ASR gürültü azaltma ve geliştirilmiş LMD'ye dayalı dişli arıza teşhis yöntemi
Bian Bingbing
(Pingdingshan Mesleki ve Teknik Endüstri Koleji, Pingdingshan 467001, Henan)
Dişli özelliği bilgilerinin zorlu ortamın etkisi altında etkili bir şekilde çıkarılmasının zor olduğu durumları hedefleyerek, uyarlanabilir stokastik rezonans gürültü azaltmaya ve geliştirilmiş yerel ortalama ayrıştırmaya dayalı bir dişli arıza teşhis algoritması önerilmektedir. En iyi stokastik rezonans çıktısını elde etmek ve zayıf hata bilgisini çıkarmak için stokastik rezonans parametrelerini optimize etmek için parçacık sürüsü optimizasyon algoritmasını kullanın; Arıza karakteristik frekansının sinyal-gürültü oranına dayalı olarak, yerel ortalama ayrıştırmayı iyileştirin, yanlış bileşenlerin girişimini ortadan kaldırın ve dişli üzerindeki bulanık entropi özelliğini çıkarın Teşhis tanımlama için tip. Deneysel araştırmalar, bu yöntemin çeşitli dişli türlerini daha iyi tanımlayabildiğini ve etkili bir dişli arıza teşhis algoritması olduğunu göstermektedir.
Uyarlanabilir stokastik rezonans; yerel ortalama ayrışma; destek vektör makinesi; hata teşhisi
Çin Kütüphanesi Sınıflandırma Numarası: TN06
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.04.024
Çince alıntı biçimi: Bian Bingbing. ASR gürültü azaltma ve geliştirilmiş LMD'ye dayalı dişli arıza teşhis yöntemi Elektronik Teknoloji Uygulaması, 2017, 43 (4): 90-93.
İngilizce alıntı biçimi: Bian Bingbing. ASR denoising ve geliştirilmiş LMD'ye dayalı dişli arıza teşhis yöntemi.Elektronik Tekniğin Uygulanması, 2017, 43 (4): 90-93.
0 Önsöz
Mekanik şanzıman formunun temel bileşeni olan dişlilerin çalışması, mekanik ekipmanın çalışma durumunu doğrudan etkiler, ekipman arızalandığında operatörlerin kişisel güvenliğini ciddi şekilde tehdit eder. Bu nedenle, mekanik ekipmanın çalışmasının güvenilirliğini sağlamak için arıza teşhisi yapmak ve ciddi arızalar meydana gelmeden önceden karar vermek birincil araştırma içeriğidir.
Gerçek çalışma koşulları altında zorlu ortamdan etkilenen sinyal, çok fazla gürültü ile karıştırılır, sinyal-gürültü oranı düşüktür, karakteristik bilgi batırılır ve etkili bir şekilde çıkarılması zordur. Stokastik rezonans, zayıf sinyal özelliği bilgisinin çıkarılmasında iyi bir şekilde uygulanmıştır, ancak başlangıç parametrelerinin seçimi, özellik çıkarımının etkisi üzerinde daha büyük bir etkiye sahiptir. SMITH J S, EMD algoritmasına benzer bir Yerel Ortalama Ayrıştırma (LMD) yöntemi önermiştir; bu, kararsız ve doğrusal olmayan özelliklere sahip dişli titreşim sinyallerine uygulama için çok uygundur. LMD, sinyali işlemek için sinyalin yerel uç noktalarını kullanır ve sinyali, PF bileşenlerinin toplamı için pratik önemi olan bir dizi farklı frekans bandına ayrıştırır. Yukarıdaki duruma dayanarak, bu makale stokastik rezonans parametrelerini optimize etmek için Parçacık Sürü Optimizasyonu (PSO) algoritmasını kullanır, optimum çıkışın uyarlanabilir çözümünü gerçekleştirir, zayıf arıza sinyalini çıkarır ve ardından LMD'yi, PF sinyal-gürültü oranını analiz etmek için sinyali ayrıştırmak için kullanır. Ana karakteristik bilgileri içeren bileşenler taranır ve bulanık entropi bilgi karakteristikleri elde edilir, dişli arızalarının teşhisini ve tanımlanmasını gerçekleştirmek için SVM ile birleştirilir.
