基于AFOA的降噪源分離在軸承復(fù)合故障診斷中的試驗(yàn)研究*

劉 暢,金 京,王衍學(xué)*

(1.北京建筑大學(xué) 機(jī)電與車(chē)輛工程學(xué)院,北京 100044;2.北京建筑大學(xué) 城市軌道交通服役性能保障北京市重點(diǎn)實(shí)驗(yàn)室,北京 100044)

0 引 言

滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中的重要傳動(dòng)部件,其健康狀態(tài)對(duì)旋轉(zhuǎn)機(jī)械的正常運(yùn)轉(zhuǎn)起著重要作用,因此,對(duì)軸承故障診斷方法進(jìn)行研究具有十分重要的應(yīng)用價(jià)值。

軸承的故障信號(hào)往往是非線性、非平穩(wěn)的信號(hào),對(duì)這類(lèi)信號(hào)的研究一直是信號(hào)處理的熱點(diǎn),但大部分的研究都指向軸承單點(diǎn)故障的診斷,對(duì)于非線性耦合較為復(fù)雜的復(fù)合故障信號(hào)研究相對(duì)較少。如何進(jìn)行滾動(dòng)軸承復(fù)合故障的有效分離，對(duì)其實(shí)際的工程應(yīng)用具有更重要的意義,但常規(guī)的信號(hào)處理方法卻難以提取滾動(dòng)軸承的復(fù)合故障特征。

降噪源分離(DSS)是指在未知復(fù)合源信號(hào)組成的條件下,根據(jù)信號(hào)的相關(guān)特征,利用針對(duì)性的降噪函數(shù),將觀測(cè)信號(hào)逐次迭代地分解成若干組成分量信號(hào)[1]。降噪源分離是一種半盲源分離方法,與一般的盲源分離方法相比,降噪源分離算法的優(yōu)勢(shì)在于信號(hào)分離框架的泛化性和針對(duì)性,能針對(duì)不同的觀測(cè)信號(hào)構(gòu)筑出較優(yōu)的源分離算法,選取合適的降噪函數(shù),從而在混合信號(hào)中提取出令研究人員感興趣的獨(dú)立分量[2]。

在國(guó)內(nèi),HE Q等[4]研究了基于最大后驗(yàn)估計(jì)的DSS方法,并將其應(yīng)用于齒輪箱的故障診斷,但分離矩陣會(huì)直接影響DSS方法的分離結(jié)果,因而該方法不具有自適應(yīng)性。陳曉理等[5]提出了基于改進(jìn)樣板去噪源分離的診斷方法,并將其應(yīng)用于軸承的復(fù)合故障診斷,通過(guò)對(duì)仿真和實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析,驗(yàn)證了該方法能夠有效地提取軸承的復(fù)合故障特征信息,但其分離效果依賴(lài)于樣板的選擇。孟明等[6]提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD和降噪源分離DSS與近似熵相結(jié)合的方法,用于腦電信號(hào)消噪,并用仿真和實(shí)際信號(hào)驗(yàn)證了所提方法的有效性,但EEMD算法依然有模態(tài)混疊等缺陷,不能分解得到較為理想的分量。

本文將AFOA算法引入到降噪源分離中,提出一種基于AFOA算法的滾動(dòng)軸承復(fù)合故障降噪源分離方法。

1 理論基礎(chǔ)

1.1 DSS理論

期望最大化(EM)算法的計(jì)算步驟分為兩步[7]:

(1)計(jì)算源信號(hào)S的后驗(yàn)概率:

q(S)=p(S|A,S)p(S)/p(X|A)

(1)

式中:p(·)—概率函數(shù);q(·)—后驗(yàn)概率函數(shù)。

(2)尋找混合矩陣Amax:

(2)

(3)

(4)

式中:T—采樣長(zhǎng)度。

其中：x(t)=[x1(t),…,xi(t),…,xn(t)];s(t)=[s1(t),…,sj(t),…,sm(t)]。

EM算法中,源信號(hào)S的含噪估計(jì)可以表示為:

