CN114124038A - 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 - Google Patents

Abstract

本发明属于机械设备故障诊断技术领域提出一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法。包括以下几个步骤：通过噪声麦克风采集故障轴承运行时的声音信号；用改进的布谷鸟参数优化算法寻找MCKD的滤波器长度和故障周期的最佳组合，通过莱维飞行和随机偏好游走进行全局寻优和局部寻优；利用寻优出的最佳参数组合作为MCKD的先验参数，通过最大化相关峭度求解滤波器f，进而求解出滤波后的信号；对滤波后的信号进行希尔伯特包络解调；根据包络谱中的故障特征频率进行故障诊断。本发明克服了人为选择滤波器长度和故障周期的不确定性，实现了自适应的MCKD滤波，具有良好的降噪效果和故障特征提取能力。

Description

一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法

技术领域

本发明属于机械设备故障诊断技术领域，涉及到滚动轴承声信号故障特征提取，具体为一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法。

背景技术

现代工业飞速发展，机械设备作为科技进步的重要工具，起着至关重要的作用。滚动轴承作为旋转机械的核心部件，通常承载着较大的载荷，当滚动轴承出现故障时，会造成机械传动故障，造成严重的经济损失。因此，对滚动轴承的诊断和监测可以提高机械***的安全性和可靠性。目前，监测和诊断方法主要基于振动信号分析。然而振动传感器采用接触式方式安装，从而限制了它的使用。声音传感器采用非接触式的方式，安装方便。声音信号包含丰富的信息，当机械设备发生故障时，声音信号会产生相应的变化。

针对声音信号低信噪比这一问题，提取出信号中的微弱故障信息是主要的研究方向，一些学者做了相关的研究。申博文等提出了基于MCKD与CEEMDAN的声信号故障特征提取方法，先用MCKD算法增强声信号中的冲击，然后再计算每个经验模态分量的峭度值，选出最优分量，提取故障信息。张俊等将VMD和MCKD相结合，并采用PSO对VMD和MCKD中的参数组合进行寻优。刘尚坤等将Teager能量算子和MCKD用于滚动轴承的故障识别，首先采用MCKD对信号进行降噪，然后使用Teager算子增强信号中的周期性冲击。

最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,MCKD)算法可以有效的提取出滚动轴承声信号中的故障周期信息，然而，MCKD算法依赖于滤波器长度和先验故障周期的选择。布谷鸟搜索算法(Cuckoo search algorithm，CSA)是一种生物启发式算法，该算法模拟了布谷鸟将自己的卵寄生在其他鸟类巢穴的行为。CSA具有优秀的全局寻优能力和局部寻优能力，但是该算法同其他生物启发式算法一样，也存在后期寻优精度低、迭代速度慢、易陷入局部最优的问题。Tsipianitis等在算法中引入静态和动态惩罚函数，以增强CS优化算法，并且结合鸟群算法(BSA)的关键参数，提出了具有动态惩罚的CS混合方法。李荣雨等通过调整莱维飞行步长和在偏好随机游走中引入动态惯性权重和记忆策略，提高了算法的稳定性和搜索能力。张龙等用NGAs同步优化小波滤波器与MCKD，用于轴承故障诊断，但是此方法需要用小波滤波进行预处理，并且需要同步优化四个参数，增加了该方法的复杂度和参数寻优难度。

发明内容

为了解决现有技术存在的问题，本发明提供一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法，该发明克服了布谷鸟搜索算法迭代速度慢和搜索精度低的问题，利用改进的布谷鸟搜索算法(Improvedcuckoo search algorithm，ICSA)自适应的搜索MCKD的滤波器长度和故障周期，具有更优的故障特征提取效果。

本发明的技术方案为：

所述一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法，其特征在于：包括以下步骤：

步骤1：利用声音传感器采集故障轴承运转时的声音信号；

步骤2：改进的布谷鸟参数优化算法寻找滤波器长度和故障周期的最佳组合，具体过程如下：

2.1初始化种群参数：巢穴个数n，每个巢穴中鸟卵个数m，因为只考虑滤波器长度L和故障周期T对MCKD算法效果的影响，故m＝2，设置L和T的搜索区间，设置最大迭代次数t_max，目标函数AHSI(nest_i)；

