基于QGA和隨機共振的軸承微弱故障信號檢測方法

葛江華 王巖 王亞萍 孫永國 許迪

摘?要：針對滾動軸承早期故障階段振動信號微弱，信噪比低，提出量子遺傳算法（quantum?genetic?algorithm，簡稱QGA）與隨機共振相結合的微弱信號檢測方法，提高信號信噪比并識別故障位置。首先，對大參數信號變尺度處理，并根據輸入信號對噪聲強度進行估計實現參數初始化;其次，以輸出信噪比作為目標函數，通過QGA對系統的雙參數進行自適應尋優;最后，通過系統的隨機共振實現微弱信號信噪比的提高。仿真及實驗結果表明，該方法充分考慮了系統參數之間的相互作用，能夠有效提高信號信噪比，實現了早期故障階段的微弱信號檢測。

關鍵詞：早期故障診斷;微弱信號檢測;量子遺傳算法;隨機共振

DOI：10.15938/j.jhust.2020.03.015

中圖分類號：?TH165+.3;TN911.7

文獻標志碼：?A

文章編號：?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

微弱信號檢測目前在各領域內得到了廣泛研究與發展。微弱信號檢測是將深埋在環境噪聲中的微弱信號提取出來，或提高微弱信號的信噪比。目前應用廣泛的有時域平均法、相關檢測法、混沌理論法和窄帶濾波法等[1-3]。

隨著非線性動力學與各交叉學科的快速發展，隨機共振[4-7]方法在微弱信號檢測領域得到了廣泛的關注。隨機共振方法與上述方法的信號處理機制不同，它將濾除噪聲轉變為利用噪聲增強微弱信號，即將噪聲信號中的能量轉移到有用信號中。冷永剛等[8]提出一階線性系統調參廣義隨機共振的特征提取方法，通過調整一階線性系統參量，獲得信噪比在取極大值情況下的廣義隨機共振;Tan等[9]通過引入二次采樣解決大參數對隨機共振效果的影響;Mba等[10]將隨機共振用于健康的齒輪箱并探討諸如殘余信號和濾波信號計算的方法，以幫助遏制假警報，同時提高整體隨機共振結果;Krauss等[11]提出了傳感器的輸出可以確定激勵隨機共振產生的噪聲強度。

采用傳統隨機共振對加噪信號進行處理，在不調節系統參數的情況下，也就是默認a=1、b=1的情況下，隨機共振現象并沒有發生。前文已說明隨機共振的產生取決于輸入信號，噪聲和非線性系統的協同作用，目前輸入信號已知，噪聲的強度也僅是高于輸入信號，而不是強度過大完全掩蓋信號，說明是系統內的參數存在問題。

系統的信噪比由噪聲強度和勢壘協同作用，在噪聲一定的時候，系統的信噪比與勢壘的關系如圖6所示?？梢钥闯鱿到y的輸出信噪比是在隨著勢壘的變化而變化。通過調節系統參數使勢壘發生變化，當信號的勢壘逐漸增大時，信號的信噪比先增加后減小，說明只有當勢壘、信號、噪聲達到一個最佳關系時，才能保證隨機共振的信噪比最高。

為了進一步研究最佳的系統參數，對加噪信號采用雙變量自適應隨機共振。如圖7所示為量子遺傳算法對隨機共振系統參數的尋優圖。這里以信噪比作為適應度函數，自適應調節系統參數a和b，由圖可見，頂部區域為滿足最大信噪比的最優近似解。

通過計算得到的系統參數值，a=0.27588，b=0.40685輸入到系統中產生隨機共振如圖8所示?？梢钥闯鱿鄬τ趫D，波形已經呈現一定周期性，從頻域可以發現在0.01Hz（圖中為0.009766Hz，在可接受的誤差范圍之內）處有明顯的頻率，幅值為0.2172，相對于原信號的幅值0.002245得到了很大的提高。

