自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振的微弱特征增強檢測方法研究

羅 毅

（貴陽學(xué)院機(jī)械工程學(xué)院，貴州 貴陽 550005）

自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振的微弱特征增強檢測方法研究

羅 毅

（貴陽學(xué)院機(jī)械工程學(xué)院，貴州 貴陽 550005）

針對大型機(jī)械設(shè)備運行環(huán)境惡劣故障特征難以提取的問題，提出一種自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振方法。首先系統(tǒng)輸出信號的信噪比作為蟻群算法的自適應(yīng)度函數(shù)，然后采用蟻群算法優(yōu)化二階隨機(jī)共振系統(tǒng)的參數(shù)和阻尼因子，再利用優(yōu)化得到的最佳參數(shù)設(shè)置二階隨機(jī)共振系統(tǒng)，最后實現(xiàn)微弱故障特征的增強與提取。數(shù)值仿真分析表明：該方法可以有效地提取淹沒在強噪聲背景下的微弱正弦信號；而且深溝球軸承滾動體故障實驗結(jié)果證明提出的方法能有效增強與提取滾動體故障特征頻率。仿真與實驗對比結(jié)果表明：提出的方法優(yōu)于傳統(tǒng)隨機(jī)共振方法，歸功于該方法不僅能夠利用蟻群算法并行選擇和優(yōu)化隨機(jī)共振系統(tǒng)參數(shù)，而且克服傳統(tǒng)隨機(jī)共振方法對高通濾波器的依賴。

二階雙穩(wěn)態(tài)隨機(jī)共振；蟻群算法；微弱特征檢測；故障診斷

0 引 言

大型機(jī)械設(shè)備通常運行在低速重載等惡劣工況下，由于復(fù)雜多變的振動傳遞路徑以及工況的強背景噪聲，導(dǎo)致獲取的信號不僅復(fù)雜多變，且信噪比極低。因此，微弱特征提取一直是大型機(jī)械設(shè)備故障診斷中的關(guān)鍵難題。而早期故障更加微弱，實現(xiàn)早期故障特征提取更具挑戰(zhàn)。

隨機(jī)共振被Benzi等[1]提出，能利用噪聲增強微弱特征，已被廣泛應(yīng)用于故障診斷[2-4]領(lǐng)域。例如：焦尚彬等[5]應(yīng)用一階雙穩(wěn)態(tài)隨機(jī)共振，實現(xiàn)了多頻微弱特征的提取，但是需依賴于高通濾波器濾除低頻干擾，而且人為選擇濾波器參數(shù)易造成誤檢，甚至增強效果不佳；潘崢嶸等[3]提出符號序列熵指標(biāo)衡量一階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)的輸出，實現(xiàn)了軸承微弱早期故障特征的提??；Lei等[6]提出一階雙穩(wěn)態(tài)隨機(jī)共振方法，利用高通濾波器抑制低頻噪聲，實現(xiàn)了行星齒輪箱的故障診斷，可以看出濾波器參數(shù)設(shè)置需要人為經(jīng)驗知識，否則可能導(dǎo)致系統(tǒng)輸出發(fā)散；Qiao等[7]提出一階非飽和隨機(jī)共振方法實現(xiàn)了軸承和齒輪箱的故障診斷，該方法克服了傳統(tǒng)一階隨機(jī)共振的內(nèi)在飽和問題，提升了隨機(jī)共振的增強能力；Lu等[8]提出全波增強隨機(jī)共振新方法，實現(xiàn)了旋轉(zhuǎn)機(jī)械的故障診斷。該方法主要克服了機(jī)械振動信號包絡(luò)誘導(dǎo)粒子躍遷的缺點，構(gòu)造全波信號更好地誘導(dǎo)隨機(jī)共振的發(fā)生，從而實現(xiàn)微弱特征的增強與提?。籑atthew等[9]基于隨機(jī)共振實現(xiàn)了微弱正弦信號的提取，該方法利用兩個子系統(tǒng)之間的耦合機(jī)制改善了隨機(jī)共振的增強能力；Rebolledo等[10]研究了二階隨機(jī)共振的微弱信號增強方法，結(jié)果表明二階隨機(jī)共振系統(tǒng)的增強能力優(yōu)于傳統(tǒng)一階隨機(jī)共振系統(tǒng)，為二階隨機(jī)共振在微弱信號提取中的應(yīng)用奠定了理論基礎(chǔ)。