调整的谐波显著性指标(Adjusted harmonics significant index,AHSI)，将其作为ICSA-MCKD的适应度函数，其表达式为：

式中，F(kω)为解卷积信号的包络谱在kω处的幅值，N(ω)为kω左右转频范围内的平均噪声；

2.2计算每个巢穴的目标值，找到当前位置目标值最大的巢穴，作为最优巢穴X_b；

2.3进行莱维飞行，更新位置，最优巢穴保持不动。计算新位置下每个巢穴的目标值AHSI(nest_i)，并与旧位置巢穴的目标值比较，如果新位置巢穴目标值大于旧目标值，则替换旧巢穴，莱维飞行的方法如下：

式中，

代表第t代第i个鸟巢的位置；α是步长；

代表点乘运算；L(β)代表莱维飞行路径，满足下式：

式中，μ和v服从标准正态分布，β＝1.5；

莱维飞行的步长α为：

式中F为步长尺度因子，服从[0,1]上的均匀分布，X_b表示当前最优解；

综合式(1)～(4)通过莱维飞行到达的新的位置为：

2.4进行偏好随机游走，计算新巢穴的目标值，如果大于旧巢穴的目标值，则替换旧巢穴，偏好随机游走具体如下：

产生一个随机数与发现概率

比较，当随机数大于

代表寄生卵被发现，进行偏好随机游走，产生新的巢穴：

式中，v服从[0,1]上均匀分布的随机因子，

和

是第t代的两个随机解，

为第t代的发现概率，p_a＝0.25，t为当前迭代次数，t_max为最大迭代次数；

2.5选择最优解，判断是否满足迭代停止条件，若满足，则输出最优参数组合，若不满足返回步骤2.3继续循环；

步骤3：利用步骤2的最优参数组合进行MCKD滤波，实测信号x_n(n＝1,2,...,N)是源振动信号s_n(n＝1,2,...,N)与传递路径h卷积得到的，最大相关峭度解卷积(MCKD)是通过寻找一个FIR滤波器，进行反卷积运算得到源信号s_n(n＝1,2,...,N)的近似解y_n(n＝1,2,...,N)：

式中f(f₁,f₂...,f_L)为滤波器，L为滤波器长度，*为卷积运算；

通过最大化相关峭度求解滤波器f，相关峭度的定义为：

式中，T为故障周期T＝f_s/f_i，f_s为采样频率，f_i为故障特征频率；M为位移数，一般选取M＝7。

最大化相关峭度求解滤波器f(f₁,f₂,...,f_L)

相关峭度对滤波器求导：

由式(9)～(12)可求得滤波器的系数，并表示成矩阵形式：

式中

MCKD的具体步骤如下：

3.1初始化故障周期T，滤波器长度L，位移数M等参数；

3.2根据x_n计算X_T,

3.3计算滤波后的y_n，

3.4根据y_n计算α，β；

3.5更新滤波器f；

3.6判断ΔCK_M(T)是否小于阈值，若小于阈值，结束迭代，否则重复步骤3.3～3.5。

步骤4：对步骤3解卷积滤波后的信号进行包络谱分析；

步骤5：根据包络谱中的故障特征频率进行故障诊断；

本发明的有益效果为：运用改进的布谷鸟搜索算法(ICSA)搜索最大相关峭度解卷积(MCKD)的滤波器长度和故障周期的最佳组合，克服了人为选择参数的不确定性，提高了MCKD的滤波效果，具有更好的故障特征提取能力。

附图说明

图1是本发明提供的基于解卷积增强的滚动轴承声信号微弱故障诊断方法流程图；

图2是实测信号的时域图和包络谱，其中(a)为时域图，(b)为实测信号做完希尔伯特包络解调后的包络谱；

图3是ICSA对滤波器长度和故障周期的最佳组合的寻优迭代图，为了凸显ICSA有更高的寻优精度和迭代速度，对同一信号用CSA和PSO寻优对比；

图4是将ICSA输出的最佳参数组合用于MCKD滤波之后的包络谱；

图5是将MCKD的故障周期调整为理论值之后的解卷积包络谱；

图6是相同滤波器长度下的MED滤波信号的包络谱对比图。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

本实施例中一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法，附图1表示该故障诊断方法流程图，包括以下步骤：

