一种基于MSPAO-VMD的大型转盘轴承微弱振动信号采集与处理方法与流程
本发明涉及转盘轴承振动信号的合理获取以及微弱信号处理领域，是一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法，具体说是运用数值仿真结合损伤实验对比确定传感布局方案以及改进变分模态分解算法增强微弱故障信号的方法。
背景技术：
转盘轴承作为大型转动机械中的关键零部件，主要功能在于实现上下不同结构的相对回转以及传递载荷等，相当于机械整机中的“腰”。近年来，塔机中回转机构尤其是转盘轴承故障导致的整机倾覆；风力发电机偏航以及变桨转盘轴承失效带来的停机甚至重要人员伤亡等现象屡见不鲜。因此，对这种关键传动部件的在线监测以及健康程度评估，并制定行之有效的替换措施具有重大意义，国内外研究人员通常从研究降噪算法，特征提取方法以及在线监测模型等方面入手增加转盘轴承运行的可靠性，鲜有报道从硬件(传感器)布局以及增强固有退化信号的角度出发。
转盘轴承中低速重载以及复杂且恶劣的工况等特性使得振动信号十分微弱，常常淹没在强烈的噪声干扰中。国内外学者通常只选择一组具有显著变化趋势振动源进行监测，但大规格转盘轴承运行退化过程中往往伴随着多处滚道损伤从而带来多处具备故障信号的振动源，仅仅选择一组加速度信号显然会造成退化信号丢失，转盘轴承通常转速在0-3r/min,其低速运转特性导致滚道剥落损伤引起的振动冲击信号周期较长，加之在盾构以及风力发电等场合，转盘轴承规格巨大，微弱的振动信号在传播过程中极易衰减。因此，合理的传感器布局以及选择对于能否有效采集关键退化信息至关重要。
对于转盘轴承的振动信号的处理也仅仅局限在单一信号源的特征提取以及降维融合等操作上并未有研究致力于从信号源头出发，重构合理的损伤特征信号。因此，传统适用于普通轴承的振动采集方法以及信号处理算法并不适用于大规格转盘轴承。变分模态分解(vmd)作为一种自适应信号分解处理方法，克服经验模态分解(emd)以及集合经验模态分解(eemd)中端点混淆以及缺乏严格数学推导等缺点非常适用于处理非线性、非平稳信号，其核心处理思想：每种模态具备相对独立的中心频率，并且将模态带宽求解问题转化到约束变分框架内，最终求出每一个模态分量。但对于实测信号而言，模态数k需要预先给定，过大、过小的k值将到来过定以及欠定问题；带宽限制系数(α)决定了各分量的中心带宽，由多组仿真信号可知：过大的α值可能排除有效故障成分，过小的α值却有可能使得噪声信号也被保留。如何改造vmd算法使其能够很好的适应转盘轴承振动信号特征尚未有研究报道，同时也是需要解决的问题。
因此，具备高可靠性的转盘轴承需要对其进行合理的传感器布局设计从而能够覆盖多损伤源的振动信号以及基于优化参数后的vmd：进一步强化振动信号，增强退化信息，从而提高在线健康评估的准确率。
技术实现要素：
本发明的目的在于提出一种大型转盘轴承微弱振动信号采集与处理方法。运用滚道损伤实验以及有限元动力学仿真对比分析得到振动信号最为敏感的传感器布局方法；在此基础上进行全寿命加速实验采集转盘轴承多通道下的振动信号，结合多信号源下参数自适应优化后的变分模态分解算法(multisourceparameteradaptiveoptimization-variationalmodedecomposition,mspao-vmd)重构四组振动源，得到优胜分量组成的高维模态信号组。最后通过一系列信号处理算法提取退化趋势并输入评估模型进行健康评估，有效的从信号源头提高了转盘轴承的运行可靠性，具有重要经济与社会价值。
本发明的技术方案如下：
一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法，其特征在于包括以下步骤：
步骤(1)、确定初始位置：间隔90度在转盘轴承的定圈安装低频电容式加速度传感器，并使用电火花在试验件的内圈人为制造剥落损伤，从而进行转盘轴承滚道损伤实验，同时采集不同受载区域的振动信号；
