基于物理原理的周期性加权稀疏表示方法,用于旋转机械中的故障特征提取

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Physics-guided periodic weighting sparse representation for fault feature extraction in rotating machinery

【字体: 大 中 小 】 时间:2026年01月03日 来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 8.9

编辑推荐:

  针对复杂干扰环境下旋转机械轴承故障诊断中周期分量提取精度低、多源噪声抑制不足及多故障成分分离困难的问题,提出基于物理建模的周期加权稀疏表示方法(PG-PWSR)。该方法通过动态模型构建故障信号参考谱,引入相似性基的故障子带值(SFSV)指标实现自适应加权,结合非线性指数加权频谱增强周期估计与脉冲定位,并采用顺序提取框架分离复合故障特征。仿真与实验验证了PG-PWSR在提高周期特征提取精度和复合故障分离效果方面的有效性。

  
傅磊|姜宇豪|刘佳|徐芳|马泽鹏
浙江工业大学机械工程学院,中国杭州310023

摘要

在复杂的干扰环境中提取周期性故障成分仍然是轴承故障诊断中的一个关键挑战。现有方法存在诸如周期性成分提取精度低、干扰抑制不足以及在多源噪声和复合故障条件下难以分离多个故障成分等问题。为了解决这些挑战,本文提出了一种基于物理的周期性加权稀疏表示(PG-PWSR)方法。首先,基于轴承动态模型,该方法引入了一种基于相似性的故障子带值(SFSV)指标,以在多源噪声和复合故障条件下提高弱周期性成分的提取和干扰抑制能力。然后,提出了一种非线性指数加权频率能量算子谱,以增强周期性估计和脉冲定位,减少低频干扰并准确识别脉冲位置。最后,该方法结合了自适应稀疏加权、周期性脉冲定位和顺序提取框架,以准确提取弱故障特征。仿真和实验验证表明,PG-PWSR方法显著提高了周期性故障特征的提取效果,并有效分离了重叠的复合故障成分。

引言

作为旋转机械中的关键部件,轴承的健康状况直接影响设备效率、加工精度和系统可靠性[1],[2]。因此,有效的状态监测和故障诊断对于减少停机时间和维护成本至关重要[3],特别是对于早期检测可能导致严重故障的微弱初期故障[4]。
信号处理是从复杂、噪声较大的振动信号中提取故障相关特征的基础。常见的方法包括自适应分解、统计带选择和时频分析。自适应分解方法如经验模态分解(EMD)[5]、局部均值分解(LMD)[6]和变分模态分解(VMD)[7]对非平稳信号有效,但存在模态混合、噪声敏感性和对预设模态数依赖的问题。统计带选择方法如谱峰度(SK)[8]和快速峰度图(FK)[9]能够识别冲击敏感带,但在弱故障或复合故障下的表现较差。时频分析技术,包括小波变换[10]和匹配同步压缩变换(MSST)[11],具有高分辨率,但计算成本高且参数敏感。然而,这些方法在强噪声和复杂运行条件下的鲁棒性和适应性不足,这突显了需要具有增强结构建模、脉冲特征敏感性和噪声抑制能力的信号处理技术。
稀疏表示最近被证明通过使用结构化字典来提取故障特征是有效的,这些字典的原子能够模拟机械故障信号的固有周期性和振荡模式[12]。借助正则化和字典学习,稀疏建模在保持计算效率的同时提高了适应性和噪声鲁棒性[13]。最近的研究集中在加权建模[14]、字典设计[15]、组稀疏优化[16]和惩罚函数构建[17]上。例如,赵等人[18]提出了一种加权稀疏表示(WSR)框架,该框架将可调Q因子小波变换与K-SVD结合用于多尺度特征提取,而基于MAP估计的分层拉普拉斯先验模型[19]结合了物理和统计先验以提高弱故障检测能力。然而,大多数现有方法依赖于时间、频率或小波域先验,缺乏明确的周期性建模,这限制了它们在非周期性干扰和强噪声下的泛化能力。
为了解决这一限制,已将周期性先验纳入稀疏建模框架中以增强周期性特征提取。赵等人[20]开发了一种稀疏辅助信号分解(SASD)方法,结合了形态差异和非凸正则化用于弱周期性脉冲提取。李等人[21]提出了一种增强型周期性组稀疏(EPGS)模型以提高特征精度和噪声鲁棒性,而周期性辅助自适应小波字典[22]使用非对称衰减小波来表示周期性瞬态。然而,这些小波往往与真实的瞬态形态不匹配,导致信息丢失。此外,固定的周期性假设使得这些方法在可变负载、外部干扰或结构非线性条件下不适用。
基于周期性先验,加权稀疏优化通过根据故障相关性为小波系数分配动态权重来自适应地强调故障相关成分[23]。典型的权重指标如峰度和熵已被扩展到周期性脉冲检测中。例如,楚等人[24]引入了一种基于均值-峰度的周期性加权稀疏表示,孟等人[25]提出了一种周期性加权峰度(PWK)模型,结合了脉冲性和周期性,姚等人[26]开发了一种多带加权周期性稀疏表示以改善特征分离。尽管有这些进展,现有加权策略在复杂干扰下仍存在权重分布不稳定、对可变条件的适应性有限以及计算成本高的问题,这阻碍了实时应用。
局限性。根据上述文献综述,尽管在稀疏表示、周期性先验建模和加权策略方面取得了显著进展,现有方法在泛化和目标匹配方面仍存在局限性。主要挑战包括:
  • •
    加权机制缺乏物理指导。当前的加权机制依赖于通用的统计指标,缺乏与特定故障的直接关联。特别是在复杂或噪声较大的环境中,它们可能会错误地分配权重,放大无关成分并抑制关键故障特征。此外,它们无法适应故障严重程度的变化或信号复杂性的变化。
  • •
    周期性估计和脉冲定位存在偏差。周期性脉冲信号经常受到噪声、谐波和非周期性干扰的扭曲,特别是在弱故障或复合故障条件下。现有方法难以提供稳定的周期性估计和准确的脉冲定位,导致向量不对齐和脉冲特征分离不良,从而削弱了周期性特征提取的有效性。
  • •
    复合故障特征难以识别。
    在复合故障场景中,来自不同源的周期性脉冲经常重叠,导致特征纠缠和掩盖效应。传统的稀疏表示方法侧重于提取单个特征,使得分离多个故障变得困难。这一限制增加了特征混淆和误分类的风险,阻碍了在复杂条件下的准确故障诊断。
  • 贡献。为了克服这些限制,并受到[27]、[28]的启发,本研究提出了一种基于轴承动态模型的PG-PWSR方法,用于在复杂干扰下提取周期性故障成分。通过利用物理模拟的故障信号作为高信噪比参考,增强了稀疏建模的物理可解释性,这些信号准确地代表了真实的故障行为。频率子带与这些模拟信号进行比较,并使用一种新的基于相似性的故障子带值(SFSV)指标定量评估它们的相似性,从而实现基于物理的适应性加权和最优子带选择。通过将稀疏建模与周期性脉冲定位相结合,所提出的方法桥接了基于物理的理解和数据驱动的稀疏表示,确保在多源噪声下可靠且准确地提取弱故障特征。与对噪声敏感且缺乏物理可解释性的传统数据驱动方法不同,PG-PWSR直接将轴承动态纳入子带加权策略中,以指导特征识别和模型优化。主要贡献如下:
  • 1)
    基于故障机制的加权,以增强干扰抑制能力。提出了一种自适应稀疏加权策略,用于在强干扰下提取目标故障成分。从动态模型中得出清晰的故障谱特征,形成SFSV指标的基础,该指标在窄带内量化故障信息。这种方法有效地抑制了无关成分,同时确保了更精确的故障特征提取。
  • 2)
    在复杂条件下的精确周期性估计和脉冲定位。
    提出了一种非线性指数加权频率能量算子谱,以在谐波和随机干扰下增强周期性估计和脉冲定位。通过减少低频干扰并利用残差分析,该方法能够准确识别周期性脉冲位置,提高周期性故障特征的提取效果。
  • 3)
    用于可靠复合故障分离的顺序提取框架。
    开发了一种周期性引导的混合加权稀疏表示(PG-HWSR)框架,以解决复合故障中来自不同源的周期性脉冲重叠的问题。通过结合动态建模和多轮周期性增强,该方法依次提取周期性脉冲成分,从而实现多个故障特征的准确识别和分离。
  • 本文的结构如下:第2节介绍轴承动态模型,第3节介绍自适应稀疏加权策略和周期性脉冲定位方法,第4节提供仿真研究和性能验证,第5节通过真实滚动轴承的实验验证该方法,第6节总结研究。

