基于SSA和雙穩(wěn)隨機(jī)共振的車(chē)削顫振微弱特征提取

吳 飛, 欒天宇, 農(nóng)皓業(yè)

(武漢理工大學(xué) 機(jī)電工程學(xué)院,武漢 430070)

由于車(chē)削系統(tǒng)結(jié)構(gòu)剛性限制和切削參數(shù)選擇不當(dāng)導(dǎo)致車(chē)削穩(wěn)定性變差,使得顫振在車(chē)削加工中時(shí)有發(fā)生。車(chē)削顫振表現(xiàn)為刀具與工件之間劇烈的振動(dòng),同時(shí)還會(huì)伴隨噪聲的產(chǎn)生,導(dǎo)致車(chē)削表面加工質(zhì)量下降,限制車(chē)削加工效率的提升。孫宇昕[1]提出車(chē)削顫振存在穩(wěn)定和顫振兩種狀態(tài),在二者之間存在過(guò)渡階段,此階段機(jī)床振動(dòng)的能量開(kāi)始向一個(gè)窄的頻帶聚集,當(dāng)顫振已完全發(fā)生,機(jī)床振動(dòng)的能量會(huì)表現(xiàn)出明顯的正弦振動(dòng)特征,導(dǎo)致時(shí)域振動(dòng)信號(hào)的規(guī)則性增加。在車(chē)削顫振監(jiān)測(cè)中,一般采取的策略是采集顫振時(shí)的信號(hào)進(jìn)行(時(shí))頻域方法,從頻譜中找到顫振特征頻率。然而,車(chē)削顫振過(guò)渡階段特征非常微弱,加之噪聲和轉(zhuǎn)頻的影響,頻譜中難確認(rèn)顫振的發(fā)展階段,在量化顫振方面更是難上加難。

自從Benzi等[2]在研究古氣象冰川問(wèn)題提出隨機(jī)共振理論以來(lái),隨機(jī)共振技術(shù)進(jìn)一步促進(jìn)了提取信號(hào)中微弱特征技術(shù)的發(fā)展和應(yīng)用。王慧等[3-5]通過(guò)噪聲、輸入信號(hào)以及非線性系統(tǒng)之間的協(xié)同配合,噪聲能量逐步向微弱信號(hào)頻率處聚集,使得原本微弱的特征信號(hào)能夠被清晰地辨識(shí),實(shí)現(xiàn)對(duì)微弱特征信號(hào)的檢測(cè)。

為了使隨機(jī)共振應(yīng)用于實(shí)際的機(jī)械故障檢測(cè)中,研究人員利用變尺度[6-8]、移頻變尺度[9]、歸一化[10]等方法突破絕熱近似理論的小參數(shù)限制,實(shí)現(xiàn)對(duì)高頻微弱特征信號(hào)的提取。王衡為突破絕熱近似理論的小參數(shù)限制,利用二次采樣技術(shù)將頻率壓縮尺度R引入,并作為二階隨機(jī)共振系統(tǒng)參數(shù)進(jìn)行尋優(yōu)。

