基于SSA-VMD的地铁列车滚动轴承故障诊断方法.pdf
《基于SSA-VMD的地铁列车滚动轴承故障诊断方法.pdf》由会员分享,可在线阅读,更多相关《基于SSA-VMD的地铁列车滚动轴承故障诊断方法.pdf(5页珍藏版)》请在咨信网上搜索。
1、Equipment Manufacturing Technology No.7袁20230引 言转向架滚动轴承是地铁列车运行的关键部件,对滚动轴承状态的实时检测意义重大1。滚动轴承的故障特征在信号中以周期脉冲的形式存在,因此,将周期脉冲成分从故障信号中提取出来是进行滚动轴承故障诊断的前提2。但是当振动信号中混杂着大量的背景噪声时,很难准确地提取出振动信号中的周期脉冲3。对此,相关科研工作者开展了一系列的研究,并提出了多种提取信号特征的分解方法。小波变换(WT)是一种经典的信号分解方法,已被广泛应用于轴承故障信号的分解,然而 WT 的噪声鲁棒性并不可靠,还需要人为的选择小波基4。经验模态分解(E
2、MD)一经提出就已被大量用于滚动轴承的故障分析中,但是 EMD 存在端点效应、模态混叠等问题5。虽然 WT和 EMD 不断地有改进方法被提出,但是这些方法并不能很好地提取故障信号中的周期脉冲6,7。变分模态分解(Variational Mode Decomposition,VMD)是由 Konstantin 提出的信号处理方法,采用非递归求解变分模态方式,求解分量的带宽和频率中心,自适应的对非平稳信号进行分解,能较好地应对模态混叠,此方法一经提出,受到了国内外研究者的讨论8。但 VMD 分解需要手动选取分解分量 K 的值,同时,如果原始信号噪声干扰较大的情况下,会影响到信号的分解效果。因此,提
3、出采用奇异谱分析(Singular Spectrum Analysis,SSA)方法对原始信号进行降噪处理,再将降噪后的信号进行 VMD 分解处理。仿真实验结果表明,SSA-VMD 能够有效消除信号噪声,提高 VMD 分解准确性。最后对分解信号的包络谱分析表明,经 SSA-VMD 处理后能够有效提取出故障信号的特征频率。1基本原理1.1 奇异谱分析SSA 是一种用来分析和预测非线性时间序列的方法,它适用于分析具有潜在结构的时间序列。SSA通过对所要研究的时间序列的轨迹矩阵进行分解、重构等操作,提取出时间序列中的不同成分序列,实现对原时间序列的成分分析或去噪9。SSA 算法的降噪步骤如下:(1)
4、构建轨迹矩阵基于 SSA-VMD 的地铁列车滚动轴承故障诊断方法陈桂平1,路晓鹏1,何雷1,向伟彬2(1.柳州铁道职业技术学院,广西 柳州 545616;2.南宁轨道交通集团有限责任公司运营分公司,广西 南宁 530000)摘要:滚动轴承是地铁列车走行部的关键核心部件之一,其状态好坏关系到列车的安全运行。由于地铁线路弯道多、黏着小,路况比较复杂,列车运行时往往伴随着轮轨啮合产生的大量噪声,即便轴承故障产生异常振动也会被淹没在噪声之中,非常不利于对轴承状态的识别与诊断。针对地铁列车转向架滚动轴承信号含噪的故障状态诊断问题,提出一种基于 SSA-VMD 的滚动轴承降噪特征提取的故障诊断方法。先利用
5、奇异谱分析(Singular Spectrum Analysis,SSA)方法抑制故障信号中的非周期噪声成分,再将经 SSA 处理的信号进行变分模态分解(Variational Mode Decomposition,VMD),仿真实验及故障轴承实验结果表明,SSA 能够有效地抑制故障信号中的噪声成分,随后变分模态分解算法能准确地将故障特征按照不同的特征频带分解出来,SSA-VMD 方法能够在噪声背景下有效的提取出故障周期脉冲特征。关键词:滚动轴承;奇异谱分析;变分模态分解;故障诊断中图分类号:U231.6文献标志码:A文章编号:1672-545X(2023)07-0042-05收稿日期:202
6、3-03-09基金项目:广西高校中青年教师科研基础能力提升项目:“地铁列车转向架滚动轴承故障特征提取分析及诊断方法研究”(2022KY1402);广西高校中青年教师科研基础能力提升项目:“城轨车辆电磁接触器碰撞弹跳动态特性及其影响因素分析”(2021KY1383)第一作者:陈桂平(1988-),男,广西北海人,硕士,讲师、高级工程师,研究方向为地铁列车传动系统故障诊断.42装备制造技术 2023 年第 7 期对于长度为 N 的一维时间序列x1,x2,xN,选择合适的窗口长度 L(L N2),将时间序列进行时间延迟 子 越 1 的滞后排列得到 L 伊 K 的轨迹矩阵:X 越x1x2 xKx2x3
7、 xK+1xLxL+1 xN杉删山山山山山山山山山山山山山煽闪衫衫衫衫衫衫衫衫衫衫衫衫衫(1)式中,xi为迟滞序列分量,表示的是 X 中的 i 列;K=N-L+1。(2)奇异值分解由于轨迹矩阵 X 为非方阵,直接对 X 分解比较困难,因此先计算 X 的协方差矩阵 S:S=XXT(2)然后对 S 进行特征值分解,分别得到 S 的特征值撰 越 diag(姿1,姿2,姿L)和对应的特征向量 U1,U2,UL。那么移 越 diag(姿1姨,姿2姨,姿L姨)则为轨迹矩阵 X 的奇异值,并且有:X=移Lm=1姿m姨UmVTmVm=XTUm/姿m姨扇墒设设设设缮设设设设,m=1,2,L(3)奇异值姿m姨反映