S=ATX

(5)

DSS算法在框架上是基于EM算法的,若源信號(hào)間相互獨(dú)立,結(jié)合式(5)可知,源信號(hào)S的后驗(yàn)期望E[S/X,A]可表示為關(guān)于ATX的函數(shù)[8],即:

f(·)=E[S/X,A]

(6)

通常后驗(yàn)概率q(s)的期望Eq(S)可以由概率分布函數(shù)p(s)來(lái)表示:

(7)

其中:δ由噪聲的方差決定。

函數(shù)f(·)與源信號(hào)S的概率分布有關(guān),而本文中的DSS算法把函數(shù)f(·)看成是對(duì)源信號(hào)的降噪過(guò)程。DSS方法的4個(gè)核心步驟可以表示為[9]:

s=wTX

(8)

s+=f(s)

(9)

w+=X(s+)T

(10)

(11)

式中:w—分離矩陣W的行向量,表示其中一個(gè)源信號(hào)的噪聲估計(jì);f(s)—構(gòu)造的降噪函數(shù)。

以上各式中,式(8)為計(jì)算源信號(hào)的噪聲估計(jì);式(9)為降噪過(guò)程,含此式的源分離方法即為DSS;式(10)為降噪后的s+對(duì)分離矩陣w的重新估計(jì);式(11)對(duì)w+矢量歸一化。

DSS算法在迭代求解過(guò)程中,克服了ICA算法先驗(yàn)知識(shí)具有全局性的缺陷,對(duì)于非線性的混合信號(hào)進(jìn)行了降噪處理,減弱了隨機(jī)噪聲的影響,增強(qiáng)了其特征信息,可以實(shí)現(xiàn)更好的分離效果。

1.2 降噪函數(shù)的選擇

DSS算法關(guān)鍵在于去噪函數(shù)的選擇。針對(duì)一般的非線性混合信號(hào),常用的降噪函數(shù)主要有:斜度降噪函數(shù)f(s)=s2、峭度降噪函數(shù)f(s)=s3、正切降噪函數(shù)f(s)=s-tanhs。由于實(shí)際采集的信號(hào)中含有較多的干擾成分,參考文獻(xiàn)[10]指出:對(duì)于非線性混合信號(hào),在噪聲成分較多的情況下,相比于其他幾種降噪函數(shù),正切降噪函數(shù)的穩(wěn)定性較好,受信號(hào)中干擾成分的影響程度較低,信號(hào)的分離精度更高,魯棒性更好。同時(shí),正切降噪函數(shù)對(duì)于非高斯信號(hào)也具有優(yōu)異的降噪效果,因此本文選擇f(s)=s-tanhs作為DSS算法的降噪函數(shù)。

1.3 Fast ICA算法

快速獨(dú)立分量分析(Fast ICA)作為獨(dú)立分量分析(ICA)的改進(jìn)方法,是基于ICA的固定點(diǎn)迭代遞推算法,也是盲源分離的核心方法,其基本迭代公式為[11]:

W(m+1)=

E{Zg[WT(m)Z]}-E{g′[WT(m)Z]}W(m)

(12)

式中:W(·)—混合矩陣;E(·)—期望函數(shù);m—迭代次數(shù);Z—觀測(cè)信號(hào)去均值和白化得到的矩陣,Z=[z1,z2,…zn];函數(shù)g(·)—非線性函數(shù),一般可取[12]:g1(x)=xexp(-x2/2)或g2(x)=arctan(x)。

再對(duì)W(m1)矩陣單位化可得到:

W′(m+1)=W(m+1)/‖W(m+1)‖

(13)

接下來(lái)判斷W′(m+1)是否收斂。若收斂,則由算式X=AS可以分離出源信號(hào)S的各個(gè)獨(dú)立分量;否則,重復(fù)式(12,13),直至W′(m+1)收斂為止。