為了增強(qiáng)微弱信號(hào)提取中的隨機(jī)共振現(xiàn)象,研究人員通過(guò)優(yōu)化隨機(jī)共振系統(tǒng)結(jié)構(gòu)[11-13]和提高智能優(yōu)化算法的尋優(yōu)效率,獲得更高的輸出信噪比。經(jīng)哲等[14]將量子遺傳算法(genetic quantum algorithm, QGA)對(duì)傳統(tǒng)隨機(jī)共振系統(tǒng)參數(shù)進(jìn)行優(yōu)化,實(shí)現(xiàn)對(duì)液壓泵故障振動(dòng)信號(hào)的降噪預(yù)處理;高康平等[15]利用麻雀優(yōu)化算法(sparrow search algorithm,SSA)尋優(yōu)能力強(qiáng)、收斂速度快的特點(diǎn),結(jié)果表明相較于PSO-SR模型,SSA-SR具有更強(qiáng)的優(yōu)越性與實(shí)用性;李國(guó)英等[16]考慮到不同帶限噪聲對(duì)特征信號(hào)的提取效果,在經(jīng)典二階隨機(jī)共振系統(tǒng)基礎(chǔ)上引入Paul小波實(shí)現(xiàn)對(duì)不同頻帶噪聲強(qiáng)度的控制,提升了隨機(jī)共振系統(tǒng)檢測(cè)效果。另外,由于以信噪比作為調(diào)整隨機(jī)共振系統(tǒng)參數(shù)的評(píng)價(jià)指標(biāo)時(shí)需要預(yù)知準(zhǔn)確的故障頻率,這在實(shí)際的故障特征提取場(chǎng)景中很難實(shí)現(xiàn)。曹衍龍等[17]結(jié)合峭度和近似熵構(gòu)建沖擊特征系數(shù)結(jié)合隨機(jī)共振提取沖擊信號(hào)。王俊等[18]提出加權(quán)功率譜峭度(weighted power spectral kurtosis,WPSK)來(lái)代替信噪比作為衡量隨機(jī)共振系統(tǒng)優(yōu)化指標(biāo),擺脫對(duì)先驗(yàn)知識(shí)的依賴(lài),但實(shí)際應(yīng)用仍有諸多限制。

針對(duì)上述問(wèn)題,本論文的研究工作就是基于隨機(jī)共振理論,以信噪比為評(píng)價(jià)指標(biāo),利用麻雀優(yōu)化算法算法選取最優(yōu)雙穩(wěn)態(tài)隨機(jī)共振(bistable stochastic resonance, BSR)系統(tǒng)參數(shù),即SSA-BSR模型,以此增強(qiáng)并提取微弱的車(chē)削顫振過(guò)渡階段狀態(tài)特征,提高車(chē)削顫振識(shí)別和監(jiān)測(cè)的有效性和準(zhǔn)確性。仿真信號(hào)和車(chē)削顫振試驗(yàn)數(shù)據(jù)分析表明,該方法能有效、準(zhǔn)確地實(shí)現(xiàn)車(chē)削顫振過(guò)渡階段微弱特征的識(shí)別與診斷,為實(shí)際工程應(yīng)用提供一種新思路。

1 理論背景

1.1 二階雙穩(wěn)態(tài)隨機(jī)共振模型

隨機(jī)共振由周期信號(hào)、噪聲和非線性系統(tǒng)共同作用產(chǎn)生,二階雙穩(wěn)態(tài)隨機(jī)共振模型如式(1)所示

(1)

圖1 不同形狀的雙穩(wěn)態(tài)勢(shì)阱

對(duì)于式可由四階龍格庫(kù)塔方程求解,具體求解過(guò)程為

(2)

(3)

式中:S(n)為含噪聲的隨機(jī)共振系統(tǒng)輸入信號(hào);xn為隨機(jī)共振系統(tǒng)的輸出信號(hào);h為數(shù)值計(jì)算步長(zhǎng)。

王衡研究了阻尼比k、噪聲強(qiáng)度D對(duì)隨機(jī)共振系統(tǒng)的影響規(guī)律,噪聲強(qiáng)度對(duì)隨機(jī)系統(tǒng)有一定的影響,但實(shí)際應(yīng)用中噪聲無(wú)法控制。因此,系統(tǒng)參數(shù)a、b以及阻尼比k是影響隨機(jī)共振模型性能的主要因素,同時(shí)考慮到實(shí)際車(chē)削顫振故障頻率遠(yuǎn)大于1 Hz,采用二次采樣技術(shù)引入頻率壓縮尺度R。如何通過(guò)對(duì)參數(shù)a,b,k,R的選定使系統(tǒng)輸出處于最優(yōu)隨機(jī)共振狀態(tài)是本文接下來(lái)要解決的問(wèn)題

1.2 麻雀搜索算法

麻雀搜索算法是Xue等[19]依據(jù)麻雀種群行為提出的一種群體優(yōu)化算法,可以同時(shí)優(yōu)化SSR模型的四個(gè)系統(tǒng)參數(shù),具有優(yōu)秀的尋優(yōu)能力和收斂速度。算法[20]通過(guò)計(jì)算初始種群適應(yīng)度值并進(jìn)行排序,對(duì)發(fā)現(xiàn)者、加入者及預(yù)警者的位置進(jìn)行更新,再利用對(duì)比迭代得到全局最優(yōu)解。SSA基本理論如下:

