賀王鵬， 孫　偉， 蘇　博， 閆允一， 郭寶龍

(西安電子科技大學 空間科學與技術(shù)學院，陜西 西安 710071)

重大機械設(shè)備不僅是重要的工業(yè)制造產(chǎn)品，也是關(guān)鍵的生產(chǎn)資料，其使用幾乎覆蓋了后續(xù)更新產(chǎn)品的設(shè)計、制造、測試和服役保障等諸多環(huán)節(jié)．然而，這些關(guān)鍵設(shè)備在高溫腐蝕、復雜極端、重載強度和長時間疲勞等惡劣的工作條件下運行，零部件不可避免會發(fā)生性能退化和故障失效[1]．

旋轉(zhuǎn)機械關(guān)鍵零部件存在局部損傷故障時，其運行過程中會產(chǎn)生周期性沖擊響應(yīng)特征，且每個有用沖擊特征信息并不是孤立的數(shù)據(jù)點，而是具有簇稀疏的點集合．在機械設(shè)備運行過程中，采集得到的振動信號不可避免地會受到系統(tǒng)噪聲和環(huán)境噪聲的干擾．當設(shè)備存在早期微弱故障時，故障的特征本身比較微弱，有用的故障特征信息往往被淹沒在強大的背景噪聲中[2]．機械故障動態(tài)信號的微弱性主要表現(xiàn)在兩個方面:故障損傷信號特征本身非常微弱，如早期故障;有用故障特征信號被機械系統(tǒng)多干擾源和強噪聲所淹沒，導致難以識別，這使得關(guān)鍵設(shè)備的狀態(tài)監(jiān)測和故障診斷的難度不斷增大[3]．因此，研究先進的故障特征提取技術(shù)，具有重要的工程意義和實用價值．

近年來工程中廣泛應(yīng)用的傅里葉變換和小波變換等非平穩(wěn)信號處理方法，其本質(zhì)都是基于內(nèi)積變換原理的特征波形基函數(shù)分解．其中，基于小波的稀疏特征提取技術(shù)得到了國內(nèi)外學者的廣泛關(guān)注[4]．然而，對于復雜多變信號，小波變換在信號稀疏特征提取方面缺乏自適應(yīng)性．針對此類信號，建立在多種基函數(shù)之上的原子分解方法(如匹配追蹤和基追蹤)可以取得較好的效果[5]．目前廣泛應(yīng)用的稀疏優(yōu)化模型中，基于l1范數(shù)的凸正則化得到各個領(lǐng)域的青睞．然而，非凸正則化往往能夠取得更好的處理效果，但是非凸正則項的引入可能會犧牲目標函數(shù)的凸性[6]．針對此問題，文獻[7]提出了一種巧妙的解決思路:通過適當?shù)募s束非凸正則項(懲罰函數(shù))，使其與凸的二次數(shù)據(jù)保真項進行平衡，可以保證目標函數(shù)整體仍然為凸．基于上述思想，一些學者在近年來構(gòu)造出具體的優(yōu)化模型，并取得了比凸正則化更佳的應(yīng)用效果[8]．

筆者針對旋轉(zhuǎn)機械的周期簇稀疏故障特征提取問題，深入研究了一種周期重疊簇稀疏(Periodic Overlapping Group Sparsity， POGS)信號優(yōu)化特征提取算法[6]．旨在從含噪觀測數(shù)據(jù)中提取周期簇稀疏故障特征，所研究的POGS算法構(gòu)造了有效的優(yōu)化目標函數(shù)，該目標函數(shù)中的正則項(懲罰函數(shù))選用非凸懲罰函數(shù)來增強周期性特征的稀疏性，并且證明了非凸可控化參數(shù)在一定約束條件下可以保證目標函數(shù)整體為凸．引入優(yōu)控極小化方法(Majorization-Minimization， MM)[9]，推導出高效的迭代收斂算法用于POGS算法優(yōu)化問題的求解．將所提出的POGS算法應(yīng)用于仿真信號，定量地分析了其有效性．最后將POGS算法應(yīng)用于軸承故障特征提取中，進一步驗證了其在稀疏故障特征提取中的優(yōu)越性．

1　問題描述和非凸懲罰函數(shù)

1.1　問題描述

文中研究時域周期性簇稀疏故障特征的優(yōu)化提取問題．假設(shè)觀測到的含噪信號y可表示為

y=x+w,

(1)