1.4 改進(jìn)果蠅優(yōu)化算法

由于果蠅優(yōu)化算法(FOA)存在收斂速度不夠快、易陷入局部收斂等缺陷,本文采用一種改進(jìn)的果蠅優(yōu)化(AFOA)算法,來(lái)進(jìn)行降噪源分離過(guò)程中的分離矩陣的優(yōu)化求解。AFOA算法通過(guò)自適應(yīng)改變步長(zhǎng)的方式,使算法在初始化時(shí)獲得較大的隨機(jī)步長(zhǎng),可有效提高算法的全局搜索能力,加快收斂速度;同時(shí),在算法優(yōu)化的后期,可以以較小的步長(zhǎng)來(lái)提高算法的局部搜索能力,使算法能夠跳出局部最優(yōu),并經(jīng)收斂得到更優(yōu)的目標(biāo)值。

基于基本果蠅優(yōu)化算法步驟得出的AFOA算法的優(yōu)化求解步驟如下[13]:

(1)初始化果蠅種群規(guī)模為Sizepop,最大迭代次數(shù)Maxgen,隨機(jī)初始化果蠅群體位置(X0,Y0);

(2)賦予果蠅個(gè)體搜尋食物的隨機(jī)距離與方向,即:

(14)

式中:H—-step(步長(zhǎng))到step間的隨機(jī)數(shù),在基本FOA算法中step=1。

(3)估計(jì)第i個(gè)果蠅與原點(diǎn)的距離D,再計(jì)算味道濃度判定值S,即:

(15)

(4)求果蠅個(gè)體味道濃度(Smelli),即:

Smelli=Function(S)

(16)

(5)找出該果蠅群體中味道濃度最高的個(gè)體,以及其相應(yīng)的濃度值,即:

[bestSmellbestIndex]=max[Smell]

(17)

(6)保留味道濃度最高的果蠅個(gè)體的x,y坐標(biāo),則果蠅群體向該位置飛去,即:

(18)

(7)重復(fù)執(zhí)行以上步驟(2～5),進(jìn)行迭代尋優(yōu),并判斷味道濃度是否優(yōu)于前一代味道濃度,若是,則執(zhí)行步驟(6)。

改進(jìn)果蠅優(yōu)化算法的自適應(yīng)步長(zhǎng)公式如下所示[14]13:

(19)

式中:i—1到Sizepop之間的整數(shù),表示果蠅群中第i個(gè)果蠅;j—1到自變量個(gè)數(shù)N之間的整數(shù),表示第i個(gè)果蠅的第j個(gè)自變量的橫縱坐標(biāo)分量;k—自變量橫、縱坐標(biāo)的步長(zhǎng),k=1或k=2;p—當(dāng)前迭代次數(shù);P—搜索區(qū)域的橫坐標(biāo)或縱坐標(biāo)長(zhǎng)度(當(dāng)j[1,N/2],P—橫坐標(biāo)長(zhǎng)度;當(dāng)j∈[N/2+1,N],P—縱坐標(biāo)長(zhǎng)度)。

果蠅個(gè)體的改進(jìn)位置更新公式如下所示:

(20)

若當(dāng)前迭代次數(shù)中已經(jīng)連續(xù)L代沒(méi)有尋得最優(yōu)解,則選擇目標(biāo)函數(shù)N個(gè)自變量中的Q個(gè)自變量進(jìn)行更新,其他自變量不變。

其更新公式如下:

(1)若當(dāng)前迭代時(shí)的L≤Maxg/p,自變量步長(zhǎng)更新公式為[14]14:

(21)

(2)若當(dāng)前迭代時(shí)的L>Maxg/p,自變量步長(zhǎng)更新公式為:

(22)

1.5 AFOA-DSS方法

軸承振動(dòng)信號(hào)呈現(xiàn)非高斯分布,而負(fù)熵作為熵的修正形式,可以用來(lái)度量非高斯性。對(duì)于一個(gè)混合信號(hào)而言,在信號(hào)分解過(guò)程中,分量信號(hào)的非高斯性能表示分離的分量信號(hào)間的相互獨(dú)立性,負(fù)熵值越大非高斯性越強(qiáng),表明分離的效果越好。