步骤(2)、优化传感器布局：对试件进行有限元动力学仿真，模拟滚道剥落时，损伤信号的发生规律；比较相同区域中仿真值与真实值的差异，并不断调整加速度传感器位置使得四组振动信号各自都具备明显变化趋势以及仿真与实验信号间的差值最小；
步骤(3)、振动信号的模态分解：在确定传感器布局的基础上，进行转盘轴承全寿命加速实验，使用改进的变分模态分解算法(mspao-vmd)对采集的振动信号进行分解，得到多信号源多模态分量；
步骤(4)、重构高维模态信号组：计算步骤(3)中模态分量的峭度、能量以及信噪比三种指标，对每一模态下的4种分量进行筛选，得到优胜模态构成重构高维模态信号组(highdimensionalmodalsignalgroup,hdmsg)；
步骤(5)、健康评估：对hdmsg进行特征提取以及融合降维处理，进一步得到全生命周期的量化衰退指标(degradationindicator1-3,di1-3),后输入健康评估模型便可对转盘轴承进行寿命预测或状态检测。
所述步骤(2)中所述使得四组振动信号各自都具备明显变化趋势的具体方法为：计算相同区间内振动信号的量化单调性指标，即：
式中x表示振动信号的绝对值，#posd/dx和#negd/dx分别表示长度为n区间的正负导数；
所述步骤(3)中所述参数自适应优化具体步骤如下：预设参数为分解模态数(k)、带宽限制系数(α)和拉格朗日乘子步长(τ)，其中，k值由转盘轴承的主要组成数确定：包括内圈、外圈、滚动体和保持架，[α,τ]通过遍历的方式以最小能量损失比为目标函数确定，即：
式中xraw为原始信号，uk为分解后不同模态下的分量。
所述步骤(4)中所述峭度、能量以及信噪比指标如下所示：
式中uk为第k个模态分量，
式中psignal表示具备退化信息分量的平均功率，pnoise表示噪声的平均功率。此外由优胜模态构成的hdmsg覆盖了不同频率区间的信号分量。
所述步骤(5)中hdmsg的特征提取采用时域统计学参数：最大值、方差、均方根、绝对平均幅值、峭度、波形指标、峰值指标、脉冲指标以及裕度指标，融合降维则采用流行学习法确定高维退化特征矩阵的低维流行结构；该方法可以作为绝大多数数据驱动评估模型的退化特征输入，故本发明中采用的健康评估模型为不同核函数下的高斯过程回归(gpr)以及支持向量机(svm)模型。
一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法，其特征在于包括以下步骤：
步骤(1)、间隔90度均匀布置低频电容式加速度传感器于实验转盘轴承定圈，并在试件滚道受重载区域附近人为制造滚道剥落，进行模拟滚道损伤实验，采集初始位置下传感器的振动信号；
步骤(2)、对试件进行有限元动力学仿真，得到相应区域的振动幅值。对比数值解与实验真实值之间的误差大小，以误差25％为临界阈值；并通过计算实测振动信号一定区间范围内的量化单调性指标m判断此布局位置是否符合要求，其中m为：
式中，i为加速度传感器布局序号，
步骤(3)、在确定传感器布局的基础上，进行转盘轴承全寿命加速疲劳实验，使用改进的变分模态分解算法(mspao-vmd)对采集的全生命周期振动信号进行分解，得到多信号源多模态分量；
步骤(4)、计算步骤(3)中模态分量的峭度、能量以及信噪比三种指标，对每一模态下的4种分量进行筛选，得到优胜模态构成重构高维模态信号组(hdmsg)，其中为了保证hdmsg覆盖不同频率下的各种模态，增加其多样性，定量筛选仅仅在不同信号源的相同模态分量下进行；
步骤(5)、对hdmsg进行特征提取以及融合降维处理，进一步得到全生命周期的量化衰退指标(di),后输入健康评估模型便可对转盘轴承进行寿命预测或状态检测；
所述步骤(2)中判断布局位置是否符号要求的具体流程为：判断实验真实值与数值解的误差是否在给定范围内；若不在则每一测点逆时针转动2度，继续判断二者之间的差值；当误差满足给定阈值后，满载荷下运行试验台采集各测点振动信号，计算一定时间范围内的量化单调性指标mj，其中j代表满足第一判断条件的测点布局位置的序号；最后，比较所有的mj，选择最大mj的布局位置作为优化后的传感器布局位置；