步骤1：利用声音传感器采集故障轴承运转时的声音信号：

实验在QPZZ-Ⅱ实验平台上进行，测点方向为正对轴承座，声音传感器距离被测轴承1.5m，测试轴承为内圈故障，加工方式为线切割，所用轴承型号为NU205EM/PS，具体参数如表1所示。使用PCB噪声麦克风和NI9234采集卡采集声音信号，设置采样频率为12800Hz，采样时间为2秒，转速为900r/min，根据理论公式计算f_i＝116.25Hz，T＝110。实测信号的时域图和包络谱如附图2所示，从附图2(a)的时域图看不到周期成分，在附图2(b)的包络谱中只能看到明显的转频以及二倍转频，而故障频率被噪声淹没，无法判断故障信息；

表1轴承尺寸信息

步骤2：改进的布谷鸟参数优化算法寻找滤波器长度和故障周期的最佳组合，具体过程如下：

2.1初始化ICSA的参数，鸟巢个数n＝15，最大迭代次数t_max＝50，目标函数为AHSI(nest_i)。滤波器长度L的搜索区间为[100,1000]，实际故障频率与理论故障频率的误差一般在2％以内，所以故障周期的搜索区间为[108,113]；

2.2计算每个巢穴的目标值，找到当前位置目标值最大的巢穴，作为最优巢穴X_b；

2.3进行莱维飞行，更新位置，最优巢穴保持不动。计算新位置下每个巢穴的目标值AHSI(nest_i)，并与旧位置巢穴的目标值比较，如果新位置巢穴目标值大于旧目标值，则替换旧巢穴；

2.4进行偏好随机游走，计算新巢穴的目标值，如果大于旧巢穴的目标值，则替换旧巢穴；

2.5选择最优解，判断是否满足迭代停止条件，若满足，则输出最优参数组合，若不满足返回步骤2.3继续循环；

为验证ICSA对实际信号也有很好的搜索性能，与CSA、PSO对同一实验信号进行参数寻优。附图3为各参数优化算法的迭代图，CSA和PSO的初始化参数同仿真信号保持一致，滤波器长度L和故障周期T的搜索区间都分别为[100,1000]和[108,113]。从图中可以看出，ICSA在迭代33次时达到最优解，AHSI值为6.596，CSA在迭代39次时达到最优解，AHSI值为6.482，PSO在迭代47次时达到最优解，AHSI值为6.41。由此可见，ICSA在迭代次数最少时有最大的适应度函数值，故ICSA有更高的迭代速度和搜索精度。

步骤3：利用步骤2的最优参数组合进行MCKD滤波，实测信号x_n(n＝1,2,...,N)是源振动信号s_n(n＝1,2,...,N)与传递路径h卷积得到的，最大相关峭度解卷积(MCKD)是通过寻找一个FIR滤波器，进行反卷积运算得到源信号s_n(n＝1,2,...,N)的近似解y_n(n＝1,2,...,N)：

式中f(f₁,f₂...,f_L)为滤波器，L为滤波器长度，*为卷积运算；

最大化相关峭度求解滤波器f(f₁,f₂,...,f_L)：

相关峭度对滤波器求导：

由式(9)～(12)可求得滤波器的系数，并表示成矩阵形式：

式中

MCKD的具体步骤如下：

3.1初始化故障周期T＝111.5，滤波器长度L＝622，位移数M＝7；

3.2根据x_n计算

3.3计算滤波后的y_n，

3.4根据y_n计算α，β；

3.5更新滤波器f；

3.6判断ΔCK_M(T)是否小于阈值，若小于阈值，结束迭代，否则重复步骤3.3～3.5。

步骤4：对步骤3解卷积滤波后的信号进行包络谱分析，该参数下MCKD解卷积信号的包络谱如附图4所示，在图中可以明显的看到故障特征频率115.5Hz及其倍频，证明了本发明的有效性；

步骤5：根据包络谱中的故障特征频率进行故障诊断，通过实测信号的解卷积滤波和包络谱分析，从而确定信号中的主要频率成分115.5Hz和滚动轴承内圈故障非常接近，并且包含高阶倍频，故可判断轴承内圈发生故障。

为验证故障周期的选择会影响MCKD对实际信号的解卷积效果，现把最佳参数组合[622,111.5]中的故障周期换为理论故障周期110，进行MCKD解卷积，附图5为解卷积后的包络谱。与附图4相比附图5中故障频率的高阶倍频被噪声干扰严重，且整体谱线的幅值都有所下降。说明在实际工程问题中，由于转速波动以及滚动体滑移会导致实际故障特征频率与理论计算值有一定的误差，用理论值作为MCKD的先验参数会导致故障特征不明显，对故障诊断造成困难。

