CN116839911A - 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 - Google Patents
基于阈值参数判决筛选的航空发动机主轴承故障提取方法 Download PDFInfo
- Publication number
- CN116839911A CN116839911A CN202310889640.1A CN202310889640A CN116839911A CN 116839911 A CN116839911 A CN 116839911A CN 202310889640 A CN202310889640 A CN 202310889640A CN 116839911 A CN116839911 A CN 116839911A
- Authority
- CN
- China
- Prior art keywords
- signal
- component
- parameter
- vmd
- modal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 20
- 238000005096 rolling process Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 239000000306 component Substances 0.000 description 81
- 238000003745 diagnosis Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明设计基于阈值参数判决筛选的航空发动机主轴承故障提取方法,首先为了自适应选择VMD中的参数,采用粒子群算法PSO对VMD算法中的参数进行优化,将其作为前置参数来处理传感器收集到的轴承原始振动信号,得到K0个模态分量;其次提出一种新的参数调和公式,该公式将峭度和相关系数平衡融合为一个参数P,然后基于阈值参数准则划分筛选出高信噪比信号,整合高信噪比信号产生新的振动信号;最后通过包络谱提取出轴承微弱故障特征;经过实验表明,经过本方法去噪得到的信号有效的抑制了噪声的干扰,为航空发动机主轴承故障复杂信号处理和诊断提供了有效手段。
Description
技术领域
本发明涉及轴承故障诊断技术领域,尤其涉及基于阈值参数判决筛选的航空发动机主轴承故障提取方法。
背景技术
航空发动机状态监测和故障诊断是发动机健康管理和使用可靠性保证的重要方面。涡扇发动机中介轴承是发动机支承传动***的核心部件之一,其工作转速高、负荷大、工况极端恶劣,属于故障多发件。轴承故障的基本形式包括疲劳剥落、磨损、断裂、锈蚀和擦伤等,故障发生往往会给发动机带来灾难性危害,甚至造成安全事故。高压涡轮转子和低压涡轮转子之间的中介轴承位于发动机最内部,传统检测手段难以直接对其进行状态监测和故障诊断,这主要是由于中介轴承滚道表面剥落、滚动体磨损、保持架断裂等损伤引起的微弱冲击信号,需经过复杂的传递路径才能被安装在发动机外部机匣上的振动传感器检测到,一方面测得的冲击信号微弱,另一方面总是淹没在宽频高幅值背景噪声中难以识别,因此,对中介轴承微弱故障信号特征提取技术的研究十分迫切。
实际采集的振动信号往往呈非线性、非平稳性。栾孝驰等提出WPD-KVI-Hilbert滚动轴承故障提取方法,选取小波包分解后的峭度值最大的前四个分量重构,最大程度的保留了与故障有关的周期冲击性成分。沙云东等将滚动轴承故障信息中的峭度值,偏度值,排列熵归一化融合为一个无量纲参数,有效平衡了轴承故障对各参数的影响,过滤了噪声成分,成功提取出轴承故障特征信息。Huang等提出了经验模态分解(EMD)的方法,该方法具有自适应性,能够有效地分解非平稳非线性信号。然而,EMD方法存在一些缺陷,如过包络和模态混叠等问题。Dragomiretskiy等在EMD的基础上提出了一种可变尺度的信号处理方法VMD,该方法通过在变分框架内求解最优变分模型,能够更好地处理信号中的噪声和干扰。相比于EMD中的循环递归筛选过程,VMD方法对于噪声的干扰更加鲁棒,能够减少噪声对分解结果的影响。在VMD算法中,模态数K和惩罚因子a对于VMD分解效果有很大的影响,若人为确定这两个参数可能会对分解效果造成较大影响,而粒子群算法简单易行、收敛速度快,故采用粒子群算法对这两个参数进行寻优。
