明廷鋒， 張 帥

(海軍工程大學(xué) 動(dòng)力工程學(xué)院， 湖北 武漢 430033)

提取故障特征頻率是機(jī)械故障診斷過程中的關(guān)鍵步驟， 也是故障診斷領(lǐng)域的研究熱點(diǎn)之一. 例如對(duì)于滾動(dòng)軸承的故障診斷， 相關(guān)研究已經(jīng)有二十多年了， 最常用的方法就是對(duì)軸承的故障信號(hào)進(jìn)行分析和處理從而得出相關(guān)的故障特征， 具體包括時(shí)頻分析、 能量譜分析等[1-11]， 這些方法已經(jīng)能夠成功地對(duì)很多機(jī)械進(jìn)行故障檢測(cè). 近年來， Suguna提出了一種基于自回歸模型(Autoregressive model, AR)和相關(guān)極點(diǎn)譜分解技術(shù)的故障檢測(cè)方法[12]， 它能直接對(duì)有用的頻率進(jìn)行分析， 從而避免了對(duì)整個(gè)頻譜進(jìn)行計(jì)算， 很大程度上提高了檢測(cè)效率和自動(dòng)化水平. 從信號(hào)的AR譜中分解出的幾個(gè)極點(diǎn)與信號(hào)能量譜中的極點(diǎn)是相對(duì)應(yīng)的[13]. 利用AR譜進(jìn)行故障檢測(cè)不需要獲得整個(gè)譜， 只要對(duì)幾個(gè)靠近故障頻率的極點(diǎn)進(jìn)行檢測(cè)即可. AR譜的極點(diǎn)值只需通過估計(jì)出AR系數(shù)就能很容易得到. 較小階數(shù)的AR模型就能夠很有效地對(duì)相關(guān)故障頻率對(duì)應(yīng)的極點(diǎn)進(jìn)行估計(jì). AR譜估計(jì)需要的信號(hào)長(zhǎng)度短， 但卻可以達(dá)到較好的分辨率， 即便是樣本的采樣頻率比奈奎斯特采樣頻率略高， 也能表現(xiàn)出不錯(cuò)的分辨率. 但是AR模型的準(zhǔn)確性受模型階數(shù)和樣本大小的影響， 如果階數(shù)和樣本大小選擇得不適宜會(huì)導(dǎo)致AR譜極點(diǎn)對(duì)應(yīng)的頻率較大地偏離對(duì)應(yīng)的故障頻率， 從而導(dǎo)致在檢測(cè)過程中對(duì)故障種類產(chǎn)生誤判， 最終造成對(duì)故障嚴(yán)重程度的判斷失誤. 而且AR譜極點(diǎn)對(duì)應(yīng)的故障頻率本身就會(huì)有偏差， 所以選擇一個(gè)較好的階數(shù)和樣本大小是使用AR譜的關(guān)鍵.

目前， 針對(duì)AR譜的階數(shù)問題已有很多研究[14]， 但大多都是用一般的定階準(zhǔn)則來確定模型階數(shù)的. 雖然一般的定階準(zhǔn)則在一定程度上能夠使模型變得相對(duì)準(zhǔn)確， 但是這些定階準(zhǔn)則算出的階數(shù)并不是最優(yōu)階數(shù). 而且這些階數(shù)很不穩(wěn)定， 有時(shí)也會(huì)讓AR譜中極點(diǎn)與其對(duì)應(yīng)的故障頻率產(chǎn)生很大的偏差. 為了能夠得到相對(duì)更為準(zhǔn)確的階數(shù)和相適應(yīng)的樣本大小， 本文提出了一種基于遺傳算法[15]的AR譜極點(diǎn)頻率優(yōu)化方法： 首先對(duì)故障信號(hào)進(jìn)行預(yù)處理(共振解調(diào)、 平方包絡(luò)等)， 得出軸承的故障頻率， 然后利用遺傳算法和相關(guān)故障頻率對(duì)預(yù)處理后的故障信號(hào)AR譜極點(diǎn)進(jìn)行優(yōu)化， 使AR譜極點(diǎn)與對(duì)應(yīng)的故障頻率相接近， 讓故障檢測(cè)更為準(zhǔn)確. 本文對(duì)軸承內(nèi)圈故障信號(hào)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)驗(yàn)證， 取得了較好的效果， 并得出了較優(yōu)的模型階數(shù)和樣本點(diǎn)數(shù)， 為AR譜的定階和樣本點(diǎn)數(shù)選擇提供了可靠的依據(jù).

