基于局域波降噪和双谱分析的自动机故障诊断研究

潘宏侠,兰海龙,任海峰

(中北大学机械与动力工程学院,山西太原 030051)

基于局域波降噪和双谱分析的自动机故障诊断研究

潘宏侠,兰海龙,任海峰

(中北大学机械与动力工程学院,山西太原 030051)

特征提取是机械故障诊断的关键,能否准确地提取出反映机械设备工作状态的特征信息,直接影响到故障诊断的准确性和早期预报的可靠性。自动机表面的振动信号成分复杂,除了含有丰富的零部件运动状态信息外,也存在着大量的噪声成分。只有有效地去除干扰信息,才能对信号做出正确地评估和分析。自动机表面的振动信号具有明显的短时冲击特性,是一种典型的非高斯、非线性信号。高阶谱分析,特别是双谱分析,在处理非高斯信号和识别非线性系统故障等方面具有一定的优越性。将局域波理论和双谱分析相结合,对自动机振动信号进行降噪处理和分析,结果表明其应用在自动机故障诊断中具有较好的识别效果。

振动与波;局域波;降噪;双谱分析;自动机

0 引言

对于短时瞬态且含有噪声的自动机振动信号,传统的信号处理方法有明显的局限性。为了准确地获取信号的特征信息,需要对振动信号进行降噪处理。小波消噪是一种有效的降噪方法,被信息处理研究领域的学者们广泛采用。但是信号经小波分解后,有时频域相互重叠且阈值难以确定,限制了小波消噪的使用范围[1]。而局域波分解方法的正交性和完备性使其具有和小波方法相似的滤波特性,而且它在信号分解过程中能够保持非平稳信号的非线性特征,因此该方法在自动机振动信号的去噪方面预期可以取得较好的效果。

非线性、非平稳信号往往是非高斯分布的,传统的二阶统计量不能提供该类信号的相位信息,因而不能对其特征信息进行准确表达。高阶统计量含有丰富的信息,可以用来在时间序列中检测和描述非线性特征[2],所以对自动机振动信号分析,具有一定的适用性。在高阶统计量中,双谱分析应用最广。

1 局域波降噪和双谱分析原理

1.1 局域波降噪分析

由局域波分解理论[1,3]可知,对于一个复杂的非平稳信号,经局域波分解后,形成了若干基本模式分量,每个分量都是原始信号的状态信息在不同频段内的表达。原始信号时间序列x(t)的局域波算法分解表达式为

式中:ci表示被提取出的第i个频域段的特征分量; rn表示实验误差或系统固有的趋势特性。

任何信号都可以表示成若干个基函数的线性加权和,这就是信号分解的原理。与傅里叶变换、小波分解等传统信号分解算法不同,局域波的基函数不是固定的,而是随着被分解的信号自适应变化的[3]。

1.2 双谱分析理论

双谱[2]在高阶统计量中运用最广。对系统非线性特性的研究,需要引入高阶谱。双谱可以看作是信号的歪度在频域的分解,因而可以用来描述信号的非线性、非对称性的特征[2]。设n个实随机变量为x1,x2,…,xn,其r阶(r=k1+k2+…+kn)累积量定义为

从数学上理解,Φ(ω1,ω2,…,ωn)是xn的特征函数的数学期望值。随机时间序列xk的n阶谱被表示为n阶累积量的n-1维傅里叶变换。当n=2时定义为功率谱

2 实测信号分析与处理

自动机振动信号经过局域波消噪处理后,减小了干扰信号的影响,较多地保留了原始信号中的有用成分,使运动状态信息凸显出来,有利于后续故障状态的准确判别。

双谱在非线性振动信号的故障特征提取方面,有着传统一维傅里叶功率谱估计无法比拟的优越性,能够获取更加有效的状态信息。近年来,在齿轮箱等旋转机械[4-6]以及柴油机等往复式运动机械[2]的故障诊断中均有应用,而且取得了很好的效果。文献[7]采用将小波变换与双谱分析相结合的方法,成功地对机器零件的腐蚀故障进行了分析和识别。

2.1 自动机振动信号的局域波消噪处理

对实验所采集的振动信号进行分析处理,采样频率为51.2 kHz,根据故障特点,本文所分析信号长度为14 ms.只截取了裂纹故障部件(即闭锁片)的主要作用区间(自动机开、闭锁时期)。考虑到裂纹故障部件(即闭锁片)的固有频率在振动信号的频率成分的中频段,所以将局域波分解过程作为带通滤波器,也就是过滤掉局域波最高频段的基本模式分量和趋势项,保留中频段的绝大部分信息,使得反映运动状态特征的有用信息更多的凸现出来。图1为3种工况下,截取后的振动信号经过局域波滤波前后的效果对比。

从图1可以看出,3种工况下的振动信号经过局域波消噪前后波形幅值均有很大变化,高频成分有所减少,开、闭锁时刻的冲击更加明显,说明局域波消噪取得了很好的效果。观察消噪后各工况的振动信号,可以发现,冲击的时刻相对稳定,但是冲击后的峰值及其衰减规律不尽相同,所以仅仅从时域中无法准确地提取到反映故障状态的敏感特征信息,需要对时域信号进行进一步的分析处理,从另一个层面和角度挖掘敏感信息,以便提取到有效的特征参量,准确地识别各种故障状态。