負(fù)熵的定義如下[15]:

Ng(Y)=H(Ygauss(-H(Y)

(23)

式中:Ygauss—與Y具有相同方差的高斯隨機(jī)變量;H(·)—隨機(jī)變量的微分熵。

公式定義如下:

(24)

當(dāng)Y具有高斯分布時(shí),Ng(Y)=0;微分熵越小,Y的非高斯性越強(qiáng),Ng(Y)的值就越大。

在計(jì)算Ng(Y)時(shí),需要先估計(jì)Y的概率密度函數(shù),采用以下近似公式求取[16]:

Ng(Y)={E[g(Y)]-E(g(Ygauss))}2

(25)

式中:E(·)—均值計(jì)算;g(·)—非線性函數(shù),本文取g(Y)=tanh(y)。

選擇負(fù)熵來(lái)衡量非高斯性時(shí),要先對(duì)信號(hào)進(jìn)行零均值、中心化和預(yù)白化處理,以滿(mǎn)足E(YYT)=I(I—單位矩陣)的約束條件。

AFOA算法初期已采用批處理和較大隨機(jī)步長(zhǎng)的方式,對(duì)降噪源分離的初始矩陣進(jìn)行了初步優(yōu)化,得到較優(yōu)的初始值;以分離矩陣作為果蠅個(gè)體,以負(fù)熵作為目標(biāo)函數(shù),以負(fù)熵最大作為尋優(yōu)條件,得到最優(yōu)分離矩陣,進(jìn)而得到估計(jì)的獨(dú)立源信號(hào)。

AFOA-DSS算法的基本過(guò)程如圖1所示。

圖1 AFOA-DSS算法流程圖

2 仿真信號(hào)分析

為了驗(yàn)證本文所提方法的有效性,筆者將其應(yīng)用于滾動(dòng)軸承復(fù)合故障仿真信號(hào)源分離中。

復(fù)合故障仿真信號(hào)如下[17，18]:

(26)

式中:Pi—脈沖數(shù)量;Aj—脈沖幅值,Aj=[0.4,1];Ti—沖擊周期,T1=0.01 s,T2=0.012 5 s,分別作為仿真內(nèi)圈故障和外圈故障的沖擊周期。

h(t)為沖擊脈沖函數(shù):

(27)

式中:β—衰減系數(shù),β=60 Hz;fr—共振頻率,fr=200 Hz。

因?yàn)閷?shí)際的軸承振動(dòng)信號(hào)的故障特征信息常被大量噪聲所掩蓋,在脈沖沖擊信號(hào)中要加入高斯白噪聲n(t)。筆者設(shè)置采樣頻率fs=20 kHz,采樣點(diǎn)數(shù)為10 000點(diǎn);由沖擊周期計(jì)算出內(nèi)圈故障特征頻率fi=100 Hz,外圈故障特征頻率f0=80 Hz;將內(nèi)圈仿真源信號(hào)s1和外圈仿真源信號(hào)s2分別加入相同的高斯白噪聲n(t)，再分別與二階隨機(jī)矩陣A相乘得到混合信號(hào)，即觀測(cè)信號(hào),以構(gòu)成源分離所需的基本模型。

觀測(cè)信號(hào)波形圖如圖2所示。

圖2 觀測(cè)信號(hào)波形圖

由觀測(cè)信號(hào)可以看出,內(nèi)圈和外圈故障沖擊特征被完全淹沒(méi)在噪聲信號(hào)中。

利用AFOA優(yōu)化DSS分離矩陣的過(guò)程如圖3所示。

圖3 AFOA優(yōu)化過(guò)程圖

由圖3可知:利用AFOA-DSS優(yōu)化過(guò)程中,當(dāng)?shù)螖?shù)為100,負(fù)熵值為8.9時(shí),得到了最優(yōu)的分離矩陣;而AFOA-Fast ICA優(yōu)化過(guò)程是在迭代次數(shù)為160,負(fù)熵值為6.3時(shí),得到的最優(yōu)分離矩陣。因此,該結(jié)果表明：本文所提方法可以實(shí)現(xiàn)更快的收斂速度,且分離信號(hào)的獨(dú)立性更強(qiáng)。