其中，x表示具有周期簇稀疏特征的信號成分；w表示背景噪聲，通常假設(shè)為高斯白噪聲．需要說明的是，在通用的故障診斷降噪模型中，一般假設(shè)觀測信號由有用振動成分和干擾噪聲組成，而文中直接將觀測信號構(gòu)造為稀疏故障特征和噪聲的合成信號，旨在提取出與故障直接相關(guān)的周期性稀疏特征．

1.2　非凸懲罰函數(shù)

文中選用非凸懲罰函數(shù)來增強周期性特征的稀疏性，假設(shè)非凸懲罰函數(shù)φ:R→R，滿足如下特性:

(1)φ在實數(shù)范圍內(nèi)連續(xù)．

(2)φ在R{0}范圍內(nèi)二階可微．

(3)φ在R+范圍內(nèi)遞增且是凹的．

(4)φ是對稱函數(shù)，即φ(-x)=φ(x)．

圖1 絕對值凸函數(shù)與典型的非凸懲罰函數(shù)圖(a=2)

(5)φ′(0+)=1(在0處的斜率為1)．

(6) ?x≠0，存在φ″(x)≥φ″(0+)．

文中使用的非凸懲罰函數(shù)由一個標量參數(shù)靈活地實現(xiàn)非凸程度的調(diào)節(jié)，該標量參數(shù)標記為a>0．定義符號φ(x;a)來表示非凸懲罰函數(shù)的參數(shù)化形式．滿足以上假設(shè)的典型非凸懲罰函數(shù)有對數(shù)函數(shù)型(log)、有理分式函數(shù)型(rat)及反正切函數(shù)型(arctan)，如表1所示．這幾類典型的參數(shù)化非凸懲罰函數(shù)φ還具有如下特性:φ″(0+;a)= -a和φ(x;0)= |x|．絕對值凸函數(shù)和滿足本節(jié)假設(shè)的典型非凸懲罰函數(shù)如圖1所示．由圖1中可以觀察得到，反正切型(arctan)懲罰函數(shù)比其他兩種懲罰函數(shù)的非凸性更強，可以更大限度的增強提取特征的稀疏性．

表1　絕對值凸函數(shù)與典型的非凸稀疏懲罰函數(shù)

2　周期重疊簇稀疏信號優(yōu)化特征提取算法

針對旋轉(zhuǎn)機械的核心零部件在發(fā)生故障時常伴隨周期性非平穩(wěn)沖擊特征的先驗知識，研究一種高效的周期重疊簇稀疏(POGS)信號優(yōu)化特征提取算法．POGS算法具體包括優(yōu)化問題的構(gòu)造、凸函數(shù)約束條件和快速收斂算法推導．

2.1　POGS算法優(yōu)化問題的構(gòu)造

POGS算法構(gòu)造如下的無約束優(yōu)化問題:

(2)

其中，P為優(yōu)化問題的目標函數(shù)；y∈RN，為觀測得到的含噪信號；b為二進制的序列b= {b0，b1，…，bK-1}，bk∈ {0，1}；懲罰函數(shù)φ:R→R，滿足1.2節(jié)中定義的假設(shè)條件．POGS算法優(yōu)化問題在懲罰函數(shù)作用的對象中創(chuàng)造性地引入二進制權(quán)重序列b，實現(xiàn)了稀疏特征結(jié)構(gòu)的靈活性刻畫[6]．具體地，θ(x，b，n)是一個具有二進權(quán)重數(shù)據(jù)塊的歐幾里得范數(shù)(l2范數(shù))，該數(shù)據(jù)塊包含K個相鄰的信號點, 可表示為

(3)

2.2　凸函數(shù)約束條件

通過調(diào)節(jié)非凸懲罰函數(shù)的非凸程度，可以保證POGS算法優(yōu)化問題目標函數(shù)整體仍然為凸函數(shù)．其理論依據(jù)為:數(shù)據(jù)保真度項為凸的二次項(目標函數(shù)P中的第1項)，因此適當?shù)丶s束非凸懲罰函數(shù)φ的非凸程度，可以保證目標函數(shù)P整體為凸函數(shù)．目標函數(shù)P為凸函數(shù)可以保證用迭代收斂算法求解時，所得到的結(jié)果不會受陷于局部最優(yōu)解．

0≤a<1/(K1λ)

(4)

