增強的最小相關廣義Lp/Lq 范數反卷積在旋轉機械故障診斷中的應用

摘 要： 用于提取滾動軸承故障周期沖擊特征的最小相關廣義Lp/Lq 范數反卷積（MCG-Lp/Lq-D）存在對先驗周期參數的精確度要求過高的問題。因此有必要提出一種新的周期估計方法-具有約束的自適應周期估計（APEC），該方法可以在強噪聲條件下依然能夠穩定的給出周期信息的真實估計或其近似值，隨后將APEC 引入到MCG-Lp/Lq-D 構造了新的盲解卷積算法EMCG-Lp/Lq-D，該方法不僅能在強噪聲條件下通過APEC 自適應調整故障周期，同時還繼承了MCG-Lp/Lq-D 對噪聲和異常值魯棒的特點。由于APEC 是一種需要先驗周期（不要求精確周期）指導的周期估計方法，這使得其在低信噪比（SNR）條件下具有更好的魯棒性來估計故障周期，從而使EMCG-Lp/Lq-D 的運用范圍相較于MCG-Lp/Lq-D 的更廣泛。最后，仿真和實驗驗證了EMCG-Lp/Lq-D 的有效性和優越性。

關鍵詞： 最大相關峭度反卷積; 自適應故障周期估計; 故障診斷; 機器狀態監測; 局部故障

中圖分類號： TB9; TH133.33; TN911.7 文獻標志碼： A 文章編號： 1674–5124（2024）10–0157–10

0 引 言

旋轉機械故障可能導致嚴重的設備損壞和安全事故，因此，對旋轉機械設備進行有效的檢測和診斷，在制定設備維護保養計劃、防止設備損壞和確保操作等方面具有重要意義[1]。

到目前為止，許多先進的故障診斷技術，如信號分解法[2-3]、循環平穩方法[4-5] 和盲反卷積[6-7] 技術等被提出并被成功應用于旋轉機械故障診斷。其中，盲反卷積技術由于其完善的理論基礎和自適應探測能力，越來越受到研究者的關注并成為故障診斷領域的研究熱點。He 等[8] 使用低階統計量替換最大相關峭度反卷積（maximum correlated kurtosisdeconvolution， MCKD） 中的高階統計量，相關峭度（correlated kurtosis， CK），構建了基于低階統計量的相關廣義Lp/Lq 范數，最小相關廣義Lp/Lq 范數反卷積（minimum correlated generalized Lp/Lqdeconvolution， MCG-Lp/Lq-D）。研究表明MCGLp/Lq-D 對單峰值的魯棒性比MCKD 更好，但是，MCG-Lp/Lq-D 和MCKD 一樣需要嚴格精確的周期參數，周期參數的輕微差異可能使得MCG-Lp/Lq-D 失效。Miao 等[9] 提出了一種自適應周期估計（adaptive period estimation， APE） 方法，可以實現周期參數的自適應調整，但當信噪比極低時，APE 方法無法探測到真實的故障周期。

針對以上問題，本文提出了一種新的周期估計方法APEC，并將其引入到MCG-Lp/Lq-D 構造了新的盲解卷積算法EMCG-Lp/Lq-D。所提方法通過APEC，在迭代過程中自適應實現調整先驗周期參數以逼近真實故障周期，從而使EMCG-Lp/Lq-D 相較于MCG-Lp/Lq-D 能夠使用更加精確的周期參數進行迭代優化，這有利于保障其故障診斷性能。使用仿真數據和實驗數據進行了方法驗證，結果表明，本文方法可以在強噪聲條件下，依然能夠得到正確的結果，同時本文方法還繼承了MCG-Lp/Lq-D 對噪聲和異常值魯棒的特點，證明了該方法的有效性與優越性。