基于隨機共振的滾動軸承故障弱信號的提取

王荔檬

(1.天津大學 機械工程學院,天津 300072;2.南寧職業技術學院 智能制造學院,廣西 南寧 530008)

0 引 言

機械設備領域不斷向精密化與集成化發展的同時,也產生了不同類型的故障[1]。滾動軸承是我國目前應用最為廣泛的旋轉機械部件之一,因受多種因素影響,被公認為是整個旋轉機械動力傳統系統中最為脆弱的一個部件。滾動軸承一旦出現故障，得不到及時處理,輕則降低旋轉機械性能,破壞旋轉機械結構,重則造成人員傷亡,形成巨大的災難事故,因此及時處理滾動軸承故障十分重要[2]。

噪聲和驅動信號存在于滾動軸承的信號系統中,當輸入信號和噪聲產生協同作用時,輸出信噪比隨噪聲強度的增大而增大,達到峰值后又會隨之減小,這種協同作用即為隨機共振。通過檢測滾動軸承弱信號,得出精準的弱信號頻率,從而確定信號頻率范圍,即能準確定位并檢測出軸承微弱故障。

因此,相關學者對軸承故障判斷及故障弱信號提取方法做出了研究。文獻[3]提出基于信號時頻的滾動軸承故障判斷方法,通過分幀預處理逐幀提取信息熵特征,構建特征序列,通過模態分解包絡曲線,辨識滾動軸承故障。文獻[4]提出基于普通變尺度和周期勢自適應的軸承滾動體的故障特征檢測,采用粒子群優化算法優化軸承共振參數,通過變尺度下優化提取故障特征。文獻[5]引入混沌理論,改進Duffing混沌振子方程,提取微弱信號,利用多相位混沌振子陣列抵消相位角的影響。文獻[6]提出乘積函數熵在滾動軸承故障識別中的應用，提出滾動軸承特征積函數熵以相關系數熵作為幅度調制算符進行了修改,并采用最小二乘支持向量機對滾動軸承進行故障智能識別。文獻[7]提出基于混沌和分形理論的滾動軸承輕微故障診斷,計算軸承振動信號的最大李雅普諾夫指數,計算混沌信號的相關維數作為故障診斷的狀態特征,以此提取輕微故障、嚴重故障的軸承元件信號。文獻[8]提出基于盲源分離的滾動軸承多重故障信號提取，通過預處理得到白化矩陣,計算4階累積量,通過最小二乘法實現故障信號分離。文獻[9]提出最優尺度尺度形態分析法,通過特征能量因子設計自適應選擇方案,從軸承振動信號中得到分量,根據頻率判斷軸承故障。文獻[10]提出一種適用于行星齒輪箱弱故障特征提取的自適應蟻群算法,該方法采用具有全局優化能力的混沌蟻群算法來實現潛在參數之間的自適應匹配。上述方法能夠實現滾動軸承故障信號提取,但對于不易察覺的微弱故障,往往因為信號微弱而難以被提取,因此在提取精度及耗時方面仍有待進一步提升。

目前針對隨機共振理論在滾動軸承故障弱信號的研究力度較小,對其信號的分析性能較差,導致信號提取精細程度較低。針對上述問題,設計了一種滾動軸承故障弱信號提取方法,該方法可以對滾動軸承不同故障發出的不同弱信號進行分析,并充分提取信號數據,優化信號分析性能,達到提升滾動軸承故障弱信號的提取精細程度的目的。

1 隨機共振故障弱信號數據追蹤

隨機共振是一種噪聲對微弱信號進行能量傳輸并產生加強作用現象[11-12]。為檢測并提取微弱信號,需要衡量隨機共振指標,信噪比是衡量隨機共振的重要指標。通過計算信噪比隨噪聲強度的變化,能夠得到弱故障信號的頻率范圍,并據此追蹤弱信號數據,為弱信號的分和提取做準備。信噪比公式為

(1)

式中:S為弱信號的頻率密度；N為噪聲的頻率密度。由此可見,信噪比能夠反映出弱信號頻率與噪聲頻率的關系,受到噪聲與弱信號的影響,故障信號系統可描述為

(2)

式中：a為系統所受勢場力；coset表示驅動信號的作用力,Q為噪聲強度。

為追蹤故障弱信號,需要對其進行去噪處理,在信號的隨機共振過程中,當信噪比達到峰值時發生最優共振,此時的故障弱信號的去噪效果最理想。該狀態下的故障弱信號頻率為

(3)

