一种基于自适应随机共振滤波器的微弱信号检测方法

摘要

本发明公开了一种基于自适应随机共振滤波器的微弱信号检测方法，该检测方法在待检测轴承上安装传感器采集轴承的振动信号，再将振动信号进行包络解调得到滤波器的输入信号Z[n]。通过利用遗传算法调整滤波器参数对Z[n]进行滤波并计算优化输出信号的SQI值。本发明具有以下优点：一、在故障频率未知情况下能够实现轴承故障微弱信号的自适应增强；二、具有好的滤波效果，能够同时滤除高频段和低频段的噪声干扰；三、本发明采用的遗传算法能够提高运算速度，从而提高轴承故障诊断的效率。

说明书

技术领域

本发明涉及微弱信号检测的技术领域，具体涉及一种基于自适应随机共振滤波器的微弱信号检测方法。

背景技术

轴承故障诊断对保障人员安全，减少经济损失等方面具有重要意义。轴承在发生故障时会产生周期性的冲击振动，通过对传感器采集到的信号中的冲击周期进行检测，可以判断该轴承是否存在故障及故障类型。但是，采集到的信号中充满了大量噪声，而噪声使周期信号的有效提取和检测变得困难。

随机共振是一种可以利用噪声增强微弱信号的非线性方法，其独特的特点已经广泛地被应用于轴承故障诊断等微弱信号检测领域。采用随机共振滤波器对信号进行滤波从而提取微弱信号，需要调节所设计滤波器的参数以达到滤波效果最优化。随机共振滤波器依赖于一个负反馈指标来评价滤波效果和引导参数调节。信噪比是基于随机共振的轴承故障检测方法中最常用的指标，但是，当被检测目标信号频率未知时，信噪比将无法引导滤波器参数调节，也无法实现轴承故障诊断。另外，随机共振滤波器最优参数的确定可以得到最优的滤波输出。但是，传统的网格搜索方法搜寻滤波器的最优参数要耗费大量运算时间，因此网格搜索方法效率低下，无法快速实现轴承故障诊断。

由上可知，对现有的基于随机共振滤波器的微弱信号检测技术而言，基于信噪比指标和网格搜索方法都存在一定的局限性，如何实现普遍性强、高效的技术方案仍需要进一步探讨。

发明内容

本发明目的在于提供一种基于自适应随机共振滤波器的高效微弱信号检测方法，并将它用于轴承故障诊断。自适应随机共振滤波器在目标信号频率未知的情况下，通过遗传算法实现自适应参数寻优，最终确定轴承故障类型，提高了轴承故障诊断效率和精度。

本发明采用的技术方案为：一种基于自适应随机共振滤波器的微弱信号检测方法，该方法包括如下步骤：

步骤(1)、构建一个BPNN神经网络，将六维的输入指标训练成一个一维的输出指标SQI，训练完成之后得到的SQI指标值越低，表示随机共振滤波器滤波效果越好；

步骤(2)、初始化随机共振滤波器参数h和γ的范围，对其在给定范围内进行编码，随后利用随机共振滤波器对轴承振动信号中反映故障特征的微弱信号采用以下四阶龙格库塔公式进行处理：

式中x[n]为滤波输出信号，y[n]为x[n]的一阶导数，Z[n]为输入信号，h∈(0,+∞)为计算步长，γ∈(0,1)为阻尼因子，U(·)为双势阱函数，x₁为x[n]时间段开始时的斜率，x₂和x₃为x[n]时间段中点的斜率，x₄为x[n]时间段终点的斜率，y₁为y[n]时间段开始时的斜率，y₂和y₃为y[n]时间段中点的斜率，y₄为y[n]时间段终点的斜率，得到输出信号x[n]后使用建立的BPNN神经网络计算对应的SQI值，通过遗传算法中的选择、交叉和变异，这些SQI值被筛选和优化，最后小的SQI值被留下，大的SQI值被排除；

步骤(3)、根据步骤(2)得到最小的SQI值和对应的最优值hopt和γopt，如下式所示：

(hopt,γopt)＝arg min(SQI(h,γ))。

进一步的，该检测方法在微弱信号增强检测过程中不需要知道目标信号的频率，因而具有自适应的优点，并且遗传算法用于寻优大大缩短了计算时间，提高了轴承故障诊断的效率。

本发明的优点和积极效果为：

本发明所提供的微弱信号检测方法在待检测轴承上安装传感器采集轴承的振动信号，再将振动信号进行包络解调得到滤波器的输入信号Z[n]。通过利用遗传算法调整滤波器参数对Z[n]进行滤波并计算优化输出信号的SQI值。本发明具有以下优点：一、在故障频率未知情况下能够实现轴承故障微弱信号的自适应增强；二、具有好的滤波效果，能够同时滤除高频段和低频段的噪声干扰；三、本发明采用的遗传算法能够提高运算速度，从而提高轴承故障诊断的效率。