1 基于AR譜的故障檢測(cè)技術(shù)

AR譜技術(shù)是一種現(xiàn)代譜分析技術(shù)， 它同時(shí)兼顧了較高的分辨率和較小的計(jì)算量， 既高效又簡(jiǎn)單， 其表達(dá)式如式(1)所示.

(1)

式中：ak為自回歸系數(shù)；e[t]為白噪聲序列. 式(1)經(jīng)過z變換之后得到

(2)

(3)

將式(3)中的分母寫成零點(diǎn)式得到

(4)

式中：pk可以通過對(duì)式(3)的分母求根得到. 再由式(4)可以推導(dǎo)出

(5)

式中：σ2為白噪聲的方差； Δt為信號(hào)的采樣周期. 從式(4)～(5)中可以看出， 式(4)中的每一個(gè)極點(diǎn)pk在式(5)中都有一個(gè)頻率f相對(duì)應(yīng). 一般情況下， 這些極點(diǎn)pk所對(duì)應(yīng)的f就是我們要關(guān)注的故障頻率. 與這些f對(duì)應(yīng)的p[z]就可以作為軸承的健康指標(biāo)， 通過實(shí)時(shí)檢測(cè)這些f對(duì)應(yīng)的p[z]就可以知道軸承的狀態(tài). 為了方便進(jìn)行故障檢測(cè)， 把f和p[z]反映到極坐標(biāo)圖中， 換算公式如下

ρ=p[z],

(6)

(7)

式中： 用極半徑ρ長(zhǎng)度表示p[z]； 極角θ為故障頻率f在極坐標(biāo)中的分布；fs為信號(hào)采樣頻率；ω用來調(diào)整極徑分布的密集程度， 以方便進(jìn)行檢測(cè)， 具體的取值根據(jù)實(shí)際需要而定. 檢測(cè)流程如圖 1 所示. 利用極坐標(biāo)圖進(jìn)行檢測(cè)前需要先把軸承的各理論故障頻率標(biāo)注在極坐標(biāo)上， 然后在檢測(cè)的過程中把AR譜中的極點(diǎn)轉(zhuǎn)換到極坐標(biāo)中， 在各理論故障頻率極徑上設(shè)定最大故障值λn， 就可以進(jìn)行實(shí)時(shí)檢測(cè)了.