為增強信號追蹤的精細程度,根據故障弱信號頻率,分析信號所處范圍,追蹤數據信息的位置。設置數據追蹤見圖1。

圖 1 數據追蹤圖

圖1中,挑選出與操作數據相近的追蹤原則進行數據追蹤,并對隨機共振系統進行操作準則分析,研究數據是否符合隨機共振系統操作需求[13]。對于隨機共振系統的操作方法進行方程解析：

J=rI+K·(r-I)

(4)

式中:J為系統信號范圍；r為追蹤的數據總量；I為數據追蹤力度；K為內部數據存儲量[14]。經過上述操作后,將獲取的操作參數與實驗研究數據相結合,檢查頻率發射狀態,控制其發射狀態處于系統可操作范圍內,完成狀態改造,并對系統操作范圍進行限定。根據上述流程設置范圍限定結構圖見圖2。

通過圖2獲取系統的操作范圍,若追蹤的信號發射頻率超出此范圍,則將此信號進行清除,若追蹤的信號發射頻率在此范圍內,則將此信號進行存儲操作,并確保數據在流通通道進行流通,保證數據的完整度。將屬于同一屬性的信號數據歸置到統一集合中,并及時記錄集合內部數據狀態,不斷更新集合存儲條件,由此獲取實時性較強的信息數據。

圖 2 系統范圍限定結構圖

引入隨機共振系統,通過信噪比達到峰值,實現對滾動軸承故障弱信號的去噪,得到故障弱信號準確的頻率范圍,通過隨機共振系統方程解析實現數據的追蹤定位。

2 故障弱信號分析與提取

分析追蹤到的滾動軸承故障弱信號,將信號數據調節為3個頻率幅度的屬性數據,并進行數據采樣操作[15-16]。對采樣頻率進行標定,按照操作發展的需求及其內部承受能力進行操作力度劃分,將操作力度最強的數據標記為第一強度數據,次力度的數據標記為第二強度數據,操作力度最弱的數據標記為第三強度數據,對其強度數據進行集中性整合,調整強度數據的狀態,并對其外部處理環境進行過濾,將不符合整體操作的數據進行清理,保留符合要求的數據[17]。對保留過程進行方程式解析:

(5)

式中:G為數據保留標準參數;L為復合系統需求的參數數值;H為過濾機制參數;C為內部整合參數。利用該參數進行功能調節,并分解信號分析算法,由于傳統算法對于信號的分析能力較差,本文加大了分析算法的內部結構分析力度,主要對其操作過程中的操作限制進行合理分析,并查找出限制產生的主導原因,對原因進行檢測,以此提升數據分析的合理程度,強化理論分析性能,確保數據的分析力度,能夠較完整地進行信號提取分析,有利于提升數據提取的精細度,為數據提取操作做鋪墊。在完成上述研究后,將分析后的信息進行特征匹配,按照匹配結果進行規模分類,將規模程度相近的數據放置于同一儲能空間中,并標定儲能空間位置[18]。穩定數據流通方向,對流通方向進行鞏固處理,保證信號數據傳輸處于合理操作區域內,由此,達到對滾動軸承故障弱信號分析的目的。

在實現以上操作后,利用分析后的數據標準進行信號提取,加強中心空間的信號感應強度,集中加大對強度的感應管控,并查找管控通道,擴展通道寬度,保證數據流的合理流通。設置關鍵提取參數[19]。進行方程運算:

(6)

式中:U為關鍵提取參數；P為數據整體數量；Vi為信號感應強度[20]。

利用獲取的關鍵提取參數進行信號提取操作,轉化信號狀態,將信號頻率較低的數據進行系統頻率擴大操作,以便于弱信號的定位及提取:

W=U+K(xn|m)

(7)

式中:W為系統頻率擴大量；xn為頻率均值;m為信號特征。

描述給定的信號頻率,并不斷研究描述信息間的關系,對關系空間內部進行調整,加大內部信息的管理力度,并定時監測管理數據所處位置,定位信號發射位置。設置信號數據定位如圖3所示。

圖 3 信號數據定位圖

在圖3中,較為清晰地了解到信號數據發出的具體位置,以此位置為研究核心,提升提取力度,設定相關自由參數進行信號數據功能輔助操作,標準化處理輔助信息,增強數據操作的整合性能。將滾動軸承內部結構進行分析,不斷查找內部故障產生的原因,并進行算法恢復操作,整理頻率,并對操作信號進行狀態劃分,以信號發射位置的不同提高劃分的力度,完善本文方法的分析性能,進而獲取較佳的信號提取結果[21]。

