滚动轴承声发射信号特征选取及状态识别方法研究
|
摘要
本课题来源于国家自然科学基金项目《机械故障无线传感网络监测与智能诊断方法研究》（项目编号：51075023）。声发射检测技术用于故障诊断领域是当前研究的热点问题之一，声发射信号由于处于高频范围内，不易受到各种低频振动噪声干扰，具有良好的应用前景。但是，声发射检测技术在工业生产应用中，如何进行有效的信噪分离，如何选择特征参数以提高状态识别的准确率，如何选择适用于不同要求的状态识别方法是目前存在的三个主要问题。
本文针对声发射监测系统中存在的主要问题开展研究，在信噪分离上提出了以小波变换为核心，以强制消噪法和小波阈值消噪法相结合的信号预处理方法，并将信息熵的概念引入小波基函数的选择过程中，选择出与滚动轴承声发射信号较为吻合的小波基函数，提高了消噪的效果；研究了基于现代信号处理方法的声发射信号特征提取方法，提出了以互信息理论和距离测度相结合的特征参数评价因子，选择敏感度高冗余度低的状态特征参数；研究了基于参数有效性的状态识别方法，提出特征参数与状态类别的相关性和参数之间距离测度作为有效性系数改进模糊识别方法，提高了识别的准确率。将改进的模糊聚类法与包络谱分析法作为监测单元简易状态识别方法，而将蚁群聚类算法和粒子群聚类算法作为上位机精确识别方法，经过测试，这种监测单元简易识别与上位机精确识别结合的识别模式，提高了滚动轴承状态识别的效率。
This project comes from the Nation Natural Science Funds project theresearch of mechanical fault wireless sensor network monitoring andintelligent diagnosis method, project number:51075023. Acoustic emissiontesting technology for fault diagnosis field is one of the hot research issues.Because it is in high frequency range, is hardly disturbed by vibration noisein low frequency. It has a good application prospect. But when the acousticemission test technology is applied in industrial production, it has theproblems: how to get effectively signal-to–noise separation, how to selectthe characteristic parameters in order to improve the accuracy of staterecognition, how to select the suitable recognition method for differentrequirements.
The project research and design a complete set of rolling bearingacoustic emission monitor, which is based on the hardware design ofacoustic emission wireless monitor unit. This paper proposes the signalpretreatment method, which combines the forced de-noising method andwavelet threshold de-noising method based on wavelet transform; and the entropy introduced into selection wavelet function, it can help choosing thewavelet function fit for acoustic emission signal of rolling bearing. Thismethod can effectively separated signal-to-noise. This paper proposes thenew feature selection method based on combine mutual information theoryand distance measurement. The characteristic parameter subset based on thenew method can get higher recognition accuracy compared with thetraditional method. The fuzzy recognition is improved by the coefficients,which is the relationship between the parameters and state, also the distancemeasurement between parameters. The improved fuzzy recognition methodgets good recognition result. The envelope spectrum method and improvedfuzzy are used in recognitionsimple recognition of monitor unit, and the antcolony clustering recognition and particles swarm clustering recognitionalgorithm are used in accurate recognition of PC. The model combinessimple recognition of monitoring unit with accurately recognition of PC,improving the efficiency of the rolling bearing state recognition.
本文针对声发射监测系统中存在的主要问题开展研究，在信噪分离上提出了以小波变换为核心，以强制消噪法和小波阈值消噪法相结合的信号预处理方法，并将信息熵的概念引入小波基函数的选择过程中，选择出与滚动轴承声发射信号较为吻合的小波基函数，提高了消噪的效果；研究了基于现代信号处理方法的声发射信号特征提取方法，提出了以互信息理论和距离测度相结合的特征参数评价因子，选择敏感度高冗余度低的状态特征参数；研究了基于参数有效性的状态识别方法，提出特征参数与状态类别的相关性和参数之间距离测度作为有效性系数改进模糊识别方法，提高了识别的准确率。将改进的模糊聚类法与包络谱分析法作为监测单元简易状态识别方法，而将蚁群聚类算法和粒子群聚类算法作为上位机精确识别方法，经过测试，这种监测单元简易识别与上位机精确识别结合的识别模式，提高了滚动轴承状态识别的效率。
This project comes from the Nation Natural Science Funds project theresearch of mechanical fault wireless sensor network monitoring andintelligent diagnosis method, project number:51075023. Acoustic emissiontesting technology for fault diagnosis field is one of the hot research issues.Because it is in high frequency range, is hardly disturbed by vibration noisein low frequency. It has a good application prospect. But when the acousticemission test technology is applied in industrial production, it has theproblems: how to get effectively signal-to–noise separation, how to selectthe characteristic parameters in order to improve the accuracy of staterecognition, how to select the suitable recognition method for differentrequirements.