所述步骤(3)中变分模态分解算法的参数优化具体步骤如下：预设参数为分解模态数(k)、带宽限制系数(α)和拉格朗日乘子步长(τ)，其中，k值由转盘轴承的主要组成数确定：包括内圈、外圈、滚动体和保持架，[α,τ]通过遍历的方式以最小能量损失比为目标函数确定，即：
式中xraw为原始信号，uk为分解后不同模态下的分量；
所述步骤(4)中峭度、能量以及信噪比指标如下所示：
式中uk为第k个模态分量，
式中psignal表示具备退化信息分量的平均功率，pnoise表示噪声的平均功率。此外由优胜模态1-4构成的hdmsg覆盖了不同频率区间的信号分量；
所述步骤(5)中hdmsg的特征提取采用时域统计学参数：最大值：xmax＝max{|xn|}、方差：
本发明的有益效果是：
1、本发明有效结合滚道损伤实验以及有限元动力学仿真并给出了定量衡量指标，确定了适合大规格转盘轴承加速度传感器布局的方案，从源头解决了转盘轴承低速重载、工况多变且恶劣导致的故障信号微弱的现象。
2、本发明的微弱振动信号处理方法采用多信号源下参数自适应优化后的变分模态分解算法(mspao-vmd)相较于vmd算法而言，多信号源采集信号可以有效覆盖转盘轴承不同损伤区域且依据原始信号特征的自适应调整算法参数、模态重组过程无需人工干预。
3、高维模态信号组(hdmsg)的提出有效打破了转盘轴承固有的单一信号源处理方式，其多信号源多模态属性有效的从不同角度重构服役转盘轴承真实退化情况。
4、本发明的大型转盘轴承中微弱振动信号采集与处理方法，相比于侧重信号后处理(降噪、特征提取及降维等)的在线监测方法，有效的从硬件层面(优化传感器布局)以及增强信号源的角度出发，提出了一种适用于大规格转盘轴承的振动信号采集与处理方法，具有一定工程实用价值。
5、本方法有效增强了转盘轴承由于体积大以及低速重载等特性带来的振动信号微弱的现象，显著增强信号中的退化信息、提高健康评估精度。
附图说明
图1是本发明方法的实施流程图。
图2是本发明中加速度传感器的初始布局示意图。
图3是本发明中优化传感器布局方案的流程图。
图4是本发明中采集的多通道振动原始信号。
图5是本发明中多通道振动原始信号的模态分解情况。
图6是本发明中hdmsg的退化指标di1-3。
图7是通过本发明方法得到的健康评估结果与其他方法的对比图之一。
图8是通过本发明方法得到的健康评估结果与其他方法的对比图之二。
图9是通过本发明方法得到的健康评估结果与其他方法的对比图之三。
图10是通过本发明方法得到的健康评估结果与其他方法的对比图之四。
具体实施方式
以下结合附图及实施例对本发明作详细的说明。
如图1至图10，基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法，其特征在于包括以下步骤：
步骤(1)、确定初始位置：间隔90度在转盘轴承的定圈安装kistler8330b3低频电容式加速度传感器，并使用电火花在试验件的内圈人为制造剥落损伤，从而进行转盘轴承滚道损伤实验，同时采集不同受载区域的振动信号；
步骤(2)、优化传感器布局：对试件进行有限元动力学仿真，模拟滚道剥落时，损伤信号的发生规律；比较相同区域中仿真值与真实值的差异，并不断调整加速度传感器位置使得四组振动信号各自都具备明显变化趋势以及仿真与实验信号间的差值最小；
步骤(3)、振动信号的模态分解：在确定传感器布局的基础上，进行转盘轴承全寿命加速实验，使用多信号源下参数自适应优化后的变分模态分解算法(mspao-vmd)对采集的振动信号进行分解，得到多信号源多模态分量；
步骤(4)、重构高维模态信号组：计算步骤(3)中模态分量的峭度、能量以及信噪比三种指标，对每一模态下的4种分量进行筛选，得到优胜模态构成重构高维模态信号组(hdmsg)；
步骤(5)、健康评估：对hdmsg进行特征提取以及融合降维处理，进一步得到全生命周期的量化衰退指标(di1-3),后输入健康评估模型便可对转盘轴承进行寿命预测或状态检测.
