《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > MCKD與改進(jìn)的LSSVM在滾動(dòng)軸承故障診斷中的應(yīng)用
MCKD與改進(jìn)的LSSVM在滾動(dòng)軸承故障診斷中的應(yīng)用
2018年電子技術(shù)應(yīng)用第7期
劉 波，易 輝，薄翠梅，莊城城
南京工業(yè)大學(xué) 電氣工程與控制科學(xué)學(xué)院，江蘇 南京211816
摘要： 針對(duì)滾動(dòng)軸承運(yùn)行過程中故障難以識(shí)別的問題，提出一種最大相關(guān)峭度解卷積與改進(jìn)的最小二乘支持向量機(jī)的故障診斷方法。該方法首先利用最大相關(guān)峭度解卷積提取不同運(yùn)行狀態(tài)下軸承特征信息，然后利用最小二乘支持向量機(jī)對(duì)提取的特征信息進(jìn)行監(jiān)督學(xué)習(xí)，同時(shí)利用改進(jìn)的布谷鳥搜索算法優(yōu)化最小二乘支持向量機(jī)的核參數(shù)和懲罰因子在尋優(yōu)過程中陷入局部最優(yōu)、收斂精度差的問題，提升故障診斷的識(shí)別率。實(shí)測(cè)不同運(yùn)行狀態(tài)的軸承數(shù)據(jù)驗(yàn)證方法的有效性，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法可有效準(zhǔn)確識(shí)別滾動(dòng)軸承各類狀態(tài)，是一種可靠的軸承故障診斷方法。
中圖分類號(hào)： TP206
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.180547
中文引用格式： 劉波，易輝，薄翠梅，等. MCKD與改進(jìn)的LSSVM在滾動(dòng)軸承故障診斷中的應(yīng)用[J].電子技術(shù)應(yīng)用，2018，44(7)：81-85.
英文引用格式： Liu Bo，Yi Hui，Bo Cuimei，et al. Application of MCKD and improved LSSVM in fault diagnosis of rolling bearing[J]. Application of Electronic Technique，2018，44(7)：81-85.
Application of MCKD and improved LSSVM in fault diagnosis of rolling bearing
Liu Bo，Yi Hui，Bo Cuimei，Zhuang Chengcheng
College of Electrical Engineering & Control Science，Nanjing Tech University，Nanjing 211816，China
Abstract： Aiming at the problem that the fault is hard to identify during the operation of the rolling bearing, a fault diagnosis method of maximum correlation kurtosis deconvolution and improved least squares support vector machine is proposed. First of all, the method uses the maximum correlation kurtosis deconvolution to extract bearing vibration signals under different operating conditions. Then the least square support vector machine is used to supervise the extracted vibration signals. At the same time, improved cuckoo search algorithm is used to solve the problem that the kernel parameters and penalty factors of LSSVM fall into the local optimum and the convergence accuracy is poor in the optimization process, and improve the recognition rate of fault diagnosis. Bearing data were measured in different running states to verify the effectiveness of the method. The experimental results show that improved algorithm can effectively identify all types of rolling bearing status with high accuracy. It was a reliable method of bearing fault diagnosis.
Key words : fault diagnosis；rolling bearing；maximum correlation deconvolution；least squares support vector machine；cuckoo search algorithm

0 引言

    滾動(dòng)軸承素有旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)節(jié)之稱，其健康情況關(guān)系著整套設(shè)備的運(yùn)轉(zhuǎn)。磨損、過載、過壓等原因使?jié)L動(dòng)軸承形成缺陷時(shí)，會(huì)使機(jī)器振動(dòng)異常發(fā)出噪聲，嚴(yán)重時(shí)會(huì)造成工業(yè)事故，耽誤生產(chǎn)過程，因此對(duì)滾動(dòng)軸承的故障診斷就有著重要的研究?jī)r(jià)值[1]。

    隨著科技的發(fā)展，滾動(dòng)軸承故障識(shí)別診斷的水平也有了很大的提升[2-4]。文獻(xiàn)[2]利用小波包變換的特點(diǎn)提取故障特征，并結(jié)合極限學(xué)習(xí)機(jī)實(shí)現(xiàn)了故障的正確分類。文獻(xiàn)[3]利用離散Meyer小波對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行降噪，然后再使用支持向量機(jī)(Support Vector Machine，SVM)進(jìn)行故障分類。文獻(xiàn)[4]使用經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)提取的信號(hào)進(jìn)行處理，提取出體現(xiàn)故障特征的敏感成分，借助譜峭度構(gòu)建包絡(luò)譜，完成故障診斷。