目前方法大多对单一参数或直接将多个参数进行相加,然后人为地对分量进行筛选,但并未区分出某一参数值较高,其他参数值相对较低的低信噪比信号加以滤除,并进而实现模态分量的自适应选择。因此,为了平衡参数间的相对大小关系,降低噪声干扰,更加精确地提取轴承故障特征信息,提出一种参数调和公式用以筛选高信噪比信号,并有效避免了人为筛选分量信号可能造成特征信号缺失的问题。
发明内容
针对现有技术存在的不足,本发明提出了基于阈值参数判决筛选的航空发动机主轴承故障提取方法。首先采用粒子群算法(PSO)对VMD算法中的参数进行优化,将其作为前置参数来处理传感器收集到的轴承原始振动信号,得到K0个模态分量;其次提出一种新的参数调和公式,该公式将峭度和相关系数平衡融合为一个参数P,然后基于阈值参数准则划分筛选出高信噪比信号,整合高信噪比信号产生新的振动信号;最后通过包络谱提取出轴承微弱故障特征。与其他方法相比,本方法可以有效选择高信噪比信号,降低噪声的干扰,准确提取轴承故障特征信息。
基于阈值参数判决筛选的航空发动机主轴承故障提取方法,包括如下步骤:
步骤1:利用加速度传感器采集滚动轴承的振动信号;
步骤2:基于步骤1采集的振动信号,利用粒子群算法优化变分模态分解的参数[a0,K0],将其作为VMD分解的前置参数,分解得到K0个模态分量;
利用粒子群算法优化VMD中的参数[a0,K0];所述粒子群算法通过模拟群体中每个个体即粒子在搜索空间中的移动来寻找最优解;第o个粒子的位置表示为so=(so1,so2,...,soD)T;速度表示为:vo=(vo1,vo2,...,voD)T;每个粒子根据个体最优解和全局最优解来更新自己的速度和位置,以便向最优解的方向移动,具体为:
式中,o表示粒子的索引,范围为1到O;h表示第h次迭代;为粒子o搜索空间d维第h次迭代中速度;/>为惯性权重,范围∈[0,1];c1和c2为学习因子;η为介于区间[0,1]的随机数;/>为粒子o搜索空间d维在第h次迭代中的个体极值点;/>为粒子o搜索空间d维第h次迭代中的当前位置;/>为整个种群搜索空间d维在第h次迭代中的全局极值点;
采用包络熵Ep作为评价信号稀疏特性的指标,将采集到的振动信号x(t)经过VMD分解,如果所获得的分量中含有噪声,则会掩盖信号中的扰动特征,导致分量信号的稀疏性较弱,即包络熵较大;相反,如果各个分量中包含了规律的扰动特征,那么分量信号的稀疏性就强,包络熵就越小;利用PSO优化VMD的适应度函数选为K0个分量中最小包络熵的值,用于评估解的质量:
式中:a(j)表示为信号x(j)(j=1,2,...,m)经过希尔伯特包络解调的序列;H表示Hilbert变换;pj是a(j)的归一化形式;
将优化后得到的参数[a0,K0]作为VMD分解的前置参数,分解得到K0个模态分量;变分模态分解将振动信号分解为多个固定带宽的调幅调频信号,即固定频带的瞬时幅值与相位的乘积:
式中Ak(t)是第K个调幅调频信号的瞬时幅值,表示信号相位;
假设振动信号由K个IMF分量构成,求解步骤如下:
步骤S1:对每个调幅调频信号进行Hilbert变换,从而获得模态分量的单边频谱;
式中δ(t)是脉冲函数;t为时间;j为虚数单位;*表示卷积;uk(t)是第K个IMF分量;
步骤S2:向单边频谱添加一个指数项进行频率混合,将各模态的频谱调制到相应的基频带;
步骤S3:计算调整后解调信号的梯度二范数平方,作为带宽的度量;
式中表示函数对t求偏导;
步骤S4:建立最优化模型,通过最小化以下目标函数求最优解;
式中{uk(t)}={u1,...,uK};{wk(t)}={w1,...,wK};
步骤S5:引入拉格朗日乘子,并使用交替方向乘子法迭代搜索拉格朗日函数的最优化结果,最终将原始信号分解为K个IMF分量;
步骤3:计算每个模态分量的峭度值和相关系数,根据参数调和公式得到参数P;
步骤3.1:计算经VMD分解后的各模态分量的峭度值K并归一化,如下所示:
其中,x为信号分量的振幅;E为信号分量x的期望;u为信号分量振幅的平均值;σ为信号分量振幅的标准差;
步骤3.2:计算经VMD分解后的各模态分量与振动信号的皮尔逊相关系数r并归一化;
式中Cov(X,Y)表示变量X和Y的协方差,和/>表示变量X和Y的标准差;
步骤3.3:将归一化后的峭度值和相关系数平衡融合为一个参数P;该公式第一部分将归一化后的峭度和相关系数相加,使得峭度和相关系数统一;第二部分将两者相乘,以此更容易区分开两者一大一小的情况;两部分的系数经多次试验计算分别为和2,这两个系数减少了加和的权重,增加了乘积的权重即计算出的P若是较大,则Ki和Ri都相对较大,能有效区分两者一大一小的情况;
式中P为固有模态分量的相关系数与峭度系数融合后的分量参数;Ki、ri为第i个模态分量的峭度值和相关系数,Kmax、rmax为模态分量中最大的峭度值和相关系数;