綜上所述，已有隨機(jī)共振方法主要聚焦在一階隨機(jī)共的應(yīng)用上，它易遭受低頻噪聲干擾，需依賴于高通濾波器的輔助，濾波器參數(shù)設(shè)置不合理可能導(dǎo)致微弱特征增強效果不佳，甚至誤檢。為了克服以上缺點，改善隨機(jī)共振的微弱特征增強能力，提出了自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振方法。與已有方法相比，該方法不僅能利用蟻群算法自適應(yīng)地選擇和優(yōu)化隨機(jī)共振系統(tǒng)的多個參數(shù)，而且能夠抑制低頻噪聲干擾，從而消除對濾波器的依賴，克服了濾波器參數(shù)選擇的困擾。

1 傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振方法

受隨機(jī)噪聲和周期外力激勵的布朗粒子在一階雙穩(wěn)態(tài)勢阱中的運動可以由郎之萬方程[7-8]描述為

式中：A、Ω——微弱周期信號的幅值和角頻率；

η（t）——高斯白噪聲。

η（t）滿足以下條件：

式中D是噪聲強度。

U（x）是雙穩(wěn)態(tài)勢函數(shù)，其表達(dá)式如下：

式中a和b是系統(tǒng)參數(shù)，且均大于0。

不同系統(tǒng)參數(shù)下的雙穩(wěn)態(tài)勢函數(shù)及相應(yīng)的回復(fù)力如圖1所示，從圖1（a）可以看出勢函數(shù)在處有兩個極小值點，在x=0處有一個極大值點，其勢壘高度為ΔU=a2/（4b）。當(dāng)不存在任何外力的情況下，對應(yīng)的回復(fù)力如圖1（b）所示，可以發(fā)現(xiàn)當(dāng)布朗粒子運動到左側(cè)勢阱時，勢函數(shù)本身會產(chǎn)生一個反方向回復(fù)力 F（x）=-dU（x）/dx驅(qū)使粒子向右側(cè)勢阱運動，反之亦然。從而雙穩(wěn)態(tài)勢函數(shù)具備了粒子阱間躍遷的可能，能夠承載隨機(jī)共振的發(fā)生。此外，可以看出，通過調(diào)節(jié)系統(tǒng)參數(shù)可以有效控制布朗粒子的運動，進(jìn)而實現(xiàn)機(jī)械振動信號中微弱特征的增強與提取。隨機(jī)共振受絕熱近似條件的限制，只能檢測小頻率信號，然而機(jī)械故障信號通常是頻帶較寬的大頻率信號，為了實現(xiàn)大頻率特征信號的有效提取，尺度變換被廣泛應(yīng)用到早期故障微弱特征提取中。

圖2給出了傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振檢測早期故障微弱特征的基本原理框圖，可以看出獲取的帶噪機(jī)械振動信號必須經(jīng)過高通濾波器預(yù)處理，才能送入隨機(jī)共振系統(tǒng)。

如圖1（a）所示，通過調(diào)節(jié)系統(tǒng)參數(shù)a和b能夠有效控制勢函數(shù)的壘高和勢阱的寬度，從而控制布朗粒子的運動速率實現(xiàn)微弱特征的增強與提取。但是，已有方法人為主觀地選擇參數(shù)a和b，忽略了參數(shù)之間的協(xié)同效應(yīng)，從而導(dǎo)致微弱特征檢測能力受限。顯然，傳統(tǒng)一階隨機(jī)共振方法不僅人為主觀地選擇系統(tǒng)參數(shù)，忽略了參數(shù)之間的協(xié)同作用，而且其基于的一階模型易遭受低頻噪聲干擾，需依賴于高通濾波器的輔助，濾波器參數(shù)設(shè)置不合理可能導(dǎo)致微弱特征增強效果不佳，這兩個缺點已經(jīng)限制了隨機(jī)共振的微弱特征增強與提取能力。

2 自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振早期故障微弱特征檢測方法

一方面，傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振方法易遭受低頻噪聲的干擾，需依賴于高通濾波器的輔助處理，而且濾波器參數(shù)設(shè)置依賴于人為選取，選擇不合理易導(dǎo)致微弱信號增強效果不佳。另一方面，傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振方法人為主觀地選擇系統(tǒng)參數(shù)，忽略了參數(shù)之間的協(xié)同作用，從而導(dǎo)致系統(tǒng)輸出信號不是最佳共振輸出，沒有充分發(fā)揮隨機(jī)共振早期故障微弱特征的增強能力。為了克服以上兩個缺點，提出了自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振早期故障微弱特征增強檢測方法。二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)由朗之萬方程[10]描述為

