👨🎓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
文献来源:
摘要:增强重复性瞬态是轴承故障检测的关键。盲反卷积旨在从重复瞬态及其混合中恢复脉冲冲击。目前,基于不同的优化准则,如峭度、熵、广义Lp / Lq范数等,已经提出了多种反卷积方法来恢复重复碰撞。由于这些优化准则的非凸性,这些优化问题的局部最优解可能经常被获得。本文受谱峭度快速实现的启发,如快速谱峭度图,提出并研究了一种优化的最小广义Lp / Lq反褶积( OMGD )。该方法的主要思想是利用快速峭度图中设计的滤波器为最小广义Lp / Lq反褶积( MGD )提供适当的初始化。因此,可以迭代得到多个局部最优解。然后,将这些局部最优解的最小值作为精确估计来近似MGD的全局最优解。结果表明,对于重复图像的增强,所提方法比MGD和快速峭度图具有更好的反卷积性能。
旋转机械广泛应用于风力涡轮机、发动机、直升机、高速列车等,为现代工业提供了动力来源[1],[2]。滚动轴承作为旋转机械中最关键的部件之一,很容易损坏。轴承故障通常会导致设备损坏、停机和严重的安全事故 [3]、[4]。因此,轴承状态监测和故障诊断自然成为一个广泛的研究课题。
当轴承的一些关键部件(如内圈、外圈、滚子和保持架)表面出现局部缺陷时,会产生一系列带有调制现象的故障脉冲响应[5]。故障脉冲响应的循环平稳性与轴承故障的类型直接相关,是轴承故障诊断的主要证据和判断标准[6]。然而,故障脉冲响应通常非常弱,因此很容易被强烈的背景噪声所淹没[7]。如何从原始振动数据中检测和增强故障脉冲响应是轴承故障诊断领域的主要研究课题。到目前为止,冲动签名增强已经相继被研究。已经提出并成功应用了多种故障诊断技术,包括小波变换(WT),经验模态分解(EMD)[8],变分模态分解(VMD)[9]和经验小波变换(EWT),谱峰度(SK),基于反卷积的方法[10],[11].基于反卷积的方法,包括最小熵反卷积(MED)[12],最大相关峰度反卷积(MCKD)[13]和最优MED(OMED) [14],是脉冲签名增强的典型和强大的工具之一。对于基于反卷积的方法,使用有限脉冲响应(FIR)滤波器通过最大化滤波信号的特定标准来消除噪声和干扰。由于FIR可以自由调节,通过反卷积方法获得的滤波器是轴承故障诊断的最佳滤波器,其性能明显优于其他方法(WT、EMD、VMD、EWT 和SK)确定的滤波器。然而,在基于反卷积的方法中,仍有许多不可避免的问题需要解决。因此,这些问题是本文的研究目标。
反卷积方法试图通过优化设计的目标函数来实现反卷积过程的逆滤波器[12],[15]。目标函数通常是对脉冲特征的数学描述,直接影响逆滤波器的性能。MED将峰度作为目标函数,并迭代地寻求最优逆滤波器。峰度被认为是表征轴承故障的有效稀疏测量方法,广泛用于轴承故障诊断[6],[16]。峰度是归一化的四阶矩统计,它对测量信号中的异常值很敏感,无法区分随机脉冲和循环脉冲[10],[13]。因此,许多文献表明,MED对噪声不具有鲁棒性,它通常会迅速收敛到最大的峰值,并倾向于提取测量中存在的异常值[11]。为了克服峰度的缺点,相关峰度(CK)利用故障脉冲的周期性来消除随机脉冲的影响。MCKD是基于CK的反卷积方法的典型例子,其卓越的性能已在旋转机器的脉冲特征增强中得到说明[17]。然而,MCKD在轴承故障诊断方面存在一些局限性,包括需要对循环脉冲的先验知识以及增加的重采样过程[10]。D范数是峰度的一种扩展形式,可用作获得最优逆滤波器的目标函数[14]。OMED是基于D范数的反卷积方法的典型例子。就像峰度一样,D范数过分强调信号中的显性峰值。通过以上分析,目标函数的选择直接决定了逆滤波器的性能。因此,反卷积方法的第一个重要步骤是确定一个目标函数。应该注意的是,用于表征重复瞬变的所有其他健康指数,包括L1/L2范数(修订的稀疏测量)[5],[18],[19],基尼指数[20],平滑度指数[21],方差指数[22]等,都可以用作反卷积方法的目标函数。
找到逆滤波器问题的解决方案是反卷积方法的另一个关注点[10]。许多反卷积方法,包括MED及其变体,通过以初始值[12],[13]开头的迭代算法获得逆滤波器。然而,这些方法的目标函数是非凸的,导致得到的逆滤波器在某种意义上并不是反卷积问题的最优解,特别是在滤波器尺寸较大的情况下。此外,迭代算法对初始值敏感,这意味着不同的初始值会使算法收敛到不同的局部最优解,从而获得不同的逆滤波器。因此,当被测信号中存在一些强干扰信号时,反卷积方法的性能可能会下降,导致反卷积方法无法获得满意的结果[23]。为了克服这些缺点,反卷积方法与其他信号处理方法相结合,如MED结合SK(MED-SK)[24],MED结合自回归模型(MED-AR)[12],MED结合WT(MED-WT)[25],MED结合EMD(MED-EMD)[26]。 等人提出,这些方法的本质是通过其他信号处理方法消除信号中的噪声和干扰,然后用MED增强脉冲特征。通过其他信号处理方法提高了信号的信噪比,降低了后续反卷积方法目标函数的局部最优解。因此,反卷积方法更容易收敛到全局最优解。但是,要确保故障信号可以通过其他信号处理方法准确分离,实在太难了。一旦发生过分解(故障信号分解为两个分量信号),就无法通过对任何分量信号进行反卷积法得到最优解。