通過(guò)n只麻雀組成種群尋找最優(yōu)解,種群由集合(Xi,fi)表示,Xi表示麻雀所處的位置,即帶求解中的變量;fi=f(Xi),表示每個(gè)個(gè)體的適應(yīng)度值。種群與種群適應(yīng)度分別如式(4)、式(5)所示

(4)

(5)

式中:d為待求解變量維度;f為適應(yīng)度函數(shù)。

在優(yōu)化過(guò)程中,發(fā)現(xiàn)者位置更新如式(6)所示。

(6)

加入者位置更新如式(7)所示

(7)

預(yù)警者位置更新如式(8)所示

(8)

SSA算法的主要思想是基于麻雀種群內(nèi)部的分工和社會(huì)互動(dòng),算法通過(guò)發(fā)現(xiàn)者的搜索機(jī)制廣泛地探索解空間,通過(guò)加入者在發(fā)現(xiàn)者范圍搜索來(lái)達(dá)到局部搜索,這兩者平衡了算法的探索與開(kāi)發(fā),接著通過(guò)預(yù)警機(jī)制,防止算法陷入局部最優(yōu)。

1.3 適應(yīng)度函數(shù)

信噪比(signal-to-noise ratio,SNR)用作SSA算法的適應(yīng)度函數(shù)。SNR是用來(lái)評(píng)價(jià)微弱信號(hào)的常用指標(biāo)之一,當(dāng)SNR越大,說(shuō)明信號(hào)的噪聲干擾越少,信號(hào)越純凈。本文以SNR作為基于SSA的BSR檢測(cè)微弱信號(hào)的評(píng)價(jià)指標(biāo),其具體計(jì)算如下:

對(duì)一組離散信號(hào)x={x1,x2,…,xN},N為信號(hào)的長(zhǎng)度。對(duì)信號(hào)x進(jìn)行快速傅里葉變換得到頻率序列X(k)和幅值序列Y(k),可表示為

(9)

設(shè)信號(hào)頻率f0處的譜峰值序號(hào)為K0,可由式(10)求得

(10)

式中,fs為信號(hào)的采樣頻率,由此可得信號(hào)SNR為

(11)

經(jīng)前期試驗(yàn)測(cè)試發(fā)現(xiàn),車(chē)削加速度振動(dòng)信號(hào)信噪比均大于-50 dB,存在由于不合適的系統(tǒng)參數(shù)導(dǎo)致輸出信號(hào)完全失真,使得輸出信噪比為空的情形;同時(shí)信噪比均為負(fù)值且SNR值越大fs信號(hào)特征越明顯。系統(tǒng)參數(shù)優(yōu)化的目標(biāo)是尋找最小值問(wèn)題,以及保證算法正常運(yùn)行,故構(gòu)造適應(yīng)度函數(shù)f(X)如下

(12)

采用適應(yīng)度f(wàn)(X)函數(shù)值對(duì)以系統(tǒng)參數(shù)a、b,阻尼比k,頻率壓縮尺度R作為系統(tǒng)參數(shù)的隨機(jī)共振系統(tǒng)的輸出信號(hào)進(jìn)行評(píng)價(jià)。當(dāng)適應(yīng)度f(wàn)(X)函數(shù)值最大時(shí),得到最優(yōu)系統(tǒng)參數(shù)組合,輸出信號(hào)為最優(yōu)的濾波信號(hào)。

1.4 基于SSA-BSR的車(chē)削顫振微弱特征提取方法

基于上述討論,以信噪比作為雙穩(wěn)隨機(jī)共振系統(tǒng)(BSR)輸出信號(hào)的評(píng)價(jià)指標(biāo),利用麻雀搜索算法自適應(yīng)選取BSR系統(tǒng)參數(shù)a,b,k,R,將最優(yōu)參數(shù)組合輸入至BSR系統(tǒng),進(jìn)行頻譜分析,提取微弱信號(hào)特征。