The project research and design a complete set of rolling bearingacoustic emission monitor, which is based on the hardware design ofacoustic emission wireless monitor unit. This paper proposes the signalpretreatment method, which combines the forced de-noising method andwavelet threshold de-noising method based on wavelet transform; and the entropy introduced into selection wavelet function, it can help choosing thewavelet function fit for acoustic emission signal of rolling bearing. Thismethod can effectively separated signal-to-noise. This paper proposes thenew feature selection method based on combine mutual information theoryand distance measurement. The characteristic parameter subset based on thenew method can get higher recognition accuracy compared with thetraditional method. The fuzzy recognition is improved by the coefficients,which is the relationship between the parameters and state, also the distancemeasurement between parameters. The improved fuzzy recognition methodgets good recognition result. The envelope spectrum method and improvedfuzzy are used in recognitionsimple recognition of monitor unit, and the antcolony clustering recognition and particles swarm clustering recognitionalgorithm are used in accurate recognition of PC. The model combinessimple recognition of monitoring unit with accurately recognition of PC,improving the efficiency of the rolling bearing state recognition.
引文
[1]马恒儒,陶春虎,郑鹏.声发射检测[M].北京:机械工业出版社,2004.1-2
[2]耿荣生.声发射技术发展现状[J].无损检测,1998,20(6):151-158
[3]沈功田,戴光,刘时风.中国声发射检测技术进展[J].无损检测,2003,25(6):302-307
[4] M.W.Hawman, W.S.Galinaitis. Acoustic emission monitoring of rolling element bearings [J].ULTRASONICS SYMPOSIUM,1988,33(4):885-889
[5]郝如江,卢文秀,褚福磊.声发射检测技术用于滚动轴承故障诊断的研究综述[J].振动与冲击,2008,27(3):75-79
[6]王洪辉.嵌入式系统Linux内核开发实战指南[M].北京:电子工业出版社,2008.2-4
[7]齐鹤.基于ZigBee的机泵无线监测智能单元研究[D].北京:北京化工大学,2010
[8]姜长泓.轨道车辆轮轴故障检测系统研究[D].吉林:吉林大学,2006
[9]边肇祺,张学工.模式识别[M].北京:清华大学出版社,2000.5-6
[10]林云飞.基于小波分析的超声波透射法基桩检测信号处理[D].湖南:长沙理工大学,2011
[11]印欣运.声发射技术在旋转机械碰摩故障诊断中的应用[D].北京:清华大学,2005
[12]赵新光.基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D].辽宁:沈阳工业大学,2009
[13]付元杰.基于时频能量分析的声发射特征信号的提取方法研究[D].广西:广西大学,2006
[14]封常生.小波分析在信号处理中的应用[D].上海:上海交通大学,2007
[15]李录平,邹新元,唐月清.小波变换在声发射信号特征参数检测中的应用[J].振动与冲击,2001,20(2):67-71