1 Anahtar arıza teşhisi teknolojisi
1.1 Uyarlanabilir stokastik rezonans gürültü azaltma
Uyarlanabilir Stokastik Rezonans (ASR), stokastik rezonans parametrelerini optimize etmek için parçacık sürüsü optimizasyon algoritmasını kullanır Parçacık sürüsü optimizasyon algoritması, sürü zekasına dayalı küresel bir optimizasyon yöntemidir. Her parçacığın başlangıç ayarı, probleme bir çözümü temsil eder Parçacık sürüsü, aranacak en uygun parçacığı takip eder Parçacığın kalitesi, uygunluk fonksiyonu tarafından belirlenir.Bu makalede, stokastik rezonans çıkış sinyalinin sinyal-gürültü oranı, uygunluk değeri olarak kullanılır.
Bunlar arasında: E ortalama değer fonksiyonudur, D gürültü yoğunluğu ve (t) dürtü fonksiyonudur. A, b ve D'yi ayarlayarak, sistem çıkışı, giriş dış kuvvetinin modülasyon frekansına göre periyodik rezonans elde edecektir ( = 2f), böylece toplanan titreşim sinyalindeki yararlı bileşenler güçlendirilir, böylece yararlı sinyali vurgular ve sinyali iyileştirir. Sinyal-gürültü oranı, özellik bilgilerinin çıkarılmasına elverişlidir.
1.2 Yerel ortalama ayrışmanın iyileştirilmesi
LMD yöntemi, sinyali bir dizi AM-FM sinyaline ayrıştıran ve gerçek fiziksel anlamı olan PF bileşenlerinin toplamına sahip olan bir sinyale uyarlamalı ayrıştırma yöntemidir. Herhangi bir X (t) sinyal seti verildiğinde, ayrıştırma adımları aşağıdaki gibidir:
(1) Orijinal X (t) sinyaline karşılık gelen tüm yerel uç noktaları ni arayın ve ortalama mi değerini ve herhangi iki bitişik uç nokta arasındaki tahmini ai değerini çevreleyin:
Bitişik noktaları bağlarken tüm mi ve ai'yi bağlayın, hareketli ortalama yöntem işlemine göre sinyalin yerel ortalama fonksiyonu m11 (t) ve zarf tahmin fonksiyonu a11 (t) hesaplayın;
(2) Hesaplanan m11 (t) 'yi orijinal sinyal X (t)' den ayırın ve demodüle edilmiş sinyal s11 (t) elde etmek için ayrılmış sinyali h11 (t) demodüle edin:
(3) -1t1 olduğunda saf FM sinyali ise, demodüle edilmiş s11 (t) sinyalini değerlendirin; aksi takdirde, orijinal sinyal olarak s11 (t) 'yi kullanın ve (1) (3) adımlarını tekrarlamaya devam edin. ) Operasyon. Yineleme sonlandırma koşulları aşağıdaki gibidir:
(4) Sinyalin anlık genliğine karşılık gelen zarf sinyalini elde etmek için yukarıdaki yinelemeli işlemde hesaplanan tüm zarf tahmin fonksiyonlarını çarpın:
(5) Yineleme sonlandırma koşulu karşılandığında, PF1 orijinal sinyalden çıkarılır ve kalan sinyal u1 (t), uk (t) monoton bir fonksiyon olana kadar k kez döngü yaparak yukarıdaki ayrıştırma işlemini tekrarlamaya devam eder. Son olarak, orijinal sinyal k PF bileşenlerinin toplamı ve bir artık bileşen uk (t) olarak ifade edilebilir:
Her bir PF bileşenindeki gürültü enerjisi, orijinal gürültü enerjisinden çok daha düşüktür ve çoğu yüksek frekans bandında yoğunlaşmıştır.Aynı zamanda, dişli tarafından üretilen arıza karakteristik frekansı, düşük frekans kısmında daha yoğunlaşmıştır. Bu nedenle, hata karakteristik frekansının sinyal-gürültü oranının, hata karakteristik frekansının ana bilgisini içeren etkin PF olarak kullanılan orijinal sinyalinkini çok aştığı, böylece hatanın karakteristik frekansının çıkarılabildiği nispeten düşük bir frekans bandı olmalıdır. Arızanın karakteristik frekansı için sinyal-gürültü oranını şu şekilde tanımlayın:
2 Deneysel ekipman ve veri toplama
Doğrulama deneyi, arıza simülasyon deney platformunda gerçekleştirilmiş, eğitim numuneleri ve test numunelerine bölünen deney sırasında dişlinin titreşim sinyali toplanmış, motor hızı 40 Hz ve örnekleme frekansı 5120 Hz olarak ayarlanmıştır. Dişli kutusu üzerindeki sensör düzenlemesi Şekil 1'de gösterilmiştir. Deney sırasında, normal, kırık diş, az diş ve aşınmanın dört durumundaki dişlilerin titreşim sinyallerini simüle etmek için, dişli kutusundaki dişliler karşılık gelen arıza türleri ile değiştirilmiş ve daha sonra ölçülmüş ve dört dişli titreşim sinyalinin zaman alanı diyagramları toplanmıştır. resim 2'de gösterildiği gibi.