所述步骤(2)中所述使得四组振动信号各自都具备明显变化趋势的具体方法为：计算相同区间内振动信号的量化单调性指标，即：
式中x表示振动信号的绝对值，#posd/dx和#negd/dx分别表示长度为n区间的正负导数；
所述步骤(3)中所述参数自适应优化具体步骤如下：预设参数为分解模态数(k)、带宽限制系数(α)和拉格朗日乘子步长(τ)，其中，k值由转盘轴承的主要组成数确定：包括内圈、外圈、滚动体和保持架，[α,τ]通过遍历的方式以最小能量损失比为目标函数确定，即：
式中xraw为原始信号，uk为分解后不同模态下的分量。
所述步骤(4)中所述峭度、能量以及信噪比指标如下所示：
式中uk为第k个模态分量，
式中psignal表示具备退化信息分量的平均功率，pnoise表示噪声的平均功率。此外由优胜模态构成的hdmsg覆盖了不同频率区间的信号分量。
所述步骤(5)中hdmsg的特征提取采用时域统计学参数：最大值、方差、均方根、绝对平均幅值、峭度、波形指标、峰值指标、脉冲指标以及裕度指标，融合降维则采用流行学习法确定高维退化特征矩阵的低维流行结构；该方法可以作为绝大多数数据驱动评估模型的退化特征输入，故本发明中采用的健康评估模型为不同核函数下的高斯过程回归(gpr)以及支持向量机(svm)模型。
一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法，其特征在于包括以下步骤：
步骤(1)、间隔90度均匀布置瑞士奇石乐kistler8330b3型低频电容式加速度传感器于实验转盘轴承定圈，并在试件滚道受重载区域附近人为制造滚道剥落，进行模拟滚道损伤实验，采集初始位置下传感器的振动信号；
步骤(2)、对试件进行有限元动力学仿真，得到相应区域的振动幅值。对比数值解与实验真实值之间的误差大小，以误差25％为临界阈值；并通过计算实测振动信号一定区间范围内的量化单调性指标m判断此布局位置是否符合要求，其中m为：
式中，i为加速度传感器布局序号，
步骤(3)、在确定传感器布局的基础上，进行转盘轴承全寿命加速疲劳实验，使用多信号源下参数自适应优化后的变分模态分解算法(mspao-vmd)对采集的全生命周期振动信号进行分解，得到多信号源多模态分量；
步骤(4)、计算步骤(3)中模态分量的峭度、能量以及信噪比三种指标，对每一模态下的4种分量进行筛选，得到优胜模态构成重构高维模态信号组(hdmsg)，其中为了保证hdmsg覆盖不同频率下的各种模态，增加其多样性，定量筛选仅仅在不同信号源的相同模态分量下进行；
步骤(5)、对hdmsg进行特征提取以及融合降维处理，进一步得到全生命周期的量化衰退指标(di),后输入健康评估模型便可对转盘轴承进行寿命预测或状态检测；
所述步骤(2)中判断布局位置是否符号要求的具体流程为：判断实验真实值与数值解(其中网格划分、边界条件设置等参数须合理)的误差是否在给定范围内；若不在则每一测点逆时针转动2度，继续判断二者之间的差值；当误差满足给定阈值后，满载荷下运行试验台采集各测点振动信号，计算一定时间范围内的量化单调性指标mj，其中j代表满足第一判断条件的测点布局位置的序号；最后，比较所有的mj，选择最大mj的布局位置作为优化后的传感器布局位置；
所述步骤(3)中变分模态分解算法的参数优化具体步骤如下：预设参数为分解模态数(k)、带宽限制系数(α)和拉格朗日乘子步长(τ)，其中，k值由转盘轴承的主要组成数确定：包括内圈、外圈、滚动体和保持架，[α,τ]通过遍历的方式以最小能量损失比为目标函数确定，即：
式中xraw为原始信号，uk为分解后不同模态下的分量；
所述步骤(4)中峭度、能量以及信噪比指标如下所示：
式中uk为第k个模态分量，
式中psignal表示具备退化信息分量的平均功率，pnoise表示噪声的平均功率。此外由优胜模态1-4构成的hdmsg覆盖了不同频率区间的信号分量；
所述步骤(5)中hdmsg的特征提取采用时域统计学参数：最大值：xmax＝max{|xn|}、方差：
如图1所示，本实施例表述一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法，包括如下步骤：