時，則目標函數(shù)P是嚴格凸的[6]．

2.3　POGS算法快速收斂求解算法

為求解POGS算法構(gòu)造的優(yōu)化問題，引入優(yōu)控極小化方法(MM)求解所構(gòu)造的目標函數(shù)，并提出了高效的迭代收斂數(shù)值算法[6]．由于可以約束所構(gòu)造的優(yōu)化問題為凸，所提出的迭代優(yōu)化算法最終收斂于凸優(yōu)化問題的全局最優(yōu)解，這樣可以避免非凸優(yōu)化問題受困于局部最優(yōu)解的難題．其中，POGS算法的正則化參數(shù)的取值，可根據(jù)噪聲標準差大小進行設(shè)置[6]．為了最大化地增強提取特征的稀疏性，非凸可控化參數(shù)a在滿足約束式(4)的條件下取最大值進行設(shè)置．

POGS求解算法歸納如下:

輸入:y∈RN，λ，b∈{0，1}K，ε．

初始化:x=y，S={n:yn≠0}．

對n∈S，執(zhí)行循環(huán):

(2)xn=yn/(1+λrn)．

(3)S={n: |xn|>ε}．

直至收斂．

輸出:x．

3　仿真信號分析

為了驗證文中研究的POGS算法在周期性稀疏故障特征提取中的有效性，模擬了一組周期性沖擊信號特征，并添加高斯白噪聲n(t)用于模擬背景干擾噪聲．仿真信號表達式為

y(t)=exp(-50t) sin(2π×50t)+n(t)．

(5)

仿真的周期性沖擊信號及含噪信號波形分別如圖2(a)和圖2 (b)所示，其中采樣頻率fs= 1 000 Hz，信號長度為 2 048 個點，噪聲的標準差σ= 0.33．可以觀察到，在原始信號中模擬的周期性瞬態(tài)沖擊分量被強大的背景噪聲所淹沒．為定量地分析POGS算法在提取周期稀疏特征方面的有效性，選用均方根誤差(Root-Mean-Square Error，RMSE)和信噪比(Signal-to-Noise Ratio，SNR)作為評價指標．對于圖2(b)中的仿真含噪信號，其均方根誤差為0.328，信噪比為 -6.540 dB．

圖2　仿真信號波形圖

采用文中研究的POGS算法對該模擬含噪信號進行分析，其中正則化參數(shù)設(shè)置為λ= 0.152，算法迭代次數(shù)為30．POGS算法稀疏特征提取結(jié)果及優(yōu)化目標函數(shù)收斂特性分別如圖3(a)和圖3(b)所示．在提取得到的稀疏特征波形圖3(a)中，可以清晰地發(fā)現(xiàn)周期性沖擊單元，其均方根誤差為0.101，信噪比為 3.653 dB．分析結(jié)果證明了所研究的POGS算法可以準確地恢復具有周期性稀疏特征的有用信號成分，最大限度地消除了背景噪聲的干擾．本例中所研究的POGS算法處理該仿真信號時運行時間僅為 0.009 s，完全滿足工程中對算法實時性的要求．測試軟硬件為: 聯(lián)想Y40筆記本，16 GB 內(nèi)存，Intel i7-5500U處理器，Matlab 2011．

圖3　POGS算法稀疏特征提取結(jié)果及優(yōu)化目標函數(shù)收斂圖

4　實際信號驗證

為驗證所研究的POGS算法在機械故障特征提取中的有效性，這里將其應(yīng)用于軸承故障振動信號分析中．振動信號來源于機械故障預防協(xié)會(Machinery Failure Prevention Technology Society， MFPTS)的故障模擬實驗臺，數(shù)據(jù)來源網(wǎng)址為http://www.mfpt.org/FaultData/FaultData.htm．表2中列出了測試滾動軸承的具體參數(shù)．輸入軸的轉(zhuǎn)頻(驅(qū)動頻率)為 25 Hz．由表2可以計算得到軸承內(nèi)圈故障特征頻率為 118.9 Hz[10]．

表2　測試滾動軸承具體參數(shù)

圖4所示為采集的軸承內(nèi)圈故障振動信號時域波形圖，該信號的采樣頻率和采樣長度分別為 48.828 kHz 與 9 765 點．采用文中研究的POGS稀疏優(yōu)化算法對該含噪振動信號進行分析，正則化參數(shù)λ與噪聲標準差大小σ成比例．本節(jié)中，針對實際測量得到的信號，背景噪聲的標準差σ可表示為

σ=median(|y|)/0.674 5,

(6)