[16]赵静荣.声发射信号处理系统与源识别方法的研究[D].吉林:吉林大学,2010
[17]宋东哲.基于小波变换的去噪方法[D].吉林:吉林大学,2005
[18]周静.基于DSP的金属裂纹声发射信号特征参数提取[D].广西:广西大学,2008
[19]张平.集成化声发射信号处理平台[D].北京:清华大学,2002
[20]林京.基于连续小波变换的信号检测技术与故障诊断[J].机械工程学报,2000,36(12):95-100
[21]杨杰.声发射信号处理与分析技术的研究[D].吉林:吉林大学,2005
[22]王佳. Mallat算法中有限长信号边界处理问题的研究与应用[D].北京:北京交通大学,2010
[23]纪洪广,张天森,张志勇,蔡美峰.无损检测中常用声发射参数的分析与评价[J].无损检测,2001,23(7):289-294
[24]王娟,慈林林,姚康泽.特征选择方法综述[J].计算机工程与科学,2005,27(12):68-71
[25]成建国,毛汉领,黄振峰,黄云奇.金属材料声发射信号特征提取方法[J].声学技术,2008,27(3):309-314
[26]周璐.风电监测系统中数据集成与分析方法研究[D].北京:北京化工大学,2010
[27]耿荣生,沈功田,刘时风.声发射信号处理和分析技术[J].无损检测,2002,24(1):23-28
[28]郑军,王巍,杨武,杨永田.基于类间距离参数估计的文本聚类评价方法[J].计算机工程,2009,35(9):37-42
[29]樊新海,王战军,安钢,张传清.机械系统状态监测特征参数评价与选取[J].装甲兵工程学院学报,2009,23(3):25-28
[30]于瑛英,薛毅,池宏.一种提高SVM训练速度的新方法[J].数理统计与管理,2008,27(3):409-417
[31]李兵,张培林,任国企,刘东升,米双山.基于互信息的滚动轴承故障特征选择方法[J].测试技术学报,2009,23(2):183-188
[32] Kari Torkkola. Nonlinear Feature Transforms Using Maximum Mutual information [C].International Joint Conferenceon Neural Networks,2001,2756-2761
[33] Hanchuan P, Fuhui L, Ding C. Feature selection based on mutual information criteria ofmax-dependency, max-relevance, and min-redundancy [C]. IEEE Transactions on PatternAnalysis and Machine Intelligence,2005,1226-1238
[34]贺兴时,于洁琼,李丽丽.基于互信息的特征子集选择[J].西安工程大学学报,2008,22(3):366-368
[35]唐亮,段建国,许洪波,梁玲.基于互信息最大化的特征选择算法及应用[J].计算机工程与应用,2008,44(13):130-133
[36] Toussaint, G.T. On a Simple Minkowski Metric Classifier [C]. IEEE Transactions on SystemsScience and Cybernetics,1970,360-362
[37]张成彬,唐建.基于互信息最大化和特征聚类的特征选择[J].研究与开发,2009,313(8):31-33
[38] J.H Liu and G.X Wang, G.T. A hybrid feature selecion method for data sets of thousands ofvariables [C]. Advanced Computer Control International Conference,2010,288-291
[39]刘玲玲.文本分类中的特征选择研究[D].山东:中国石油大学华东,2011
[40]赵军阳,张志利.基于最大互信息最大相关熵的特征选择方法[J].计算机应用研究,2009,26(1):233-240
[41]刘健,张维明.基于互信息的文本特征选择方法研究与改进[J].计算机工程与应用,2008,44(10):135-137
[42]宋化境.基于小波分析和虚拟仪器技术的滚动轴承测试分析系统的研究[D].上海:上海大学,2007
[43]刘立生,邱阿瑞.希尔伯特变换在点击故障诊断中的应用[J].电工电能新技术,1999,44(2):33-36
[44]陈玉华,刘时风,耿荣生,沈功田.声发射信号的谱分析和相关分析[J].无损检测,2002,24(9):395-399
[45]卜伶俐,郭建英,蒋凤林.小波分析与Hilbert分析在滚动轴承故障诊断中的应用[J].哈尔滨理工大学学报,1999,13(2):82-89
[46]袁红梅.模糊C均值算法的研究[D].宁夏:宁夏大学,2010
[47]张玉芳,娄娟,李智星,熊忠阳.基于模糊关系的文本分类方法[J].计算机工程,2011,37(16):149-151
