0 引言

    滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備中最常使用的零件之一,，在實(shí)際工況條件下，設(shè)備中大約30%的故障都是由于滾動(dòng)軸承發(fā)生故障損傷引起的^[1],。一旦軸承發(fā)生故障,，一方面會(huì)影響機(jī)械設(shè)備的工作效率，同時(shí)也會(huì)留下安全隱患,，威脅到工作人員的人身安全,。因此對(duì)滾動(dòng)軸承進(jìn)行故障診斷研究，能有效地減少事故發(fā)生,，同時(shí)能夠及時(shí)排除故障影響,，對(duì)損壞零件進(jìn)行更換,，這對(duì)機(jī)械行業(yè)的安全高效發(fā)展而言具有不可忽略的工程意義。

    局部特征尺度分解(Local Characteristic-scale Decomposition,，LCD)是程軍圣等^[2]提出的一種新的信號(hào)自適應(yīng)性處理方法,，該方法能夠有效地將復(fù)雜的多分量信號(hào)自適應(yīng)地分解成一組內(nèi)稟尺度分量(Intrinsic Scale Component，ISC)之和,，非常適用于具有非線性,、非平穩(wěn)性等特點(diǎn)的滾動(dòng)軸承振動(dòng)信號(hào)時(shí)頻分析^[3]。當(dāng)軸承發(fā)生故障時(shí),，信號(hào)的能量將發(fā)生變化,，提取出不同頻帶各ISC能量熵值，可以此作為判斷故障是否發(fā)生的指標(biāo)^[4],。本文結(jié)合LCD和SVM算法,，從信號(hào)攜帶的能量特征分析，以提取出的ISC能量熵作為輸入特征向量,，同時(shí)利用遺傳算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)選，構(gòu)建最優(yōu)SVM分類模型,，以提高模型識(shí)別準(zhǔn)確率,，通過訓(xùn)練好的SVM對(duì)軸承的工作狀態(tài)進(jìn)行診斷識(shí)別。

1 故障診斷關(guān)鍵技術(shù)

1.1 局部特征尺度分解

    局部特征尺度分解能夠根據(jù)信號(hào)本身信息有效地將信號(hào)自適應(yīng)性地分解為一系列ISC之和^[2],。使得信號(hào)分解具有一定的連貫性,，以便有效地提取出信號(hào)特征，同時(shí)任意兩個(gè)ISC之間是相互獨(dú)立的,，必須滿足以下兩個(gè)條件：

    (1)原始信號(hào)任意兩個(gè)相鄰極值點(diǎn)正負(fù)性不同,；

    (2)對(duì)于原始信號(hào)x(t)的所有極值點(diǎn)(τ_k，X_k),，k=1,，2，…,，M,，M為極值點(diǎn)個(gè)數(shù)，其中任意相鄰兩個(gè)極大(小)值點(diǎn)(τ_k,，X_k)和(τ_k+2,，X_k+2)的連線所構(gòu)成的曲線在橫坐標(biāo)為τ_k+1的縱坐標(biāo)：

須滿足A_k+1/X_k+1的比值近似不變。

    根據(jù)以上ISC分量的定義,，LCD對(duì)信號(hào)的分解步驟如下：

    (1)確定原始信號(hào)x(t)的所有極值點(diǎn)(τk,，X_k)，利用點(diǎn)(τ_k+1,，A_k+1)與點(diǎn)(τ_k+1,，X_k+1)進(jìn)行線性插值運(yùn)算,，得到基線信號(hào)控制點(diǎn)坐標(biāo)(τ_k+1，L_k+1)和縱坐標(biāo)L_k+1=aA_k+1+(1-a)X_k+1,，其中a為一常數(shù),，通常取0.5。如此,，任意兩個(gè)上述極值點(diǎn)通過以上計(jì)算,，將原始信號(hào)分成了若干個(gè)區(qū)域，現(xiàn)將任意一個(gè)區(qū)域進(jìn)行如下線性變換得到：

    將所有劃分區(qū)域變換得到的H^k按區(qū)間標(biāo)號(hào),，由小到大首尾依次相連即得到了基線信號(hào)H₁(t),。

    (2)將H₁(t)從原始信號(hào)中剝離出來，得到新的信號(hào)P₁(t)=x(t)-H₁(t),，如果P₁(t)滿足ISC的定義,，則有第一個(gè)內(nèi)稟尺度分量ISC₁(t)=P₁(t)；如果不滿足,，則以P₁(t)作為原始信號(hào)重復(fù)步驟(1)~(2),，直到滿足條件為止。