下面為基于SSA-BSR模型的車(chē)削顫振微弱特征提取的具體步驟:

步驟1獲取車(chē)削顫振振動(dòng)信號(hào);

步驟2數(shù)據(jù)預(yù)處理。對(duì)原始信號(hào)而言,時(shí)域信號(hào)記為S0,S=S0-mean(S0),去除原始信號(hào)中的直流分量,將S作為隨機(jī)共振系統(tǒng)的輸入信號(hào);

步驟3初始化參數(shù)和總?cè)骸３跏蓟疭SA算法參數(shù),設(shè)置參數(shù)a,b,k,R的尋優(yōu)范圍,即a∈[0.01,5],b∈[0.01,10],k∈[0,1],R∈[200,2 000],隨機(jī)生成初始總?cè)篨,種群每個(gè)個(gè)體由a,b,k,R四維變量組成。

步驟5麻雀位置更新。將種群中個(gè)體按適應(yīng)度從小到大進(jìn)行排序,取前20%數(shù)量的麻雀作為發(fā)現(xiàn)者,按式(6)更新,其余麻雀作為加入者按式(7)更新,再計(jì)算更新后的各個(gè)體適應(yīng)度值。選取若干個(gè)體作為預(yù)警者,按式(9)進(jìn)行更新,并計(jì)算適應(yīng)度值;

步驟7更新迭代次數(shù),以是否達(dá)到最大迭代次數(shù)作為循環(huán)結(jié)束的判據(jù)。如果小于最大迭代次數(shù)返回步驟四繼續(xù)計(jì)算,否則跳出循環(huán)執(zhí)行步驟八;

基于SSA-BSR的車(chē)削顫振微弱特征提取流程如圖2所示。

2 基于SSA-BSR的微弱特征提取仿真分析

本文利用二次采樣技術(shù)引入頻率壓縮尺度R,將微弱信號(hào)特征信號(hào)檢測(cè)問(wèn)題轉(zhuǎn)化為二階穩(wěn)態(tài)隨機(jī)共振系統(tǒng)a,b,k,R四個(gè)參數(shù)的同步優(yōu)化問(wèn)題,使用SSA算法快速、準(zhǔn)確尋找出BSR系統(tǒng)的最優(yōu)參數(shù),處理強(qiáng)噪聲背景下含微弱周期特征的仿真信號(hào),完成微弱周期信號(hào)的提取,驗(yàn)證提出方法的可行性。

輸入含噪信號(hào)為S(t)=A0sin(2πf0)+n(t),其中A0為0.21,f0為300 Hz,n(t)為高斯白噪聲,噪聲強(qiáng)度為1.5,采樣率為2 kHz,采樣點(diǎn)數(shù)為4 000,其時(shí)域波形和幅值譜圖如圖3所示,依據(jù)式(11)求得初始信號(hào)信噪比為-27.35 dB,信噪比非常低,時(shí)域波形中很難觀察出信號(hào)的周期性,幅值譜中可以辨別出300 Hz周期信號(hào)的幅值為0.18,但整個(gè)頻段中充滿(mǎn)噪聲干擾。

如圖4所示,利用傳統(tǒng)隨機(jī)共振方法處理原始仿真信號(hào),信號(hào)中的周期成分的得到提取和增強(qiáng),高頻段噪聲被抑制,但目標(biāo)特征并未被捕捉。

圖4 傳統(tǒng)隨機(jī)共振方法

分別利用基于遺傳算法的雙穩(wěn)隨機(jī)共振(GA-BSR)方法、基于雙鏈量子遺傳算法的雙穩(wěn)隨機(jī)共振(DCQGA-BSR)方法以及基于麻雀搜索算法的雙穩(wěn)隨機(jī)共振(SSA-BSR)方法對(duì)原始信號(hào)進(jìn)行處理,對(duì)比信號(hào)輸出結(jié)果。其中,總?cè)簲?shù)量為20,最大迭代次數(shù)為50,a∈[0.01,5],b∈[0.01,10],k∈[0,1],R∈[200,2 000];GA-BSR方法中交叉概率0.9,變異概率0.2;DCQGA-BSR方法中,轉(zhuǎn)角步長(zhǎng)0.01π,變異概率0.05;SSA-BSR方法中安全閾值0.8,發(fā)現(xiàn)者所占比例為20%,預(yù)警者數(shù)量為10。不同方法處理后振動(dòng)信號(hào)時(shí)頻波形對(duì)比如圖5所示。