步骤4:将模态分量的阈值参数M和P进行比对,划分筛选出高信噪比信号;
步骤4.1:提出阈值参数公式,计算出阈值参数M;
步骤4.2:通过将分量参数P与阈值参数M进行比对,依据对比结果对含噪量不同的固有模态分量划分为高信噪比信号和低信噪比信号;其中P≥M时,为高信噪比信号;当P<M为低信噪比信号;
步骤5:将筛选出的高信噪比信号进行重构产生新的振动信号,并对其进行包络解调提取轴承故障特征信息并诊断轴承故障。
本发明有益效果:
1、本发明提供的方法选用粒子群(PSO)优化VMD分解以确定前置参数[a0,K0],PSO算法的并行化处理比较容易,每个粒子的计算是相互独立的,可以同时进行。这种特点使得PSO算法适合于在多处理器或分布式计算环境中应用,提高了算法的效率和速度,并且适用于非线性、非凸、高维优化问题。
2、本发明提供的方法所选用的VMD分解在信号分解过程中能够保持总能量的不变性,即分解后各个模态的能量之和等于原始信号的能量,这使得VMD在信号处理应用中更加可靠,避免了能量损失和偏差的问题。VMD也能避免模态之间的重叠问题,即每个分解得到的模态具有不同的频率范围,彼此之间相互独立,这有利于对信号的局部特征进行分析和提取,有助于后续的模态重构和信号恢复。
3、本发明提供的方法所选用的参数调和与阈值参数判决方法,能平衡峭度和相关系数之间的关系,滤除了峭度值较高但有效信息少的分量,即低信噪比信号,可有效筛选出高信噪比信号,最大程度的保留了周期性冲击成分,解决了模态分量信号需要人为筛选,导致有效信号缺失的问题。
4、本发明提供的方法应用于某型涡扇发动机中介轴承典型故障振动信号特征提取,结果表明,可有效滤除干扰噪声成分,筛选出高信噪比信号模态分量,再基于这些模态分量重构高信噪比信号,经包络解调分析,实现了轴承故障振动特征信息的清晰识别,该方法为航空发动机主轴承故障复杂信号处理和诊断提供了有效手段。与PSO-VMD-Kurt和利用WPD-KVI-Hilbert算法相比,本发明基于阈值参数判决筛选的主轴承故障特征提取方法(PSO-VMD-P-M)能更清晰提取出轴承故障特征频率及其倍频。
附图说明
图1为本发明实施例1中基于阈值参数判决筛选的主轴承故障特征提取方法(PSO-VMD-P-M)的流程图;
图2为本发明实施例2中基于WPD-KVI-Hilbert的滚动轴承故障诊断模型的流程图;
图3为本发明实施例中轴承滚动体原始频谱与局部0-400Hz图;
图4为本发明实施例中轴承滚动体重构信号包络谱,其中图a为实施例1中经PSO-VMD-P-M的重构信号包络谱,图b为实施例1中经PSO-VMD-P-M的重构信号包络谱;图c为实施例2中经WPD-KVI-Hilbert的重构信号包络谱;
图5为本发明实施例中轴承内圈重构信号包络谱,其中图a为实施例1中经PSO-VMD-P-M的重构信号包络谱,图b为实施例2中经WPD-KVI-Hilbert的重构信号包络谱;
图6为本发明实施例中轴承外圈重构信号包络谱,其中图a为实施例1中经PSO-VMD-P-M的重构信号包络谱,图b为实施例2中经WPD-KVI-Hilbert的重构信号包络谱。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本实施例采用了真实的实验数据进行分析,选择某型航空发动机的5支点主轴轴承作为研究对象。轴承滚动体和内圈振动数据采样频率设置为25.6kHz,外圈振动数据采样频率设置为100kHz。
实施例1:
基于阈值参数判决筛选的航空发动机主轴承故障提取方法,如附图1所示,包括如下步骤:
步骤1:利用加速度传感器采集滚动轴承的振动信号;
步骤2:基于步骤1采集的振动信号,利用粒子群算法优化变分模态分解(Variational Mode Decomposition,简称VMD)的参数[a0,K0],将其作为VMD分解的前置参数,分解得到K0个模态分量;
利用粒子群算法优化VMD中的参数[a0,K0];所述粒子群算法通过模拟群体中每个个体即粒子在搜索空间中的移动来寻找最优解;第o个粒子的位置表示为so=(so1,so2,...,soD)T;速度表示为:vo=(vo1,vo2,...,voD)T;每个粒子根据个体最优解和全局最优解来更新自己的速度和位置,以便向最优解的方向移动,具体为:
式中,o表示粒子的索引,范围为1到O;h表示第h次迭代;为粒子o搜索空间d维第h次迭代中速度;/>为惯性权重,范围∈[0,1];c1和c2为学习因子;η为介于区间[0,1]的随机数;/>为粒子o搜索空间d维在第h次迭代中的个体极值点;/>为粒子o搜索空间d维第h次迭代中的当前位置;/>为整个种群搜索空间d维在第h次迭代中的全局极值点;