广义Lp/Lq是表征轴承故障的优良指标。它已被广泛用于轴承故障诊断,并取得了许多成功[11],[27],[28]。由于广义Lp/Lq的性质可以通过p和q两个变量来控制,广义Lp/Lq比峰度和L1/L2范数更灵活。峰度或L1/L2范数只是广义Lp/Lq的特例[27],[28]。在参考文献[1]中开发了一种基于L2/L22正则化的稀疏过滤方法,并将其应用于无监督机器学习。贾等人[28]将稀疏滤波扩展到广义Lp/Lq范数,并成功应用于轴承故障诊断。事实上,稀疏过滤在数学上等价于反卷积问题[11]。为了便于描述,避免歧义,本文通篇将基于广义Lp/Lq范数的稀疏滤波更名为最小广义Lp/Lq反卷积(MGD)。与反卷积方法相同,MGD的目标函数仍然是非凸的。因此,MGD仍然受到初始值的影响,可能无法获得最佳解。该文提出一种特殊的MGD初始化技术。它应用于MGD的算法。基于提出的初始值初始化技术的新MGD称为优化最小广义Lp/Lq反卷积(简称OMGD)。利用所提出的初始值初始化技术,OMGD将大概率收敛到全局最优解。OMGD的优点可以概括为:(1)它是一个通用的反卷积框架,包括MED和MGD,具有非常好的灵活性;(2)可以避免大多数局部最优解,大概率收敛到期望的最优解。
本文的其余部分组织如下。现有的基于反卷积的方法在第 2 节中概述。OMGD在第3节中介绍。仿真验证在第 4 节中进行。案例研究在第 5 节中进行。最后,结论总结在第6节中。
📚2 运行结果
部分代码:
figure
plot(fts,abs(fft(sx1))*2/N,'LineWidth',1)
xlabel('Frequency (Hz)','fontsize',12)
ylabel('Amplitude','fontsize',12)
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,300,150]);
% ylim([0,0.3])
xlim([0,5000])
figure
plot(fts,abs(fft(abs(hilbert(sx1))))*2/N,'LineWidth',1)
xlabel('Frequency (Hz)','fontsize',12)
ylabel('Amplitude','fontsize',12)
set(gca,'linewidth',1);
set(gca,'FontSize',12);
%set(gcf,'position',[200,300,300,150]);
ylim([0,0.1])
xlim([0,800])
set(gcf,'position',[200,300,600,200]);
%%
[~,rec3]=min_lplq(sx1,40,0,1,2);
fts1=(0:length(rec3)-1)*Fs/length(rec3);
NN=length(rec3);
figure
plot(t(1:NN),rec3,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-6,6])
yticks([-6:3:6])
figure
plot(fts1,abs(fft(abs(hilbert(rec3))))*2/length(rec3),'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Frequency (Hz)','fontsize',12)
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
xlim([0,400]);
ylim([0,0.4])
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]He, Liu, et al. “Optimized Minimum Generalized Lp/Lq Deconvolution for Recovering Repetitive Impacts from a Vibration Mixture.” Measurement, vol. 168, Elsevier BV, Jan. 2021, p. 108329, doi:10.1016/j.measurement.2020.108329.