圖1 不同系統(tǒng)參數(shù)下的雙穩(wěn)態(tài)勢函數(shù)及其回復(fù)力

圖2 傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振早期故障微弱特征檢測方法的原理框圖

式中x是系統(tǒng)響應(yīng)，其本質(zhì)是布朗粒子在隨機(jī)力η（t）和周期外力AcosΩt激勵下，在勢函數(shù)U（x）中的運動軌跡；β∈[0，1]是阻尼因子。

提出的自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振新方法采用基于網(wǎng)格劃分的蟻群算法同時優(yōu)化二階隨機(jī)共振系統(tǒng)參數(shù)a，b和β，其中蟻群大小、網(wǎng)格分割段數(shù)、初始信息素濃度、最大進(jìn)化代數(shù)Gmax等主要參數(shù)的設(shè)置參考文獻(xiàn)[11]。選擇二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)輸出信號的信噪比作為蟻群算法適應(yīng)度函數(shù)。信噪比大小反映了處理后信號的優(yōu)劣程度，信噪比越大說明系統(tǒng)輸出信號中噪聲越小，故障特征越明顯，信噪比越小則不利于早期故障特征的提取和診斷。因此，信噪比能定量反映二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)輸出信號的優(yōu)劣程度，利于微弱特征的提取。利用蟻群算法的自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振早期故障微弱特征增強與提取方法的流程如圖3所示。

圖3 提出的自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振早期故障微弱特征提取方法流程圖

具體步驟如下：

1）對獲取的帶噪滾動軸承振動信號進(jìn)行預(yù)處理。由于軸承故障特征通常受轉(zhuǎn)速信息的調(diào)制，因此，希爾伯特變換被用于解調(diào)故障信號，求取相應(yīng)的包絡(luò)信號。然后，采用尺度變換壓縮求得的包絡(luò)信號，使其滿足隨機(jī)共振的小參數(shù)輸入條件。

2）劃分搜索網(wǎng)格并隨機(jī)在搜索網(wǎng)格節(jié)點處放置覓食螞蟻，每個搜索節(jié)點對應(yīng)一組二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)參數(shù)（a，b，β）。

3）依據(jù)每個搜索節(jié)點的信息素濃度得到相應(yīng)的概率值，并根據(jù)概率值的大小隨機(jī)地移動覓食螞蟻到下一個目標(biāo)節(jié)點，該過程即為初始化蟻群算法優(yōu)化的參數(shù)對（a，b，β）。

4）依據(jù)適應(yīng)度函數(shù)，即隨機(jī)共振系統(tǒng)輸出信噪比，來優(yōu)化、更新信息素濃度，從而計算最新的概率值，并根據(jù)概率值判斷搜索網(wǎng)格每列上覓食螞蟻所選節(jié)點是否收斂。若收斂，則找出各列中概率值最高的網(wǎng)格節(jié)點，否則跳至步驟3），繼續(xù)搜索最佳網(wǎng)格節(jié)點；若最佳網(wǎng)格節(jié)點處的適應(yīng)度函數(shù)值大于公告板記錄，則更新公告板，始終使公告板記錄最佳參數(shù)對和對應(yīng)的最大輸出信噪比值。在這里，適應(yīng)度函數(shù)被定義為二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)輸出信號的信噪比，其具體表達(dá)式如下：

式中：Ad——二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)輸出信號特征頻率的幅值；

Ai——輸出信號頻譜中每根譜線的幅值；

N——系統(tǒng)輸入尺度變換后包絡(luò)信號的長度。

5）在收斂的網(wǎng)格節(jié)點處進(jìn)行更小的區(qū)間劃分，然后轉(zhuǎn)到步驟2），不斷搜索最佳網(wǎng)格節(jié)點，直至進(jìn)化代數(shù)達(dá)到預(yù)設(shè)的最大進(jìn)化代數(shù)Gmax，則輸出最佳網(wǎng)格節(jié)點，該節(jié)點對應(yīng)的參數(shù)對（a，b，β）best即為求得的二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)最優(yōu)參數(shù)對。

