基于ICA和小波变换的滚动轴承故障诊断方法研究

作者:李强;皮智谋 刊名:装备制造技术 上传者:张洁

【摘要】提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。

全文阅读

滚动轴承是各种旋转机械中应用最为广泛的元件,因工作环境恶劣,也是极易损坏的元件[1]。滚动轴承的运行状态是否正常直接影响到整机的性能,包括精度、振动、噪声、可靠性与寿命等。因此,对滚动轴承的故障诊断和预测己经成为各国研究的热点。很多传统的滚动轴承诊断方法其实际检测效果仍有待提高。由于各种机械的实际工作环境比较复杂,来自工作环境的干扰噪声和机械结构自身的振动会与轴承故障信号相互混杂,甚至掩盖故障信号,导致轴承故障难以被正确识别。因此,轴承故障诊断的重要前提是要能实时准确地提取出故障信息,并采用合适的故障识别方法[2]。振动法通过安装在轴承座或箱体适当方位的振动传感器监测轴振动信号,并对此信号进行分析与处理来判断轴承工况与故障,具有实用性强,信号测试与处理简单、直观,诊断结果可靠等优点,因而在实际中得到了广泛的应用。本文针对滚动轴承故障诊断中存在的获取大量故障数据样本困难、故障特征提取难、诊断知识获取困难、推理能力弱等问题[2],先利用独立分量分析方法对测量的振动信号进行处理,提取轴承状态特征向量,再通过小波算法信号重构来完成滚动轴承故障的识别。1FastICA算法原理ICA(独立分量分析)算法要在源信号和分离矩阵未知的情况下,从观测信号中分离出源信号的各独立成分。ICA算法模型可表示为:S=WTX(1)FastICA是独立分量分析(ICA)的一种快速算法,由芬兰学者Hyvarinen等人提出[3]。其应用牛顿迭代法对观测信号X的采样点进行批处理,每一次都从X中分离出一个独立分量y(y为源信号独立成分s的近似估计)。该算法通过寻找目标函数的局部极值控制算法的收敛:J(y)[E{Gi(y)}-E{Gi(v)}]2(2)为了减化计算,在运行FastICA算法之前对数据进行去均值和白化处理。式中G(.)是一种非线性、非二次的函数,E{.}表示期望运算。w是分离矩阵W中的一行,则独立分量y=wTx负熵的近似函数可表示为:JG(w)[E{G(y)}-E{G(v)}]2(3)问题转化为求解出分离矩阵w,使分离得到的独立分量y=wTx能使函数J(w)达到最大。在E{(wTx)2}=w2=1约束条件下用牛顿法求目标函数最优解的迭代式为:w+=E{xg(wTx)}-E{g(wTx)}w(4)2Mallat小波分解算法应用本研究把离散小波变换和FastICA结合起来,用Mallat算法实现离散小波变换[4]。Mallat算法用基于多分辨率分析(MRA)的多采样率滤波器组分解信号,其将信号X(t)L2(R)分解为若干个小波分量的直和,在满足奈奎斯特定理的条件下,它的算法如下[5]:Xk(j)=nh(n-2k)Xk(j-1)(5)Dk(j)=ng(n-2k)Xk(j-1)(6)式中,Xk(j)为平滑分量、Dk(j)为细节分量,而h(k)、g(k)分别为低通和高通滤波系数。信号的重构公式为:Xn(j-1)=nh(n-2k)Xkj+ng(n-2k)Dkj(7)用Mallat快速算法实现信号的一维离散小波变换,所选取的正交小波函数不同,对应的尺度函数与滤波器系数也不相同,有Morlet、Daubenchies、symlets和二项式小波滤波器等[6~8]。本方法采用Daubenchies4小波滤波器具体实现小波变换的算法。3实验结果及分析本实验系统平台如图1所示,主要由试验台(小型车床改装)、振动传感器、数据采集系统、计算机和控制系统组成,振动传感器安装在轴承座上,通过数据采集系统将振动信号发送到计算机中,结合FastI-CA算法和小波变换对采集信号进行处理,并用计算机分别观察对

参考文献

引证文献

问答

我要提问