学术咨询服务正当时学报期刊咨询网是专业的学术咨询服务平台！
发布时间：2021-11-22 16:31所属平台：学报论文发表咨询网浏览： 次
摘要谱峭度是用于滚动轴承故障诊断的有效方法,然而它对工程中常见的偶发性冲击特征具有高度的敏感性,常导致特征提取结果失效.为解决该问题,针对多重偶发性冲击(sporadicimpulses,SIs)干扰下的时间序列峭度计算提出了一种基于无监督学习的智能评估方法.首先,根据偶发性
摘要谱峭度是用于滚动轴承故障诊断的有效方法,然而它对工程中常见的偶发性冲击特征具有高度的敏感性,常导致特征提取结果失效.为解决该问题,针对多重偶发性冲击(sporadicimpulses,SIs)干扰下的时间序列峭度计算提出了一种基于无监督学习的智能评估方法.首先,根据偶发性冲击在时域上能量高度集中的特性,在时域将原始信号样本等间隔地划分为数据片段.其次,将各数据片段映射到统计参数特征空间(statisticalparameterfeaturespace,SPFS).再次,提出了迭代二均值聚类算法,实现了聚类中心自定位及类簇数自适应整定,利用含SIs片段与正常片段在SPFS显著的统计特性差异,逐次识别并清除受SIs干扰的片段.最后对未受SIs干扰的正常片段进行峭度信息融合,得到智能峭度估计.结合该智能峭度估计方法与多尺度分解方法提出了高端轴承故障诊断的新方法.通过仿真算例及轴承故障诊断实际案例验证了该方法能够在多成分耦合、多重偶发性冲击干扰的不利影响下准确提取异常故障特征,并在应用中能够兼顾智能化、高鲁棒性及高计算效率.
关键词谱峭度,无监督学习,迭代二均值聚类,滚动轴承,故障诊断
1引言
滚动轴承是机械中应用最广泛的部件,其工作状态直接影响整台机器的性能[1].在轴承故障发生的初期及时作出诊断,为机器维修决策提供充足的时间,对于避免或减少损失具有重要意义[2].滚动轴承性能退化发生故障时,连续平稳过程被破坏,零件间发生周期性冲击.然而,在故障早期此冲击十分微弱,被淹没在复杂的噪声中,呈现幅值和频率的调制特征[3,4].因此,滚动轴承微弱故障特征提取成为近年来研究的重点和难点.
机械论文范例：采矿机轴承故障分析及诊断方法
共振解调技术具有确切的物理意义,是目前被广泛应用的滚动轴承早期故障特征提取方法之一[5,6],关键难点在于确定合适的滤波器参数.Dwyer[7]提出用峭度估计检测信号中的非高斯分量,Antoni[8]进一步提出快速谱峭度方法(fastspectralkurtosis,FSK),围绕峭度值最高谱线构建滤波器解调共振信号,之后谱峭度方法(SK)逐渐应用于机械轴承、异步电机等故障诊断.马新娜等人[9]使用设备典型故障特征的先验信息辅助FSK滤波带宽的优化.钟也磐等人[10]采用局部均值算法在小波包分解的基础上细化特征频带,构建加强型谱峭度图.田晶等人[11]使用集成经验模态分解和Birge-Massart阈值方法去除监测信号中的噪声,提升FSK的频带选择准确性.
Wang等人[12]提出小波包变换流形学习在时频空间降噪,增强SK的共振频带检测性能.各种降噪与频域细分算法提升了SK的共振解调性能,但大都忽略了峭度度量自身的缺陷.四阶矩运算增强了远离期望的数据点对峭度度量的贡献度,但也使该度量对信号中的强冲击干扰十分敏感.当监测信号存在SIs,SK将不能准确度量子信号中周期性冲击成分的强度,致使共振频带选择错误,漏检设备故障.针对SIs的干扰,Chen等人[13]结合时域的冲击性与频域的稀疏性,提出一种空间谱集总峭度.
代士超等人[14]提出一种基于子频带谱峭度平均的快速谱峭度改进算法.Wang等人[15]通过对多个信号样本的SK取平均值抑制SIs的干扰,成功应用于风机轴承的故障诊断.但是,面对工业现场显著强于正常信号的SIs,甚至是短时持续的强噪声,平均估计不足以消除SIs的干扰,上述方法仍然难以正确判定共振频带.随着工业信息化的不断提升,数据驱动的故障诊断和预测性维护技术日益成为研究人员关注的焦点[16,17].机器学习模型通过端到端的自主学习从监测数据中自适应地提取特征,构建与诊断对象匹配性更强的诊断模型.柏壮壮等人[18]提出了一种基于遗传算法和支持向量机的自适应紧框架学习方法,克服噪声对过完备字典的影响.
