👨🎓个人主页：研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
摘要：
在包络分析中，信息频带 （IFB） 选择是一项具有挑战性的任务，用于滚动轴承的局部故障检测。在以往的研究中，往往用单一指标进行，如峰度等，以指导自动选择。然而，在某些情况下，很难完全描述和平衡重复瞬变的冲动性和循环平稳性的故障特征。针对该问题，该文提出一种新型负熵诱导的多目标优化小波滤波。小波参数由灰狼优化器确定，灰狼优化器具有两个独立的目标函数，即最大化平方包络和平方包络谱的负熵，分别捕获脉冲性和环平稳性。随后，利用平均负熵从得到的帕累托集合中识别IFB，这些IFB不受其他解的支配，以平衡脉冲和循环稳态特征并消除背景噪声。应用了两个具有轻微轴承故障的真实振动信号来评估所提方法的性能，结果表明该方法优于一些快速和最优的滤波方法。此外，其跟踪IFB的稳定性也通过状态监测数据集的案例进行了测试。
关键词：
在包络分析中，信息频带 （IFB） 选择是一项具有挑战性的任务，用于轴承的局部故障检测。针对该问题，该文利用MOGWO提出了一种负熵诱导的多目标优化小波滤波器。
滚动体轴承是旋转机械的关键部件。在许多情况下，它以高速、重负载和长时间运行。因此，接触表面上可能会产生点蚀、剥落、微动、划伤等局部缺陷。这些故障会导致异常振动，从而降低工作精度，甚至造成灾难性事故[1，2]。因此，尽早发现轴承故障是机械维护的一个重要和有意义的课题。近几十年来，基于振动的滚动轴承诊断得到了有趣的研究[3]。当轴承旋转时，故障引起的脉冲将以特定频率重复出现，该频率由缺陷的位置决定。通常，它们的持续时间很短，由于机器的背景噪声，它们的响应很难在时间波形或频谱中直接识别[4]。幸运的是，这些重复瞬变通过系统在更高频段的共振而激发，从而放大并保留故障信息[5]。这意味着对谐振频率周围的振动信号进行带通滤波可以提取故障特征并消除干扰。这种方法通常称为高频共振技术或包络分析，如图1所示。因此，包络分析中最关键的挑战是信息频带（IFB）选择[6]，近年来引起了大量关注[7，8，9，10，11]。
光谱峰度（SK）[12]及其称为kurtogram的快速实现[13]被视为IFB选择的一个里程碑，其中具有不同中心频率和带宽的准分析滤波器组输出处的系数峰度在频率/频率分辨率平面中用于表示和检测振动信号中的非平稳性。一经提出，其改进旋转机械故障检测就得到了极大的关注和努力。[14]提出了一种改进的库尔图，采用小波包变换（WPT）代替FIR滤波器，以提高IFB识别精度和滤波信号的信噪比（SNR）。之后，在[15]中应用了基于α稳定分布的新统计指标来代替峰度来表征故障信号的非高斯。在[16]中，在利用稀疏性测量从WPT中选择小波包节点的同时，进一步提出了一种sparsogram。此外，在[17]中引入了另一种替代估计器，称为基尼指数，以提高峰度引导的克对随机脉冲的抵抗力。最近，[2]给出了光谱L1/L18范数，以全面解释SK和光谱相关性，并在[19]中将其与峰度，平滑度指数和基尼指数进行了比较。结论是，所有这些流行的稀疏指数都可能不幸受到异常值的影响;只有一些人对异常值的敏感度低于其他人。在SK的上述改进中，这些指标都用于定量评估带通滤波信号或其解析包络，以检测脉冲可以归类为时域估计器，其最大的缺点是容易受到异常值的影响，如上所述。
相应地，也从另一个角度提出了一些频域方法来改进SK。一个典型的例子是突起图[20]，它根据包络谱的峰度而不是时域解调信号的峰度来选择IFB，以消除故障信号中非高斯异常值的负面影响。据作者所知，它首先应用频域稀疏性来表征故障脉冲。近似地，在[21]中提出了增强SK，其中计算了每个节点上WPT滤波信号包络功率谱的峰度以构建kurtogram。然而，频域稀疏性可能是由周期性干扰引起的，例如转子偏心率或齿轮啮合，并导致包络频谱中故障特征频率（FCF）的谐波减少。这两个方面对于轴承故障诊断都是不需要的。在那之后，测量环平稳性[22]而不是IFB选择中的冲动性开始受到更多关注。在[23]中，利用平方包络（SE）自相关而不是直接滤波信号的峰度来生成用于轴承故障诊断的自动图。在[24]中，在广义高斯信号假设下提出了一系列基于广义似然比的循环平稳指标。在最近的一项工作中[25]，给出了一种基于对数包络谱的新IFB选择方法，称为对数循环图，用于将环平稳性与非高斯性分开捕获。客观上，新提出的方法的有效性[24，25]取决于FCF作为先验知识。计算出的FCF与频谱中的实际值之间的差异很小，因此在一定程度上提取了特定的重复瞬变。这个缺陷也存在于我们之前的研究中[26]，其中功率谱的相关峰度（CK）被用作替代峰度的新估计器。综上所述，可以得出结论，单一时域、频域或循环平稳指示器对于轴承故障特征提取是不完整的。
最近，在[27]中提出了另一种受热力学概念启发的有趣方法，称为infogram。作者介绍，利用滤波信号SE的负熵通过SE信息图表征时域冲动，利用平方包络谱（SES）的负熵表征SES信息图表征频域脉冲。此外，根据赫希曼不确定性原理，使用SE信息图和SES信息图的平均值生成平均值（AVE）信息图，以表征重复瞬变的脉冲和循环稳态特征。
上述研究为IFB选择提供了时域和频域估计器的组合。但是，也存在与之相关的限制。一方面，信息图使用滤波器组的固定边界（如库尔图）划分频谱，它偶尔可能会与IFB不匹配[28]。在[9]中，基于信息图提出了累积图，其中健康数据被用作参考以提高其准确性。另一种有效的方法是将快速滤波方法扩展到基于进化优化的最优滤波[29，30，31]。在[32]中，信息图扩展到基于贝叶斯推理的最优小波滤波器，用于识别局部缺陷。然而，在测量函数中仅采用了SE的负熵。它违背了信息图最初将冲动性和循环平稳性考虑在内的愿望。另一方面，AVE信息图是通过SE信息图和SES信息图的平均值获得的。它不能从根本上克服时域负熵不能免受脉冲噪声的影响，而频域熵不能免受循环平稳噪声的影响[33，34]。然而，IFB的选择很容易受到脉冲或循环稳态噪声的影响。此外，重复瞬变的冲动性和循环平稳性具有竞争力。因此，时域和频域的稀疏性应该达到相对平衡，即IFB选择的折衷。因此，如何平衡重复瞬变的脉冲性和循环平稳性，同时有效避免复杂的干扰，仍值得进一步思考。