[48]邓艾东,赵力,包永强.基于模糊熵的转子碰摩声发射信号的识别[J].机械工程学报,2010,46(3):71-75
[49]李晓晴,焦素敏,张雪萍,朱淑琴,杜振芳.基于粒子群优化的带障碍约束空间聚类分析[J].计算机工程与设计,2007,28(24):5924-5927
[50]吴光辉.基于杂交算子的FS算法在差异工件单机批调度问题中的应用研究[D].安徽:中国科学技术大学,2010
[51]刘靖明,韩丽川,侯立文.一种新的聚类算法——粒子群聚类算法[J].计算机工程与应用,2005,25(6):183-185
[52]王立群.一种新的动态目标检测与跟踪技术研究[D].天津:天津理工大学,2008
[53]杨淑莹.模式识别与智能计算[M].北京:电子工业出版社,2011.345-348
[54]叶吉祥,林泉.基于粒子群算法的文档模糊均值聚类分析[J].计算机工程与设计,2009,30(6):1446-1448
[55]李向丽.蚁群优化算法的改进及其应用[D].江苏:江南大学,2007
[56]项宝卫,应建健.蚁群算法研究综述[J].台州学院学报,2007,29(3):6-9
[57]胡小兵,袁锐,黄席樾,易继军.蚁群算法原理的仿真研究[J].台州学院学报,2004,21(8):125-128
[58]王立群,杨淑莹,安博.基于蚁群算法的多字符聚类识别[J].天津理工大学学报,2008,24(5):34-37
[59]黄丽丰.基于改进的蚁群算法在分类规则中的应用研究[D].重庆:重庆理工大学,2010
[60]杨剑锋,李良,张斌.活塞杆疲劳裂纹声发射监测的实验研究[J].无损探伤,2007,31(4):21-23
[2]耿荣生.声发射技术发展现状[J].无损检测,1998,20(6):151-158
[3]沈功田,戴光,刘时风.中国声发射检测技术进展[J].无损检测,2003,25(6):302-307
[4] M.W.Hawman, W.S.Galinaitis. Acoustic emission monitoring of rolling element bearings [J].ULTRASONICS SYMPOSIUM,1988,33(4):885-889
[5]郝如江,卢文秀,褚福磊.声发射检测技术用于滚动轴承故障诊断的研究综述[J].振动与冲击,2008,27(3):75-79
[6]王洪辉.嵌入式系统Linux内核开发实战指南[M].北京:电子工业出版社,2008.2-4
[7]齐鹤.基于ZigBee的机泵无线监测智能单元研究[D].北京:北京化工大学,2010
[8]姜长泓.轨道车辆轮轴故障检测系统研究[D].吉林:吉林大学,2006
[9]边肇祺,张学工.模式识别[M].北京:清华大学出版社,2000.5-6
[10]林云飞.基于小波分析的超声波透射法基桩检测信号处理[D].湖南:长沙理工大学,2011
[11]印欣运.声发射技术在旋转机械碰摩故障诊断中的应用[D].北京:清华大学,2005
[12]赵新光.基于声发射和小波分析的大型风力机叶片材料损伤识别研究[D].辽宁:沈阳工业大学,2009
[13]付元杰.基于时频能量分析的声发射特征信号的提取方法研究[D].广西:广西大学,2006
[14]封常生.小波分析在信号处理中的应用[D].上海:上海交通大学,2007
[15]李录平,邹新元,唐月清.小波变换在声发射信号特征参数检测中的应用[J].振动与冲击,2001,20(2):67-71
[16]赵静荣.声发射信号处理系统与源识别方法的研究[D].吉林:吉林大学,2010
[17]宋东哲.基于小波变换的去噪方法[D].吉林:吉林大学,2005
[18]周静.基于DSP的金属裂纹声发射信号特征参数提取[D].广西:广西大学,2008
[19]张平.集成化声发射信号处理平台[D].北京:清华大学,2002
[20]林京.基于连续小波变换的信号检测技术与故障诊断[J].机械工程学报,2000,36(12):95-100
[21]杨杰.声发射信号处理与分析技术的研究[D].吉林:吉林大学,2005
[22]王佳. Mallat算法中有限长信号边界处理问题的研究与应用[D].北京:北京交通大学,2010
[23]纪洪广,张天森,张志勇,蔡美峰.无损检测中常用声发射参数的分析与评价[J].无损检测,2001,23(7):289-294
[24]王娟,慈林林,姚康泽.特征选择方法综述[J].计算机工程与科学,2005,27(12):68-71
[25]成建国,毛汉领,黄振峰,黄云奇.金属材料声发射信号特征提取方法[J].声学技术,2008,27(3):309-314
[26]周璐.风电监测系统中数据集成与分析方法研究[D].北京:北京化工大学,2010
[27]耿荣生,沈功田,刘时风.声发射信号处理和分析技术[J].无损检测,2002,24(1):23-28
[28]郑军,王巍,杨武,杨永田.基于类间距离参数估计的文本聚类评价方法[J].计算机工程,2009,35(9):37-42
[29]樊新海,王战军,安钢,张传清.机械系统状态监测特征参数评价与选取[J].装甲兵工程学院学报,2009,23(3):25-28
