《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 測試測量 > 設(shè)計應(yīng)用 > 基于LCD和改進SVM的軸承故障診斷方法
基于LCD和改進SVM的軸承故障診斷方法
2016年電子技術(shù)應(yīng)用第6期
張美玲1，胡 曉2
1.中國礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州221116,；2.中國礦業(yè)大學(xué) 機電工程學(xué)院,，江蘇 徐州221116
摘要： 針對滾動軸承極易損傷,，振動信號表現(xiàn)出非線性、非平穩(wěn)性等特點，提出一種基于局部特征尺度分解(LCD)和改進支持向量機(SVM)的滾動軸承故障診斷算法。首先對采集到的軸承振動信號進行LCD,，分解得到一系列內(nèi)稟尺度分量(ISC)，通過與經(jīng)驗?zāi)B(tài)分解(EMD)對比研究,，證明了LCD方法的優(yōu)越性,；然后計算所有分量的能量熵值,，提取出軸承信號的敏感特征集，輸入到經(jīng)過遺傳算法(GA)進行參數(shù)優(yōu)選后的SVM識別模型進行軸承狀態(tài)的診斷識別,。實驗研究表明,，基于LCD和改進SVM的軸承診斷算法能較好地提取出軸承故障特征信息，對4種軸承狀態(tài)的識別率高達90%,，是一種較為有效的軸承故障診斷方法,。
中圖分類號： TP277
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2016.06.022
中文引用格式： 張美玲，胡曉. 基于LCD和改進SVM的軸承故障診斷方法[J].電子技術(shù)應(yīng)用,，2016,，42(6)：81-83，86.
英文引用格式： Zhang Meiling,，Hu Xiao. Fault diagnosis method of rolling bearing based on LCD and improved SVM[J].Application of Electronic Technique，2016,，42(6)：81-83,，86.
Fault diagnosis method of rolling bearing based on LCD and improved SVM
Zhang Meiling1，Hu Xiao2
1.College of Information and Electrical Engineering,，China University of Mining and Technology,，Xuzhou 221116，China,； 2.College of Mechanical and Electrical Engineering,，China University of Mining and Technology，Xuzhou 221116,，China
Abstract： According to the characteristics of nonlinear and non-stationary of rolling bearing vibration signals, a new method of bearing fault diagnosis based on local characteristic-scale decomposition(LCD) and improved support vector machine(SVM) is proposed. Firstly, bearing vibration signals were decomposed by LCD, and a series of intrinsic scale components(ISC) were obtained. Through comparative study with empirical mode decomposition(EMD), the superiority of the LCD method was proved. Then the energy entropy of all components were calculated and bearing signal sensitive feature sets were extracted, which were input to SVM after parameter optimization by genetic algorithm(GA). The diagnostic identification of bearing condition was completed. Experimental studies have shown that the bearing diagnosis algorithm can effectively extract the bearing fault feature information based on LCD and improved SVM, which could identify four rolling bearing types beyond 90%. It is a very effective rolling bearing fault diagnosis method.
Key words : rolling bearing,；local characteristic-scale decomposition；genetic algorithm,；support vector machine,；fault diagnosis

0 引言

    滾動軸承作為旋轉(zhuǎn)機械設(shè)備中最常使用的零件之一，在實際工況條件下,，設(shè)備中大約30%的故障都是由于滾動軸承發(fā)生故障損傷引起的[1],。一旦軸承發(fā)生故障，一方面會影響機械設(shè)備的工作效率,，同時也會留下安全隱患,，威脅到工作人員的人身安全。因此對滾動軸承進行故障診斷研究,，能有效地減少事故發(fā)生,，同時能夠及時排除故障影響，對損壞零件進行更換,，這對機械行業(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)性等特點的滾動軸承振動信號時頻分析[3],。當軸承發(fā)生故障時,，信號的能量將發(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[4],。本文結(jié)合LCD和SVM算法，從信號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,，同時利用遺傳算法對SVM的參數(shù)進行優(yōu)選，構(gòu)建最優(yōu)SVM分類模型,，以提高模型識別準確率,，通過訓(xùn)練好的SVM對軸承的工作狀態(tài)進行診斷識別。

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)信號本身信息有效地將信號自適應(yīng)性地分解為一系列ISC之和[2],。使得信號分解具有一定的連貫性,，以便有效地提取出信號特征，同時任意兩個ISC之間是相互獨立的,，必須滿足以下兩個條件：