针对上述问题，提出一种负熵诱导的多目标优化小波滤波器，用于提取重复瞬变。反对称实拉普拉斯小波（ARLW）的参数通过两个目标函数进行优化：时域最大和频域负熵，以分别表征脉冲和环稳特征。借助多目标灰狼优化器（MOGWO）[35]的竞争机制，将生成一些不受其他最优解支配的帕累托最优解。这意味着代表最脉冲或循环平稳分量的解已在迭代中被消除。随后，IFB可以很容易地通过帕累托集合的最大平均负熵来识别。所提方法的主要贡献可以总结如下：（1）将IFB选择直接建模为多目标优化问题，是首次尝试在使用MOGWO进行轴承故障诊断时解决该问题。（2）利用非主导解的平均负熵提取和平衡故障特征。此外，平均负熵的最大值可以直接用于从帕累托的公式中找到IFB选择的单一最优解。它比膝盖点选择方法简单。
本文的其余部分组织如下。第2节详细介绍了所提出的基于小波滤波和MOGWO算法的方法。接下来，使用几个实验信号检查和比较研究其性能，包括第3节中的两个早期故障诊断案例和一个IFB跟踪案例。最后，第4节总结了一些结论。
详细文章讲解见第4部分。
📚2 运行结果
部分代码：
% MOGWO main loop
for it=1:MaxIt
a=2-it*((2)/MaxIt);
for i=1:GreyWolves_num
clear rep2
clear rep3
% Choose the alpha, beta, and delta grey wolves
Delta=SelectLeader(Archive,beta);
Beta=SelectLeader(Archive,beta);
Alpha=SelectLeader(Archive,beta);
% If there are less than three solutions in the least crowded
% hypercube, the second least crowded hypercube is also found
% to choose other leaders from.
if size(Archive,1)>1
counter=0;
for newi=1:size(Archive,1)
if sum(Delta.Position~=Archive(newi).Position)~=0
counter=counter+1;
rep2(counter,1)=Archive(newi);
end
end
Beta=SelectLeader(rep2,beta);
end
% This scenario is the same if the second least crowded hypercube
% has one solution, so the delta leader should be chosen from the
% third least crowded hypercube.
if size(Archive,1)>2
counter=0;
for newi=1:size(rep2,1)
if sum(Beta.Position~=rep2(newi).Position)~=0
counter=counter+1;
rep3(counter,1)=rep2(newi);
end
end
Alpha=SelectLeader(rep3,beta);
end
% Eq.(3.4) in the paper
c=2.*rand(1, nVar);
% Eq.(3.1) in the paper
D=abs(c.*Delta.Position-GreyWolves(i).Position);
% Eq.(3.3) in the paper
A=2.*a.*rand(1, nVar)-a;
% Eq.(3.8) in the paper
X1=Delta.Position-A.*abs(D);
% Eq.(3.4) in the paper
c=2.*rand(1, nVar);
% Eq.(3.1) in the paper
D=abs(c.*Beta.Position-GreyWolves(i).Position);
% Eq.(3.3) in the paper
A=2.*a.*rand()-a;
% Eq.(3.9) in the paper
X2=Beta.Position-A.*abs(D);
% Eq.(3.4) in the paper
c=2.*rand(1, nVar);
% Eq.(3.1) in the paper
D=abs(c.*Alpha.Position-GreyWolves(i).Position);
% Eq.(3.3) in the paper
A=2.*a.*rand()-a;
% Eq.(3.10) in the paper
X3=Alpha.Position-A.*abs(D);
% Eq.(3.11) in the paper
GreyWolves(i).Position=(X1+X2+X3)./3;
% Boundary checking
GreyWolves(i).Position=min(max(GreyWolves(i).Position,lb),ub);
GreyWolves(i).Cost=myfun(GreyWolves(i).Position,wavefilter,sig,Fs,FR);
end
GreyWolves=DetermineDomination(GreyWolves);
non_dominated_wolves=GetNonDominatedParticles(GreyWolves);
Archive=[Archive
non_dominated_wolves];
Archive=DetermineDomination(Archive);
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]Gu X, Yang S, Liu Y, et al. Multi-Objective Informative Frequency Band Selection Based on Negentropy-Induced Grey Wolf Optimizer for Fault Diagnosis of Rolling Element Bearings. Sensors 2020, 20(7),
[2] 顾晓， 杨淑， 刘彦， 等. 基于负熵诱导灰狼优化器的多目标信息频带选择用于滚动轴承故障诊断.传感器 2020， 20（7）， 1845.
343
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
