核心内容摘要
大地资源中文第二页_2
✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码✅ 成品或定制查看文章底部微信二维码1自适应分数阶循环平稳盲反卷积的微弱故障增强轴承早期故障由于损伤尺寸微小,产生的冲击能量极弱,在强背景噪声干扰下,故障特征信号往往被完全掩盖,传统的时频分析和包络解调方法难以有效提取。
循环平稳理论为处理这类问题提供了新的视角,轴承故障信号由于转轴的周期性旋转而呈现出循环平稳特性,即信号的统计特性以故障特征周期为周期变化。
循环平稳盲反卷积方法通过最大化输出信号的循环平稳性来设计反卷积滤波器,能够在不需要先验知识的情况下增强周期性冲击成分。
本研究在传统循环平稳盲反卷积基础上引入分数阶微积分理论,分数阶微积分能够提供介于整数阶之间的灵活调节能力,更精细地描述信号的局部特征。
通过优化分数阶阶数,可以在增强故障冲击的同时更好地抑制噪声。
滤波器长度是影响盲反卷积性能的关键参数,过短的滤波器无法充分建模信号特征,过长的滤波器则会引入过多噪声和计算负担。
本研究提出局部峭度比指标作为滤波器长度的优化准则,该指标综合考虑了信号的局部峭度和全局峭度的比值关系,能够更准确地反映故障冲击的集中程度。
通过搜索使局部峭度比最大的滤波器长度,确定最优参数。
在获得最优滤波器后,对故障信号进行滤波处理,基于高斯平稳模型估计信号的阶数参数,该参数反映了信号的非高斯程度和冲击特性。
构建加权函数对滤波器系数进行迭代更新,加权函数根据信号的循环频率特性动态调整各频率成分的权重,使得滤波器更加聚焦于故障特征频率。
经过多次迭代优化后,对滤波输出信号进行平方包络处理,完成分数阶循环平稳盲反卷积过程。
平方包络能够进一步增强冲击信号的周期性,便于后续的频谱分析和特征提取。
在公开的凯斯西储大学轴承数据集和实测早期故障数据集上的对比实验表明,所提自适应分数阶循环平稳盲反卷积方法在微弱故障特征提取方面显著优于传统的快速峭度图、最小熵解卷积等方法,能够在极低信噪比条件下准确提取故障特征频率,验证了方法的有效性和优越性。
2循环平稳特征模式分解的复合故障自适应分离轴承复合故障信号中包含多个故障源产生的冲击成分,这些冲击成分在时域上相互叠加,在频域上相互耦合,且各故障成分的能量强度可能相差悬殊,强故障成分容易掩盖弱故障成分,传统的信号分解方法如经验模态分解、变分模态分解等难以有效分离复合故障的各个成分。
本研究提出循环平稳特征模式分解方法,该方法充分利用不同故障成分具有不同循环频率的特性,通过自适应频带划分和循环平稳性优化实现故障模式的有效分离。
首先基于赤池信息准则构建归一化序列,赤池信息准则能够在模型复杂度和拟合优度之间取得平衡,通过分析信号在不同频段的赤池信息准则值,可以识别出信号能量集中和特征显著的频率区域。
提取归一化序列的局部最小值点,这些最小值点对应于频谱中的谷点,可以作为频带划分的自然边界。
根据这些边界点实现信号频谱的自适应分段,避免了传统方法中人为设定频带数量和边界的主观性。
在确定频带划分后,设计有限冲激响应滤波器组对信号进行多频段滤波,每个滤波器对应一个频段。
为了确保提取的模态分量具有显著的循环平稳特性,引入二阶循环平稳指标作为优化目标函数。
二阶循环平稳指标通过计算信号自相关函数的循环频率谱,能够定量评估信号的循环平稳强度,该指标越大表明信号的周期性冲击特征越明显。
以最大化二阶循环平稳指标为目标,采用梯度下降或其他优化算法迭代更新各滤波器的系数,使得每个频段的滤波输出都具有最强的循环平稳性。
在所有频段滤波完成后,计算各频段信号的二阶循环平稳指标值,选取指标值最大的频段信号作为当前最优模态分量,该分量对应于当前信号中循环平稳特性最显著的故障成分。
将提取的模态分量从原始信号中剥离,更新残余信号,然后对残余信号重复上述频带划分、滤波优化和模态提取过程,逐步分离出多个具有不同循环频率的故障模态。
这种迭代剥离的策略能够有效处理复合故障中强弱故障成分共存的问题,即使弱故障成分的能量远小于强故障成分,在强故障被剥离后,弱故障的循环平稳特性也能在残余信号中凸显出来。
通过在公开数据集和实测复合故障信号上的验证,结果表明所提循环平稳特征模式分解方法在复杂背景噪声下仍具备良好的特征聚焦能力,能够准确分离出内圈故障、外圈故障、滚动体故障等不同故障模式,各模态分量的包络谱中故障特征频率清晰可辨,显著优于传统的信号分解方法,为复合故障的精确诊断奠定了基础。
3循环平稳特征与深度时序网络融合的智能诊断框架在实际工业场景中,轴承运行工况复杂多变,存在转速波动、负载变化、环境干扰等非平稳因素,且不同故障类型、不同损伤程度之间的特征差异呈现出高度的非线性和耦合性,单纯依靠传统信号处理方法难以实现准确的多级故障分类。
深度学习方法虽然具有强大的特征学习和模式识别能力,但直接将原始振动信号输入深度网络,网络需要从大量冗余信息中自动提取有用特征,训练难度大且容易过拟合。
本研究提出将循环平稳特征模式分解与深度学习相结合的混合诊断框架,充分发挥信号处理方法在特征增强方面的优势和深度学习在模式识别方面的优势。
首先采用前述的循环平稳特征模式分解方法对原始振动信号进行预处理,提取出具有显著循环平稳特征的关键故障信息,这一步骤相当于为深度网络提供了经过专家知识引导的高质量输入特征,大幅降低了网络的学习难度。
然后设计卷积神经网络与双向长短期记忆网络相结合的混合架构进行故障分类。
卷积神经网络部分负责从分解得到的模态分量中提取局部时域和频域特征,通过多层卷积和池化操作,网络能够自动学习不同尺度的故障特征表示,捕捉故障信号的空间结构信息。
双向长短期记忆网络部分则负责挖掘特征序列的时序依赖关系,轴承故障的演化过程具有明显的时序特性,故障从萌芽到发展的不同阶段呈现出不同的特征模式,双向长短期记忆网络通过前向和后向两个方向的信息传递,能够同时考虑历史信息和未来信息,更全面地理解故障的演化规律。
网络的输出层采用softmax分类器实现多类别故障的识别,包括正常状态、内圈故障、外圈故障、滚动体故障以及不同损伤程度的细分类别。
在模型训练过程中,采用交叉熵损失函数和自适应学习率优化算法,通过大量标注样本的监督学习,网络参数逐步收敛到最优配置。
具体问题可以直接沟通