基于多穩隨機共振的機電設備故障診斷研究

王誼

摘要：針對機械軸承早期故障診斷提出了多穩隨機共振檢測方法。分析了系統參數對多穩系統結構的影響，研究了高斯噪聲背景下基于多穩隨機共振的微弱信號檢測方法。采用平均輸出信噪比作為衡量指標，以多頻微弱信號為待測信號進行數值仿真，并將其應用于滾動軸承故障信號檢測中，實驗結果均表明，該方法對早期故障振動信號具備準確的診斷能力，為其應用于工程實踐奠定了基礎。

Abstract： A multi-stable stochastic resonance detection method is proposed for early fault diagnosis of electromechanical equipment. The effect of the system parameters on the structure of the multi-stable system is analyzed， and the weak? signal detection method based on multi-stable stochastic resonance in the Gaussian noise background is studied. The average output signal-to-noise ratio is used as a measurement index， and the multi-frequency weak signal is tested for numerical simulation. The method is applied to the rolling bearing failure signal detection. The experimental results show that the method has accurate diagnosis ability for early fault vibration signals， which lays the foundation for its application in engineering practice.

關鍵詞：多穩態隨機共振;故障診斷;機電設備

Key words： multi-stable stochastic resonance;fault diagnosis;electromechanical equipment

中圖分類號：TK407? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）06-0145-02

0? 引言

近年來，隨著智能制造技術的迅速發展，機械設備向著大型、精密化發展，設備結構之間的耦合越來越強，其動態行為越來越復雜。同時，機械結構的故障會帶來較大的經濟損失和人員傷亡，因此機械軸承早期故障監測具有重要的工程應用價值。

隨機共振是目前使用較為廣泛的非線性檢測方法[1]。單穩態與雙穩態隨機共振在機械故障診斷、超聲信號檢測及圖像增強等領域有諸多應用[2-4]。但在待測信號非常弱的條件下，以上兩種方法的檢測效果較差，因此多穩態隨機共振的研究逐漸開展。本文通過研究多穩態隨機共振對于高頻多頻信號的檢測效果，并將其應用于滾動軸承的振動故障檢測。

1? 多穩隨機共振模型

多穩隨機共振模型可用具有三勢阱性質的非線性郎之萬方程來描述[5]，其實質為一個過阻尼粒子受到外作用力和外加噪聲同時作用下在三個勢阱中所做的運動。其數學模型如下：

多穩態勢函數U（x）如圖1所示。由式（2）可知，不同的系統參數a、b、c的取值影響勢函數U（x）的結構，即系統會在單穩態、雙穩態及三穩態之間互相切換。由于多穩態系統比單穩和雙穩具有更好地檢測能力，所以在系統參數選取時需避免單穩態和雙穩態的出現[6-8]。

2? 工程應用

本文采用的軸承內圈故障信號數據來自凱斯西儲大學軸承數據官網[9]，實驗軸承為深溝球軸承6205-2RS JEM SKF，如圖2所示。

該軸承滾珠個數為9，轉速1797r/min，其內軸故障特征頻率為162.08Hz。通過本文提出的多穩態隨機共振檢測方法，軸承故障信號檢測結果如圖3所示。

由圖3中可以看出，輸出信號的時域波形呈現一定的周期性，且在頻率為162.1Hz處有明顯峰值，其頻率與理論軸承內圈故障信號的頻率基本一致。實驗結果說明該滾動軸承的故障類型是內圈故障。

3? 結論

本文將多穩態隨機共振檢測方法應用于機械軸承早期故障信號的檢測。介紹了多穩隨機共振模型，分析了系統參數a、b、c對系統結構的影響。以平均輸出信噪比為衡量指標，仿真實現了對多頻高頻微弱信號的檢測。并將其應用于單晶爐振動信號檢測，實驗證明該方法能夠有效實現機械軸承早期故障的診斷。

參考文獻：

[1]Ji S Y， Yuan F， Chen K Y， et al. Application of stochastic resonance technology in underwater acoustic weak signal detection[C]. Oceans. IEEE， 2016： 1-5.

[2]張剛，胡韜，張天騏.基于隨機共振大參數微弱周期信號檢測[J].科學技術與工程，2015，15（35）：182-192.

[3]行鴻彥，盧春霞，張強.自適應隨機共振微弱信號檢測[J].系統仿真學報，2018，2（30）：587-604.

[4]殷學杰，馬玉梅，潘振寬.基于飽和系統隨機共振的圖像去噪算法[J].計算機與現代化，2019（12）：44-48.

[5]胡蔦慶.隨機共振微弱特征信號檢測理論與方法[M].北京：國防工業出版社，2012：42-46.

[6]Yi Wang， Shangbin Jiao， Qing Zhang， Shuang Lei， Xiaoxue Qiao. A weak signal detection method based on adaptive parameter-induced tri-stable stochastic resonance[J]. Chinese Journal of Physics， 2018， （56）： 1187-1198.

[7]Liu Y， Liang J， Jiao S B， et al. Stochastic resonance of a tri-stable system with α stable noise[J]. Chinese Journal of Physics， 2017， 55： 355-366.

[8]馮毅，陸寶春，張登峰.基于多穩態隨機共振的軸承微弱故障信號檢測[J].振動、測試與診斷，2016，36（6）：1168-1174.

[9]凱斯西儲大學軸承故障官網[DB/OL].http：//csegroups. case. edu/ bearingdatacenter/ pages/12k-drive-end-bearing-fault-data.