步骤(1)、确定初始位置：本实例中采用的转盘轴承qna730-22型转盘轴承，配合自主研发的转盘轴承综合性能试验台进行实验。首先根据实验台加载系统(液压缸)的位置确定试件的重载区域，然后采用kistler8330b3低频电容式加速度传感器(2，3，5，6)间隔90度布置(其中任意一个传感器与液压缸的夹角为45度)。初始测点布局如图2所示。
步骤(2)、优化传感器布局：采用电火花切割在转盘轴承定圈制造人为损伤剥落，且位置处于重载区域；通过注油嘴加润滑脂，驱动其旋转直至平稳运行；稳定试件转速在3r/min,通过第一液压缸m1(1)、第二液压缸m2(4)满载荷共同作用，并采集4通道振动信号；进行有限元动力学仿真，其中仿真模型与试件一致，通过比较相同节点下振动信号的数值解幅值与实测信号幅值的误差大小初步选择合适的测点位置，记录所有满足误差范围的测点pj,其中j是初选测点引索值；计算不同测点pj,下量化单调性指标m，其中m为：
步骤(3)、获取多测点振动信号：本实例中采集的四通道振动信号x1,x2,x3,x4来源于自主研制的转盘轴承综合性能试验台下的全生命周期满载荷疲劳实验。实验周期维持在12天左右，采样频率为2048hz，为了减轻本实例后期在线健康评估的计算压力，对原始每十分钟保存一次。测得的原始信号如图4所示。
步骤(4)、振动信号的模态分解：采用多信号源下参数自适应优化后的变分模态分解算法(mspao-vmd)对步骤3采集的四通道振动信号进行分解。本实例所采用的分解模态数(k)、带宽限制系数(α)和拉格朗日乘子步长(τ)三种预设参数自适应变化处理方法在于，首先根据转盘轴承的主要组成数确定分解模态个数(内圈、外圈、滚动体和保持架)，即为4；接着预设[带宽限制系数(α)，拉格朗日乘子步长(τ)]的取值范围为0-10000和0-1，步长分别为100和0.1。通过遍历的方式确定取值，并且以最小能量损失比为目标函数，即：
步骤(5)、重构高维模态信号组(hdmsg)：通过步骤4可以得到多通道下原始振动信号的模态分解(共16组)，随后通过峭度、能量以及信噪比三种量化衡量指标对每一模态下的4种分量进行筛选，由此可得：优胜模态1为通道3信号(其中优胜模态1的轨迹没有明显趋势，与转盘轴承损伤显然不符，故排除)；优胜模态2为通道4信号；优胜模态3为通道2信号；优胜模态4为通道1信号，由此可得高维模态信号组(hdmsg)。
步骤(6)、hdmsg的特征提取以及退化指标di的生成：在前5步的基础上对hdmsg进行时域特征提取，生成3组特征矩阵(featurematrix1-3,fm1-3)，其中每一组fm包含九维向量，分别对应不同时域指标。随后通过流行学习法提取退化指标di1-3，具体参见图6。
步骤(7)、健康评估模型建立以及转盘轴承的健康评估：为凸显本发明所述方法的有效性，使用多种机器学习算法(svm、gpr)结合步骤6所得的退化指标进行转盘轴承全寿命健康评估，具体健康度评估预测结果见图7至图10，分别为svm(线性核)、svm(高斯核)、gpr(指数核)和gpr(指数核)的对比图。
所述步骤(5)中对16组模态分解信号的三种量化指标具体如表1-3所示：
表1.峭度指标(kurtosis)测试数据表
表2.能量指标(energy)测试数据表
表3.信噪比指标(snb)测试数据表
所述步骤(6)中对fm1-3进行降维融合处理所采用的流行学习方法为优化参数的局部保持投影算法(parameteroptimized-localpreservingprojection,po-lpp),其中的低维流行结构采用packingnumbers法解出最小维度为1；根据经验初步确定lpp算法中近邻点数n以及热核函数中的σ取值范围，使用多目标遗传算法(moga)进行全局寻优，其中适应度函数1定义为：
式中dii为第i通道的退化指标，ti为已服役时间；
适应度函数2定义为：
式中di表示退化指标，#posd/ddi和#negd/ddi分别表示长度为n区间的正负导数。
所述步骤(7)中的健康评估对比传统转盘轴承振动信号处理方法，即采用单一信号源且不包含信号重构等步骤。由图7至图10可见：该发明所提出的方法在多种评估模型下表现出色，且评估精度大大高于其他情况，具有显著工程应用价值。
以上所述，仅是本发明的较佳实施例而已，并非对本发明的技术范围作出任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明的技术方案的范围内。
- 还没有人留言评论。精彩留言会获得点赞！