王庆锋等人[19]将无监督的Kmeans聚类算法应用于离心压缩机的智能故障诊断,为自愈调控技术提供决策支撑.Mao等人[20]使用自动编码机自适应地提取深度特征,然后通过优化求解输出核正则目标函数建立诊断模型,实现良好的泛化能力和鲁棒性.Singh等人[21]提出一种利用分类和回归技术识别轴承磨损状态并预测剩余使用寿命的机器学习模型.Xue等人[22]集和卡尔曼滤波器和支持向量机预测设备的剩余使用寿命,Cao等人[23]融合双树复小波框架和卷积网络间接监测刀具的磨损状态.
Li等人[24]使用粒子群优化算法改进极限学习机,然后结合变分模式分解算法从轴承故障早期的监测数据中提取微弱特征,实现风机轴承故障的高精度诊断.数据驱动的人工智能算法不需要相关领域的专业知识,然而获取充足的设备状态数据集却需要时间成本,特别是故障状态监测数据难以获得,这限制了全数据驱动故障诊断模型在工业应用中的推广速度.综上所述,融合物理模型方法与人工智能方法的优势,本文提出一种无监督学习的智能谱峭度方法,用以在恶劣环境中实现高端轴承的故障诊断.
所提方法首先沿时间轴分割原始监测信号,将SIs孤立到数据片段中.基于SIs会显著改变数据片段的峭度这一先验知识,在SPFS对数据片段进行无监督聚类,识别被SIs污染的数据片段(contaminatedfragments,CFs).针对SIs数量、时间与强度的不可预测性,提出一种迭代二均值聚类算法,逐步识别清除全部CFs,解决聚类簇数难以设定的问题.然后基于正常片段(normalfragments,NFs)统计信号样本的峭度值,结合双树复小波分解构建智能谱峭度(intelligentspectralkurtosis,ISK),据此选择共振频带,提取故障特征.
2问题描述
2.1谱峭度方法及其SIs敏感问题
高斯过程的谱峭度为0;平稳过程的谱峭度是与频率相关的常值函数;加性噪声会降低非平稳过程的谱峭度值.谱峭度的上述性质与共振解调频带选择的目标相契合,带通信号中的周期性冲击成分越强,其谱峭度值越高.但 是在实际应用中却容易受到SIs的干扰.当信号样本受到SIs的污染,保留SIs的带通子信号(非高斯分量强度更高,频率更低)的峭度会显著高于保留周期性瞬态冲击的带通子信号(非高斯分量强度更低,频率更高).SK会选择含有SIs的频段而非含有周期性瞬态冲击的频段,导致共振频带选择错误,致使故障漏检.因此,消除SIs对于谱峭度方法至关重要.
3无监督学习驱动的轴承故障智能诊断方法
无监督机器学习在工业监测数据挖掘与建模中的优越性已经在许多案例中得到验证[25].本文提出一种融合无监督学习与谱峭度方法的轴承故障智能ISK诊断方法.使用无监督的迭代二均值聚类算法在时域识别并清除CFs,消除SIs对共振解调的干扰.
3.1方法设计
包括7个步骤:(1)使用加速度传感器等技术采集信号样本;(2)使用双树复小波包算法对原始信号样本进行多分辨分解,获得带宽和中心频率不同的带通子信号;(3)将带通重构子信号在时域等分,使SIs孤立到少数的CFs;(4)使用所提出的迭代二均值算法在峭度特征空间识别并清除CFs;(5)基于保留的NFs估计带通子信号的真实峭度,消除SIs对ISK方法的干扰;(6)对所有带通子信号执行步骤3~5,生成ISK智能谱峭度图;(7)根据ISK选择最优共振频带,开展包络解调分析确认故障类型.3.2迭代二均值聚类算法在实际应用中,CFs之间可能存在很大的强度差异,类簇数难以设定.为了无遗漏地识别CFs,提出一种基于均值聚类的迭代二均值聚类算法,每次二均值聚类清除少数的离群点,通过迭代逼近在较低的计算开销下清除全部CFs.设信号样本等分数目为n,数据片段的峭度特征值为xn。
4滚动轴承故障数字仿真实验
最优滤波频带的中心频率为9000Hz,带宽为400Hz,这与设定的轴承故障瞬态冲击共振频率相差很大,而与第2和第4个SIs的共振频率接近.重构频带[8800,9200]Hz的子信号,存在两个强烈的SIs,与表2中的第2和第4个SIs在时间上一致.统计频带子信号的峭度值为156.6,明显高于st的峭度值.