圖5 不同方法處理后仿真信號(hào)時(shí)頻波形

從信號(hào)處理效果進(jìn)行分析,GA-BSR方法輸出結(jié)果輸出如圖5(a)、圖5(b)所示,盡管信噪比得到提高,但仍存在明顯的中低頻干擾,特征頻率附近的噪聲成分抑制不明顯,特征頻率幅值為0.123;DCQGA-BSR方法輸出結(jié)果如圖5(c)、圖5(d)所示,時(shí)域波形圖中信號(hào)規(guī)則性增加,周期成分更加明顯。從幅值譜中可以看出DCQGA-BSR方法明顯抑制了噪聲對(duì)特征信號(hào)的影響,同時(shí)特征頻率幅值增強(qiáng)至原始信號(hào)的10倍,實(shí)現(xiàn)對(duì)微弱特征信號(hào)的提取與增強(qiáng);SSA-BSR方法輸出結(jié)果如圖5(e)、圖5(f)所示,較于DCQGA-BSR方法,輸出信噪比進(jìn)一步提高,特征信號(hào)幅值的增強(qiáng)至原始信號(hào)的20倍,較DCQGA-BSR方法有更明顯的提升效果。

尋優(yōu)過(guò)程及輸出結(jié)果分別如圖6和表1所示。從算法運(yùn)行效率進(jìn)行分析,相較于DCQGA方法在48次迭代后尋找到最優(yōu)參數(shù),利用SSA方法選取BSR系統(tǒng)最優(yōu)參數(shù)可以在10次迭代以?xún)?nèi)到達(dá)收斂,同時(shí)輸出信號(hào)具有更高的信噪比,進(jìn)一步加快優(yōu)化進(jìn)程,提高探索全局最優(yōu)解的概率。

表1 不同方法計(jì)算結(jié)果

圖6 不同方法對(duì)仿真信號(hào)的尋優(yōu)過(guò)程

因此,SSA-BSR方法可以實(shí)現(xiàn)對(duì)強(qiáng)噪聲背景下微弱特征信號(hào)的提取與增強(qiáng),同時(shí)兼顧尋優(yōu)速度快和獲得全局最優(yōu)解概率高的優(yōu)點(diǎn)。

3 車(chē)削顫振實(shí)測(cè)信號(hào)試驗(yàn)

車(chē)削顫振的激發(fā)過(guò)程中存在過(guò)渡階段,該階段特征特征頻率能量微弱,若是在過(guò)渡階段將車(chē)削顫振辨識(shí)出來(lái)能夠有效降低車(chē)削顫振對(duì)加工表面的影響。因此,為了進(jìn)一步驗(yàn)證本文所提方法的實(shí)用性和有效性,本節(jié)詳細(xì)地介紹SSA-BSR方法在車(chē)削加工中的實(shí)施過(guò)程。

車(chē)削顫振檢測(cè)試驗(yàn)臺(tái)布置如圖7所示,采用SK50P數(shù)控臥式車(chē)床,刀具采用93度三角外圓車(chē)刀桿和TNMG160404R-S金屬陶瓷刀粒。356A15三向壓電式加速度傳感器加裝磁力表座后吸附在刀柄處,并通過(guò)BNC電纜與NI數(shù)據(jù)采集卡上的采集通道連接,實(shí)現(xiàn)加工過(guò)程中振動(dòng)信號(hào)的實(shí)時(shí)采集,采樣頻率為2 133 Hz,車(chē)削試驗(yàn)加工參數(shù)如表2所示。

表2 車(chē)削試驗(yàn)加工參數(shù)