本文的實(shí)驗(yàn)數(shù)據(jù)均來自凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心網(wǎng)站(http:∥csegroups.case.edu/bearingdatacenter). 實(shí)驗(yàn)選取的具體軸承型號(hào)是6205-2RS JEM SKF， 深溝球軸承： 滾子 9個(gè)， 滾子直徑7.9 mm， 中徑39 mm. 電機(jī)轉(zhuǎn)速為1 730 rpm， 理論故障頻率經(jīng)計(jì)算可得： 內(nèi)圈故障156 Hz， 外圈故障103 Hz， 滾子故障67 Hz， 保持架故障11 Hz. 采樣頻率為12 000 Hz， 故障信號(hào)樣本點(diǎn)數(shù)是5 000， 圖中AR譜的定階方法都采用AIC定階方法和Yule-Walker估計(jì)法. 圖 2(a) 是內(nèi)圈故障軸承振動(dòng)信號(hào)時(shí)域圖， 圖 2(b) 是經(jīng)過平方包絡(luò)處理后的振動(dòng)信號(hào)， 圖3是平方包絡(luò)譜的AR譜和FFT頻譜， 可見AR譜的最大極點(diǎn)與FFT的故障頻率是相對(duì)應(yīng)的. 利用式(6)作出理論故障頻率的極徑，ω取值設(shè)為20， 對(duì)應(yīng)的故障極角為： 內(nèi)圈故障93.6°， 外圈故障61.8°， 滾子故障40.2°， 保持架故障6.6°. 圖 3 中的檢測(cè)樣本點(diǎn)是取自此故障軸承的一段點(diǎn)數(shù)為240 000的信號(hào)， 將此信號(hào)平均截成100組信號(hào)， 每組長(zhǎng)度為2 400點(diǎn)數(shù). 對(duì)每組信號(hào)按照流程圖 1 進(jìn)行故障檢測(cè)， 得到檢測(cè)圖如圖 4 所示. 可見， 當(dāng)利用AR譜進(jìn)行故障檢測(cè)時(shí)， 如果最大極值點(diǎn)對(duì)應(yīng)的頻率介于兩故障頻率之間會(huì)引起故障類型的誤判. 由于每種故障的最大故障值λn是不一樣的， 因此會(huì)導(dǎo)致對(duì)最大故

障值的誤判， 最終影響故障檢測(cè). 為了能夠讓AR譜中最大極值點(diǎn)對(duì)應(yīng)的頻率與故障頻率的偏差盡量小， 就必須選擇一個(gè)較好的階數(shù)和樣本點(diǎn)數(shù).

圖 1 故障檢測(cè)流程圖Fig.1 Fault detection flowchart

圖 2 內(nèi)圈故障軸承振動(dòng)信號(hào)Fig.2 Vibration signals of bearing inner race fault

圖 3 平方包絡(luò)信號(hào)的AR譜和FFT頻譜Fig.3 AR spectrum and FFT spectrum of squared envelope signals

圖 4 故障檢測(cè)極坐標(biāo)圖Fig.4 Fault detection polar coordinates

2 基于遺傳算法的AR譜優(yōu)化算法

目前， 時(shí)間序列中常用的定階方法有很多， 如FPE， AIC， MDL， CAT等. 但這些定階方法不能很好地滿足基于AR譜的故障檢測(cè)的需要， 有時(shí)會(huì)產(chǎn)生很大的偏差， 如上節(jié)所述. 實(shí)際應(yīng)用時(shí)， 可以將這些定階準(zhǔn)則當(dāng)作一定的參考. 一些研究得出了模型階數(shù)和樣本大小的一般取值范圍[8]. 本文利用遺傳算法對(duì)AR譜進(jìn)行優(yōu)化， 使AR譜的最大值極點(diǎn)與故障頻率更接近， 同時(shí)得到了對(duì)應(yīng)的模型階數(shù)和樣本點(diǎn)數(shù)， 從而更好地實(shí)現(xiàn)故障檢測(cè).

2.1 遺傳算法編碼

本算法中的編碼采用二進(jìn)制編碼， 共需要2段編碼， 每段編碼位數(shù)是10位. 第一段為AR模型階數(shù)K的偏碼， 第二段為樣本數(shù)為N的編碼. 具體如圖 5 所示， *代表二進(jìn)制編碼0或1. 編碼的換算如式(8)～(9). AR模型的階數(shù)取值一般為25～45， 樣本點(diǎn)數(shù)的取值范圍可以根據(jù)需要進(jìn)行設(shè)置， 不同的點(diǎn)數(shù)都會(huì)對(duì)應(yīng)一個(gè)較優(yōu)的階數(shù). 一般的定階準(zhǔn)則在4 000時(shí)能呈現(xiàn)出較好的效果， 所以本文將其范圍定為2 000～6 000以便設(shè)置初始種群.