3 Deneysel sonuçların analizi
Arka plan gürültüsünün etkisinden dolayı, etkin arıza karakteristik bilgisi, dişlinin zaman-alanlı dalga şekli diyagramı analiz edilerek çıkarılamaz ve dişlinin arıza tipi ayırt edilemez. Dişli sinyali, örnek olarak kırık diş dişli sinyali alınarak aşağıdaki frekans alanında analiz edilir ve frekans spektrumu Şekil 3'te gösterilir. Şekilden, kırık diş dişlisinin düşük frekans bandının ana bileşenlerinin 15.53 Hz, 31.23 Hz, 39.08 Hz, 46.76 Hz, 62.46 Hz olduğu ve bunların 39.08 Hz frekansının motorun giriş frekansına karşılık geldiği ve 15.53 Hz'nin kabaca birincil millerden birine karşılık geldiği görülmektedir. 31.23 Hz, 46.76 Hz ve 62.46 Hz dönme frekansları sırasıyla 15.53 Hz'lik ikili, üçlü ve dörtlü frekanslardır. Arızalı dişlinin karakteristik frekansı olan 20.83 Hz açık değildir, diğer frekans bileşenleri tarafından baskılanır ve çıkarılamaz.
Stokastik rezonansın çok kritik iki parametresi vardır a ve b. Stokastik rezonansın çıkış etkisi, bu iki parametrenin ayarlarıyla sınırlıdır.Bu nedenle, bu makale, parçacık sürüsü optimizasyon algoritmasını benimser ve uygunluk değeri olarak stokastik rezonans çıkış sinyalinin sinyal-gürültü oranını kullanır. Seçimi optimize etme, optimize edilmiş partikül sayısını 50 olarak seçme, yineleme sayısı 200, elde edilen optimal bireysel uygunluk değerinin değişim süreci Şekil 4'te gösterilmiştir ve nihai optimal bireysel uygunluk değeri -12.658 dB'dir, a ve b Optimizasyon sonuçları: a = 0.07877, b = 2.84.
Çözmek için Runge-Kutta algoritması kullanılarak, kırık diş dişlisinin stokastik rezonans çıkış dalga formu spektrogramının düşük frekanslı kısmı Şekil 5'te gösterilmektedir.
Şekil 5'ten görülebileceği gibi, 20.14 Hz'lik dişli arızası karakteristik frekansı ve ortaya çıkan yan bantlar başarılı bir şekilde çıkarılır, bu da orijinal sinyalin sinyal-gürültü oranını büyük ölçüde geliştirir ve sinyalden faydalı karakteristik bilginin çıkarılması üzerindeki gürültü girişimini azaltır.
Aşağıdakiler, karakteristik bilgiyi çıkarmak için hata karakteristik frekansının sinyal-gürültü oranına dayanan geliştirilmiş LMD algoritmasını kullanır. İlk olarak, sinyal uyarlamalı olarak LMD tarafından ayrıştırılır ve kırık dişli sinyal, Şekil 6'da gösterildiği gibi 5 katman PF ve 1 artık bileşen R elde etmek için ayrıştırılır.
Daha sonra, hata karakteristiği frekans sinyal-gürültü oranına dayanan önerilen etkili PF çıkarma yöntemine göre, aynı frekans bileşeni birden fazla PF'ye ayrıştırılabildiğinden, birden çok PF, dişli arızası karakteristik frekansının PF'si olarak seçilir. Oranın hesaplama sonuçları Tablo 1'de gösterilmektedir.