圖7 車(chē)削顫振試驗(yàn)系統(tǒng)組成

再生顫振最終會(huì)使工件表面出現(xiàn)肉眼可見(jiàn)的波狀振紋,從結(jié)果上來(lái)看顫振將顯著影響工件的表面波紋度。結(jié)合表面粗糙度波動(dòng)程度和外圓車(chē)削的一般精度,根據(jù)加工后工件表面粗糙度以及表面振紋情況,將加工階段分為穩(wěn)定加工階段、過(guò)渡加工階段、劇烈加工階段。設(shè)置如表所示的工藝參數(shù)組合對(duì)20MnCrS5棒料開(kāi)展外圓切削加工試驗(yàn),以獲取經(jīng)過(guò)穩(wěn)定、過(guò)渡和顫振的振動(dòng)信號(hào),圖8為加工后棒料外表面,其中圖6截取了試驗(yàn)過(guò)程中部分Z方向加速度信號(hào)時(shí)頻波形。

圖8 車(chē)削加工表面

車(chē)削顫振激發(fā)過(guò)程如圖9所示。圖9(a)為顫振激發(fā)過(guò)程域信號(hào)圖譜,從顫振特征提取角度來(lái)看穩(wěn)定加工階段與過(guò)渡加工階段之間區(qū)別并不明顯,劇烈顫振階段較于兩者非線性成分增加,信號(hào)邊緣出現(xiàn)不平穩(wěn)波紋。圖9(b)、圖9(d)、圖9(f)分別為7.97 s、9.75 s、10.32 s處窗長(zhǎng)為1 000的時(shí)域信號(hào)圖。圖9(c)、圖9(e)、圖9(g)為上述時(shí)間段時(shí)域圖對(duì)應(yīng)的功率譜圖,從中可以看出隨著顫振程度的加深信號(hào)能量逐漸向顫振頻率(315.39 Hz)處聚集。圖9(h)表示在顫振激發(fā)過(guò)程中顫振頻率幅值的變化趨勢(shì),其中步長(zhǎng)為100,窗長(zhǎng)為1 000。其中,0～8.90 s處于穩(wěn)定加工階段,顫振成分并未出現(xiàn),屬于正常加工階段,仍然能獲得光亮的加工表面;8.90～10.01 s處于過(guò)渡階段,由于再生顫振效應(yīng),顫振頻率能量開(kāi)始逐漸積累,信號(hào)幅值緩慢增大,加工表面出現(xiàn)細(xì)微振紋;在10.01 s附近顫振頻率成為頻譜峰值頻率,加工表面隨著顫振能量的增強(qiáng)而出現(xiàn)劇烈的振紋。

圖9 車(chē)削顫振激發(fā)過(guò)程

基于以上現(xiàn)象和分析,可以得出車(chē)削顫振的發(fā)生導(dǎo)致顫振頻率的出現(xiàn),而車(chē)削顫振的劇烈程度與顫振頻率功率譜幅值之間存在強(qiáng)相關(guān)性。因此,若能在過(guò)渡階段識(shí)別到微弱、緩慢增加的顫振頻率并發(fā)出預(yù)警,可以避免顫振發(fā)展進(jìn)入劇烈階段,從而消除由于劇烈顫振而導(dǎo)致加工表面的損傷。

圖10(a)、圖10(b)為t=9 s,窗長(zhǎng)為1 000的信號(hào)時(shí)頻圖譜。此時(shí)處于過(guò)渡加工階段初期,顫振頻率非常微弱,顫振頻率處幅值僅為0.01,且信號(hào)圖譜中存在大量噪聲、轉(zhuǎn)頻及其倍頻干擾。圖10(c)、圖10(d)是GA-BSR方法的輸出結(jié)果,高頻干擾已經(jīng)完全濾除,低頻干擾也得到了一定程度抑制,但仍無(wú)法探測(cè)出明顯的顫振頻率。圖10(e)、圖10(f)為DCQGA-BSR方法的輸出結(jié)果,可以看出明顯的周期成分,顫振頻率幅值相較于原始信號(hào)得到明顯提高;圖10(g)、圖10(h)為SSA-BSR方法的輸出結(jié)果,與DCQGA-BSR方法輸出結(jié)果相似,顫振頻率得幅值得到進(jìn)一步提高。

