基于IMF能量熵和SVM的滾動(dòng)軸承故障模式識(shí)別

1、基于IMF能量熵和SVM的滾動(dòng)軸承故障模式識(shí)別作者：王以順 湯文佳 李亮來(lái)源：科學(xué)與財(cái)富2011年第10期摘 要 針對(duì)滾動(dòng)軸承振動(dòng)信號(hào)和狀態(tài)信息非線性映射關(guān)系，提出一種基于內(nèi)稟模態(tài)函數(shù)（IMF）能量熵的軸承特征向量提取方法，并與支持向量機(jī)（SVM)相結(jié)合實(shí)現(xiàn)軸承的故障識(shí)別。該方法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）得到若干能反映軸承故障信息的IMF分量，選取包含主要信息的IMF的能量熵作為振動(dòng)信號(hào)的特征向量，并將其輸入到SVM分類(lèi)器中實(shí)現(xiàn)軸承故障模式識(shí)別。對(duì)滾動(dòng)軸承的正常狀態(tài)、外圈故障、內(nèi)圈故障和滾動(dòng)體故障進(jìn)行仿真試驗(yàn)，結(jié)果表明，該方法能夠有效、準(zhǔn)確的識(shí)別軸承故障。關(guān)鍵詞 滾動(dòng)軸承 經(jīng)

2、驗(yàn)?zāi)B(tài)分解 能量熵 故障識(shí)別 支持向量機(jī)引言在石油機(jī)械和其他機(jī)械中，滾動(dòng)軸承是基本零件，軸承的好壞將影響整套設(shè)備的運(yùn)行狀態(tài)。對(duì)滾動(dòng)軸承進(jìn)行故障診斷就是對(duì)其振動(dòng)信號(hào)中包含的狀態(tài)信息進(jìn)行提取特征向量并加以分類(lèi),從而推斷出滾動(dòng)軸承運(yùn)行的狀態(tài)。由于滾動(dòng)軸承系統(tǒng)的復(fù)雜性和故障形式的多樣性,振動(dòng)信號(hào)和狀態(tài)信息之間并不存在確定的函數(shù)關(guān)系,信號(hào)集與狀態(tài)集之間是一個(gè)復(fù)雜的非線性映射，這就使?jié)L動(dòng)軸承故障模式識(shí)別比較復(fù)雜。建立在線性信號(hào)基礎(chǔ)上的傳統(tǒng)譜分析在處理軸承振動(dòng)信號(hào)的非平穩(wěn)性時(shí)難免產(chǎn)生困難。由HuangNE提出的經(jīng)驗(yàn)?zāi)B(tài)分(EMD)具有良好的時(shí)頻聚集性，是非常適合處理非平穩(wěn)性、非線性信號(hào)的新方法。該方法首先將

3、非平穩(wěn)信號(hào)按照不同尺度或者趨勢(shì)分解為若干個(gè)內(nèi)稟模態(tài)函數(shù)（IMF)之和，對(duì)信號(hào)進(jìn)行平穩(wěn)化處理，減少了信號(hào)之間特征信息之間相互影響。每個(gè)IMF分量隨著信號(hào)的變化而變化，具有很強(qiáng)的自適應(yīng)性。本文將IMF能量熵和支持向量機(jī)（SVM）相結(jié)合，對(duì)滾動(dòng)軸承進(jìn)行故障識(shí)別。將振動(dòng)信號(hào)通過(guò)EMD分解后的各個(gè)內(nèi)稟模態(tài)函數(shù)分量，選取各個(gè)尺度下的能量熵作為軸承特征向量，輸入到SVM分類(lèi)器中進(jìn)行故障識(shí)別。仿真試驗(yàn)結(jié)果表明該方法能夠有效的識(shí)別軸承的各類(lèi)故障。1、IMF能量熵的基本原理1.1EMD基本原理EMD方法從本質(zhì)上講是對(duì)一個(gè)信號(hào)進(jìn)行平穩(wěn)化處理，其結(jié)果是將信號(hào)中不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解出來(lái)，產(chǎn)生一系列具有不同特征尺