这是因为滤波器消除了通带之外的噪声,而保留了通带内的SIs.在子信号中,相比于正常时段,SIs变得更加强烈,导致峭度值升高.该带通子信号的希尔伯特包络解调谱,包络谱的形式与单边指数衰减信号相同,检测不到与轴承故障特征频率一致的谱峰序列.这证明,当信号受到SIs污染时,快速谱峭度方法会优选出最强SIs所在的频带,不能准确诊断轴承故障.
5结论与讨论
为解决设备状态监测过程中不可避免的偶发性冲击干扰,本文提出一种无监督学习的ISK方法,融合物理模型方法的可解释性和人工智能方法的自学习能力,在恶劣的环境下实现高端轴承的故障诊断.使用双树复小波包框架对监测信号进行多尺度分解,在时域将带通子信号分段后,使用所提的迭代二均值聚类算法逐次识别并清除受SIs污染的CFs.统计NFs获得ISK智能谱峭度图,可靠地识别包含周期性瞬态冲击成分的共振频带,识别故障类型.电机轴承故障实验验证了ISK克服多重SIs诊断轴承早期故障的灵敏性与可靠性.主要的研究结论如下.
(1)谱峭度指标能够度量数据样本中非高斯分量的强度,但无法由峭度指标估计非高斯分量的真实分布,非高斯分量的概率与信号样本的峭度亦存在强烈的非线性.当信号样本中受SIs污染,FSK方法会检测仅含有SIs的频带,致使故障漏检.另一方面,由于监测信号中白噪声的高斯属性和谐波成分以及轴承故障瞬态冲击的周期性,未被SIs污染的NFs估计信号样本的真实峭度具有很高的可靠性.
(2)消除信号样本中的SIs对FSK方法至关重要.然而已有频域滤波方法难以在保留周期性瞬态冲击成分的前提下针对性地消除SIs.为此,本文提出的无监督学习ISK在时域消除SIs.将信号样本等分为时域片段后,含有SIs的CFs与正常的NFs在峭度特征空间存在显著的差异.迭代二均值聚类算法采取逐次分离最远离群体的NFs,以样本集和的可分度为指标自适应停止SIs分离过程.仿真实验表明,迭代二均值聚类在几次迭代内清除全部CFs,避免了聚类簇数优化算法繁重的计算开销.
(3)双树复小波包分解展现出良好的全频域细分和降噪能力,与所提迭代二均值聚类算法相结合而生成智能谱峭度图.电机轴承故障实验验证了所提智能谱峭度方法克服多重SIs诊断轴承早期故障的灵敏性与可靠性,实验结果表明所提智能谱峭度方法明显优于已有的谱峭度改进方法.然而,由于设备的实际工况非常复杂,偶发性冲击难以估计,为提升所提方法应用于制造现场装备健康监测的泛化能力,以下几个方面值得进一步的深入研究.
(1)所提迭代二均值算法对所有的子信号都必须执行至少一次均值聚类,产生不必要的计算.后续需要研究CFs的快速检测算法,降低ISK的计算量,提升实时性.(2)所提时域分段方法对监测信号长度提出要求,后续将研究信号重采样方法,在CFs与NFs在特征空间可分离的前提下降低ISK算法对数据采集时长的要求.(3)所提ISK提供了一种敏捷可靠的轴承故障提取方法,后续将开展应用机器学习/深度学习的故障模式智能分类与定位研究,实现无人化的轴承健康状态智能维护.
参考文献
1RaiA,UpadhyaySH.Areviewonsignalprocessingtechniquesutilizedinthefaultdiagnosisofrollingelementbearings.TribolInt,2016,96:289–306
2YuanY,MaG,ChengC,etal.Ageneralend-to-enddiagnosisframeworkformanufacturingsystems.NatlSciRev,2020,7:418–429
3ChenXF,GuoYJ,XuCB,etal.Reviewoffaultdiagnosisandhealthmonitoringforwindpowerequipment(inChinese).ChinaMechEng,2020,31:175–189[陈雪峰,郭艳婕,许才彬,等.风电装备故障诊断与健康监测研究综述.中国机械工程,2020,31:175–189]
4YangR,LiH,WangC,etal.Rollingelementbearingweakfeatureextractionbasedonimprovedoptimalfrequencybanddetermination.ProcInstMechEngPartC-JEngMechEngSci,2018,238:623–634
作者：陈彬强1,曾念寅1*,曹新城1,周生喜2,贺王鹏3,田赛1
转载请注明来源。原文地址：http://www.xuebaoqk.com/xblw/7115.html
《无监督学习驱动的高端轴承故障智能诊断算法》