筆者最后通過(guò)基于正切函數(shù)的降噪源分離算法對(duì)觀測(cè)信號(hào)進(jìn)行有效分離,得到估計(jì)信號(hào)波形圖,如圖4所示。

圖4 AFOA-DSS估計(jì)信號(hào)波形圖

為了驗(yàn)證所提方法的優(yōu)越性,筆者將其與AFOA-FastICA的分離結(jié)果進(jìn)行對(duì)比分析,如圖5所示。

圖5 AFOA-Fast ICA估計(jì)信號(hào)波形圖

從圖5中可看出:估計(jì)信號(hào)雖顯出一些微弱的沖擊特征,但大部分故障信息仍被掩蓋;同時(shí),可明顯看出,AFOA-DSS算法取得了比AFOA-FastICA算法更好的分離效果。

進(jìn)一步給出圖4所示估計(jì)信號(hào)的包絡(luò)譜圖,如圖6所示。

圖6 AFOA-DSS估計(jì)信號(hào)包絡(luò)譜圖

由圖6可知:內(nèi)圈故障特征頻率fi及其倍頻處存在明顯的峰值;外圈故障征頻率f0及其倍頻處也存在明顯的峰值,其他頻率處的幅值都比較小。由此可知,應(yīng)用本文所提方法能很好地將兩個(gè)仿真源信號(hào)從觀測(cè)信號(hào)中分離出來(lái)。

圖5所示估計(jì)信號(hào)的包絡(luò)譜圖如圖7所示。

圖7 AFOA-Fast ICA估計(jì)信號(hào)包絡(luò)譜圖

從圖7中可看出:內(nèi)圈故障特征頻率fi和外圈故障征頻率f0處峰值過(guò)低,且周?chē)蓴_頻率太多,無(wú)法準(zhǔn)確提取復(fù)合故障特征。因此,可以看出本文所提方法效果更好。

為了更客觀地評(píng)價(jià)算法的分離效果,筆者利用分離信號(hào)與源信號(hào)的相關(guān)系數(shù)絕對(duì)值、均方誤差和重構(gòu)信噪比3種性能指標(biāo),來(lái)衡量分離效果。

3種性能指標(biāo)分別定義如下[19]:

(1)相關(guān)系數(shù)絕對(duì)值(AVCC),表示分離信號(hào)與對(duì)應(yīng)源信號(hào)之間的相似度,其值為[0,1]。AVCC越接近于1,表明分離信號(hào)與源信號(hào)的相似度越高,分離效果越好。

AVCC表示如下:

(28)

(2)均方誤差(MSE)表示分離信號(hào)與對(duì)應(yīng)源信號(hào)之間的平均誤差,其值越接近于0,表明分離效果越好。

MSE表示如下:

(29)

(3)重構(gòu)信噪比(RSNR)也是評(píng)判信號(hào)分離效果的重要性能指標(biāo)。該值越大,表明分離效果越好。

RSNR表示如下:

(30)

自適應(yīng)果蠅優(yōu)化算法優(yōu)化降噪源分離方法,對(duì)軸承故障仿真信號(hào)的分離和優(yōu)化效果,與優(yōu)化快速獨(dú)立分量分析方法對(duì)比結(jié)果如表1所示。

表1 AFOA-DSS和AFOA-FastICA分離和優(yōu)化效果對(duì)比

3 實(shí)驗(yàn)數(shù)據(jù)分析

筆者將本文所提方法應(yīng)用于滾動(dòng)軸承內(nèi)、外圈復(fù)合故障振動(dòng)信號(hào)進(jìn)行分析,以驗(yàn)證本文所提方法的有效性和可靠性。