6）將最優(yōu)參數(shù)對（a，b，β）best代入二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)形成最后的優(yōu)化系統(tǒng)，并將尺度變換后的軸承故障包絡(luò)信號輸入該優(yōu)化系統(tǒng)，利用四階龍庫塔算法求解該二階雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)的輸出信號，對該輸出信號進(jìn)行傅里葉變換提取微弱特征，并實現(xiàn)滾動軸承的早期故障診斷。

3 仿真分析

為了驗證提出方法的有效性，一個頻率50 Hz、幅值0.05的余弦信號和強度為4的高斯白噪聲混合，得到的待檢混合信號的時域波形和頻譜分別如圖 4（a）和圖 4（b）所示。 采樣頻率為 12.8kHz，采樣時間為1s。從圖4（a）可以看出，余弦信號完全被噪聲所淹沒，很難看出周期性的波形，在頻譜圖4（b）中，特征頻率50 Hz完全被噪聲所淹沒，難以辨別。同時，根據(jù)式（10）計算得到混合信號的信噪比為-38.9564dB，可見信噪比極低。

首先，傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振方法如圖2所示，被用于處理圖4的待檢混合信號，設(shè)置高通濾波器的通帶截止頻率和阻帶截止頻率分別為36Hz和45Hz，頻移尺度變換的頻移因子為36，尺度因子為200，壓縮后的特征頻率為（50-36）/200=0.07＜＜1Hz，滿足絕熱近似下的小參數(shù)限制。得到的最佳增強與提取結(jié)果如圖5所示，可以看出特征頻率50Hz在整個頻譜中被突出，而且時域特征具有明顯的余弦周期波形。但是，在時域波形和頻譜中仍然具有很強的噪聲干擾，而且還有濾波器的干擾頻率36 Hz，那是因為在高通濾波器輔助處理過程中，濾波器參數(shù)人為設(shè)置不合理導(dǎo)致系統(tǒng)輸出信號中存在明顯的濾波器通帶截止頻率的干擾。此外，在特征頻率50Hz周圍有很強的噪聲頻率，導(dǎo)致很難判斷是否有故障發(fā)生，這是因為人為主觀選擇系統(tǒng)參數(shù)進(jìn)一步造成隨機(jī)共振增強能力下降所致。因此，現(xiàn)有的隨機(jī)共振方法很難檢測低信噪比環(huán)境的微弱特征，為了定量描述增強結(jié)果，計算得到隨機(jī)共振系統(tǒng)輸出信號特征頻率的幅值和信噪比分別是0.1644dB和-19.9722dB。

圖4 待檢混合信號

顯然，傳統(tǒng)的一階隨機(jī)共振方法增強與提取結(jié)果并不令人滿意。于是，圖6給出了提出方法的檢測結(jié)果，可以看出噪聲基本被消除，時域波形具有明顯的余弦波特點，而且頻譜中特征頻率50Hz完全在整個頻譜中處于主導(dǎo)地位，干擾頻率幅值非常微弱。輸出信號特征頻率的幅值和信噪比分別為0.223 8 dB和-11.8559dB。對比兩種方法的增強結(jié)果，提出的方法不僅獲得了最大的特征頻率幅值，而且也獲得了較高的輸出信噪比。這一結(jié)果歸功于二階雙穩(wěn)態(tài)隨機(jī)共振的非線性帶通濾波器特性，它不僅能夠抑制低頻噪聲干擾，而且能夠?qū)⒏哳l噪聲向低頻壓縮實現(xiàn)微弱信號的增強，從而不依賴于高通濾波器的輔助處理。此外，提出方法令人滿意的增強與提取結(jié)果也歸功于蟻群算法對系統(tǒng)參數(shù)的優(yōu)化，考慮了系統(tǒng)參數(shù)之間的協(xié)同作用，從而最大化地實現(xiàn)了早期故障微弱特征的增強與提取。仿真結(jié)果證明了提出方法的有效性。