    (3)將ISC₁(t)從原始信號(hào)中剝離出來,，得到剩余信號(hào)r₁(t)=x(t)-ISC₁(t),，繼續(xù)執(zhí)行步驟(1)~(2)，得到第二個(gè)分量ISC₂(t),。如此往復(fù)n次,，直到r_n(t)為單調(diào)函數(shù)或者小于預(yù)測(cè)閾值，迭代停止,，原始信號(hào)被分解為：

1.2 基于遺傳算法的支持向量機(jī)

    支持向量機(jī)(Support Vector Machine,，SVM)是由VAPNIK等^[5]提出的一種模式識(shí)別方法，被廣泛應(yīng)用在機(jī)械診斷識(shí)別領(lǐng)域^[1],。它的基本思想是將輸入樣本在另一個(gè)與之非線性對(duì)應(yīng)的高維特征空間中構(gòu)造出其最優(yōu)分類面,。識(shí)別模型性能的好壞從根本上依賴于誤差懲罰因子C和核函數(shù)參數(shù)γ的取值情況，這樣對(duì)支持向量機(jī)識(shí)別模型的識(shí)別率進(jìn)行優(yōu)化就轉(zhuǎn)化到對(duì)參數(shù)取值的優(yōu)選,。

    遺傳算法(Genetic Algorithm,，GA)是一種仿遺傳變異及全局最優(yōu)點(diǎn)的優(yōu)選算法^[6-7]。本文將遺傳算法應(yīng)用到SVM參數(shù)優(yōu)選過程,，以SVM分類器的分類正確率作為遺傳算法個(gè)體的適應(yīng)度,。GA-SVM算法具體流程如圖1所示。

2 實(shí)驗(yàn)裝置及數(shù)據(jù)采集

    測(cè)試實(shí)驗(yàn)在模擬實(shí)驗(yàn)臺(tái)上進(jìn)行軸承徑向振動(dòng)數(shù)據(jù)采集(如圖2),，正常軸承和內(nèi)圈,、外圈以及滾動(dòng)體點(diǎn)蝕故障的振動(dòng)信號(hào)時(shí)域圖如圖3所示。其中,，采樣頻率為5 120 Hz,，每種軸承類型振動(dòng)信號(hào)各采集40組,，每組信號(hào)2 048個(gè)數(shù)據(jù)點(diǎn)。

3 軸承振動(dòng)信號(hào)分析

    為了驗(yàn)證本文提出的基于LCD和改進(jìn)SVM的滾動(dòng)軸承故障診斷方法的可行性和有效性,，首先對(duì)采集到的4種軸承振動(dòng)信號(hào)共160組數(shù)據(jù)進(jìn)行LCD分解,，得到一系列ISC分量。由于篇幅有限,，下面以外圈點(diǎn)蝕故障軸承為例進(jìn)行分析說明,。圖4為一個(gè)外圈點(diǎn)蝕故障軸承信號(hào)樣本的LCD分解結(jié)果，運(yùn)行時(shí)間為0.238 0 s,；圖5為其經(jīng)過EMD(Empirical Mode Decomposition)方法得到的分解結(jié)果,，運(yùn)行時(shí)間為0.475 8 s。對(duì)比圖4和圖5可知,，LCD算法相對(duì)于EMD算法來說,，對(duì)信號(hào)的分解層次和運(yùn)行時(shí)間都減少，這樣有利于減少端點(diǎn)效應(yīng)在多次迭代過程中對(duì)分量的影響,，同樣也增加了計(jì)算效率,。對(duì)比之下說明了LCD算法的優(yōu)越性。

    外圈點(diǎn)蝕故障信號(hào)被分解為4個(gè)ISC分量和一個(gè)余量r,，其中主要特征信息被包含在前4個(gè)分量中,。當(dāng)軸承發(fā)生故障時(shí)，振動(dòng)信號(hào)在不同頻帶所攜帶的特征信息會(huì)發(fā)生變化,，同時(shí)信號(hào)的能量分布也會(huì)發(fā)生變化,。下面求取前4個(gè)分量的ISC能量熵,，并進(jìn)行歸一化處理,。各取出3個(gè)樣本的歸一化能量熵分布規(guī)律如圖6所示。