筆者利用MFS-Magnum(MFS-Mg)機(jī)械故障綜合模擬實(shí)驗(yàn)臺(tái)進(jìn)行試驗(yàn)。該實(shí)驗(yàn)臺(tái)由1 HP變頻交流驅(qū)動(dòng)器、1 HP 3相電動(dòng)機(jī)、手動(dòng)調(diào)速器、9個(gè)傳感器連接內(nèi)螺孔的可拆分軸承座、16孔的BNC接線面板、一根直徑為3/4 inch的TGP剛制直軸、端部卡圈可拆分的轉(zhuǎn)子、聯(lián)軸器等組成,可以采集振動(dòng)數(shù)據(jù),進(jìn)行機(jī)械故障的模擬試驗(yàn)。

本文利用該實(shí)驗(yàn)臺(tái)進(jìn)行滾動(dòng)軸承復(fù)合故障試驗(yàn),實(shí)驗(yàn)臺(tái)如圖8所示。

圖8 MFS-Mg實(shí)驗(yàn)臺(tái)

試驗(yàn)采用ER-16K型單列深溝球軸承,安裝在直軸中心位置;使用兩個(gè)加速度傳感器(靈敏度為98 mV/g),使用磁性底座將其分別放置在電機(jī)殼體驅(qū)動(dòng)端12點(diǎn)鐘方向和風(fēng)扇端12點(diǎn)鐘方向,通過(guò)16通道VQ數(shù)據(jù)采集系統(tǒng)收集振動(dòng)數(shù)據(jù);采樣頻率fs為20 kHz,采樣點(diǎn)數(shù)為25.6 K。

ER-16K型軸承的規(guī)格參數(shù)如表2所示。

表2 ER-16K型軸承規(guī)格參數(shù)

ER-16K型軸承故障相關(guān)參數(shù)如表3所示。

表3 ER-16K型軸承故障相關(guān)參數(shù)

fr—電機(jī)轉(zhuǎn)頻;fi—內(nèi)圈故障特征頻率;f0—外圈故障特征頻率

觀測(cè)信號(hào)波形圖如圖9所示。

圖9 觀測(cè)信號(hào)波形圖

觀測(cè)信號(hào)的包絡(luò)譜圖如圖10所示。

圖10 觀測(cè)信號(hào)包絡(luò)譜圖

由圖10可知:兩個(gè)觀測(cè)信號(hào)的包絡(luò)譜中,都同時(shí)存在多個(gè)明顯的譜峰,但并不是軸承內(nèi)、外圈故障特征信息,而且故障特征復(fù)合在一起不利于故障模式識(shí)別。

利用本文所提方法,筆者通過(guò)基于正切函數(shù)的降噪源分離算法和自適應(yīng)果蠅優(yōu)化算法優(yōu)化分離矩陣的方法,對(duì)觀測(cè)信號(hào)進(jìn)行有效降噪和分離。

優(yōu)化過(guò)程如圖11所示。

圖11 AFOA優(yōu)化過(guò)程圖

由圖11可知:利用AFOA-DSS優(yōu)化過(guò)程中,當(dāng)?shù)螖?shù)為700時(shí),得到了最優(yōu)分離矩陣,此時(shí)的負(fù)熵值為9.7;而AFOA-Fast ICA優(yōu)化過(guò)程是在迭代次數(shù)為900,負(fù)熵值為7.5時(shí),得到最優(yōu)分離矩陣。該結(jié)果表明:本文所提方法可以實(shí)現(xiàn)更快的收斂速度,取得更優(yōu)的分離效果。

應(yīng)用基于正切函數(shù)的降噪源分離可得到估計(jì)信號(hào),如圖12所示。

圖12 AFOA-DSS估計(jì)信號(hào)波形圖

由圖12可明顯看出:相對(duì)觀測(cè)信號(hào),估計(jì)信號(hào)的背景噪聲已經(jīng)大幅度減弱,故障沖擊特征十分明顯。

對(duì)圖12的估計(jì)信號(hào)進(jìn)行包絡(luò)分析,可得到包絡(luò)譜圖如圖13所示。

圖13 AFOA-DSS估計(jì)信號(hào)包絡(luò)譜圖

由圖13可知:內(nèi)圈故障特征頻率、fi二倍頻至五倍頻處存在明顯的峰值,說(shuō)明該軸承存在內(nèi)圈故障;外圈故障征頻率f0、二倍頻至五倍頻處也存在明顯的峰值,說(shuō)明該軸承亦存在外圈故障,且周?chē)母蓴_頻帶很少,故障特征提取效果十分明顯。