图1 不同工况下截取后的振动信号经局域波消噪前(上排)和消噪后(下排)的对比Fig.1 Comparison of original vibration signals and their noise-reduced ones at different working conditions

图2 不同工况下截取后的振动信号的双谱等高线图(下排)和三维图(上排)对比Fig.2 Comparison of bispectrum contour maps and 3-D maps of original vibration signals at different working conditions

2.2 自动机振动信号的双谱分析

双谱含有丰富的信息,可以识别自动机冲击引起的非线性特性。对局域波消噪处理后的振动信号进行双谱分析,图2为3种工况下振动信号的双谱等高线图和三维瀑布图。从图2可以看出,不同状态下,开、闭锁阶段冲击信号的双谱能量大小和谱峰分布差别较大。正常情况下振动信号的谱峰个数很多,频率组成丰富。当闭锁片上有裂纹出现后,谱峰个数明显减少且峰值降低,频率组成成分减少。这是由于裂纹的出现,阻断了零件基体的连续性,改变了零件的固有频率和阻尼,受到冲击后,零件的振动形态随之发生变化,进而影响到与周围零部件所产生的振动之间的耦合程度,使得不同工况下,双谱三维瀑布图中冲击脉冲的频率幅值和占空比发生了明显的变化。比较两种裂纹故障的双谱分析结果,也存在很大的差异,故障1只出现了一个明显的谱峰。可能是由于裂纹位置不同,受力大小有差别,使得两裂纹的张开和闭合幅度不同,以及裂纹两侧面之间的相互挤压和摩擦状态有所差异所致。本文只是从实验结果做出推断,欲获得详细的理论依据,需要对裂纹故障机理做深入研究。

2.3 基于双谱分析的特征值提取与量化

3种工况的双谱等高线图和三维图都存在着明显的差异性,由此可知,闭锁片状态的变化对分析平面内双谱幅值的分布规律有明显的影响。但是,仅从分析平面内幅值的变化角度分析,直观上很难发现双谱幅值与故障之间的内在关系,寻找特征频段依然存在较大困难。因此,为了定量地研究裂纹故障的规律性,进行故障的智能分类和识别,需要对特征值进行量化处理。由双谱的性质可知,双谱关于两条对角线对称[7],从图2也可以发现。对等高线图进行区域划分,如图3所示,4个区域完全等价,每个区域均包含了系统的完整信息。本文取Ⅱ区作为特征频域段,并对该频域段进行等分面划分,并对划分后的等分面标号,如图3所示,总共有30个。本文采集3种工况下单发和3连发射击共9组信号数据,将各种数据均拆成单发进行处理,每一发数据都按照2.1节所述方法进行截取,可得到38个样本。3种工况下各选区3个样本数据进行双谱分析,计算图3中的30个等分面Ai(i=1,2,…,30)内的双谱平均幅值,得到的参数如表1所示,表中最后一列数据C表示3种工况的分类输出值(0为正常状态,1为裂纹故障1,2为裂纹故障2).由于参数数据量太大,在一张表格内无法完全显示,所以本文仅给出部分数据。

图3 选定特征频率区域Fig.3 Characteristic frequency regions

表1 选定特征频率区域Ai(i=1,2,…,30)的双谱平均幅值Tab.1 Average values of bispectrum in feature frequency region g2

2.4 基于变精度粗糙集的特征值优化

特征值优化本质上是从给定的信息表中寻找与故障密切相关的属性信息,而后将无关的信息过滤掉。本文提取的特征参数信息量太大,有必要对其进行约简与优化,以提高后续故障识别的效率。

经过变精度粗糙集的特征值优化分析处理得出,A1、A3、A4、A5、A6、A7、A9、A10、A11、A12、A13、A14、A15、A16、A17、A18、A23、A28、A29在等分面内的双谱平均幅值是敏感特征值,能够有效地反映自动机的工作状态。为了便于观察,现将其直观地表达在图4中,以不同的符号区分对各工况敏感的特征参数平面。选择其中有代表性的特征平面,组成如表2所示特征参数信息表。双谱分析后,特征参数信息量很大,利用变精度粗糙集对其进行处理后,信息量由30维降低到了19维,保留了有效信息,约简后的特征值对自动机工况更加敏感。

图4 选择出的敏感特征频率(★对3种工况均敏感;▲对正常工况敏感;●对故障1敏感;■对故障2敏感)Fig.4 Sensitive characteristic frequencies(★,▲,● and■ represent the characteristic frequencies sensitive to 3 working conditions,the normal working condition,Falt 1 and 2,respectively)

3 基于双谱特征的支持向量机网络故障模式识别

支持向量机(SVM)模式识别领域应用广泛,在模式分类和非线性回归问题上能够提供很好的泛化能力。由于其具有鲁棒性好、计算简单和对小样本数据的识别能力强等优点,得到了学者们的亲睐。