圖 5 二進(jìn)制編碼圖Fig.5 Binary coded

(8)

(9)

2.2 遺傳算法操作步驟

編碼完成后就可以進(jìn)行遺傳運(yùn)算， 具體過程如下：

1) 設(shè)置起始種群. 遺傳算法起始種群的編碼是隨機(jī)產(chǎn)生的. 它們的取值范圍是在階數(shù)和樣本大小的一般取值范圍內(nèi)隨機(jī)選擇的， 當(dāng)然也可以按照對(duì)樣本大小和階數(shù)的需求設(shè)置編碼取值范圍. 種群的起始數(shù)量按照經(jīng)驗(yàn)進(jìn)行判斷， 從實(shí)驗(yàn)中發(fā)現(xiàn)40～100較為合適， 文中設(shè)為60.

2) 種群的適應(yīng)性. 為了讓AR譜的極點(diǎn)對(duì)應(yīng)的頻率與故障頻率更接近， 選擇故障頻率作為比較對(duì)像. 把AR譜的極點(diǎn)頻率與軸承故障頻率的誤差作為適應(yīng)度， 誤差越小， 適應(yīng)性越強(qiáng). 為了方便適應(yīng)度的比較， 具體公式如下

S(f)=ft-|f-ft|,

(10)

式中：f為極點(diǎn)頻率；ft為軸承的故障頻率， 并由共振解調(diào)等信號(hào)處理方法預(yù)先算出， 或根據(jù)需要換成理論故障頻率；S為適應(yīng)度，S的值越大， 表示適應(yīng)性越強(qiáng).

3) 復(fù)制. 復(fù)制操作能夠決定適應(yīng)性較強(qiáng)的個(gè)體進(jìn)入下一代， 本文采用的是賭輪盤選擇法. 當(dāng)適應(yīng)性概率大于復(fù)制概率時(shí)， 部分子代就可以復(fù)制并繼承父代的編碼. 適應(yīng)性概率計(jì)算如下

(11)

(12)

4) 交叉. 群體中的每個(gè)個(gè)體之間都以一定的概率pc交叉， 即兩個(gè)個(gè)體從各自字符串的某一位置開始互相交換， 這類似生物進(jìn)化過程中的基因分裂與重組. 概率pc按照經(jīng)驗(yàn)進(jìn)行選取.

圖 6 基于遺傳算法的優(yōu)化的流程圖Fig.6 Optimization based on genetic algorithm flowchart

5) 變異. 基因的突變普遍存在于生物的進(jìn)化過程中. 變異是指父代中的每個(gè)個(gè)體的每一位都以概率pm翻轉(zhuǎn)， 即由“1”變?yōu)椤?”， 或由“0”變?yōu)椤?”. 遺傳算法的變異特性可以使求解過程隨機(jī)地搜索到解可能存在的整個(gè)空間， 因此可以在一定程度上求得全局最優(yōu)解.

6) 運(yùn)算結(jié)束. 當(dāng)出現(xiàn)以下情況時(shí)可以結(jié)束運(yùn)算： ① 當(dāng)個(gè)體的適應(yīng)度發(fā)生了收斂， 即在進(jìn)行了相當(dāng)次數(shù)的迭代后， 適應(yīng)度的最大值沒有明顯的變化； ② 當(dāng)?shù)拇螖?shù)達(dá)到了設(shè)定的迭代次數(shù). 本算法的流程圖如圖 6 所示.

3 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)驗(yàn)證仍然利用前文所述的實(shí)驗(yàn)平臺(tái). 信號(hào)采樣長(zhǎng)度為500 000， 均分為100組信號(hào)， 每組5 000個(gè). 設(shè)置的階數(shù)范圍為25～45， 樣本點(diǎn)數(shù)范圍為2 000～6 000. 基于遺傳算法優(yōu)化的故障檢測(cè)結(jié)果圖 7 所示.