選取參數提取最優值作為提取操作的準則,由此對提取的步驟進行簡化處理,簡便操作流程,減少不必要的操作浪費,提升提取方法的效率,并不斷升級提取裝置,以升級后的結果數據為基礎進行終極提取,實現對滾動軸承故障弱信號的提取。

3 仿真與分析

為精準評估本文基于隨機共振的滾動軸承故障弱信號提取研究的性能,以Matlab仿真軟件為實驗平臺進行效果檢驗,采用文獻[3]、文獻[4]方法作為實驗對比,得到有效結論。

3.1 環境及參數設置

針對隨機共振操作的復雜性以及滾動軸承故障弱信號提取的困難性,需對其實驗環境進行數據排除,本文對待測信號進行數據規定,依照內部信號環境進行信號提取操作,對高頻周期的正弦信號進行系統研究,并添加模型參照物,對所處環境進行系統改造,降低提取的復雜程度。

集中信號提取的裝置,并對信號頻率進行范圍規定,利用周期測標指數對提取模型進行判斷,估計判斷區間,根據信號提取需求,在中心位置放置信號頻率放大器,便于追蹤信號位置,提高操作的效率,為避免操作場景內干擾信號的產生,需對其內部實驗的系統參數進行設置。通過查閱文獻資料得出具體參數為:軸承故障5個,分別為磨損故障3個及斷裂故障3個、操作時間為70 s、采用周期方波信號提取方式進行實驗。

3.2 結果與分析

圖4是在相同的實驗環境中,本文研究方法與文獻[3-4]方法對提取精細程度對比效果。

圖 4 故障提取精度對比

根據圖4可知,文獻[3]、[4]的信號提取誤差較大,這是由于傳統研究對滾動軸承內部結構的故障弱信號分析能力較弱,在管理過程中會產生數據操作失誤,進而增加操作時間,降低了系統操作的效率,且在信號數據收集方面的研究力度較小,為后續分析操作提供基礎保障操作性能較弱,因此,其提取的信號圖像精細度較低。所提方法的故障弱信號提取誤差小,精細程度更強,未產生信號干擾現象,能夠自主調節自身系統操作缺陷,造成此種現象的原因在于本文研究不斷專注于數據的分析性能,在數據獲取的初始階段便進行數據集中式管理,方便后續數據分析操作,并為系統操作節約了操作時間,完善系統內部結構信息,在信號分析的過程中又采取分析法則，集中優化系統的缺陷部分,增強了系統的操作力度,促進后續信號數據溝通,進而提升了信號提取的精細程度,便于使用者較為直觀地了解提取的信號數據狀況。

采用3種方法檢測軸承故障,共進行5次試驗,得到每次檢測的耗時對比情況如圖5所示。

圖 5 故障檢測時間對比

從圖5可知,文獻[3]方法對軸承故障的檢測時間平均為13 s,文獻[4]方法對軸承故障的檢測時間平均為19s,所提方法對軸承故障的檢測時間平均為4 s。這是由于所提方法采用了隨機共振故障弱信號分析方法,能夠較完整地進行信號提取分析,有利于提升數據提取的精細度,進而縮短了故障檢測時間。由此可見,所提方法對軸承故障的提取時間短,應用該方法能夠有效提升檢測效率。

綜上所述,本文基于隨機共振的滾動軸承故障弱信號提取研究能夠更好地完善系統內部存儲的數據信息,及時更新系統狀況,為系統分析過程提供較為強大的數據支撐,促進了系統可持續發展,具備較為廣闊的發展空間。

4 結 語

本文在傳統滾動軸承故障弱信號提取研究的基礎上，提出了一種新的基于隨機共振的滾動軸承故障弱信號提取方法,本文對滾動軸承故障弱信號提取研究共有3個步驟,收集故障弱信號分析、故障弱信號、提取故障弱信號。實驗表明,該研究的效果明顯優于傳統滾動軸承故障弱信號提取研究的效果。

所設計的滾動軸承故障弱信號提取方法具有一定的應用價值,但也存在一些問題,例如在弱信號提取過程中對信號的分類不清晰,導致提取信號中存在強信號的干擾。未來研究中將以此為主要方向,進一步完善滾動軸承故障弱信號提取方法。