4、度的數(shù)據(jù)序列，每一個(gè)序列稱為一個(gè)固有模態(tài)函數(shù)IMF。EMD方法假設(shè)任何信號(hào)都由不同的固有模態(tài)函數(shù)組成，每個(gè)IMF可以是線性的，也可以是非線性的。IMF必須滿足以下兩個(gè)條件:一是在整個(gè)數(shù)據(jù)段內(nèi)，局部極值點(diǎn)和過(guò)零點(diǎn)的數(shù)目必須相等，或最多相差一個(gè)；二是在任意時(shí)刻，有局部極大值點(diǎn)形成的上包絡(luò)線和局部極小值點(diǎn)形成的下包絡(luò)線的平均值為零。2、支持向量機(jī)支持向量機(jī)(SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種新的學(xué)習(xí)機(jī)器。SVM在形式上類(lèi)似于多層前向網(wǎng)絡(luò)，克服了神經(jīng)網(wǎng)絡(luò)欠學(xué)習(xí)、過(guò)學(xué)習(xí)以及容易陷入局部最小等缺陷，可以用于模式分類(lèi)和非線性回歸。支持向量機(jī)方法以結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化準(zhǔn)則為出發(fā)點(diǎn)，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)

5、習(xí)能力之間尋找最佳折衷，最大化的提高學(xué)習(xí)機(jī)的泛化能力。SVM首先采用非線性映射，將非線性可分的樣本映射到一個(gè)高維偽線性空間(特征空間)，然后在此空間中構(gòu)造分類(lèi)面，高維特征空間中的運(yùn)算被轉(zhuǎn)化為低維輸入空間中的核函數(shù)運(yùn)算，因而SVM對(duì)入數(shù)據(jù)的維數(shù)不敏感，有效地解決了傳統(tǒng)方法面臨的數(shù)據(jù)災(zāi)難問(wèn)題。3、故障智能識(shí)別模型系統(tǒng)故障智能識(shí)別模型系統(tǒng)一般由獲取數(shù)據(jù)、預(yù)處理、提取特征向量和設(shè)計(jì)分類(lèi)器四部分組成。本文智能識(shí)別模型系統(tǒng)的基本思想是：首先數(shù)據(jù)采集儀采集的原始實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行必要的時(shí)域預(yù)處理，然后對(duì)信號(hào)進(jìn)行EMD分解后得到若干個(gè)IMF分量，提取能夠反映故障特征的IMF能量熵特征向量，最后建立若干個(gè)二值支持向

6、量分類(lèi)器對(duì)故障進(jìn)行識(shí)別。4、滾動(dòng)軸承故障診斷試驗(yàn)及分析4.1采集實(shí)驗(yàn)數(shù)據(jù)采用Case Western Reserve University電氣工程實(shí)驗(yàn)室軸承中心提供的滾動(dòng)軸承實(shí)驗(yàn)數(shù)據(jù)進(jìn)行診斷分析。該實(shí)驗(yàn)臺(tái)包括功率為2馬力的電動(dòng)機(jī)、扭轉(zhuǎn)傳感器/譯碼器、功率測(cè)試計(jì)、以及電子控制器。待檢測(cè)軸承支撐著電動(dòng)機(jī)的轉(zhuǎn)軸，軸承采用深溝球軸承，驅(qū)動(dòng)端軸承為6205-2RS,風(fēng)扇端軸承為6203-2RS，為了模擬軸承常見(jiàn)故障，用電火花加工機(jī)床分別在測(cè)試軸承的外環(huán)、內(nèi)環(huán)、滾動(dòng)體上加工出直徑為7 mil、14 mil、21 mil的蝕點(diǎn)，蝕點(diǎn)的深度為11mil。電動(dòng)機(jī)風(fēng)扇端和驅(qū)動(dòng)端的軸承座上各放置一個(gè)加速度傳感器來(lái)采