Bunlar arasında, PF3'ün arıza karakteristik frekansının en yüksek sinyal-gürültü oranı -13.537 dB'dir.Arızanın aynı karakteristik frekansı birden fazla PF'ye ayrıştırılabileceğinden, arızanın ilk 3 karakteristik frekansının en yüksek sinyal-gürültü oranına sahip PF bileşeni ana arıza karakteristik bilgisi olarak seçilir. Sırasıyla bu 3 PF bileşeninin etkili PF bileşeni ve bulanık entropisini hesaplayın ve bunları özellik bilgisi olarak belirlenen SVM'ye girin. Bunların arasından, her dişli türünden 30 grup eğitim örnekleri olarak rastgele seçilir ve kalan 10 örnek grubu test olarak kullanılır Örnek, algoritmanın doğruluğunu doğrulamak için dişli tipini tanımlamak için kullanılır. Tanıma sonucu, Şekil 7'de gösterilmektedir. Genel doğru oran% 92,5'e ulaşır. Bunun nedeni, arıza özelliği bilgisi çıkarılırken, münferit örneklerin özelliklerinin nispeten yakın ve örtüşmesidir, bu nedenle Yanlış tanımlama.
4. Sonuç
Bu makale, ASR gürültü azaltma ve geliştirilmiş LMD'ye dayalı bir dişli arıza teşhis yöntemi benimser.Sinyal karakteristik bilgilerinin çıkarılması üzerindeki gürültünün parazitini bastırmak için, toplanan titreşim sinyalleri üzerinde uyarlamalı stokastik rezonans gürültü azaltma işlemi gerçekleştirilir ve parçacık sürüsü optimizasyon algoritması stokastik rezonansa dahil edilir. Parametre optimizasyon sürecinde, önceden işlenmiş sinyal frekansı spektrumunun analiz edilmesiyle, dişli arıza karakteristik frekansı ve yan bant daha iyi gözlemlenebilir, bu da sinyal-gürültü oranını iyileştirir; Arıza karakteristiği frekans sinyalinin gürültü oranına dayalı LMD ayrıştırma yöntemi, etkili bir şekilde filtrelemek için kullanılır. Üç kullanışlı PF bileşeni PF1 PF3 hesaplanır ve 4 tip dişlinin bulanık entropiye duyarlı özellik setleri elde edilir; eğitimli SVM tanıma modeli ile birlikte dişli tipleri teşhis edilir ve tanımlanır. Deneysel araştırmalar, dört tür dişli için önerilen algoritmanın genel doğruluğunun% 92,5 olduğunu ve bu da algoritmanın etkili bir dişli arıza teşhis algoritması olduğunu göstermektedir.
Referanslar
He Zhengjia, Chen Jin, Wang Taiyong, vb Mekanik Arıza Teşhis Teorisi ve Uygulaması Beijing: Higher Education Press, 2010.
Yang Ning, Zhang Peilin, Ma Qiao, vb. Zayıf sinyal tespitinde adaptif stokastik rezonans uygulaması Mekanik Mukavemet, 2012 (6): 798-802.
SMITH J S. Yerel ortalama ayrıştırma ve EEG algı verilerine uygulanması Royal Society Interface Journal, 2005, 2 (5): 443-454.
Cheng Junsheng, Zhang Kang, Yang Yu. Modülasyon Sinyali İşlemede Yerel Ortalama Ayrıştırma Yönteminin Uygulanması Titreşim, Test ve Teşhis, 2010, 30 (4): 362-365.
Zhang Kang, Cheng Junsheng, Yang Yu. Yerel ortalama ayrışma ve morfolojik spektruma dayalı döner makine arıza teşhis yöntemi Titreşim ve Şok, 2013, 32 (9): 135-140.
Zhao Limin, Zhu Xiaojun, Gao Xurui. Geliştirilmiş LMD hareket görüntüleme sinyal tanımasına dayanır Elektronik Teknoloji Uygulaması, 2016, 42 (3): 116-119.
Zhang Zhonghai, Wang Duo, Wang Taiyong ve diğerleri Parçacık sürüsü optimizasyonunu kullanarak uyarlanabilir değişken adım uzunluklu stokastik rezonans üzerine araştırma. Titreşim ve Şok, 2013, 32 (19): 125-130.
Lin Chuan, Feng Quanyuan Parçacık sürüsü optimizasyon algoritmasının bilgi paylaşım stratejisi Southwest Jiaotong Üniversitesi Dergisi, 2009, 3 (6): 437-441.
Geng Yongqiang, Wei Renyong ICA ve SVM'ye dayalı rulmanların arıza teşhis yöntemi araştırması Elektronik Teknolojinin Uygulanması, 2007, 33 (10): 84-86.