[30]于瑛英,薛毅,池宏.一种提高SVM训练速度的新方法[J].数理统计与管理,2008,27(3):409-417
[31]李兵,张培林,任国企,刘东升,米双山.基于互信息的滚动轴承故障特征选择方法[J].测试技术学报,2009,23(2):183-188
[32] Kari Torkkola. Nonlinear Feature Transforms Using Maximum Mutual information [C].International Joint Conferenceon Neural Networks,2001,2756-2761
[33] Hanchuan P, Fuhui L, Ding C. Feature selection based on mutual information criteria ofmax-dependency, max-relevance, and min-redundancy [C]. IEEE Transactions on PatternAnalysis and Machine Intelligence,2005,1226-1238
[34]贺兴时,于洁琼,李丽丽.基于互信息的特征子集选择[J].西安工程大学学报,2008,22(3):366-368
[35]唐亮,段建国,许洪波,梁玲.基于互信息最大化的特征选择算法及应用[J].计算机工程与应用,2008,44(13):130-133
[36] Toussaint, G.T. On a Simple Minkowski Metric Classifier [C]. IEEE Transactions on SystemsScience and Cybernetics,1970,360-362
[37]张成彬,唐建.基于互信息最大化和特征聚类的特征选择[J].研究与开发,2009,313(8):31-33
[38] J.H Liu and G.X Wang, G.T. A hybrid feature selecion method for data sets of thousands ofvariables [C]. Advanced Computer Control International Conference,2010,288-291
[39]刘玲玲.文本分类中的特征选择研究[D].山东:中国石油大学华东,2011
[40]赵军阳,张志利.基于最大互信息最大相关熵的特征选择方法[J].计算机应用研究,2009,26(1):233-240
[41]刘健,张维明.基于互信息的文本特征选择方法研究与改进[J].计算机工程与应用,2008,44(10):135-137
[42]宋化境.基于小波分析和虚拟仪器技术的滚动轴承测试分析系统的研究[D].上海:上海大学,2007
[43]刘立生,邱阿瑞.希尔伯特变换在点击故障诊断中的应用[J].电工电能新技术,1999,44(2):33-36
[44]陈玉华,刘时风,耿荣生,沈功田.声发射信号的谱分析和相关分析[J].无损检测,2002,24(9):395-399
[45]卜伶俐,郭建英,蒋凤林.小波分析与Hilbert分析在滚动轴承故障诊断中的应用[J].哈尔滨理工大学学报,1999,13(2):82-89
[46]袁红梅.模糊C均值算法的研究[D].宁夏:宁夏大学,2010
[47]张玉芳,娄娟,李智星,熊忠阳.基于模糊关系的文本分类方法[J].计算机工程,2011,37(16):149-151
[48]邓艾东,赵力,包永强.基于模糊熵的转子碰摩声发射信号的识别[J].机械工程学报,2010,46(3):71-75
[49]李晓晴,焦素敏,张雪萍,朱淑琴,杜振芳.基于粒子群优化的带障碍约束空间聚类分析[J].计算机工程与设计,2007,28(24):5924-5927
[50]吴光辉.基于杂交算子的FS算法在差异工件单机批调度问题中的应用研究[D].安徽:中国科学技术大学,2010
[51]刘靖明,韩丽川,侯立文.一种新的聚类算法——粒子群聚类算法[J].计算机工程与应用,2005,25(6):183-185
[52]王立群.一种新的动态目标检测与跟踪技术研究[D].天津:天津理工大学,2008
[53]杨淑莹.模式识别与智能计算[M].北京:电子工业出版社,2011.345-348
[54]叶吉祥,林泉.基于粒子群算法的文档模糊均值聚类分析[J].计算机工程与设计,2009,30(6):1446-1448
[55]李向丽.蚁群优化算法的改进及其应用[D].江苏:江南大学,2007
[56]项宝卫,应建健.蚁群算法研究综述[J].台州学院学报,2007,29(3):6-9
[57]胡小兵,袁锐,黄席樾,易继军.蚁群算法原理的仿真研究[J].台州学院学报,2004,21(8):125-128
[58]王立群,杨淑莹,安博.基于蚁群算法的多字符聚类识别[J].天津理工大学学报,2008,24(5):34-37
[59]黄丽丰.基于改进的蚁群算法在分类规则中的应用研究[D].重庆:重庆理工大学,2010
[60]杨剑锋,李良,张斌.活塞杆疲劳裂纹声发射监测的实验研究[J].无损探伤,2007,31(4):21-23