采用包络熵Ep作为评价信号稀疏特性的指标,将采集到的振动信号x(t)经过VMD分解,如果所获得的分量中含有较多的噪声,则会掩盖信号中的扰动特征,导致分量信号的稀疏性较弱,即包络熵较大;相反,如果各个分量中包含了规律的扰动特征,那么分量信号的稀疏性就较强,包络熵就越小;利用PSO优化VMD的适应度函数选为K0个分量中最小包络熵的值,用于评估解的质量:
式中:a(j)表示为信号x(j)(j=1,2,...,m)经过希尔伯特包络解调的序列;H表示Hilbert变换;pj是a(j)的归一化形式;
将优化后得到的参数[a0,K0]作为VMD分解的前置参数,分解得到K0个模态分量;变分模态分解将振动信号分解为多个固定带宽的调幅调频信号,即固定频带的瞬时幅值与相位的乘积:
式中Ak(t)是第K个调幅调频信号的瞬时幅值,表示信号相位;
假设振动信号由K个IMF分量构成,求解步骤如下:
步骤S1:对每个调幅调频信号进行Hilbert变换,从而获得模态分量的单边频谱;
式中δ(t)是脉冲函数;t为时间;j为虚数单位;*表示卷积;uk(t)是第K个IMF分量;
步骤S2:向单边频谱添加一个指数项进行频率混合,将各模态的频谱调制到相应的基频带;
步骤S3:计算调整后解调信号的梯度二范数平方,作为带宽的度量;
式中表示函数对t求偏导;
步骤S4:建立最优化模型,通过最小化以下目标函数求最优解;
式中{uk(t)}={u1,...,uK};{wk(t)}={w1,...,wK};
步骤S5:引入拉格朗日乘子,并使用交替方向乘子法迭代搜索拉格朗日函数的最优化结果,最终将原始信号分解为K个IMF分量;
步骤3:计算每个模态分量的峭度值和相关系数,根据参数调和公式得到参数P;
步骤3.1:计算经VMD分解后的各模态分量的峭度值K并归一化,如下所示:
其中,x为信号分量的振幅;E为信号分量x的期望;u为信号分量振幅的平均值;σ为信号分量振幅的标准差;
步骤3.2:计算经VMD分解后的各模态分量与振动信号的皮尔逊相关系数r并归一化;
式中Cov(X,Y)表示变量X和Y的协方差,和/>表示变量X和Y的标准差;
步骤3.3:将归一化后的峭度值和相关系数平衡融合为一个参数P;该公式第一部分将归一化后的峭度和相关系数相加,使得峭度和相关系数统一;第二部分将两者相乘,以此更容易区分开两者一大一小的情况;两部分的系数经多次试验计算分别为和2,这两个系数减少了加和的权重,增加了乘积的权重即计算出的P若是较大,则Ki和Ri都相对较大,能有效区分两者一大一小的情况;
式中P为固有模态分量的相关系数与峭度系数融合后的分量参数;Ki、ri为第i个模态分量的峭度值和相关系数,Kmax、rmax为模态分量中最大的峭度值和相关系数;
步骤4:将模态分量的阈值参数M和P进行比对,划分筛选出高信噪比信号;
步骤4.1:提出阈值参数公式,计算出阈值参数M;
步骤4.2:通过将分量参数P与阈值参数M进行比对,依据对比结果对含噪量不同的固有模态分量划分为高信噪比信号和低信噪比信号;其中P≥M时,为高信噪比信号;当P<M为低信噪比信号;划分结果如表1所示。
表1高/低信噪比信号划分
步骤5:将筛选出的高信噪比信号进行重构产生新的振动信号,并对其进行包络解调提取轴承故障特征信息并诊断轴承故障。计算出滚动体故障各分量参数如表2。
表2滚动体故障各分量参数
本实施例中,经计算轴承故障特征频率为27Hz,轴承原始振动信号频域图如图3(a),局部0-400Hz如图3(b),原始振动信号中虽然低频带含有波峰成分(10倍频271Hz),但干扰成分较多,难以提取出其他轴承故障特征频率信息,因此无法识别轴承故障。轴承滚动体故障重构信号如图4(a)所示,故基于PSO-VMD-P-M的航空发动机主轴承故障诊断方法能清晰提取出轴承特征频率及其倍频。若筛选出峭度值最大的前四个分量(PSO-VMD-Kurt)进行重构并包络解调如图4(b),虽然能在图中找到相应的1~11倍频,但干扰成分较多,只有1倍频和8倍频能够很清晰的识别出来。故参数调和公式与阈值参数判决筛选准则能平衡峭度和相关系数之间的大小关系,滤除了峭度值较高但有效信息少的分量即低信噪比信号。
实施例2:
本实施例2与实施例1采用了相同的实验数据进行分析。
步骤1:利用加速度传感器采集滚动轴承的振动信号;
步骤2:采用小波包(WPD)方法对采集得到的滚动轴承的振动信号进行分解,分解出不同的Node分量;如附图2所示;