根据自动机实测数据样本少和非平稳随机性的特点,本文选用SVM对自动机故障模式进行识别和诊断。训练样本选用9个输入样本,从测试数据中随机选取6个样本(1个正常工况,2个故障1工况,3个故障2工况)作为测试样本,经SVM分类诊断后,其输出结果如表3所示。从表3中可以看出,只有一个误诊样本,即把故障2误诊为正常工况,其诊断准确率为83.33%,取得了较理想的诊断结果。

表2 变精度粗糙集方法从表1中筛选出的故障特征值Tab.2 Fault characteristic parameters attracted from Tab.1 by variable precision rough set g2

表3 基于SVM的测试样本诊断输出Tab.3 Diagnostic outputs of test samples based on SVM

4 结论

以上诊断结果表明,实测振动信号经局域波滤波处理后,在双谱域内提取的特征参数,对自动机裂纹故障比较敏感。自动机处于不同的状态时,双谱存在明显的差别,以双谱能量作为输入向量进行人工神经网络诊断,可以较为准确地识别自动机的不同工作状态,证明了局域波滤波和双谱分析相结合的方法对自动机故障诊断的有效性。同时也表明本文的处理方法对于具有非线性、非平稳特性的冲击振动类信号有较好的分类识别效果,可用于柴油机、打桩机和武器类设备的损伤故障模式分析。

References)

[1] 胡红英,马孝江.基于局域波分解的信号降噪算法[J].农业机械学报,2006,37(1):118-120.

HU Hong-ying,MA Xiao-jiang.Signal denoising based on localwave decomposing method[J].Transactions of the Chinese Society for Agricultural Machinery,2006,37(1):118-120.(in Chinese)

[2] 赵慧敏,梅检民,肖云魁,等.基于双谱和变精度粗糙集理论的柴油机故障特征自动提取[J].振动与冲击,2011,30(6): 223-228.

ZHAO Hui-min,MEI Jian-min,XIAO Yun-kui,et al.Automatic extraction of fault features for diesel engine based on bispectrum approach and variable precision rough set theory[J].Journal of Vibration and Shock,2011,30(6):223-228.(in Chinese)

[3] 盖强,马孝江,张海勇,等.几种局域波分解方法的比较研究[J].系统工程与电子技术,2002,24(2):57-59.

GAI Qiang,MA Xiao-jiang,ZHANG Hai-yong,et al.Comparing study for decomposing methods using local wave method[J].Systems Engineering and Electronics,2002,24(2):57-59.(in Chinese)

[4] 黄晋英,潘宏侠,毕世华,等.基于双谱熵型的故障模式识别[J].兵工学报,2012,33(6):718-722.

HUANG Jin-ying,PAN Hong-xia,BI Shi-hua,et al.Fault pattern recognition based on bispectrum entropy model[J].Acta Armamentarii,2012,33(6):718-722.(in Chinese)

[5] Huang Jinying,Pan Hongxia,Bi Shihua.Bispectrum entropy feature extraction and its application for fault diagnosis of gearbox[C]∥IEEE International Conference on Fuzzy Systems.Barcelona, Spain:IEEE,2010.

[6] Gu F,Shao Y,Hu N,et al.Electrical motor current signal analysis using a modified bispectrum for fault diagnosis of downstream mechanical equipment[J].Mechanical Systems and Signal Processing,2011,25(1):360-372.

[7] 李军伟,韩捷.小波包-双谱分析和Hilbert-双谱分析的滚动轴承故障诊断方法对比研究[J].中国工程机械学报,2005, 3(3):297-301.

LI Jun-wei,HAN Jie.Contrast research of the method for the fault diagnosis of rolling bearing based on wavelet packet bispectrum analysis and Hilbert-bispectrum analysis[J].Chinese Journal of Construction Machinery,2005,3(3):297-301.(in Chinese)

Fault Diagnosis for Automata Based on Local Wave Noise Reduction and Bispectral Analysis

PAN Hong-xia,LAN Hai-long,REN Hai-feng
(School of Mechanical and Power Engineering,North University of China,Taiyuan 030051,Shanxi,China)

Feature extraction is a key of mechanical fault diagnosis,which directly affects the accuracy of fault diagnosis and the reliability of early prediction.The vibration signal components of automata surface are complex,including rich information on the motion states of components and parts,and a lot of noise components.Interference information should be effectively removed in order to make a correct assessment and analysis of the signal.The vibration signal of automata surface has obvious short impact characteristics,and is a typical non-Gaussian,nonlinear signal.Bispectral analysis has certain advantages especially in dealing with non-Gaussian signal and identifying nonlinear system failures.Automata vibration signal is noise-reduced and analyzed by the local wave theory and the Bispectral analysis.

oscillation and wave;local wave;noise reduction;bispectral analysis;automata

TK42

A

1000-1093(2014)07-1077-06

10.3969/j.issn.1000-1093.2014.07.022

2013-09-13

国家自然科学基金项目(51175480)

潘宏侠(1950—),男,教授,博士生导师。E-mail:panhx1015@163.com