    在前人研究的基礎(chǔ)上，針對(duì)滾動(dòng)軸承故障早期階段故障特征信息微弱，一般方法難以高效地實(shí)現(xiàn)診斷故障沖擊成分的特征提取，本文借助最大相關(guān)峭度(Maximum Correlated Kurtosis Deconvolution，MCKD)對(duì)滾動(dòng)軸承故障信號(hào)進(jìn)行特征提取，并提出利用改進(jìn)的布谷鳥搜索（Improved Cuckoo Search，ICS）算法優(yōu)化最小二乘支持向量機(jī)(Least Squares Support Vector Machine，LSSVM)參數(shù)，將優(yōu)化后的LSSVM用于滾動(dòng)軸承的故障診斷。

1 故障診斷模型

1.1 最大相關(guān)峭度解卷積算法

    MCKD算法依賴信號(hào)的相關(guān)峭度最大化，借助信號(hào)中隱藏的沖擊成分具有的周期性，利用解卷積運(yùn)算增強(qiáng)信號(hào)中被各類噪聲淹沒的故障周期脈沖，因此在提取信噪比低的軸承早期故障信號(hào)中具有良好的效果[5]。

    通過傳感器采集的軸承故障的振動(dòng)信號(hào)為：

ck2-gs1-2.gif

式中f為濾波系數(shù)。

1.2 改進(jìn)的最小二乘支持向量機(jī)算法

    LSSVM將最小二乘線性理論引入到SVM中，利用二次規(guī)劃來解決函數(shù)估計(jì)問題[8]，根據(jù)經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信范圍最小化的原則，使算法具有較高的泛化能力。LSSVM故障診斷性能的優(yōu)劣，實(shí)則取決于核函數(shù)參數(shù)σ以及懲罰因子C，這樣對(duì)算法診斷過程的優(yōu)化就轉(zhuǎn)化為對(duì)這組參數(shù)的尋優(yōu)。

    布谷鳥搜索（Cuckoo Search，CS）算法是依據(jù)布谷鳥種群巢寄生的繁衍策略，通過鳥類特殊的飛行方式尋找最優(yōu)的孵化的鳥蛋，此行為可以達(dá)到有效的參數(shù)尋優(yōu)目的[9-10]。算法的本質(zhì)是使用新解與更優(yōu)解比較來替換之前劣質(zhì)的解。

2 故障診斷參數(shù)尋優(yōu)的改進(jìn)

2.1 識(shí)別概率Pa的改進(jìn)

    當(dāng)CS算法參數(shù)發(fā)現(xiàn)概率Pa在[0.1，0.75]之間時(shí)，其全局搜索性隨迭代次數(shù)的增長(zhǎng)而逐步增加[11]。因此在Pa合適的范圍內(nèi)，采用動(dòng)態(tài)自適應(yīng)機(jī)制改進(jìn)發(fā)現(xiàn)概率Pa：

ck2-gs3.gif

2.2 自適應(yīng)步長(zhǎng)的改進(jìn)

    為使自適應(yīng)的效果不依賴人為設(shè)定的經(jīng)驗(yàn)數(shù)值，減少由Lévy飛行隨機(jī)決定搜索步長(zhǎng)帶來的影響，并處理好全局尋優(yōu)能力與尋優(yōu)精度的關(guān)系如下[12]：

    ck2-gs4.gif

式中，ni表示第i個(gè)鳥巢位置，nbest表示最佳的鳥巢位置，dmax表示鳥巢最佳位置與其余位置的最遠(yuǎn)距離值。在此基礎(chǔ)上提出自適應(yīng)調(diào)整步長(zhǎng)策略：

    ck2-gs5.gif

式中，stepmax與stepmin表示搜索最大與最小步長(zhǎng)。本次迭代的步長(zhǎng)可以憑借上次的迭代結(jié)果來自動(dòng)更新，最后令α=stepi成立。至此，得到自適應(yīng)步長(zhǎng)的表達(dá)式，通過計(jì)算確認(rèn)最優(yōu)的參數(shù)σ以及懲罰因子C的組合。

3 故障診斷步驟

    將平臺(tái)采集的振動(dòng)信號(hào)進(jìn)行特征提取，得到的特征數(shù)據(jù)按類分組，作為實(shí)驗(yàn)?zāi)Ｐ偷挠?xùn)練樣本與測(cè)試樣本。模型在學(xué)習(xí)過程中，利用ICS算法尋找最佳的參數(shù)組合，提高診斷的準(zhǔn)確性，具體故障診斷的步驟如下，流程圖如圖1所示。

ck2-t1.gif

ck2-t1-x1.gif

ck2-t1-x2.gif

4 實(shí)驗(yàn)

