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.
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:
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:
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:
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。
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。
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。
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。
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。
下面對剩余40組測試集樣本進行診斷識別,利用已經(jīng)訓練好的最優(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。
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.