为了凸显MCKD对实际信号处理的优越性，对同一实际信号用MED进行滤波处理，为公平起见，MED的滤波器长度和MCKD的一致L＝622，对MED滤波后的信号进行包络分析如附图6所示，图中虽能找到故障特征频率，但是噪声干扰严重，对比附图4和附图6可知，MCKD有更好的故障特征提取能力。

本发明提出了一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法，尽管上述实测信号来自滚动轴承，但是本领域的技术人员可以在本发明的原理和方法的基础上，应用到本领域的其他对象的故障诊断上。

Claims (1)

1.一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法，其特征在于：包括以下步骤：

步骤1：利用声音传感器采集故障轴承运转时的声音信号；

步骤2：改进的布谷鸟参数优化算法寻找滤波器长度和故障周期的最佳组合，具体过程如下：

2.1初始化种群参数：巢穴个数n，每个巢穴中鸟卵个数m，因为只考虑滤波器长度L和故障周期T对MCKD算法效果的影响，故m＝2，设置L和T的搜索区间，设置最大迭代次数t_max，目标函数AHSI(nest_i)；

调整的谐波显著性指标，将其作为ICSA-MCKD的适应度函数，其表达式为：

式中，F(kω)为解卷积信号的包络谱在kω处的幅值，N(ω)为kω左右转频范围内的平均噪声；

2.2计算每个巢穴的目标值，找到当前位置目标值最大的巢穴，作为最优巢穴X_b；

2.3进行莱维飞行，更新位置，最优巢穴保持不动；计算新位置下每个巢穴的目标值AHSI(nest_i)，并与旧位置巢穴的目标值比较，如果新位置巢穴目标值大于旧目标值，则替换旧巢穴，莱维飞行的方法如下：

式中，

代表第t代第i个鸟巢的位置；α是步长；

代表点乘运算；L(β)代表莱维飞行路径，满足下式：

式中，μ和v服从标准正态分布，β＝1.5；

莱维飞行的步长α为：

式中，F为步长尺度因子，服从[0,1]上的均匀分布，X_b表示当前最优解；

综合式(1)～(4)通过莱维飞行到达的新的位置为：

2.4进行偏好随机游走，计算新巢穴的目标值，如果大于旧巢穴的目标值，则替换旧巢穴，偏好随机游走具体如下：

产生一个随机数与发现概率

比较，当随机数大于

代表寄生卵被发现，进行偏好随机游走，产生新的巢穴：

式中，v服从[0,1]上均匀分布的随机因子，

和

是第t代的两个随机解，

为第t代的发现概率，p_a＝0.25，t为当前迭代次数，t_max为最大迭代次数；

2.5选择最优解，判断是否满足迭代停止条件，若满足，则输出最优参数组合，若不满足返回步骤2.3继续循环；

步骤3：利用步骤2的最优参数组合进行MCKD滤波，实测信号x_n是源振动信号s_n与传递路径h卷积得到的，最大相关峭度解卷积是通过寻找一个FIR滤波器，进行反卷积运算得到源信号s_n的近似解y_n，n＝1,2,...,N：

式中，f(f₁,f₂...,f_L)为滤波器，L为滤波器长度，*为卷积运算；

通过最大化相关峭度求解滤波器f，相关峭度的定义为：

式中，T为故障周期，T＝f_s/f_i，f_s为采样频率，f_i为故障特征频率；M为位移数，取M＝7；最大化相关峭度求解滤波器f(f₁,f₂,...,f_L)

相关峭度对滤波器求导：

由式(9)～(12)求得滤波器的系数，并表示成矩阵形式：

式中

MCKD的具体步骤如下：

3.1初始化故障周期T，滤波器长度L，位移数M；

3.2根据x_n计算X_T,

3.3计算滤波后的y_n，

3.4根据y_n计算α，β；

3.5更新滤波器f；

3.6判断ΔCK_M(T)是否小于阈值，若小于阈值，结束迭代，否则重复步骤3.3～3.5；

步骤4：对步骤3解卷积滤波后的信号进行包络谱分析；

步骤5：根据包络谱中的故障特征频率进行故障诊断。

Images