4.1 MCKD對(duì)信號(hào)的特征提取

    振動(dòng)信號(hào)取自Case Western Reserve大學(xué)滾動(dòng)軸承數(shù)據(jù)庫，實(shí)驗(yàn)平臺(tái)由主電機(jī)、實(shí)驗(yàn)軸承、信號(hào)采集的傳感器以及控制器等元件組成。平臺(tái)使用SKF軸承，系統(tǒng)的采樣頻率為20 kHz，采樣長(zhǎng)度為8 192，電機(jī)轉(zhuǎn)速為1 797 r/m。軸承結(jié)構(gòu)參數(shù)如表1所示。

ck2-b1.gif

    實(shí)驗(yàn)采集了4種運(yùn)行狀態(tài)下滾動(dòng)軸承的振動(dòng)信號(hào)，分別為軸承的滾動(dòng)體剝落信號(hào)、內(nèi)圈剝落信號(hào)、外圈剝落信號(hào)以及正常運(yùn)轉(zhuǎn)下的振動(dòng)信號(hào)。波形如圖2所示，可以看出這4類振動(dòng)波形中存有沖擊成分，但這些沖擊響應(yīng)規(guī)律不明顯，譜圖分析看很難判別待測(cè)試信號(hào)(圖2（e）)為哪一種運(yùn)行狀態(tài)，這給實(shí)驗(yàn)帶來困難。

ck2-t2.gif

    利用MCKD對(duì)這4類信號(hào)進(jìn)行特征提取，由于MCKD進(jìn)行信號(hào)特征提取的步驟相同，本文重點(diǎn)介紹外圈剝落信號(hào)，如圖3（a）所示，按步驟(1)方法提取信號(hào)中的特征信息，如圖3（b）所示。對(duì)比輸入信號(hào)與MCKD處理后的信號(hào)，可以看出信號(hào)中的噪聲干擾被濾除，淹沒在噪聲中微弱的脈沖沖擊響應(yīng)得到增強(qiáng)，信號(hào)周期可尋，在有限迭代次數(shù)的前提下，降低數(shù)據(jù)維數(shù)，提取出信號(hào)的特征信息。

ck2-t3.gif

4.2 改進(jìn)的布谷鳥算法參數(shù)尋優(yōu)對(duì)比

    為驗(yàn)證ICS在參數(shù)尋優(yōu)方面的優(yōu)越性，選擇粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)、遺傳算法(Genetic Algorithm，GA)以及標(biāo)準(zhǔn)CS算法進(jìn)行參數(shù)尋優(yōu)的性能對(duì)比。各類算法尋優(yōu)對(duì)比如圖4所示，算法在參數(shù)尋優(yōu)過程中，迭代次數(shù)都選擇200次，PSO算法學(xué)習(xí)因子參數(shù)c1=2.8，c2=1.3，種群數(shù)量與GA算法一致，為25；CS算法與ICS算法，鳥巢數(shù)量也為25。由尋優(yōu)曲線可以看出ICS算法在尋優(yōu)速度方面比其他算法更快，收斂精度也更高，適應(yīng)度也比其他算法更加穩(wěn)定，所以ICS算法對(duì)LSSVM的參數(shù)尋優(yōu)能力更強(qiáng)，得到的數(shù)據(jù)也更可靠。

ck2-t4.gif

4.3 故障診斷

    利用MCKD算法對(duì)滾動(dòng)軸承的4種狀態(tài)的信號(hào)進(jìn)行特征提取，得到了不同狀態(tài)下的軸承振動(dòng)特征信號(hào)的脈沖響應(yīng)，這些脈沖響應(yīng)作為L(zhǎng)SSVM的樣本集。實(shí)驗(yàn)中，4種振動(dòng)特征信號(hào)每種有16組，共有64組數(shù)據(jù)。預(yù)處理后將這4種特征數(shù)據(jù)按種類標(biāo)注為1、2、3、4，隨機(jī)選取每種特征信號(hào)的8組作為L(zhǎng)SSVM模型的輸入，剩下的8組作為模型的測(cè)試樣本，則有32組訓(xùn)練，32組測(cè)試。根據(jù)診斷識(shí)別步驟流程，進(jìn)行ICS算法對(duì)LSSVM的參數(shù)尋優(yōu)，得到最終的C為11.872 9、σ為8.785 0，通過LSSVM分類器將測(cè)試信號(hào)樣本進(jìn)行識(shí)別，在設(shè)定精度為1%的情況下，得到的識(shí)別結(jié)果如圖5所示。同樣將這64組數(shù)據(jù)樣本應(yīng)用到其他算法進(jìn)行故障診斷識(shí)別，得到的診斷識(shí)別結(jié)果如表2所示。