圖 7 基于遺傳算法的故障檢測(cè)極坐標(biāo)圖 Fig.7 Fault detection polar coordinates based on genetic algorithm

與圖4比較， 易看出優(yōu)化后的圖7的極坐標(biāo)圖很清晰， 故障基本上都集中在內(nèi)圈故障附近， 與相臨的故障極徑區(qū)域沒有重疊的部分， 那么就可以只針對(duì)內(nèi)圈故障進(jìn)行檢測(cè)和判斷， 而不需要考慮與其相鄰的理論故障的檢測(cè). 而圖4中的檢測(cè)值則分布在內(nèi)圈和外圈的理論故障之間的區(qū)域， 無法進(jìn)行精確故障診斷. 圖8(a)是經(jīng)過遺傳優(yōu)化后的AR譜和FFT譜， 圖8(b)是用AIC定階準(zhǔn)則直接得出的AR譜. 從圖8(a)中可以看出最大的極點(diǎn)對(duì)應(yīng)的頻率更接近故障頻率， 而圖8(b)中有較明顯的偏差. 對(duì)其它的樣本進(jìn)行優(yōu)化后， 也得到同樣的結(jié)果. 因此， 本算法較一般的定階準(zhǔn)則有明顯的改進(jìn).

圖 8 信號(hào)的AR譜和FFT譜圖Fig.8 AR spectrum and FFT spectrum of the signals

表 1 所示為100個(gè)信號(hào)樣本進(jìn)行階數(shù)和樣本點(diǎn)數(shù)優(yōu)化后的部分?jǐn)?shù)據(jù). 從表1中可以看出， 同一機(jī)械系統(tǒng)中同一類型軸承在一定的故障時(shí)間段的AR譜階數(shù)基本上是很穩(wěn)定的， 與之對(duì)應(yīng)的樣本點(diǎn)數(shù)總體上也是比較穩(wěn)定的. 因此， 在應(yīng)用AR譜進(jìn)行故障檢測(cè)時(shí)， 只需在整個(gè)故障檢測(cè)周期的某幾個(gè)階段進(jìn)行基于遺傳算法的AR譜優(yōu)化， 就可以得出適用于這幾個(gè)故障檢測(cè)周期所需的最優(yōu)模型階數(shù)和點(diǎn)數(shù).

表 1 優(yōu)化階數(shù)和樣本點(diǎn)數(shù)

4 結(jié) 論

1) 針對(duì)基于AR譜中的故障頻率與相關(guān)極點(diǎn)的偏差問題， 提出了一種基于遺傳算法的AR譜故障頻率極點(diǎn)優(yōu)化方法， 使AR譜極點(diǎn)與其對(duì)應(yīng)的故障頻率更接近， 從而實(shí)現(xiàn)了精確故障檢測(cè)， 并通過實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證取得了較好的結(jié)果.

2) 影響AR模型的因素中除了階數(shù)和樣本點(diǎn)數(shù)外， 還有估計(jì)法的影響， 本文只考慮了采用Yule-Walker估計(jì)法， 而最小二乘法、 Burg估計(jì)法等也可以應(yīng)用文中提出的方法進(jìn)行頻譜頻率估計(jì)， 可在后續(xù)研究工作中開展.

[1]McInerny S A， Dai Y. Basic vibration signal processing for bearing fault detection[J]. IEEE Transactions on Education, 2003, 46(1)： 149-156.

[2]Wang W, Wong W K. Some new signal processing approaches for gear fault diagnosis[C]. Proceedings of the Fifth International Symposium on Signal Processing and Its Applications, IEEE, 1999： 587-590.

[3]Tandon N, Choudhury A. A review of vibration and acoustic measurement methods for the detection of defects in rolling element bearings[J]. Tribology International, 1999, 32(8)： 469-480.

[4]Stack J R, Habetler T G, Harley R G. Fault classification and fault signature production for rolling element bearings in electric machines[C]. Proceedings of the IEEE International Symposium on Diagnostics for Electric Machines, IEEE, 2003： 172-176.

[5]唐貴基, 龐彬. ITT變換在風(fēng)電機(jī)組滾動(dòng)軸承故障診斷中的應(yīng)用[EB/OL]. (2017-09-10)[2017-09-04]. http:∥kns.cnki.net/kcms/detail/32.1318.TM.20170904.1345.023.html.

[6]胡愛軍, 馬萬里, 唐貴基. 基于集成經(jīng)驗(yàn)?zāi)B(tài)分解和峭度準(zhǔn)則的滾動(dòng)軸承故障特征提取方法[J]. 中國電機(jī)工程學(xué)報(bào), 2012, 32(11): 106-112. Hu Aijun, Ma Wanli, Tang Guiji. Rolling bearing fault feature extraction method based on ensemble empirical mode decomposition and Kurtosis criterion[J]. Proceedings of the CSEE, 2012, 32(11): 106-112. (in Chinese)

[7]王建國, 李健, 萬旭東. 基于奇異值分解和局域均值分解的滾動(dòng)軸承故障特征提取方法[J]. 機(jī)械工程學(xué)報(bào), 2015, 51(3)： 104-110. Wang Jianguo, Li Jian, Wan Xudong. Fault feature extraction method of rolling bearings based on singular value decomposition and local mean decomposition[J]. Journal of Mechanical Engineering, 2015, 51(3): 104-110. (in Chinese)

[8]侯新國, 牛超, 楊忠林. 基于最優(yōu)Morlet小波自適應(yīng)包絡(luò)解調(diào)的弱故障特征提取方法[J]. 電機(jī)與控制學(xué)報(bào), 2016, 20(10)： 88-93. Hou Xinguo, Niu Chao, Yang Zhonglin. Method to extract weak fault feature based on optimal Morlet wavelet adaptive envelope demodulation[J]. Electric Machines and Control, 2016, 20(10): 88-93. (in Chinese)

[9]張菀, 賈民平, 朱林. 一種自適應(yīng)Morlet小波濾波方法及其在滾動(dòng)軸承早期故障特征提取中的應(yīng)用[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 46(3)： 457-463. Zhang Wan, Jia Minping, Zhu Lin. An adaptive Morlet wavelet filter method and its application in detecting early fault feature of ball bearings[J]. Journal of Southeast University (Natural Science Editions), 2016, 46(3): 457-463. (in Chinese)

[10]唐貴基, 王曉龍. 可調(diào)品質(zhì)因子小波變換在滾動(dòng)軸承微弱故障特征提取中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報(bào), 2016, 36(3)： 746-754. Tang Guiji, Wang Xiaolong. Application of tunable Q-factor wavelet transform to feature extraction of weak fault for rolling bearing[J]. Proceedings of the CSEE, 2016, 36(3): 746-754. (in Chinese)

[11]賀王鵬, 訾艷陽, 陳彬強(qiáng). 周期稀疏導(dǎo)向超小波在風(fēng)力發(fā)電設(shè)備發(fā)電機(jī)軸承故障診斷中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào)， 2016, 52(3)： 41-48. He Wangpeng, Zi Yanyang, Chen Binqiang. Periodic sparsity oriented super-wavelet Analysis with application to motor bearing fault detection of wind turbine[J]. Journal of Mechanical Engineering, 2016, 52(3): 41-48. (in Chinese)

[12] Thanagasundram S, Spurgeon S, Schlindwein F S. A fault detection tool using analysis from an autoregressive model pole trajectory[J]. Journal of Sound and Vibration, 2008, 317(3)： 975-993.

[13]Mainardi L T, Bianchi A M, Baselli G, et al. Pole-tracking algorithms for the extraction of time-variant heart rate variability spectral parameters[J]. IEEE Transactions on Biomedical Engineering,1995, 42(3)： 250-259.

[14] Thanagasundram S, Feng Y H, Schlindwein F S. A case study of autoregressive modelling and order selection for a dry vacuum pump[C]. Twelfth International Congress on Sound and Vibration, 2005： 1-10.

[15]Zhang Y X, Randall R B. Rolling element bearing fault diagnosis based on the combination of genetic algorithms and fast kurtogram[J]. Mechanical Systems and Signal Processing, 2009, 23(5)： 1509-1517.