二組數(shù)據(jù)來(lái)自于美國(guó)-機(jī)械故障預(yù)防技術(shù)協(xié)會(huì)(MFPT)[26]軸承故障診斷合集.此處實(shí)驗(yàn)用的是NICE 軸承,軸承直徑為0.235,節(jié)圓直徑為1.245,滾動(dòng)體數(shù)量為8個(gè),接觸角為0°,驅(qū)動(dòng)端軸承的采樣頻率為48 828 Hz,這里只分析內(nèi)圈故障,輸入軸轉(zhuǎn)速為25 r/s,由公式(14)可以計(jì)算得到內(nèi)圈故障的特征頻率為118 Hz.
圖6 為對(duì)MFPT 的采樣數(shù)據(jù)以及數(shù)據(jù)進(jìn)行處理后的時(shí)域和頻域圖.圖6(a)為采集到的原始信號(hào)的信息,軸承故障產(chǎn)生的信號(hào)被噪聲完全淹沒(méi)故無(wú)法進(jìn)行識(shí)別;圖6(b)為包絡(luò)信號(hào),同樣的,包絡(luò)信號(hào)雖然可以指出故障特征頻率,但是存在的干擾信號(hào)還是很多;圖6(c)為使用傳統(tǒng)SCSR 方法進(jìn)行處理后得到的診斷結(jié)果;圖6(d)為用本文提出的AUFHNSR 進(jìn)行診斷的結(jié)果.可以看出傳統(tǒng)SCSR與AUFHNSR 都可以進(jìn)行故障診斷,計(jì)算對(duì)應(yīng)的信噪比分別為45.287 1 和47.075 4,即AUFHNSR 優(yōu)于傳統(tǒng)SCSR.
圖6 不同方法分析MFPT 內(nèi)圈故障信號(hào)的結(jié)果Fig.6 The results of analyzing the fault signal of the inner ring of the MFPT by different methods
2.4 實(shí)驗(yàn)結(jié)果總結(jié)與討論為了定量分析,表1列出用不同故障診斷方法的輸出信噪比.對(duì)比結(jié)果表明,使用AUFHNSR 方法處理的故障信號(hào)輸出信噪比略高于使用SCSR 方法和包絡(luò)方法進(jìn)行故障診斷的結(jié)果.結(jié)合2.3 節(jié)中的濾波效果對(duì)比可以得出結(jié)論,即該方法在實(shí)際的故障檢測(cè)中存在一定的優(yōu)勢(shì).
表1 采用不同方法處理軸承故障信號(hào)的輸出信噪比Tab.1 The output signal-to-noise ratio of using different methods to deal with bearing fault signals
本文首先根據(jù)小參數(shù)擴(kuò)展以及雙穩(wěn)態(tài)理論推導(dǎo)了基于欠阻尼FitzHugh-Nagumo 勢(shì)的輸出信噪比的形式,其次根據(jù)兩態(tài)模型理論推導(dǎo)出了信噪比的解析式,根據(jù)解析式進(jìn)一步的驗(yàn)證了信噪比會(huì)隨參數(shù)及欠阻尼阻尼因子的變化而改變的結(jié)論.之后將該結(jié)論應(yīng)用到故障診斷中,即提出了一種基于欠阻尼FitzHugh-Nagumo 勢(shì)的自適應(yīng)雙穩(wěn)態(tài)SR 方法(AUFHNSR),該方法是通過(guò)量子粒子群優(yōu)化(QPSO)算法選擇較優(yōu)的系統(tǒng)參數(shù)和欠阻尼阻尼因子得到最優(yōu)系統(tǒng)進(jìn)而對(duì)故障信號(hào)進(jìn)行檢測(cè).通過(guò)仿真和對(duì)兩組實(shí)際的數(shù)據(jù)進(jìn)行故障診斷及分析,對(duì)新提出方法的可行性和優(yōu)越性進(jìn)行了證明.未來(lái)將會(huì)使用更優(yōu)越的優(yōu)化算法去匹配本文系統(tǒng)的參數(shù)以達(dá)到更好的共振效果,同時(shí)也要考慮時(shí)滯等因素,從更實(shí)際的場(chǎng)景和角度出發(fā)以完善本文提出的方法.