8、了对应奇异矩阵 Um对原信号序列的能量贡献。奇异值大表示包含的有效信息多,而奇异谱值小则一般视为噪声。(3)分组重构计算迟滞序列 xi在 Um上的投影:ami=XiUm=Lj=1移xi+jUm,j,1 臆 i 臆 K(4)式中,ami是时间演变型 XiUm在原序列 xi时段的权重,称为时间主成分(TPC)。根据时间经验正交函数和时间主成分对原时间序列的贡献进行重构,以此实现消除噪声。具体重构过程如下:xki=1iij=1移aki-jUk,j,1 臆 i 臆 L-11LLj=1移aki-jUk,j,L 臆 i 臆 N-L+11N-i+1L移j=i-N+Laki-jEk,j,N-L+2 臆 i 臆
9、 N扇墒设设设设设设设设设设设设缮设设设设设设设设设设设设(5)因此,所有重构序列的和等于原序列,即xi=Lk=1移xki,i=1,2,N(6)1.2 变分模态分解VMD 是一种自适应多分量信息分解方法,其分解过程包括变分问题构造和求解过程。算法理论中的uk是具有有限带宽的本征模态函数,以 棕k为中心频率进行波动,带宽通过对信号进行平滑估计获得,其变分问题可以表示为:minuk,棕kkk=1移椰坠t(啄(t)+j仔t)鄢uk(t)e-j棕kt椰22嗓瑟s.tkk=1移uk(t)=f(t)扇墒设设设设设设设缮设设设设设设设(7)上式中,uk=u1,uk表示变分分解后 K 个模态分量 IMF,棕k
10、 越 棕1,棕k为模态分量的中心频率,f(t)为原信号,啄(t)为冲击函数,坠t为求偏导。用拉格朗日算子 姿(t)和二次惩罚因子 琢 将(7)式中的目标函数约束优化转化为无约束的优化问题,确保约束条件的严格性和信号重构精度。表达式如下:L(uk,棕k,姿)越琢kk=1移椰坠t(啄(t)+j仔t)鄢uk(t)e-j棕kt椰22+椰f(t)-kk=1移uk(t)椰22+姿(t),f(t)-kk=1移uk(t)蓸蔀(8)采用交替方向乘子法迭代更新uk,棕k和 姿,求取(8)式中的鞍点,即为(7)式的最优解。所有 IMF 分量可以表示为:u軋kn+1(棕)越f軆(棕)-移iku軋kn(棕)+姿軋(棕)
11、21+2琢(棕-棕kn)2棕kn+1=肄0乙棕u軋kn+1(棕)2d棕肄0乙u軋kn+1(棕)2d棕(9)其中:u軋kn+1(棕),f軆(棕),姿軋(棕)为,ukn+1(t),f(t),姿(t)的傅里叶变换,从约束分解过程可知,VMD 分解根据频率特性进行频带划分,通过设定带宽参数和中心角频率,获得 K 个模态初始函数 uk,然后根据各模态和中心频率不断循环更新,实现信号自适应最优分解。VMD 的详细分解流程可以参考文献8。1.3 算法步骤运用 SSA 和 VMD 进行含噪信号滚动轴承故障分析的算法步骤如下:(1)对含噪信号时间序列,先将信号进行标准化,根据式(1)构建时间滞后轨迹矩阵 X。(
12、2)对 X 的协方差矩阵 S,根据式(2)进行奇异值分解,得出奇异值和奇异谱。(3)根据式(5)选取主成分分量进行重构,剔除含43Equipment Manufacturing Technology No.7袁2023噪分量,得到去噪后的信号。(4)根据能量损失比最小原则,选取合适的 K 值对去噪后的信号进行变分模态分解,得到 K 个分解分量。综上所述,SSA-VMD 算法的流程如图 1 所示。2仿真实验为了验证 SSA-VMD 算法的有效性,本节将用仿真信号进行验证。构建仿真信号 x(t)=cos(2*pi*2*t)+1/4*cos(2*pi*24*t)+1/16*cos(2*pi*288*
13、t)+0.1*randn(1,length(t),信号包含特征频率为 2 Hz、24 Hz、288 Hz 的余弦信号和噪声信号叠加而成,其时间序列图和频谱图如图 2 所示。当信号中的周期成分的幅值、频率与噪声接近时,比如构建的仿真信号中的 1/4*cos(2*pi*288*t)和某个 0.1*randn(1,length(t),如果直接用 VMD 算法对仿真信号进分解,那么将会造成分解不完全或者误分解,其分解得到的分量时间序列图和频谱图如图 3所示。因此为了剔除信号中非周期噪声信号对 VMD 分解时的影响,在分解之前采用 SSA 算法对仿真信号进行消噪处理,根据 SSA 分组重构原理,选取对信
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 SSA VMD 地铁 列车 滚动轴承 故障诊断 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。