    (1)原始信號任意兩個相鄰極值點正負性不同,；

    (2)對于原始信號x(t)的所有極值點(τk，Xk),，k=1,，2，…,，M,，M為極值點個數(shù)，其中任意相鄰兩個極大(小)值點(τk,，Xk)和(τk+2,，Xk+2)的連線所構(gòu)成的曲線在橫坐標為τk+1的縱坐標：

    ck3-gs1.gif

須滿足Ak+1/Xk+1的比值近似不變。

    根據(jù)以上ISC分量的定義,，LCD對信號的分解步驟如下：

    (1)確定原始信號x(t)的所有極值點(τk,，Xk)，利用點(τk+1,，Ak+1)與點(τk+1,，Xk+1)進行線性插值運算，得到基線信號控制點坐標(τk+1,，Lk+1)和縱坐標Lk+1=aAk+1+(1-a)Xk+1,，其中a為一常數(shù),，通常取0.5。如此,，任意兩個上述極值點通過以上計算,，將原始信號分成了若干個區(qū)域，現(xiàn)將任意一個區(qū)域進行如下線性變換得到：

    ck3-gs2.gif

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

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

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

    ck3-gs3.gif

1.2 基于遺傳算法的支持向量機

    支持向量機(Support Vector Machine，SVM)是由VAPNIK等[5]提出的一種模式識別方法,，被廣泛應(yīng)用在機械診斷識別領(lǐng)域[1],。它的基本思想是將輸入樣本在另一個與之非線性對應(yīng)的高維特征空間中構(gòu)造出其最優(yōu)分類面。識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,，這樣對支持向量機識別模型的識別率進行優(yōu)化就轉(zhuǎn)化到對參數(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體的適應(yīng)度。GA-SVM算法具體流程如圖1所示,。

ck3-t1.gif

2 實驗裝置及數(shù)據(jù)采集

    測試實驗在模擬實驗臺上進行軸承徑向振動數(shù)據(jù)采集(如圖2),，正常軸承和內(nèi)圈、外圈以及滾動體點蝕故障的振動信號時域圖如圖3所示,。其中,，采樣頻率為5 120 Hz，每種軸承類型振動信號各采集40組,，每組信號2 048個數(shù)據(jù)點,。

ck3-t2.gif

ck3-t3.gif

3 軸承振動信號分析

    為了驗證本文提出的基于LCD和改進SVM的滾動軸承故障診斷方法的可行性和有效性,，首先對采集到的4種軸承振動信號共160組數(shù)據(jù)進行LCD分解，得到一系列ISC分量,。由于篇幅有限,，下面以外圈點蝕故障軸承為例進行分析說明。圖4為一個外圈點蝕故障軸承信號樣本的LCD分解結(jié)果,，運行時間為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，運行時間為0.475 8 s,。對比圖4和圖5可知,，LCD算法相對于EMD算法來說，對信號的分解層次和運行時間都減少,，這樣有利于減少端點效應(yīng)在多次迭代過程中對分量的影響,，同樣也增加了計算效率。對比之下說明了LCD算法的優(yōu)越性,。

ck3-t4.gif

ck3-t5.gif

    外圈點蝕故障信號被分解為4個ISC分量和一個余量r,，其中主要特征信息被包含在前4個分量中。當軸承發(fā)生故障時,，振動信號在不同頻帶所攜帶的特征信息會發(fā)生變化,，同時信號的能量分布也會發(fā)生變化。下面求取前4個分量的ISC能量熵,，并進行歸一化處理,。各取出3個樣本的歸一化能量熵分布規(guī)律如圖6所示。

ck3-t6.gif

    由圖6可以看出,，每種類型信號的ISC能量熵分布情況都不太一樣,，例如滾動體故障能量主要集中在第二個ISC分量，其他3種類型信號能量主要集中在第一個分量,；同時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的特征信息，輸入到SVM分類模型中進行診斷識別,。每種類型信號各取出30組信號構(gòu)成訓(xùn)練集,，利用遺傳算法對SVM的參數(shù)C和γ同時進行尋優(yōu)，最大進化代數(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,，交叉驗證參數(shù)為8,。由計算知，最優(yōu)組合為C=19.289 3,，γ=0.374 8,，如圖7所示,。

ck3-t7.gif

    下面對剩余40組測試集樣本進行診斷識別，利用已經(jīng)訓(xùn)練好的最優(yōu)SVM識別模型,，對于4種不同類型軸承信號的識別結(jié)果如圖8所示,，總體正確率達到90%。其中有兩個正常信號被誤識別為內(nèi)圈點蝕故障,，兩個內(nèi)圈點蝕故障被誤識別為正常信號,，原因是在提取故障特征信息時，個別樣本的特征比較接近,，有重疊現(xiàn)象,，所以出現(xiàn)了誤識別。

ck3-t8.gif

4 結(jié)論

    本文采用基于LCD和改進SVM的軸承故障診斷方法,，對采集到的振動信號進行自適應(yīng)性分解,，實驗過程中還將LCD算法與EMD算法進行對比，從運行時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模型的準確性有待提高,，利用遺傳算法對SVM的參數(shù)進行優(yōu)選,，確定出最佳SVM識別模型；最后利用訓(xùn)練好的識別模型對測試數(shù)據(jù)進行診斷,，對4種類型軸承的識別率高達90%,，是一種行之有效的軸承故障診斷算法。

參考文獻

[1] 耿永強,，危韌勇.基于ICA和SVM的滾動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].機械工程學(xué)報，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].振動工程學(xué)報,，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的機械故障診斷[J].機械傳動，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.運用EMD和GA-SVM的齒輪故障特征提取與選擇[J].振動,、測試與診斷,，2009，29(4)：445-448.

[7] 都衡,，潘宏俠.基于信息墑和GA-SVM的自動機故障診斷[J].機械設(shè)計與研究,，2013，29(5)：127-130.

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。