WPD的原理描述如下:在数学上,一个小波包由一组线性组合的小波函数组成,这些小波函数是通过以下方式产生的递归关系;
式中是定标函数,/>是小波函数;符号h(n)和g(n)表示与定标函数和小波函数相关的一对正交镜像滤波器的系数。此外,h(n)和g(n)通过g(n)=(-1)nh(1-n)相互关联。
对于分解的每一步,输入的离散信号被分解为低频的粗近似和高频的细节部分。时域信号x(t)被递归分解为:
式中xj,k(t)表示第j层第k个子频带的小波系数。
因此,信号x(t)可以表示为:
式中符号j和k分别表示分解层数和子频带。
步骤3:计算各Node分量的峭度值K,如下所示:
其中,x为Node分量的振幅;E为信号分量x的期望;u为Node分量振幅的平均值;σ为Node分量振幅的标准差;
步骤4:选取峭度值最大的四个分量进行重构,并进行包络解调。
本实施例中,轴承滚动体故障重构信号如图4(c)所示,图中虽然可以找到部分故障特征信息,但其峰值不明显,干扰信息太多,难以准确识别轴承故障。
图5(a)为PSO-VMD-P-M方法处理轴承内圈故障数据得到的包络谱图中能清晰识别出轴承内圈故障特征频率1~5倍频(89Hz、178Hz、267Hz、356Hz、449Hz)。图5(b)为WPD-KVI-Hillbert方法处理同样轴承内圈故障数据得到的包络谱。图中仅能清晰识别轴承内圈1倍故障特征频率,其他故障信息模糊,故障特征倍频不明显。
图6(a)为PSO-VMD-P-M方法处理轴承外圈故障数据得到的包络谱,能够清晰识别出外圈故障特征频率1~5倍频。图6(b)为WPD-KVI-Hillbert方法处理同样轴承外圈故障数据得到的包络谱,仅能清晰识别3倍故障特征频率且干扰成分较多。
经验证,参数调和与阈值参数判决方法能平衡峭度和相关系数之间的关系,滤除了峭度值较高但有效信息少的分量,即低信噪比信号,可有效筛选出高信噪比信号,最大程度的保留了周期性冲击成分,解决了模态分量信号需要人为筛选,导致有效信号缺失的问题。本发明基于阈值参数判决筛选的航空发动机主轴承故障特征提取方法在复杂传递路径及强干扰环境下,能综合过滤噪声成分,凸显故障信息,诊断轴承故障,故可作为航空发动机主轴承有效诊断方法之一。
Claims (4)
1.基于阈值参数判决筛选的航空发动机主轴承故障提取方法,其特征在于,包括如下步骤:
步骤1:利用加速度传感器采集滚动轴承的振动信号;
步骤2:基于步骤1采集的振动信号,利用粒子群算法优化变分模态分解的参数[a0,K0],将其作为VMD分解的前置参数,分解得到K0个模态分量;
步骤3:计算每个模态分量的峭度值和相关系数,根据参数调和公式得到参数P;
步骤4:将模态分量的阈值参数M和P进行比对,划分筛选出高信噪比信号;
步骤5:将筛选出的高信噪比信号进行重构产生新的振动信号,并对其进行包络解调提取轴承故障特征信息并诊断轴承故障。
2.根据权利要求1所述的基于阈值参数判决筛选的航空发动机主轴承故障提取方法,其特征在于,步骤2具体为:
利用粒子群算法优化VMD中的参数[a0,K0];所述粒子群算法通过模拟群体中每个个体即粒子在搜索空间中的移动来寻找最优解;第o个粒子的位置表示为so=(so1,so2,...,soD)T;速度表示为:vo=(vo1,vo2,...,voD)T;每个粒子根据个体最优解和全局最优解来更新自己的速度和位置,以便向最优解的方向移动,具体为:
式中,o表示粒子的索引,范围为1到O;h表示第h次迭代;为粒子o搜索空间d维第h次迭代中速度;/>为惯性权重,范围∈[0,1];c1和c2为学习因子;η为介于区间[0,1]的随机数;/>为粒子o搜索空间d维在第h次迭代中的个体极值点;/>为粒子o搜索空间d维第h次迭代中的当前位置;/>为整个种群搜索空间d维在第h次迭代中的全局极值点;
采用包络熵Ep作为评价信号稀疏特性的指标,将采集到的振动信号x(t)经过VMD分解,如果所获得的分量中含有噪声,则会掩盖信号中的扰动特征,导致分量信号的稀疏性较弱,即包络熵较大;相反,如果各个分量中包含了规律的扰动特征,那么分量信号的稀疏性就强,包络熵就越小;利用PSO优化VMD的适应度函数选为K0个分量中最小包络熵的值,用于评估解的质量:
式中:a(j)表示为信号x(j)(j=1,2,...,m)经过希尔伯特包络解调的序列;H表示Hilbert变换;pj是a(j)的归一化形式;
将优化后得到的参数[a0,K0]作为VMD分解的前置参数,分解得到K0个模态分量;变分模态分解将振动信号分解为多个固定带宽的调幅调频信号,即固定频带的瞬时幅值与相位的乘积:
式中Ak(t)是第K个调幅调频信号的瞬时幅值,表示信号相位;