圖5 傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振方法的增強提取結(jié)果

圖6 提出方法的增強提取結(jié)果

為了進(jìn)一步分析提出方法的反噪聲能力，固定正弦信號的特征頻率為50Hz，觀察隨噪聲強度變化時，兩種方法的輸出信噪比，如圖7所示?？梢钥闯?，隨著噪聲強度的增加，輸入信號信噪比逐漸下降，它是合理的。而提出方法的輸出信噪比曲線總在傳統(tǒng)方法之上，說明提出方法具有更好的反噪聲能力，適合更低信噪比環(huán)境的微弱特征檢測。這一結(jié)果歸功于提出方法不僅考慮了系統(tǒng)參數(shù)之間的協(xié)同作用，而且能抑制低頻噪聲，克服了對高通濾波器的依賴。

4 實驗驗證

滾動軸承作為重要的機(jī)械旋轉(zhuǎn)部件之一，其故障信號表現(xiàn)出典型的微弱沖擊特征，且通常被強烈的背景噪聲所淹沒，難以檢測和提取，尤其是滾動體故障。于是，凱斯西儲大學(xué)的滾動軸承實驗數(shù)據(jù)被采用驗證提出方法的實際應(yīng)用價值，其軸承型號是6205-2RS JEM SKF深溝球軸承，主要參數(shù)可以參考文獻(xiàn)[12]，采樣頻率為48 kHz，采樣時間為1 s，軸承轉(zhuǎn)速為1750r/min。計算滾動體的理論故障特征頻率為froller=137.5 Hz。滾動體故障振動信號的時域波形和頻譜如圖8所示，可以看出在圖8（a）中時域波形被強噪聲所淹沒，很難發(fā)現(xiàn)周期性沖擊，而在圖8（c）的包絡(luò)譜中可以看到微弱的滾動體故障頻率froller，但是在整個頻譜中顯得極其微弱，難以判定是否發(fā)生早期故障，若判定無故障，可能導(dǎo)致漏診，甚至造成重大事故。

圖7 提出方法與傳統(tǒng)方法的反噪聲能力對比

首先，利用傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振方法處理圖8的滾動體故障信號，其隨機(jī)共振系統(tǒng)輸出信號的時域波形和頻譜分別如圖9（a）和圖9（b）所示?？梢钥闯?，頻譜中有明顯的滾動體故障頻率137.5Hz，而且其在整個頻譜中占主導(dǎo)地位。但是，在滾動體故障頻率附近存在較強的噪聲干擾頻率，從而導(dǎo)致很難直接斷定故障的發(fā)生。為了更加準(zhǔn)確地判斷故障的發(fā)生，提出的自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振方法被利用處理圖8的滾動體故障信號，其增強結(jié)果的時域波形和頻譜分別如圖10（a）和圖10（b）所示。從頻譜圖可以看出，滾動體故障頻率在整個頻譜中被突出，而且周圍的干擾頻率較小。因此，能準(zhǔn)確推斷出軸承的滾動體發(fā)生了早期故障，應(yīng)該進(jìn)行及時維修，從而避免事故的發(fā)生。對比圖9和圖10，不難發(fā)現(xiàn)提出的方法不僅能夠最大程度地增強早期故障的微弱特征，而且能夠抑制不同尺度的噪聲，從而消除噪聲頻率的干擾，使得診斷結(jié)果更加準(zhǔn)確可信。軸承故障實驗證明了提出方法的可行性和優(yōu)越性。

圖8 滾動體故障信號

5 結(jié)束語

圖9 傳統(tǒng)一階雙穩(wěn)態(tài)隨機(jī)共振方法增強提取結(jié)果

圖10 提出的自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振方法增強提取結(jié)果

隨著機(jī)械設(shè)備朝著高精尖發(fā)展，其工作環(huán)境也越來越惡劣，導(dǎo)致獲取的信號不僅復(fù)雜多變，且信噪比極低。傳統(tǒng)基于一階模型的雙穩(wěn)態(tài)隨機(jī)共振方法不僅人為主觀選擇系統(tǒng)參數(shù)，忽略了參數(shù)之間的協(xié)同效應(yīng)，而且易遭受低頻噪聲的干擾，需依賴于高通濾波器的輔助處理，若高通濾波器參數(shù)設(shè)置不合理可能導(dǎo)致增強結(jié)果中存在來自濾波器本身的干擾。為了解決以上問題，提出了自適應(yīng)二階雙穩(wěn)態(tài)隨機(jī)共振方法，該方法利用蟻群算法自適應(yīng)的優(yōu)化系統(tǒng)參數(shù)，實現(xiàn)了參數(shù)之間的協(xié)同作用，而且二階隨機(jī)共振能夠抑制多尺度噪聲，不需依賴于高通濾波器的輔助處理，從而能夠?qū)崿F(xiàn)早期故障的微弱特征增強與提取。通過仿真和軸承故障實驗，表明提出的方法相比傳統(tǒng)一階隨機(jī)共振方法具有更好的提取能力和反噪聲能力，有益于更低信噪比環(huán)境的微弱特征增強。然而，提出的方法難以定量描述故障的發(fā)展程度，只能定性判斷故障的有無，因此下一步工作將主要研究基于隨機(jī)共振的定量故障診斷方法，實現(xiàn)故障發(fā)展程度的趨勢預(yù)測。

[1]BENZIR， SUTERA A， VULPIANI A.The mechanism of stochastic resonance[J].Journal of Physics A：Mathematical and General，1981，14（11）：453.

[2]譙自健.基于隨機(jī)共振理論的微弱信號檢測方法研究及應(yīng)用[D].蘭州：蘭州理工大學(xué)，2015.

[3]潘崢嶸，譙自健，張寧.基于符號序列熵的自適應(yīng)隨機(jī)共振的微弱信號檢測[J].計量學(xué)報，2015，36（5）：496-500.

[4]經(jīng)哲，郭利.隨機(jī)共振液壓泵故障特征信號提取[J].中國測試，2016，42（5）：107-111.

[5] 焦尚彬，何童.基于雙穩(wěn)隨機(jī)共振的多頻弱信號檢測[J].計算機(jī)工程與應(yīng)用，2014，50（5）：221-226.

[6]LEI Y G， HAN D， LIN J， et al.Planetary gearbox fault diagnosis using an adaptive stochastic resonance method[J].Mechanical Systems and Signal Processing，2013，38（1）：113-124.

[7]QIAN Z J， LEI Y G， LIN J， et al.An adaptive unsaturated bistable stochastic resonance method and its application in mechanical fault diagnosis[J].Mechanical Systems and Signal Processing，2017（84）：731-746.

[8]LU S L， HE Q B， ZHANG H B， et al.Rotating machine fault diagnosis through enhanced stochasticby full-wave signal construction[J].Mechanical Systems and Signal Processing，2017（85）：82-97.

[9]MATTHEW L B， COLE O T， ANDREW J H， et al.Weak signal detection based on two dimensional stochastic resonance[C]//23rd European Signal Processing Conference，2015.

[10]REBOLLEDO H L F，ESPINOSA G F.Quartic double-well system modulation for under-damped stochastic resonance tuning[J].Digital Signal Processing，2016（52）：55-63.

[11]SHI P M， DING X J， HAN D Y.Study on multi-frequency weak signal detection method based on stochastic resonance tuning by multiscale noise[J].Measurement，2014，47（1）：540-546.

[12]QIAO Z J，PAN Z R.SVD principle analysis and fault diagnosis for bearing based on the correlation coefficient[J].Measurement Science and Technology，2015（26）：14-19.

（編輯：劉楊）

Adaptive second-order bistable stochastic resonance method and its application in weak characteristic enhance detection

LUO Yi
（School of Mechanical Engineering，Guiyang University，Guiyang 550005，China）

An adaptive second-order bistable SR method is proposed to extract bearing fault characteristics in heavy background noise.First，the signal to noise ratio （SNR）of output signal of second-order stochastic resonance system is set as the objection function of colony algorithms.Second，the colony algorithms are employed to select and optimize the system parameters and damping factor.Finally，the optimal parameter pair is used to set the second-order stochastic resonance system to enhance and extract the bearing fault characteristics.Simulation data indicate that the proposed method can effectively extract weak characteristics in heavy background noise.Rolling element bearing case with an incipient roller fault demonstrates that the proposed method possesses strong enhancement capability and is superior to the existing first-order SR methods.The reason is that the proposed method not only selects system parameters adaptively by using colony algorithms，but also is independent on the help of highpass filters.

second-order bistable stochastic resonance； colony algorithms； weak characteristic detection；fault diagnosis

A

1674-5124（2017）06-0031-06

10.11857/j.issn.1674-5124.2017.06.007

2016-11-10；

2016-12-12

羅 毅（1980-），男（彝），貴州貴陽市人，講師，碩士，研究方向為電子信息、信號處理、自動控制。