附图说明

图1为BPNN神经网络训练过程示意图；

图2为仿真轴承故障信号及频谱；

图3为仿真轴承故障包络信号及频谱；

图4为仿真轴承故障信号经本发明处理后的最优滤波信号及频谱；

图5为轴承外圈故障信号及频谱；

图6为轴承外圈故障包络信号及频谱；

图7为轴承外圈故障信号经本发明处理后的最优滤波信号及频谱。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

随机共振是一种利用噪声增强微弱信号的非线性现象。合适的噪声不仅不会恶化输出信号，反而能够增强信号的显现。随机共振滤波器在轴承故障诊断领域也得到了较好的应用。但现有的技术存在需要精确知道目标信号的频率和耗时长的缺点。为了解决现有技术中的这些问题，本发明提供一种基于自适应随机共振滤波器的微弱信号检测方法的技术方案，具体分析如下：

通过反向传播神经网络(Back Propagation Neural Networks,BPNN)将六个已知可行的滤波器指标融合成一个综合定量指标(synthetical quantitative index,SQI)。SQI指标包含六个指标各自的优点，可以从多方面评价输出信号。最重要的是SQI指标可以在目标信号频率未知的情况下个衡量滤波器的滤波效果和引导滤波器参数调节。此外，为了解决传统网格搜索方法效率低的问题，本发明采用遗传算法实现滤波器参数的寻优。具体步骤如下：

(1)构建一个BPNN神经网络，将六维的输入指标训练成一个一维的输出指标SQI，训练过程如图1所示。训练完成之后得到的SQI指标值越低，表示随机共振滤波器滤波效果越好。

(2)初始化随机共振滤波器参数h和γ的范围，对其在给定范围内进行编码。随后利用随机共振滤波器对微弱信号采用以下四阶龙格库塔公式进行处理：

式中x[n]为滤波输出信号，y[n]为x[n]的一阶导数，Z[n]为输入信号，h∈(0,+∞)为计算步长，γ∈(0,1)为阻尼因子，U(·)为双势阱函数，x₁为x[n]时间段开始时的斜率，x₂和x₃为x[n]时间段中点的斜率，x₄为x[n]时间段终点的斜率，y₁为y[n]时间段开始时的斜率，y₂和y₃为y[n]时间段中点的斜率，y₄为y[n]时间段终点的斜率。得到输出信号x[n]后使用建立的BPNN神经网络计算对应的SQI值。通过遗传算法中的选择、交叉和变异，这些SQI值被筛选和优化，最后小的SQI值被留下，大的SQI值被排除。

(3)根据步骤(2)得到最小的SQI值和对应的最优值hopt和γopt，如下式所示：

(hopt,γopt)＝arg min(SQI(h,γ))

本技术方案在微弱信号增强检测过程中不需要知道目标信号的频率，因而具有自适应的优点。并且遗传算法用于寻优大大缩短了计算时间，提高了轴承故障诊断的效率。

为验证本发明方法的去噪性能，仿真轴承故障信号叠加幅值为0.2的白噪声，得到含噪仿真轴承故障信号的时域波形及频谱如图2所示，由于噪声较大，图中无法看出能够用于诊断的有用特征频率。

对图2含噪信号进行带通滤波后采用希尔伯特变换解调，得到的包络信号及频谱如图3所示。驱动频率出现在了包络谱中，但其附近的噪声分量较为明显。随后利用本发明提出的自适应随机共振滤波滤波器对信号进行处理，其结果如图4所示。从波形中可见滤波信号的周期性很明显，噪声干扰基本被去除。从频谱中可见特征频率50Hz十分突出，噪声分量基本可以忽略。

为验证方法有效性，采用实际的轴承故障数据进行处理。轴承型号为6205-2RS JEM SKF。参数如表1所示。

表1 6205-2RS JEM SKF轴承参数(单位：英寸)

轴承在1797rpm转速时外圈故障特征频率为102.5Hz。图5为该轴承在1797rpm转速下的外圈故障信号及其频谱，从信号频谱图中无法识别故障相关的有效频率成分。对故障信号进行包络解调，得到包络信号及频谱分别如图6所示。故障特征频率102.5Hz可以从包络谱中看出，但其周围的噪声分量十分明显。最后，采用本发明提出的自适应随机共振滤波器对包络信号进行处理，输出信号的波形和频谱如图7所示。大部分的噪声分量都被滤除，特征频率102.5Hz得到了有效地增强，从而更有利于轴承故障的识别和诊断。此外，从表2可以看出，采用滤波器处理后的信号SQI值比包络信号的SQI值更低，并且采用遗传算法可以明显地减少计算时间，结果表明本发明提出的自适应随机共振滤波器具有很好的滤波效果和计算效率。

表2故障信号检测效果

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于本发明实施例和附图所公开的内容。