作為對比，這里也對單變量的優化進行了仿真，如圖9所示。

當固定一個參數b=1，通過遺傳算法可以得到a=0.7746，代入系統中產生隨機共振，可以看到頻率的幅值為0.1453，要小于雙變量自適應隨機共振的結果。

通過與傳統隨機共振、單變量自適應隨機共振對比發現，本節的方法要優于前兩種方法。對于微弱信號和復雜信號，頻率通常深埋在噪聲頻率中不易識別，該方法可以最大程度提高頻率幅值，更有利于故障的識別。

3.2?實驗驗證

本文將采用雙列角接觸球軸承故障模擬試驗來驗證本文提出的微弱信號檢測、信號分解、降噪與特征提取方法的有效性。實驗室搭建的滾動軸承振動測試試驗臺如圖10所示。試驗臺主要組成有：SGM7J-04AFC6S伺服電機，額定輸出400W，額定電流2.5A，額定轉矩1.27N·m，額定轉速3000r/min;YMC122A100加速度傳感器，頻率范圍0.3-10KHz;POD-0.6kg磁粉制動器，電壓24V，電流0.81A，額定轉矩6N·m，最高轉速1800r/min;GFC-40X66梅花聯軸器;底座與軸承座、連接件與緊固件。

試驗對象為3204ATN雙列角接觸球軸承，如圖12所示，具體參數如表1所示。根據滾動軸承常見故障位置與故障類型，本文實驗主要模擬內圈磨損故障。內圈磨損情況如圖11所示，圖中圈內的即為磨損位置。轉速n=2400r/min，采樣頻率f=2560Hz，基本參數如表1所示，根據參數和式（11）得到內圈的故障頻率約為fi=192.84Hz。

式中：Z為滾動體個數;f0為主軸的轉頻;d、D為滾動體直徑和節圓直徑;α為接觸角。

原始信號的幅值圖和頻譜圖如圖12所示。外圈裂痕信號的噪聲方差估計值σ2=0.1034，D=0.0064625，A=0.04294，此時信號幅值大于信號的噪聲強度，因此添加噪聲強度D=0.2的白噪聲，

由于實際信號不滿足隨機共振小參數要求，所以先經過變尺度縮小采樣頻率，尺度壓縮比R=512，對信號尺度變換之后，采樣頻率fs=f/R=5Hz。

根據量子遺傳算法尋優得到a=1.64278，b=17.4642，隨機共振得到的頻譜圖如圖13所示，經過尺度還原比例f=0.38627R=197.77Hz，接近內圈故障頻率，可以看出轉頻和故障頻率都有一定程度的增強。

作為對比，這里也對單變量的優化進行了仿真，如圖14所示。

當固定一個參數a=1，通過遺傳算法可以得到b=16.3541，代入系統中產生隨機共振，可以看到故障頻率處的幅值為0.1488，要小于雙變量自適應隨機共振的結果。

4?結?論

本文提出一種量子遺傳算法與隨機共振相結合的微弱信號檢測方法，通過仿真與實驗驗證得到以下結論：

1）大參數信號經過變尺度處理并不影響故障頻率;信號中的噪聲強度要通過計算以確定是否需要添加額外白噪聲。

2）量子遺傳算法對于隨機共振系統參數的優化效果要優于傳統方法和單一參數優化。

3）通過仿真和實驗數據的驗證，本文方法可以對早期故障階段的微弱信號進行檢測，得到具體的故障頻率，實現故障位置的識別。

參?考?文?獻：

[1]?王亞萍，?許迪，?葛江華，等.?基于SPWVD時頻圖紋理特征的滾動軸承故障診斷[J].?振動、測試與診斷，?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.振動信號處理的時頻域方法[J].哈爾濱理工大學學報，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.?一階線性系統隨機共振在轉子軸故障診斷中的應用研究[J].?振動與沖擊，?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.?采用知識的粒子群算法的多頻微弱信號自適應隨機共振檢測方法[J].?機械工程學報，?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.?基于果蠅優化算法的自適應隨機共振軸承故障信號檢測方法[J].?振動與沖擊，?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）