假设振动信号由K个IMF分量构成,求解步骤如下:
步骤S1:对每个调幅调频信号进行Hilbert变换,从而获得模态分量的单边频谱;
式中δ(t)是脉冲函数;t为时间;j为虚数单位;*表示卷积;uk(t)是第K个IMF分量;
步骤S2:向单边频谱添加一个指数项进行频率混合,将各模态的频谱调制到相应的基频带;
步骤S3:计算调整后解调信号的梯度二范数平方,作为带宽的度量;
式中表示函数对t求偏导;
步骤S4:建立最优化模型,通过最小化以下目标函数求最优解;
式中{uk(t)}={u1,...,uK};{wk(t)}={w1,...,wK};
步骤S5:引入拉格朗日乘子,并使用交替方向乘子法迭代搜索拉格朗日函数的最优化结果,最终将原始信号分解为K个IMF分量;
3.根据权利要求1所述的基于阈值参数判决筛选的航空发动机主轴承故障提取方法,其特征在于,步骤3具体为:
步骤3.1:计算经VMD分解后的各模态分量的峭度值K并归一化,如下所示:
其中,x为信号分量的振幅;E为信号分量x的期望;u为信号分量振幅的平均值;σ为信号分量振幅的标准差;
步骤3.2:计算经VMD分解后的各模态分量与振动信号的皮尔逊相关系数r并归一化;
式中Cov(X,Y)表示变量X和Y的协方差,和/>表示变量X和Y的标准差;
步骤3.3:将归一化后的峭度值和相关系数平衡融合为一个参数P;该公式第一部分将归一化后的峭度和相关系数相加,使得峭度和相关系数统一;第二部分将两者相乘,以此更容易区分开两者一大一小的情况;两部分的系数经多次试验计算分别为和2,这两个系数减少了加和的权重,增加了乘积的权重即计算出的P若是较大,则Ki和Ri都相对较大,能有效区分两者一大一小的情况;
式中P为固有模态分量的相关系数与峭度系数融合后的分量参数;Ki、ri为第i个模态分量的峭度值和相关系数,Kmax、rmax为模态分量中最大的峭度值和相关系数。
4.根据权利要求1所述的基于阈值参数判决筛选的航空发动机主轴承故障提取方法,其特征在于,步骤4具体为:
步骤4.1:提出阈值参数公式,计算出阈值参数M;
步骤4.2:通过将分量参数P与阈值参数M进行比对,依据对比结果对含噪量不同的固有模态分量划分为高信噪比信号和低信噪比信号;其中P≥M时,为高信噪比信号;当P<M为低信噪比信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889640.1A CN116839911A (zh) | 2023-07-19 | 2023-07-19 | 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889640.1A CN116839911A (zh) | 2023-07-19 | 2023-07-19 | 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116839911A true CN116839911A (zh) | 2023-10-03 |
Family
ID=88166957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889640.1A Pending CN116839911A (zh) | 2023-07-19 | 2023-07-19 | 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116839911A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150350A (zh) * | 2023-10-31 | 2023-12-01 | 南京凯奥思数据技术有限公司 | 基于自适应iceemdan降噪的轴承故障诊断方法及*** |
CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
CN117894341A (zh) * | 2024-03-15 | 2024-04-16 | 潍柴动力股份有限公司 | 一种发动机异常节奏噪声识别方法、装置、设备和介质 |
-
2023
- 2023-07-19 CN CN202310889640.1A patent/CN116839911A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150350A (zh) * | 2023-10-31 | 2023-12-01 | 南京凯奥思数据技术有限公司 | 基于自适应iceemdan降噪的轴承故障诊断方法及*** |
CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
CN117851922B (zh) * | 2024-03-08 | 2024-06-07 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
CN117894341A (zh) * | 2024-03-15 | 2024-04-16 | 潍柴动力股份有限公司 | 一种发动机异常节奏噪声识别方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116839911A (zh) | 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 | |
Guo et al. | A compound fault diagnosis method of rolling bearing based on wavelet scattering transform and improved soft threshold denoising algorithm | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
Dai et al. | Fault diagnosis of rotating machinery based on deep reinforcement learning and reciprocal of smoothness index | |
CN112461547B (zh) | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 | |
CN107884190A (zh) | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN112199996B (zh) | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 | |
CN113176092A (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN113834658A (zh) | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 | |
Zheng et al. | Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement | |
Lu et al. | Bearing fault diagnosis with nonlinear adaptive dictionary learning | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别*** | |
CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
Vashishtha et al. | Adaptive MOMEDA model based variational mode decomposition for Pelton wheel fault detection | |
CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
CN117828447A (zh) | 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法 | |
CN113865871A (zh) | 一种基于故障特征倍频能量判决的滚动轴承故障诊断方法 | |
Babu et al. | Fault diagnosis in bevel gearbox using coiflet wavelet and fault classification based on ANN including DNN | |
Liu et al. | Fault diagnosis method of rolling bearing based on the multiple features of LMD and random forest | |
CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |