基于QGA和隨機(jī)共振的軸承微弱故障信號(hào)檢測(cè)方法

葛江華 王巖 王亞萍 孫永國 許迪

摘?要：針對(duì)滾動(dòng)軸承早期故障階段振動(dòng)信號(hào)微弱，信噪比低，提出量子遺傳算法（quantum?genetic?algorithm，簡稱QGA）與隨機(jī)共振相結(jié)合的微弱信號(hào)檢測(cè)方法，提高信號(hào)信噪比并識(shí)別故障位置。首先，對(duì)大參數(shù)信號(hào)變尺度處理，并根據(jù)輸入信號(hào)對(duì)噪聲強(qiáng)度進(jìn)行估計(jì)實(shí)現(xiàn)參數(shù)初始化;其次，以輸出信噪比作為目標(biāo)函數(shù)，通過QGA對(duì)系統(tǒng)的雙參數(shù)進(jìn)行自適應(yīng)尋優(yōu);最后，通過系統(tǒng)的隨機(jī)共振實(shí)現(xiàn)微弱信號(hào)信噪比的提高。仿真及實(shí)驗(yàn)結(jié)果表明，該方法充分考慮了系統(tǒng)參數(shù)之間的相互作用，能夠有效提高信號(hào)信噪比，實(shí)現(xiàn)了早期故障階段的微弱信號(hào)檢測(cè)。

關(guān)鍵詞：早期故障診斷;微弱信號(hào)檢測(cè);量子遺傳算法;隨機(jī)共振

DOI：10.15938/j.jhust.2020.03.015

中圖分類號(hào)：?TH165+.3;TN911.7

文獻(xiàn)標(biāo)志碼：?A

文章編號(hào)：?1007-2683（2020）03-0094-08

Abstract：Aiming?at?the?problems?that?the?vibration?signal?is?weak?and?the?SNR?is?low?in?its?early?failure?stage?of?rolling?bearing，?a?weak?signal?detection?method?combining?Quantum?Genetic?Algorithm?（QGA）?and?Stochastic?Resonance?is?proposed，?which?improves?SNR?and?identifies?fault?location.?Firstly，?the?large?parameter?signal?is?scale?transformed?and?the?noise?intensity?is?estimated?according?to?the?input?signal?to?realize?the?initialization?of?the?parameters.?Secondly，?the?output?SNR?is?selected?as?the?objective?function，?and?the?two?parameter?are?dealt?with?adaptive?optimization?through?the?QGA;?Finally，?the?SNR?of?weak?signal?is?improved?by?stochastic?resonance?system.?Simulation?and?experimental?results?show?that?the?method?fully?considers?the?interaction?between?system?parameters，?and?can?effectively?improve?SNR，?and?achieve?early?detection?of?weak?signal?in?failure?stage.

Keywords：early?fault?diagnosis;?weak?signal?detection;?quantum?genetic?algorithm;?stochastic?resonance

0?引?言

微弱信號(hào)檢測(cè)目前在各領(lǐng)域內(nèi)得到了廣泛研究與發(fā)展。微弱信號(hào)檢測(cè)是將深埋在環(huán)境噪聲中的微弱信號(hào)提取出來，或提高微弱信號(hào)的信噪比。目前應(yīng)用廣泛的有時(shí)域平均法、相關(guān)檢測(cè)法、混沌理論法和窄帶濾波法等[1-3]。

隨著非線性動(dòng)力學(xué)與各交叉學(xué)科的快速發(fā)展，隨機(jī)共振[4-7]方法在微弱信號(hào)檢測(cè)領(lǐng)域得到了廣泛的關(guān)注。隨機(jī)共振方法與上述方法的信號(hào)處理機(jī)制不同，它將濾除噪聲轉(zhuǎn)變?yōu)槔迷肼曉鰪?qiáng)微弱信號(hào)，即將噪聲信號(hào)中的能量轉(zhuǎn)移到有用信號(hào)中。冷永剛等[8]提出一階線性系統(tǒng)調(diào)參廣義隨機(jī)共振的特征提取方法，通過調(diào)整一階線性系統(tǒng)參量，獲得信噪比在取極大值情況下的廣義隨機(jī)共振;Tan等[9]通過引入二次采樣解決大參數(shù)對(duì)隨機(jī)共振效果的影響;Mba等[10]將隨機(jī)共振用于健康的齒輪箱并探討諸如殘余信號(hào)和濾波信號(hào)計(jì)算的方法，以幫助遏制假警報(bào)，同時(shí)提高整體隨機(jī)共振結(jié)果;Krauss等[11]提出了傳感器的輸出可以確定激勵(lì)隨機(jī)共振產(chǎn)生的噪聲強(qiáng)度。

采用傳統(tǒng)隨機(jī)共振對(duì)加噪信號(hào)進(jìn)行處理，在不調(diào)節(jié)系統(tǒng)參數(shù)的情況下，也就是默認(rèn)a=1、b=1的情況下，隨機(jī)共振現(xiàn)象并沒有發(fā)生。前文已說明隨機(jī)共振的產(chǎn)生取決于輸入信號(hào)，噪聲和非線性系統(tǒng)的協(xié)同作用，目前輸入信號(hào)已知，噪聲的強(qiáng)度也僅是高于輸入信號(hào)，而不是強(qiáng)度過大完全掩蓋信號(hào)，說明是系統(tǒng)內(nèi)的參數(shù)存在問題。

系統(tǒng)的信噪比由噪聲強(qiáng)度和勢(shì)壘協(xié)同作用，在噪聲一定的時(shí)候，系統(tǒng)的信噪比與勢(shì)壘的關(guān)系如圖6所示?？梢钥闯鱿到y(tǒng)的輸出信噪比是在隨著勢(shì)壘的變化而變化。通過調(diào)節(jié)系統(tǒng)參數(shù)使勢(shì)壘發(fā)生變化，當(dāng)信號(hào)的勢(shì)壘逐漸增大時(shí)，信號(hào)的信噪比先增加后減小，說明只有當(dāng)勢(shì)壘、信號(hào)、噪聲達(dá)到一個(gè)最佳關(guān)系時(shí)，才能保證隨機(jī)共振的信噪比最高。

為了進(jìn)一步研究最佳的系統(tǒng)參數(shù)，對(duì)加噪信號(hào)采用雙變量自適應(yīng)隨機(jī)共振。如圖7所示為量子遺傳算法對(duì)隨機(jī)共振系統(tǒng)參數(shù)的尋優(yōu)圖。這里以信噪比作為適應(yīng)度函數(shù)，自適應(yīng)調(diào)節(jié)系統(tǒng)參數(shù)a和b，由圖可見，頂部區(qū)域?yàn)闈M足最大信噪比的最優(yōu)近似解。

通過計(jì)算得到的系統(tǒng)參數(shù)值，a=0.27588，b=0.40685輸入到系統(tǒng)中產(chǎn)生隨機(jī)共振如圖8所示?？梢钥闯鱿鄬?duì)于圖，波形已經(jīng)呈現(xiàn)一定周期性，從頻域可以發(fā)現(xiàn)在0.01Hz（圖中為0.009766Hz，在可接受的誤差范圍之內(nèi)）處有明顯的頻率，幅值為0.2172，相對(duì)于原信號(hào)的幅值0.002245得到了很大的提高。

作為對(duì)比，這里也對(duì)單變量的優(yōu)化進(jìn)行了仿真，如圖9所示。

當(dāng)固定一個(gè)參數(shù)b=1，通過遺傳算法可以得到a=0.7746，代入系統(tǒng)中產(chǎn)生隨機(jī)共振，可以看到頻率的幅值為0.1453，要小于雙變量自適應(yīng)隨機(jī)共振的結(jié)果。

通過與傳統(tǒng)隨機(jī)共振、單變量自適應(yīng)隨機(jī)共振對(duì)比發(fā)現(xiàn)，本節(jié)的方法要優(yōu)于前兩種方法。對(duì)于微弱信號(hào)和復(fù)雜信號(hào)，頻率通常深埋在噪聲頻率中不易識(shí)別，該方法可以最大程度提高頻率幅值，更有利于故障的識(shí)別。

3.2?實(shí)驗(yàn)驗(yàn)證

本文將采用雙列角接觸球軸承故障模擬試驗(yàn)來驗(yàn)證本文提出的微弱信號(hào)檢測(cè)、信號(hào)分解、降噪與特征提取方法的有效性。實(shí)驗(yàn)室搭建的滾動(dòng)軸承振動(dòng)測(cè)試試驗(yàn)臺(tái)如圖10所示。試驗(yàn)臺(tái)主要組成有：SGM7J-04AFC6S伺服電機(jī)，額定輸出400W，額定電流2.5A，額定轉(zhuǎn)矩1.27N·m，額定轉(zhuǎn)速3000r/min;YMC122A100加速度傳感器，頻率范圍0.3-10KHz;POD-0.6kg磁粉制動(dòng)器，電壓24V，電流0.81A，額定轉(zhuǎn)矩6N·m，最高轉(zhuǎn)速1800r/min;GFC-40X66梅花聯(lián)軸器;底座與軸承座、連接件與緊固件。

試驗(yàn)對(duì)象為3204ATN雙列角接觸球軸承，如圖12所示，具體參數(shù)如表1所示。根據(jù)滾動(dòng)軸承常見故障位置與故障類型，本文實(shí)驗(yàn)主要模擬內(nèi)圈磨損故障。內(nèi)圈磨損情況如圖11所示，圖中圈內(nèi)的即為磨損位置。轉(zhuǎn)速n=2400r/min，采樣頻率f=2560Hz，基本參數(shù)如表1所示，根據(jù)參數(shù)和式（11）得到內(nèi)圈的故障頻率約為fi=192.84Hz。

式中：Z為滾動(dòng)體個(gè)數(shù);f0為主軸的轉(zhuǎn)頻;d、D為滾動(dòng)體直徑和節(jié)圓直徑;α為接觸角。

原始信號(hào)的幅值圖和頻譜圖如圖12所示。外圈裂痕信號(hào)的噪聲方差估計(jì)值σ2=0.1034，D=0.0064625，A=0.04294，此時(shí)信號(hào)幅值大于信號(hào)的噪聲強(qiáng)度，因此添加噪聲強(qiáng)度D=0.2的白噪聲，

由于實(shí)際信號(hào)不滿足隨機(jī)共振小參數(shù)要求，所以先經(jīng)過變尺度縮小采樣頻率，尺度壓縮比R=512，對(duì)信號(hào)尺度變換之后，采樣頻率fs=f/R=5Hz。

根據(jù)量子遺傳算法尋優(yōu)得到a=1.64278，b=17.4642，隨機(jī)共振得到的頻譜圖如圖13所示，經(jīng)過尺度還原比例f=0.38627R=197.77Hz，接近內(nèi)圈故障頻率，可以看出轉(zhuǎn)頻和故障頻率都有一定程度的增強(qiáng)。

作為對(duì)比，這里也對(duì)單變量的優(yōu)化進(jìn)行了仿真，如圖14所示。

當(dāng)固定一個(gè)參數(shù)a=1，通過遺傳算法可以得到b=16.3541，代入系統(tǒng)中產(chǎn)生隨機(jī)共振，可以看到故障頻率處的幅值為0.1488，要小于雙變量自適應(yīng)隨機(jī)共振的結(jié)果。

4?結(jié)?論

本文提出一種量子遺傳算法與隨機(jī)共振相結(jié)合的微弱信號(hào)檢測(cè)方法，通過仿真與實(shí)驗(yàn)驗(yàn)證得到以下結(jié)論：

1）大參數(shù)信號(hào)經(jīng)過變尺度處理并不影響故障頻率;信號(hào)中的噪聲強(qiáng)度要通過計(jì)算以確定是否需要添加額外白噪聲。

2）量子遺傳算法對(duì)于隨機(jī)共振系統(tǒng)參數(shù)的優(yōu)化效果要優(yōu)于傳統(tǒng)方法和單一參數(shù)優(yōu)化。

3）通過仿真和實(shí)驗(yàn)數(shù)據(jù)的驗(yàn)證，本文方法可以對(duì)早期故障階段的微弱信號(hào)進(jìn)行檢測(cè)，得到具體的故障頻率，實(shí)現(xiàn)故障位置的識(shí)別。

參?考?文?獻(xiàn)：

[1]?王亞萍，?許迪，?葛江華，等.?基于SPWVD時(shí)頻圖紋理特征的滾動(dòng)軸承故障診斷[J].?振動(dòng)、測(cè)試與診斷，?2017，?37（1）：115.

WANG?Yaping，?XU?Di，?GE?Jianghua，?et?al.?Fault?Diagnosis?of?Rolling?Bearings?Based?on?Texture?Features?of?SPWVD?Time-frequency?Map?[J].?Vibration，?Test?and?Diagnosis，?2017，?37?（1）：?115.

[2]?郭丹楓，龐兵.振動(dòng)信號(hào)處理的時(shí)頻域方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2007（4）：15.

GUO?Danfeng，?PANG?Bing.Time-frequency?Domain?Method?of?Vibration?Signal?Processing?[J]?.Journal?of?Harbin?University?of?Science?and?Technology，?2007?（4）：?15.

[3]?LIU?Y，?ZHANG?J?Z.?Predicting?Traffic?Flow?in?Local?Area?Networks?by?the?Largest?Lyapunov?Exponent?[J].?Entropy，2016，18（1）：1.

[4]?CHEN?H，?VARSHNEY?P?K，?KAY?S?M，?et?al.?Theory?of?the?Stochastic?Resonance?Effect?in?Signal?Detection：?Part?I-Fixed?Detectors[J].?IEEE?Transactions?on?Signal?Processing，?2007，?55（7）：3172.

[5]?CHEN?H，?VARSHNEY?P?K.?Theory?of?the?Stochastic?Resonance?Effect?in?Signal?Detection-Part?II：?Variable?Detectors[J].?IEEE?Transactions?on?Signal?Processing，?2008，?56（10）：5031.

[6]?MONIFI?F，?ZHANG?J，?AHIN?Kaya?zdemir，?et?al.?Optomechanically?Induced?Stochastic?Resonance?and?Chaos?Transfer?Between?Optical?Fields[J].?Nature?Photonics，?2016，?10（6）：399.

[7]?LU?S，?HE?Q，?KONG?F.?Stochastic?Resonance?with?Woods-Saxon?Potential?for?Rolling?Element?Bearing?Fault?Diagnosis[J].?Mechanical?Systems?&?Signal?Processing，?2014，?45（2）：488.

[8]?冷永剛，?田祥友.?一階線性系統(tǒng)隨機(jī)共振在轉(zhuǎn)子軸故障診斷中的應(yīng)用研究[J].?振動(dòng)與沖擊，?2014，?33（17）：1.

LENG?Yonggang，?TIAN?Xiangyou.?Application?of?First-order?Linear?System?Stochastic?Resonance?in?Rotor?Shaft?Fault?Diagnosis?[J].?Vibration?and?Shock，?2014，?33?（17）：?1.

[9]?TAN?J，?CHEN?X，?WANG?J，?et?al.?Study?of?Frequency-shifted?and?Re-scaling?Stochastic?Resonance?and?Its?Application?to?Fault?Diagnosis[J].?Mechanical?Systems?&?Signal?Processing，?2009，?23（3）：811.

[10]MBA?C?U，?MARCHESIELLO?S，?FASANA?A，?et?al.?On?the?Use?of?Stochastic?Resonance?for?Fault?Detection?in?Spur?Gearboxes[J].?Diagnostyka，?2017，?18（3）：3.

[11]KRAUSS?P，?METZNER?C，?SCHILLING?A，?et?al.?Adaptive?Stochastic?Resonance?for?Unknown?and?Variable?Input?Signals[J].?Scientific?Reports，?2017，?7（1）：2450.

[12]焦尚彬，?李鵬華，?張青，等.?采用知識(shí)的粒子群算法的多頻微弱信號(hào)自適應(yīng)隨機(jī)共振檢測(cè)方法[J].?機(jī)械工程學(xué)報(bào)，?2014，?50（12）：1.

JIAO?Shangbin，?LI?Penghua，?ZHANG?Qing，?et?al.?Multi-frequency?Weak?Signal?Aaptive?Stochastic?Resonance?Detection?Method?Using?Knowledge?Particle?Swarm?Optimization?[J].?Journal?of?Mechanical?Engineering，?2014，?50?（12）：?1.

[13]崔偉成，?李偉，?孟凡磊，等.?基于果蠅優(yōu)化算法的自適應(yīng)隨機(jī)共振軸承故障信號(hào)檢測(cè)方法[J].?振動(dòng)與沖擊，?2016，?35（10）：96.

CUI?Weicheng，?LI?Wei，?MENG?Fanlei，?et?al.?Adaptive?Stochastic?Resonance?Bearing?Fault?Signal?Detection?Method?Based?on?Fruit?Fly?Optimization?Algorithm?[J].?Vibration?and?Shock，?2016，?35?（10）：?96.

[14]DEY?S，?BHATTACHARYYA?S，?MAULIK?U.?Quantum?Inspired?Genetic?Algorithm?and?Particle?Swarm?Optimization?Using?Chaotic?Map?Model?Based?Interference?for?Gray?Level?Image?Thresholding[J].?Swarm?&?Evolutionary?Computation，?2014，?15：38.

[15]XU?K?J，?REN?S，?QIN?H?Q，?et?al.?Rolling?Bearing?Fault?Diagnosis?Based?on?Quantum?Genetic?Algorithm?and?Spectral?Kurtosis[J].?Zhendong?Yu?Chongji/journal?of?Vibration?&?Shock，?2015，?34（11）：105.

（編輯：溫澤宇）