7、集軸承的振動(dòng)加速度信號(hào)。4.2特征向量提取將采集的樣本進(jìn)行必要的去均值化和消噪處理后，將信號(hào)進(jìn)行EMD分解得到1012個(gè)IMF分量。4.3 SVM診斷過(guò)程及結(jié)果分析從滾動(dòng)軸承特征向量樣本中隨機(jī)抽取4種狀態(tài)下各30組樣本作為訓(xùn)練樣本，訓(xùn)練SVM分類(lèi)器，余下樣本作為檢驗(yàn)SVM分類(lèi)器效果的檢驗(yàn)樣本。通過(guò)多次實(shí)驗(yàn)分析，最終分類(lèi)器采用高斯徑向基函數(shù)作為核函數(shù)，由四個(gè)二值支持向量機(jī)分類(lèi)器組成，分別記為SVM1，SVM2，SVM3，SVM4，分別對(duì)應(yīng)正常狀態(tài)軸承、外環(huán)故障軸承、內(nèi)環(huán)故障軸承和滾動(dòng)體故障軸承。采用所取的樣本來(lái)訓(xùn)練支持向機(jī)量分類(lèi)器，在訓(xùn)練SVM1分類(lèi)器用來(lái)判斷正常軸承時(shí)，將120個(gè)訓(xùn)練樣本中屬于

8、正常軸承樣本作為一類(lèi)，用1表示，其余90個(gè)樣本用-1表示故障樣本，依照SVM的基本原理求優(yōu)化系數(shù)后建立對(duì)應(yīng)正常狀態(tài)的SVM1分類(lèi)器。采用同樣的方法訓(xùn)練SVM2、SVM3和SVM4。其中SVM2分類(lèi)器用來(lái)判斷樣本是否屬于外環(huán)故障，SVM3分類(lèi)器用來(lái)判斷樣本是否屬于內(nèi)環(huán)故障，SVM4分類(lèi)器用來(lái)判斷樣本是否屬于滾動(dòng)體故障。分類(lèi)器建立好以后，將檢驗(yàn)樣本輸入到SVM1、SVM2、SVM3、SVM4分類(lèi)器進(jìn)行驗(yàn)證,分別計(jì)算檢驗(yàn)樣本對(duì)4個(gè)分類(lèi)器的分類(lèi)函數(shù)的函數(shù)值，輸出相應(yīng)的分類(lèi)標(biāo)簽，分類(lèi)器輸出標(biāo)簽值對(duì)應(yīng)著相應(yīng)的軸承狀態(tài)。5、結(jié)論滾動(dòng)軸承發(fā)生故障時(shí)的信號(hào)往往的非平穩(wěn)的，傳統(tǒng)時(shí)頻處理方法局限于平穩(wěn)信號(hào)，本文提出

9、的內(nèi)稟模態(tài)能量熵和支持向量機(jī)混合模型能夠有效的識(shí)別滾動(dòng)軸承故障模式。經(jīng)驗(yàn)?zāi)B(tài)分解將原始信號(hào)分解為不同時(shí)間尺度下平穩(wěn)的內(nèi)稟模態(tài)分量，求出的各個(gè)分量的能量熵組成的特征向量有效地反應(yīng)了軸承振動(dòng)信號(hào)能量隨著軸承狀態(tài)的變化而變化，將特征向量輸入到支持向量機(jī)分類(lèi)器中進(jìn)行識(shí)別和診斷。結(jié)果表明，該方法能較為準(zhǔn)確地識(shí)別故障，提供了一種有效解決軸承故障識(shí)別問(wèn)題的途徑。參 考 文 獻(xiàn)1陸爽，張子達(dá)，李萌基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障模式的識(shí)別J中國(guó)工程科學(xué)，2004,6(2):56-602N E Huang,Z Shen,S R Long,et al.The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysisC.Proceedings of the Royal Society of London Series,1998,454:903-995.3于德介，程軍圣，楊宇.機(jī)械故