【摘要】：針對環(huán)境噪聲下滾動軸承早期故障信號微弱難以檢測的問題,提出了基于網(wǎng)格搜索法優(yōu)化最大相關(guān)峭度反卷積(Maximum Correlated Kurtosis Deconvolution,MCKD)滾動軸承早期故障診斷方法。并針對MCKD方法受濾波器階數(shù)和周期影響的問題,提出了利用網(wǎng)格搜索法優(yōu)化最大相關(guān)峭度反卷積參數(shù)。首先,早期微弱故障信號集成經(jīng)驗?zāi)B(tài)分解后,采用相關(guān)系數(shù)以及峭度準(zhǔn)則重構(gòu)原信號;然后,以小波Shannon熵作為目標(biāo)函數(shù)采用網(wǎng)格搜索法搜尋最優(yōu)濾波器階數(shù)以及周期,采用自適應(yīng)MCKD方法對重構(gòu)信號中故障脈沖沖擊成分進(jìn)行加強(qiáng),最后通過包絡(luò)譜、包絡(luò)功率譜提取微弱故障特征。實驗表明,該方法能夠?qū)υ缙谖⑷豕收现袥_擊成分進(jìn)行自適應(yīng)增強(qiáng),有效檢測出被噪聲淹沒的微弱故障,實現(xiàn)滾動軸承故障的精確診斷。
【圖文】：

積為了解決最小熵反卷積方法(MinimumEntropyDeconvolution，MED)在實際應(yīng)用中只能突出少數(shù)大的尖脈沖而導(dǎo)致故障沖擊丟失的問題，Geaff等［7］在MED方法的基礎(chǔ)上進(jìn)行改進(jìn)，通過選取一個有限沖擊響應(yīng)濾波器通過迭代收斂準(zhǔn)則，使已知信號相關(guān)峭度最大，提出最大相關(guān)峭度反卷積方法。MED通過目標(biāo)函數(shù)來尋求最優(yōu)的濾波器系數(shù)，使MED增強(qiáng)后輸出信號的峭度值最大。如圖1所示:滾動軸承采集到的故障信號:y=(x+e)*h，其中x為輸入沖擊系列，y為環(huán)境影響以及衰弱后的響應(yīng)。最小熵反卷積尋找最優(yōu)逆濾波器f，使輸出y≈x。圖1MED中反卷積過程Fig．1ThedeconvolutionprocessinMEDMCKD方法中，定義M移位相關(guān)峭度(CorrelatedKurtosisofM-Shift)CKM(T)=∑Nn=1∏yny()n－mT2∑Nn=1yn()2M+1(1)式中:N表示輸入信號x的樣本數(shù)，L表示有限沖擊響應(yīng)濾波器的長度，T表示信號的周期。相關(guān)峭度主要是由于考慮濾波器組fk輸出信號的周期約為一個周期T，并且信號有著很高的峭度。如果T=0且M=1時，CK就是MED使用的峭度標(biāo)準(zhǔn)。從最大值問題開始，通過單獨(dú)地對CKM的分子和分母求導(dǎo)以求出濾波器系數(shù)fk:MCKDM(T)=max迤→fCKM()T=max迤→f∑Nn=1∏Mm=0y()n－mT2∑Nn=1yn()2M+1(2)式中:f→為濾波器組;M為信號平移周期數(shù)，稱其為移位數(shù)。通過對式(2)中的分子分母分別求導(dǎo)，然后令ddfkCKM(T)=0，當(dāng)k=1，2，…，L時，將其轉(zhuǎn)換成矩陣形式，則其迭代解的結(jié)果可以表示為:f→=‖y→‖2‖β→‖(X0X0T)－1∑Mm=0XmTα→m(3)式中:α→m=y1－mT－1(y12

的階數(shù)L以及周期T，返回步驟(2)，否則輸出最優(yōu)解。3基于網(wǎng)格搜索法優(yōu)化最大相關(guān)峭度反卷積方法的滾動軸承微弱故障診斷策略對于含有嚴(yán)重背景噪聲的原始樣本信號，集成經(jīng)驗?zāi)B(tài)分解(EnsembleEmpiricalModeDecomposition，EEMD)按照頻率成分從高頻到低頻的順序分解為不同振動模態(tài)的本征模態(tài)函數(shù)(IntrinsicModeFunctions，IMF)。高頻部分IMF分量的調(diào)制信號中含有大量故障信息，但是高頻IMF分量中往往含有大量噪聲成分，使得高頻IMF分量中反映機(jī)械故障的脈沖沖擊成分難以有效的提齲基于網(wǎng)格搜索法優(yōu)化最大相關(guān)峭度反卷圖2網(wǎng)格搜索法優(yōu)化最大相關(guān)峭度反卷積參數(shù)流程圖Fig．2TheoptimizationprocessforMCKDparametersbasedongridsearchalgorithm積方法的滾動軸承微弱故障診斷策略如圖3所示。首先對獲取的滾動軸承的故障振動樣本信號進(jìn)行EEMD分解，得到滾動軸承故障狀態(tài)的各個IMF分量，利用相關(guān)系數(shù)以及峭度準(zhǔn)則，選擇IMF分量重構(gòu)原始信號，以最大相關(guān)峭度反卷積后信號的小波Shannon熵作為目標(biāo)函數(shù)，采用網(wǎng)格搜索法優(yōu)選出最優(yōu)濾波器的階數(shù)L以及周期T，對重構(gòu)信號進(jìn)行自適應(yīng)MCKD增強(qiáng)，，最后利用包絡(luò)譜、包絡(luò)功率譜提取故障特征頻率，輸出診斷結(jié)果。圖3基于網(wǎng)格搜索法優(yōu)化MCKD的故障診斷策略Fig．3ThefaultdiagnosisbasedonMCKDoptimizedbygridsearchalgorithm4實例分析為驗證本文方法的有效性，選取6205-2ＲS型深溝球滾動軸承做為研究對象。電機(jī)轉(zhuǎn)速為1772r/min(29．2Hz)，采樣頻率為12000Hz，測量軸承座上加速第15期呂中亮等:基于網(wǎng)格搜索法優(yōu)化最大相關(guān)峭度反卷積的滾動軸承早期故障診斷方法31

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王健峰;張磊;陳國興;何學(xué)文;;基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J];應(yīng)用科技;2012年03期

2 紀(jì)昌明;周婷;向騰飛;黃海濤;;基于網(wǎng)格搜索和交叉驗證的支持向量機(jī)在梯級水電系統(tǒng)隱隨機(jī)調(diào)度中的應(yīng)用[J];電力自動化設(shè)備;2014年03期

3 ;[J];;年期

相關(guān)碩士學(xué)位論文 前1條

1 康璇;解無導(dǎo)數(shù)優(yōu)化問題的非單調(diào)過濾集網(wǎng)格搜索方法[D];南京師范大學(xué);2014年

本文編號：2558440