其中，median(·)為取中值函數(shù)．式(6)為文獻[6]提出，并且已經(jīng)在小波降噪等研究中得到了廣泛的應(yīng)用．利用式(6)估計得到的背景噪聲標準差大小σ= 0.729，設(shè)置正則化參數(shù)λ= 0.273 4．POGS稀疏特征提取結(jié)果如圖5所示，在提取得到的特征波形圖中，可以清晰地發(fā)現(xiàn)周期性沖擊單元．沖擊單元間隔對應(yīng)的頻率與內(nèi)圈故障特征頻率 (118.9 Hz) 相一致．

圖4 內(nèi)圈故障振動信號時域圖圖5 POGS稀疏特征提取結(jié)果圖

5　結(jié) 束 語

文中研究了機械故障信號的周期重疊簇稀疏(POGS)特征提取算法．POGS算法能夠有效地從時域含噪信號中提取出具有周期簇稀疏結(jié)構(gòu)的故障特征．POGS算法構(gòu)造了有效的優(yōu)化目標函數(shù)，該目標函數(shù)中的正則項(懲罰函數(shù))選用非凸懲罰函數(shù)來增強周期性特征的稀疏性，并且證明了非凸可控化參數(shù)在滿足一定約束條件下可以保證目標函數(shù)整體為凸．為求解POGS算法所構(gòu)造的目標函數(shù)，引入優(yōu)控極小化方法，推導出高效的迭代收斂數(shù)值算法，該快速求解算法最終收斂于POGS算法優(yōu)化問題的全局最優(yōu)解．將所提出的POGS算法應(yīng)用于仿真信號，通過RMSE和SNR指標定量地分析了其有效性．最后將POGS算法應(yīng)用于軸承故障特征提取中，進一步驗證其在稀疏故障特征提取中的優(yōu)越性．

參考文獻：

[1] SMITH W A, RANDALL R B. Rolling Element Bearing Diagnostics Using the Case Western Reserve University Data: a Benchmark Study[J]. Mechanical Systems and Signal Processing, 2015, 64/65: 100-131.

[2]SHAO H D, JIANG H K, ZHAO H W, et al. A Novel Deep Autoencoder Feature Learning Method for Rotating Machinery Fault Diagnosis[J]. Mechanical Systems and Signal Processing, 2017, 95: 187-204.

[3]賀王鵬, 訾艷陽, 陳彬強. 沖擊特征受控極小化通用稀疏表示及其在機械故障診斷中的應(yīng)用[J]. 西安交通大學學報, 2016, 50(4): 94-99.

HE Wangpeng, ZI Yanyang, CHEN Binqiang. Majorizaiton Minimization Oriented Sparse Optimization Method for Feature Extraction Technique in Machinery Fault Diagnosis[J]. Journal of Xi’an Jiaotong University, 2016, 50(4): 94-99.

[4]王勇, 馮唐智, 陳楚楚, 等. 結(jié)合自適應(yīng)稀疏表示和全變分約束的圖像重建[J]. 西安電子科技大學學報, 2016, 43(1): 12-18.

WANG Yong, FENG Tangzhi, CHEN Chuchu, et al. Adaptive Sparse Representation and Total Variation Constraint Based Image Reconstruction[J]. Journal of Xidian University, 2016, 43(1): 12-18.

[5]CUI L L, WU N, MA C Q, et al. Quantitative Fault Analysis of Roller Bearings Based on a Novel Matching Pursuit Method with a New Step-impulse Dictionary[J]. Mechanical Systems and Signal Processing, 2016, 68/69: 34-43.

[6]HE W P, DING Y, ZI Y Y, et al. Sparsity-based Algorithm for Detecting Faults in Rotating Machines[J]. Mechanical Systems and Signal Processing, 2016, 72/73: 46-64.

[7]NIKOLOVA M, NG M K, TAM C P. Fast Nonconvex Nonsmooth Minimization Methods for Image Restoration and Reconstruction[J]. IEEE Transactions on Image Processing, 2010, 19(12): 3073-3088.

[8]HE W P, DING Y, ZI Y Y, et al. Repetitive Transients Extraction Algorithm for Detecting Bearing Faults[J]. Mechanical Systems and Signal Processing, 2017, 84: 227-244.

[9]FIGUEIREDO M A T, BIOUCAS-DIAS J M, NOWAK R D. Majorization-minimization Algorithms for Wavelet-based Image Restoration[J]. IEEE Transactions on Image Processing, 2007, 16(12): 2980-2991.

[10]HE W P, ZI Y Y, CHEN B Q, et al. Automatic Fault Feature Extraction of Mechanical Anomaly on Induction Motor Bearing Using Ensemble Super-wavelet Transform[J]. Mechanical Systems and Signal Processing, 2015, 54: 457-480.