    部分摘录

    动态建模

    轴承动态使用集总参数模型进行描述,该模型将滚动元件和滚道简化为基于赫兹接触理论的非线性弹簧-阻尼系统。根据[27]、[30],开发了一个四自由度(4-DOF)模型(图1),以表示在不同故障条件下的轴承行为。该模型基于以下假设:
  • 1)
    忽略了EHL效应,非线性来源于接触力、时变刚度和间隙
  • 提出的方法

    受到[28]、[29]的启发,本研究利用轴承动态建模来指导信号处理和特征提取。动态模型捕捉了缺陷演变与振动响应之间的定量关系,预测了局部故障的频谱特征,并支持关键频率带的识别。使用阻尼和刚度等关键参数模拟不同类型故障下的故障信号,产生反映

    仿真实验

    本节提出了一个复合故障仿真,以分析自适应加权参数并验证所提出的PG-HWSR方法。此外,通过比较WSR、PG-WSR和PG-HWSR的特征提取性能,进一步评估了加权和周期性定位策略的有效性。

    实验设置

    为了验证所提算法在实际应用中的准确性和优越性,在各种运行条件下进行了多次实验,并与最先进的方法进行了比较。测试是在6204RS滚动轴承的外圈、内圈和复合故障上进行的。设计了一个轴承-转子实验平台(图20(a)),用于实际数据采集,包括一个电机、加速度计、两个轴承外壳(一个健康的一个有缺陷的)和

    结论

    本研究提出了PG-PWSR方法,用于在复杂干扰下提取周期性故障成分。与对噪声敏感且缺乏物理可解释性的传统稀疏表示方法不同,PG-PWSR将基于物理的加权与周期性增强相结合,将数据驱动的稀疏性与轴承动态知识相结合。这种融合显著提高了故障检测的鲁棒性和准确性。主要贡献总结如下:
  • 1)
    改进了
  • CRediT作者贡献声明

    傅磊:撰写——原始草稿,资金获取,概念化。姜宇豪:撰写——审阅与编辑。刘佳:调查,数据管理。徐芳:监督,资源提供。马泽鹏:撰写——审阅与编辑。

    利益冲突声明

    作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

    致谢

    作者感谢中国国家自然科学基金(合同编号52475140)和浙江省自然科学基金(合同编号LY22E050014)提供的财政支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号