ck2-t5.gif

ck2-b2.gif

    由圖5和表2可以看出，在故障類別確定的情況下，利用ICS改進(jìn)后的LSSVM滾動(dòng)軸承故障的診斷方法與其他3種優(yōu)化方法相比，診斷的識(shí)別率有所提高，診斷效果要高于其他算法，提出的方法是可行的。

5 結(jié)論

    本文提出了一種將MCKD與改進(jìn)優(yōu)化的LSSVM相結(jié)合的算法，將其應(yīng)用于滾動(dòng)軸承故障診斷識(shí)別領(lǐng)域，通過實(shí)測(cè)數(shù)據(jù)分析得到以下結(jié)論：

    （1）MCKD解決了提取微弱故障振動(dòng)信號(hào)的難題，在有限迭代次數(shù)情況下，可增強(qiáng)噪聲干擾下的軸承的振動(dòng)信號(hào)，并提取特征信息；

    （2）改進(jìn)的算法在最優(yōu)參數(shù)的搜索速度以及收斂精度性上要高于其他學(xué)習(xí)算法，可推廣使用；運(yùn)用在滾動(dòng)故障診斷識(shí)別上具有良好的效果，可為滾動(dòng)軸承故障診斷及時(shí)準(zhǔn)確地維修提供技術(shù)支持。

    由于實(shí)驗(yàn)使用的軸承故障類別有限，雖實(shí)現(xiàn)診斷準(zhǔn)確率100%，但其適應(yīng)性還有待提高，所以接下來的工作就是增加樣本的故障類別，進(jìn)一步提高算法的適應(yīng)性，以滿足實(shí)際應(yīng)用的需要。

參考文獻(xiàn)

[1] 張美玲，胡曉.基于LCD和改進(jìn)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.

[2] 程文韜，鄧芳明，郝勇，等.基于小波和ELM的電路故障診斷方法研究[J].儀表技術(shù)與傳感器，2016(7)：89-92.

[3] ABBASION S，RAFSANJANI A，F(xiàn)ARSHIDIANFAR A，et al.Rolling element bearings multi-fault classification based on the wavelet denoising and support vector machine[J].Mechanical Systems and Signal Processing，2007，21(7)：2933-2945.

[4] 蔡艷平，李艾華，石林鎖，等.基于EMD與譜峭度的滾動(dòng)軸承故障檢測(cè)改進(jìn)包絡(luò)譜分析[J].振動(dòng)與沖擊，2011，30(2)：167-172.

[5] 唐貴基，王曉龍.自適應(yīng)最大相關(guān)峭度解卷積方法及其在軸承早期故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(6)：1436-1444.

[6] 唐貴基，王曉龍.基于包絡(luò)譜稀疏度和最大相關(guān)峭度解卷積的滾動(dòng)軸承早期故障診斷方法[J].中國(guó)機(jī)械工程，2015，26(11)：1450-1456.

[7] 宋玉琴，朱紫娟，姬引飛.基于粗糙集優(yōu)化的信息融合故障診斷系統(tǒng)[J].電子技術(shù)應(yīng)用，2015，41(8)：143-145.

[8] 張朝龍，江巨浪，江善和，等.基于改進(jìn)PSO算法的LSSVM入侵檢測(cè)模型[J].電子技術(shù)應(yīng)用，2010，36(10)：132-135.

[9] 肖輝輝，段艷明.基于差分進(jìn)化的布谷鳥搜索算法[J].計(jì)算機(jī)應(yīng)用，2014，34(6)：1631-1635.

[10] YANG X S，DEB S.Cuckoo search via levy flights[C].World Congress on Nature & Biologically Inspired Computing.IEEE，2009：210-214.

[11] 王慶喜，郭曉波.基于萊維飛行的粒子群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用研究，2016，33(9)：2588-2591.

[12] 賀興時(shí)，李娜，楊新社，等.多目標(biāo)布谷鳥搜索算法[J].系統(tǒng)仿真學(xué)報(bào)，2015，27(4)：731-737.



作者信息:

劉  波，易  輝，薄翠梅，莊城城

（南京工業(yè)大學(xué) 電氣工程與控制科學(xué)學(xué)院，江蘇 南京211816）

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