該分析結(jié)果與實(shí)際情況完全相符。由此可知,AFOA-DSS算法能準(zhǔn)確地將軸承內(nèi)、外圈故障特征信息從復(fù)合故障信號(hào)中分離出來(lái),從而驗(yàn)證了本文所提方法的有效性。

同樣,筆者給出AFOA-FastICA的估計(jì)信號(hào)結(jié)果,如圖14所示。

圖14 AFOA-FastICA估計(jì)信號(hào)波形圖

AFOA-FastICA估計(jì)信號(hào)的包絡(luò)譜圖如圖15所示。

圖15 AFOA-FastICA估計(jì)信號(hào)包絡(luò)譜圖

從圖15中能看出內(nèi)圈故障特征頻率fi及二、三倍頻,和外圈故障征頻率f0及二倍頻,但峰值不明顯,且周?chē)蓴_頻率很多,無(wú)法準(zhǔn)確提取故障特征。因此,該結(jié)果證明本文所提方法效果更好。

自適應(yīng)果蠅優(yōu)化算法優(yōu)化降噪源分離方法,對(duì)實(shí)測(cè)故障軸承信號(hào)的分離和優(yōu)化效果,與優(yōu)化快速獨(dú)立分量分析方法對(duì)比,如表4所示。

表4 AFOA-DSS和AFOA-FastICA分離和優(yōu)化效果對(duì)比

4 結(jié)束語(yǔ)

為有效分離提取出滾動(dòng)軸承復(fù)合故障信號(hào)的故障特征,本文提出了一種基于改進(jìn)果蠅優(yōu)化算法的降噪源分離方法;通過(guò)自適應(yīng)果蠅優(yōu)化算法對(duì)基于負(fù)熵的目標(biāo)函數(shù)進(jìn)行尋優(yōu),得到了降噪源分離的最優(yōu)分離矩陣,然后通過(guò)基于正切降噪函數(shù)的降噪源分離方法對(duì)觀測(cè)信號(hào)進(jìn)行了分離,得到了估計(jì)源信號(hào),并作包絡(luò)譜分析識(shí)別非線性復(fù)合故障特征,實(shí)現(xiàn)了對(duì)滾動(dòng)軸承復(fù)合故障的特征提取。

仿真實(shí)驗(yàn)結(jié)果表明:與AFOA-Fast ICA算法相比,AFOA-DSS算法對(duì)于非線性復(fù)合故障信號(hào)具有更好的分離效果;采用AFOA-DSS算法能將軸承內(nèi)、外圈故障特征從軸承內(nèi)、外圈混合故障信號(hào)中分離出來(lái),準(zhǔn)確地識(shí)別出軸承內(nèi)、外圈的故障特征頻率;該結(jié)果說(shuō)明降噪源分離方法要優(yōu)于一般盲源分離方法,并且AFOA算法在尋優(yōu)性能、算法收斂性和運(yùn)算速度方面,也明顯優(yōu)于一般的群智能優(yōu)化算法。

由于信號(hào)分析方法根據(jù)所研究的滾動(dòng)軸承的類(lèi)型不同,采集到的振動(dòng)數(shù)據(jù)不同,振動(dòng)特征的不同,其試驗(yàn)結(jié)果一般不相同。

本文的研究對(duì)象為單列深溝球軸承,因此,筆者所提的方法具有一定的局限性。而研究通用性的分析方法，即將該方法有效地應(yīng)用于其他類(lèi)型軸承，則是筆者未來(lái)研究工作的一個(gè)重要方向。