    由圖6可以看出,，每種類型信號(hào)的ISC能量熵分布情況都不太一樣,，例如滾動(dòng)體故障能量主要集中在第二個(gè)ISC分量，其他3種類型信號(hào)能量主要集中在第一個(gè)分量,；同時(shí)能量熵分布有一定程度的聚類現(xiàn)象,，可以把這些表現(xiàn)出來的能量熵變化情況作為每種類型信號(hào)的特征信息，輸入到SVM分類模型中進(jìn)行診斷識(shí)別,。每種類型信號(hào)各取出30組信號(hào)構(gòu)成訓(xùn)練集,，利用遺傳算法對(duì)SVM的參數(shù)C和γ同時(shí)進(jìn)行尋優(yōu)，最大進(jìn)化代數(shù)為200,，種群最大數(shù)量20,，交叉概率為0.9，變異概率為0.01,，交叉驗(yàn)證參數(shù)為8,。由計(jì)算知,，最優(yōu)組合為C=19.289 3，γ=0.374 8,，如圖7所示,。

    下面對(duì)剩余40組測(cè)試集樣本進(jìn)行診斷識(shí)別，利用已經(jīng)訓(xùn)練好的最優(yōu)SVM識(shí)別模型,，對(duì)于4種不同類型軸承信號(hào)的識(shí)別結(jié)果如圖8所示,，總體正確率達(dá)到90%。其中有兩個(gè)正常信號(hào)被誤識(shí)別為內(nèi)圈點(diǎn)蝕故障,，兩個(gè)內(nèi)圈點(diǎn)蝕故障被誤識(shí)別為正常信號(hào),，原因是在提取故障特征信息時(shí)，個(gè)別樣本的特征比較接近,，有重疊現(xiàn)象,，所以出現(xiàn)了誤識(shí)別。

4 結(jié)論

    本文采用基于LCD和改進(jìn)SVM的軸承故障診斷方法,，對(duì)采集到的振動(dòng)信號(hào)進(jìn)行自適應(yīng)性分解,，實(shí)驗(yàn)過程中還將LCD算法與EMD算法進(jìn)行對(duì)比，從運(yùn)行時(shí)間和分解層次及效率等方面都說明了LCD的優(yōu)越性,；然后提取出ISC能量熵作為敏感特征集,，作為SVM分類模型的輸入向量，考慮到SVM模型的準(zhǔn)確性有待提高,，利用遺傳算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)選,，確定出最佳SVM識(shí)別模型；最后利用訓(xùn)練好的識(shí)別模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行診斷,，對(duì)4種類型軸承的識(shí)別率高達(dá)90%,，是一種行之有效的軸承故障診斷算法。

參考文獻(xiàn)

[1] 耿永強(qiáng),，危韌勇.基于ICA和SVM的滾動(dòng)軸承故障診斷方法研究[J].電子技術(shù)應(yīng)用,，2007(10)：84-86.

[2] 程軍圣，楊怡,，楊宇.局部特征尺度分解方法及其在齒輪故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),，2012，48(9)：64-71.

[3] 楊宇,，曾鳴,，程軍圣.局部特征尺度分解方法及其分解能力研究[J].振動(dòng)工程學(xué)報(bào)，2012,，25(5)：602-609.

[4] 張前圖,，房立清，趙玉龍，等.基于LCD信息嫡特征和SVM的機(jī)械故障診斷[J].機(jī)械傳動(dòng),，2015,，39(12)：144-148.

[5] CORTES C，VAPNIK V.Support-vector networks[J].Machine learning,，1995,，20(3)：273-297.

[6] 李兵，張培林,，任國全,，等.運(yùn)用EMD和GA-SVM的齒輪故障特征提取與選擇[J].振動(dòng)、測(cè)試與診斷,，2009,，29(4)：445-448.

[7] 都衡，潘宏俠.基于信息墑和GA-SVM的自動(dòng)機(jī)故障診斷[J].機(jī)械設(shè)計(jì)與研究,，2013,，29(5)：127-130.