【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)化最大相關峭度反卷積參數(shù)。首先,早期微弱故障信號集成經(jīng)驗模態(tài)分解后,采用相關系數(shù)以及峭度準則重構原信號;然后,以小波Shannon熵作為目標函數(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MCKD方法對重構信號中故障脈沖沖擊成分進行加強,最后通過包絡譜、包絡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_擊成分進行自適應增強,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)在實際應用中只能突出少數(shù)大的尖脈沖而導致故障沖擊丟失的問題，Geaff等［7］在MED方法的基礎上進行改進，通過選取一個有限沖擊響應濾波器通過迭代收斂準則，使已知信號相關峭度最大，提出最大相關峭度反卷積方法。MED通過目標函數(shù)來尋求最優(yōu)的濾波器系數(shù)，使MED增強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。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表示有限沖擊響應濾波器的長度，T表示信號的周期。相關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使用的峭度標準。從最大值問題開始，通過單獨地對CKM的分子和分母求導以求出濾波器系數(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，然后令ddfkCKM(T)=0，當k=1，2，…，L時，將其轉(zhuǎn)換成矩陣形式，則其迭代解的結果可以表示為: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重背景噪聲的原始樣本信號，集成經(jīng)驗模態(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)化最大相關峭度反卷圖2網(wǎng)格搜索法優(yōu)化最大相關峭度反卷積參數(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，利用相關系數(shù)以及峭度準則，選擇IMF分量重構原始信號，以最大相關峭度反卷積后信號的小波Shannon熵作為目標函數(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，對重構信號進行自適應MCKD增強，，最后利用包絡譜、包絡功率譜提取故障特征頻率，輸出診斷結果。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)化最大相關峭度反卷積的滾動軸承早期故障診斷方法31

【相似文獻】

相關期刊論文 前3條

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

2 紀昌明;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在梯級水電系統(tǒng)隱隨機調(diào)度中的應用[J];電力自動化設備;2014年03期

3 ;[J];;年期

相關碩士學位論文 前1條

1 康璇;解無導數(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;2014年

本文編號：2558440