圖10 不同方法處理后過(guò)渡階段信號(hào)時(shí)頻波形

考慮到顫振過(guò)渡階段發(fā)展迅速,實(shí)際應(yīng)用過(guò)程中對(duì)算法的尋優(yōu)效率具有一定要求,圖11為上述試驗(yàn)中t=9 s時(shí)三種算法運(yùn)行30次后的平均效率對(duì)比圖,目標(biāo)函數(shù)值為信噪比的負(fù)值。在過(guò)渡階段初期,顫振頻率微弱被干擾頻率淹沒(méi)時(shí),SSA算法可以在10次迭代以?xún)?nèi)尋找出最優(yōu)參數(shù)組合,相對(duì)于DCQGA和GA算法具有更高的種群遍歷能力和更快的尋優(yōu)效率。

圖11 不同方法處理后過(guò)渡階段信號(hào)時(shí)頻波形

為有效避免劇烈顫振階段對(duì)加工表面造成的損傷,需要在過(guò)渡階段內(nèi)將顫振頻率辨識(shí)。保持SSA-BSR方法其他參數(shù)不變,將最大迭代次數(shù)設(shè)為10,SSA中預(yù)警者數(shù)量為4,不同窗長(zhǎng)的SSA-BSR方法測(cè)試結(jié)果如表3所示,其中時(shí)間t和SNR為每類(lèi)窗長(zhǎng)SSA運(yùn)行10次的運(yùn)行平均值。

表3 不同窗長(zhǎng)的SSA-BSR模型運(yùn)行效率對(duì)比

不同窗長(zhǎng)導(dǎo)致不同的頻率分辨率,檢測(cè)出的峰值頻率也會(huì)不同。為兼顧檢測(cè)效率與檢測(cè)精度,實(shí)際檢測(cè)過(guò)程中選擇窗長(zhǎng)為500,10次平均檢測(cè)時(shí)間為0.73 s,能夠在過(guò)渡階段在10.01 s結(jié)束前完成顫振頻率的識(shí)別,滿(mǎn)足在進(jìn)入劇烈顫振前識(shí)別出顫振頻率的要求。

綜上,實(shí)際車(chē)削顫振檢測(cè)試驗(yàn)驗(yàn)證了本文提出方法在提取微弱信號(hào)特征的優(yōu)越性與實(shí)用性,為實(shí)現(xiàn)車(chē)削顫振過(guò)渡階段的在線監(jiān)測(cè)奠定基礎(chǔ)。

4 結(jié) 論

針對(duì)車(chē)削顫振激發(fā)過(guò)程中存在過(guò)渡階段,顫振頻率幅值與顫振的發(fā)展階段存在強(qiáng)相關(guān)性,過(guò)渡階段中顫振頻率幅值微弱,本文提出SSA-BSR模型。通過(guò)開(kāi)展仿真和實(shí)際車(chē)削顫振檢測(cè)試驗(yàn),消除、抑制其他干擾頻率,增強(qiáng)顫振頻率特征,提高顫振頻率識(shí)別的敏感性,實(shí)現(xiàn)在過(guò)渡階段初期探測(cè)出顫振頻率,并能夠在進(jìn)入劇烈顫振階段前發(fā)出預(yù)警,由此避免因進(jìn)入劇烈顫振階段造成的加工損傷,驗(yàn)證了本文所提方法的優(yōu)越性和實(shí)用性,為車(chē)削顫振監(jiān)測(cè)提供了一種新思路。

后續(xù)研究在車(chē)削顫振機(jī)理分析的基礎(chǔ)上,結(jié)合深度學(xué)習(xí)對(duì)預(yù)處理后頻譜的關(guān)鍵特征信息進(jìn)行深層次挖掘,進(jìn)一步實(shí)現(xiàn)對(duì)車(chē)削顫振的量化,從而進(jìn)一步實(shí)現(xiàn)車(chē)削顫振精準(zhǔn)、快速診斷。