發(fā)布時(shí)間：2021-01-20 09:55

　　通過(guò)分析軸承內(nèi)外圈故障時(shí)域波形特征,結(jié)合其早期微弱故障特點(diǎn),提出了一種與軸承故障波形高度匹配的衰減余弦過(guò)完備字典,同時(shí)與稀疏表示基追蹤方法的特征符號(hào)搜索算法相結(jié)合的新型算法（ACFS）,實(shí)現(xiàn)了強(qiáng)噪聲干擾下軸承微弱故障特征的提取。通過(guò)分析原始信號(hào)頻譜與理論故障特征,確定了張成原子庫(kù)的參數(shù),并結(jié)合特征符號(hào)搜索算法對(duì)不同信噪比軸承內(nèi)圈仿真信號(hào)和軸承全壽命數(shù)據(jù)中的早期微弱故障信號(hào)進(jìn)行了分析。對(duì)比普通包絡(luò)解調(diào)方法與基于Symlet8小波包字典的普通BPDN結(jié)果表明,該方法可以在極早期實(shí)際軸承故障信號(hào)中高效、準(zhǔn)確地提取出故障特征頻率。對(duì)于噪聲具有極好的冗余度與魯棒性。 

【文章來(lái)源】：振動(dòng)與沖擊. 2019,38(21)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

算法流程圖Fig．1Algorithmflowchart

擊周期，fr為主軸轉(zhuǎn)頻，B是沖擊信號(hào)的衰減系數(shù)，n(t)是隨機(jī)噪聲�，F(xiàn)加入SNＲ為－5dB的高斯白噪聲。原始信號(hào)與含噪信號(hào)如圖2(a)、(b)所示。計(jì)算含噪信號(hào)頻譜得其頻率峰值為4005Hz，為了滿(mǎn)足原子庫(kù)各原子的完整性和單個(gè)原子長(zhǎng)度范圍內(nèi)幅值衰減為0的原則，根據(jù)單個(gè)沖擊持續(xù)時(shí)間長(zhǎng)度確定基函數(shù)點(diǎn)數(shù)為244，阻尼比ξ為800。平衡原子庫(kù)的冗余性和計(jì)算效率，時(shí)移參數(shù)τ設(shè)置為采樣率的倒數(shù)。(a)無(wú)噪軸承內(nèi)圈仿真信號(hào)(b)SNＲ=－5dB時(shí)域波形圖2軸承內(nèi)圈故障仿真信號(hào)Fig．2Bearinginnerringfaultsimulationsignal計(jì)算得到重構(gòu)信號(hào)并對(duì)其進(jìn)行Hilbert解調(diào)得到重構(gòu)信號(hào)包絡(luò)譜如圖3(c)。可以看到重構(gòu)信號(hào)基本去除了噪聲的干擾，得到的包絡(luò)譜圖可以清晰的看到故障特征頻率105Hz、轉(zhuǎn)頻邊帶及倍頻成分。將相同內(nèi)圈仿真信號(hào)信噪比降低到－15dB。根據(jù)同樣的方法計(jì)算得到重構(gòu)信號(hào)、重構(gòu)包絡(luò)，如圖4所示。(a)仿真信號(hào)頻譜(b)重構(gòu)信號(hào)時(shí)域波形(c)重構(gòu)信號(hào)包絡(luò)譜圖3SNＲ=－15dB仿真信號(hào)頻譜與基于ACFS算法的計(jì)算結(jié)果Fig．3SpectrumofSNＲ=－15dBsimulatedsignalandcalculationresultbasedonACFSalgorithm(a)SNＲ=－15dB時(shí)域波形(b)重構(gòu)信號(hào)時(shí)域波形(c)重構(gòu)信號(hào)包絡(luò)譜圖4基于ACFS算法的SNＲ=－15dB仿真信號(hào)計(jì)算結(jié)果Fig．4SNＲ=－15dBsimulationsignalcalculationresultbasedonACFSalgorithm進(jìn)一步降低仿真信號(hào)的信噪比到－18dB，信號(hào)時(shí)域波形與原始包絡(luò)如圖5、6所示。作為對(duì)比，本文給出了稀疏表示特征提取算法中常用的基于Symlet小波包的BPDN方法特

FSalgorithm進(jìn)一步降低仿真信號(hào)的信噪比到－18dB，信號(hào)時(shí)域波形與原始包絡(luò)如圖5、6所示。作為對(duì)比，本文給出了稀疏表示特征提取算法中常用的基于Symlet小波包的BPDN方法特征提取結(jié)果，重構(gòu)信號(hào)與包絡(luò)譜見(jiàn)圖7。基于本文ACFS算法特征提取的結(jié)果如圖8所示。從圖8可以看到在極低信噪比輸入信號(hào)下，ACFS仍能提取出軸承內(nèi)圈故障頻率(105Hz)，此時(shí)原始包絡(luò)解調(diào)的方法已經(jīng)無(wú)法提取出故障頻率，同樣地基于Symlet8小波包原子庫(kù)的BPDN方法也無(wú)法有效提取出故障特征頻率。圖5SNＲ=－18dB仿真信號(hào)時(shí)域波形Fig．5TimedomainwaveformofSNＲ=－18dBanalogsignal第21期周浩軒等:基于衰減余弦字典和稀疏特征符號(hào)搜索算法的軸承微弱故障特征提取761

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)MP的稀疏表示快速算法及其滾動(dòng)軸承故障特征提取應(yīng)用[J]. 王林,蔡改改,高冠琪,周菲,楊思遠(yuǎn),朱忠奎.  振動(dòng)與沖擊. 2017(03)
[2]并聯(lián)基追蹤稀疏分解在齒輪箱弱故障診斷中的應(yīng)用[J]. 崔玲麗,莫代一,鄔娜.  儀器儀表學(xué)報(bào). 2014(11)
[3]基于匹配追蹤的快速獨(dú)立分析方法在軸承復(fù)合故障盲源分離中的應(yīng)用[J]. 崔玲麗,莫代一,張建宇.  北京工業(yè)大學(xué)學(xué)報(bào). 2014(06)
[4]基于Gabor感知多成份字典的圖像稀疏表示算法研究[J]. 孫玉寶,肖亮,韋志輝,邵文澤.  自動(dòng)化學(xué)報(bào). 2008(11)
[5]基于稀疏分解的圖像去噪[J]. 尹忠科,解梅,王建英.  電子科技大學(xué)學(xué)報(bào). 2006(06)



本文編號(hào)：2988835