变转速条件下火车轴承转速估计研究7(小论文中文版).docxVIP

变转速条件下火车轴承转速估计研究周 媛1, (1. 北京邮电大学 自动化学院, 北京 100876)摘要: 针对变转速条件下火车轴承振动信号的特点，提出了一种火车轴承变速阶段转速估计方法——STFT-BPCF估计法（STFT-BP curve fit，STFT-BPCF）。该方法采用STFT对轴承振动信号进行时频分析，求得离散的时间对应的频率，然后运用BP神经网络曲线拟合算法实现对轴承信号的瞬时频率估计，进而进行轴承转速估计。STFT-BPCF方法降低了噪声等对瞬时频率估计及轴承转速估计结果的影响，实现了对变转速条件下火车货车轴承的转速估计，且结果精度高。仿真试验验证了本方法的正确性。关 键 词: 变转速轴承; 短时傅里叶变换; BP神经网络拟合近年来，在火车轴承故障诊断领域中，人们对其非匀转速运行阶段的振动信号越来越感兴趣，因为在这一阶段更容易发现通常难以发现的系统缺陷。因此，如何精确估计参考轴转速，对轴承变转速阶段振动信号进行阶比跟踪至关重要。由原理得到参考轴转速与瞬时频率的对应关系如下：,式中，t为时间，为参考轴瞬时转速，为瞬时频率。从而实现对变转速条件下轴承振动信号的阶比跟踪，进一步实现对变转速轴承的故障诊断。结合火车轴承变速阶段振动信号特点，提出了一种改进的STFT非平稳信号转速估计方法（Short-time Fourier transform_BP curve fit,STFT_BPCF）。基本思想是采用STFT对振动信号进行离散瞬时频率估计，然后采用BPCF算法对估计值进行拟合，从而得到参考轴对应的连续瞬时频率进而得到参考轴连续转速。瞬时频率估计瞬时频率目前在学术界最为常用且得到普遍认可的瞬时频率定义式由Ville于1948年提出。设实信号,其中表示信号的幅值信息，表示信号相位信息。通过Hilbert变换求得的共轭信号由信号和可构成一个复共轭对，得到解析信号则IF被定义为解析信号的相位对时间的导数，即：同时，另一种从时频分布的角度的定义是：一个信号在时刻的IF为该时刻存在频率的加权平均，也称为TFD的一阶矩即式中为TFD估计。瞬时频率估计在瞬时频率估计算法领域中，从其估算原理相似性分为相位法、谱峰检测法、求根估计法、以及基于HHT变换的局域波分解法。其中谱峰检测法是最直观且常用的检测信号IF的方法，目前常用的谱峰检测法主要有：基于视频分布（TFD）的谱峰检测、基于短时傅里叶变换（STFT）的谱峰检测、基于线性调频小波变换（CT）的谱峰检测和基于离散演变变换（DET）的谱峰检测方法。其中STFT方法是线性时频变换，不存在交叉项、且最为直观易理解等优点得到广泛应用。基于STFT谱峰值估计的IFE信号的连续短时傅里叶变换定义为式中复数共轭，—时间宽度很小的时窗即信号乘上一个以t为分布中心的“分析时窗”所作的傅里叶变换。由于乘以一个相当短的时窗，等价于取出信号在分析点附近的一个切片，所以可视为信号在“分析时间”t时刻出的“局部频谱”。STFT频谱（SPEC）即STFT的时间-频率能量分布（瞬时功率谱密度）定义为模值的平方即由上式公式得到STFT及其频谱的数字算法式中N—FFT长度n,k—STFT频谱所表示时频面中的离散时间和频率网格“节点”因为在每个瞬时拥有最高能量密度的频率最可能是瞬时频率，且STFT谱在时频面上的数字化表示是由时间和频率网格构成的，故将频率格进行分段，即每S个频率格为一段，共分为,为频率点数。对个频率段分别求其谱峰最大值记录其对应频率点。argmax表示谱峰最大时的频率值，且峰值坐标点表示了在t时刻的频率值。BP神经网络曲线拟合图1 多层神经网络结构图1中给出的多层神经网络输入层有个神经元，隐含层有个神经元，输出层有个神经元。其中是输入层第个神经元和隐含层第个神经元之间的连接权值，是隐含层第个神经元和输出层第个神经元之间的连接权值。对于输入层神经元，其作用函数取线性函数，即神经元的输出等于输入。隐含层和输出层神经元的输入分别是上一层神经元输出的加权和，且每个神经元的输出取决于神经元的激励程度和相应的作用函数。多层神经网络的学习属于有监督学习，其学习过程由信息正向传播和误差反向传播两部分组成。首先是信号的正向传播，信号通过输入经由隐含层逐层处理，之后传向输出层，这个过程中每一层的状态只与前一层的状态有关。如果输出层的输出不能达到预期的精度要求，就会进入误差的反向传播过程，通过误差值逐步修正每层神经元的连接权值，使误差减小。神经网络的前向计算对于图1中给出的多层神经网络，设网络中的各神经元的阈值为零，其输入信息的正向传播过程如下：输入层：输入层神经元的作用函数取线性函数，即神经元输出等于输入。对于第个神经元，其输出为：隐含层：隐含层的第个神经元的净输入为：其中n 是输入层的神经元数。隐含层第个神经元的输出