基于小波包近似熵和SVM的圓柱滾子軸承診斷*

李學(xué)軍，何能勝，何寬芳，何 雷

(1.湖南科技大學(xué)機械設(shè)備健康維護湖南省重點實驗室 湘潭，411201)(2.中南大學(xué)高性能復(fù)雜制造國家重點實驗室 長沙，410083)

?

基于小波包近似熵和SVM的圓柱滾子軸承診斷*

李學(xué)軍1，何能勝1，何寬芳1，何 雷2

(1.湖南科技大學(xué)機械設(shè)備健康維護湖南省重點實驗室 湘潭，411201)(2.中南大學(xué)高性能復(fù)雜制造國家重點實驗室 長沙，410083)

為了解決特種車輛變速箱圓柱滾子軸承由于振動信號的非線性、非平穩(wěn)特征較為微弱，提取的特征量數(shù)值不明顯且現(xiàn)實中難以獲得大量含豐富特征的典型故障樣本而難以對其進行準(zhǔn)確診斷的問題，應(yīng)用小波包近似熵和支持向量機對特種車輛變速箱圓柱滾子軸承進行診斷。首先，在自行搭建的模擬實驗臺上采集某型特種車輛變速箱圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)的振動信號;然后,分別提取4種典型狀態(tài)振動信號的小波包近似熵值作為支持向量機的輸入，根據(jù)支持向量機的輸出結(jié)果來確定圓柱滾子軸承是否發(fā)生故障和故障類型。結(jié)果表明，該方法能有效對某型特種車輛變速箱圓柱滾子軸承的典型狀態(tài)進行診斷，為其他相似變速箱圓柱滾子軸承的故障診斷提供一種參考途徑，具有一定的工程實用價值。

圓柱滾子軸承； 小波包； 近似熵； 支持向量機； 故障診斷

引 言

圓柱滾子軸承是特種車輛變速箱傳動裝置的關(guān)鍵部件。設(shè)備運行時，磨損、疲勞、腐蝕及過載等原因都可能造成圓柱滾子軸承外圈磨損、滾動體故障、點蝕和壓痕等損傷。特種車輛由于運行環(huán)境的復(fù)雜性，采集的變速箱圓柱滾子軸承振動加速度信號是非線性、時變的，屬于典型的非平穩(wěn)信號，其反映狀態(tài)信息的能量特征較為微弱，提取的特征量數(shù)值區(qū)別不明顯且現(xiàn)實中難以獲得大量含豐富特征的典型故障樣本，給特種車輛變速箱圓柱滾子軸承的故障診斷帶來了困難。因此，應(yīng)用一種適用于非平穩(wěn)振動信號微弱特征的信號特征提取方法和一種具有良好推廣特性、適合小樣本情況的學(xué)習(xí)機器進行樣本訓(xùn)練，對于特種車輛變速箱中圓柱滾子軸承的故障診斷非常重要。

小波包變換是一種時頻分析方法, 它具有多分辨率分析的特點, 能夠提取信號中任意頻段的信號, 可以實現(xiàn)信號的精細(xì)分析，非常適合非平穩(wěn)信號的處理。熵具有度量信號復(fù)雜性能力，其大小揭示了觀測信號的有序程度。近年來，小波包分析和熵的概念被廣泛應(yīng)用到故障診斷領(lǐng)域。趙志宏等[1]將小波包與樣本熵相結(jié)合，實現(xiàn)了對滾動軸承內(nèi)圈故障、滾動體故障及外圈故障不同損傷程度下的故障診斷。黃娟等[2]提出了基于小波包系數(shù)近似熵的衰減系數(shù)累加和的輸電線路故障性質(zhì)自動識別方法，實現(xiàn)了對超高壓輸電線路瞬時性故障與永久性故障的自動識別。馮桓榰等[3]將小波包熵應(yīng)用到滾動軸承的早期故障診斷中，有效地實現(xiàn)了對軸承早期微弱信號的特征提取。近似熵[4](approximate entropy,簡稱ApEn)作為熵的一種，對瞬態(tài)擾動信號不敏感，其所需數(shù)據(jù)短，具有較好的抗噪聲、抗干擾能力[5-6]。結(jié)合特種車輛變速箱圓柱滾子軸承振動信號的非平穩(wěn)、特征信號微弱的情況，提取振動信號的小波包近似熵作為特征，可以有效表征特種車輛變速箱圓柱滾子軸承的運行狀況。

在狀態(tài)識別方面，神經(jīng)網(wǎng)絡(luò)由于需要海量的典型故障樣本來進行訓(xùn)練而在實際的工程應(yīng)用中受到限制。支持向量機(support vector machine，簡稱SVM)源于統(tǒng)計學(xué)習(xí)理論，是一個強大的機器學(xué)習(xí)分類器。它在解決模式識別的小樣本問題中表現(xiàn)出獨特的優(yōu)勢和良好的應(yīng)用前景[7-8]，越來越受到人們的重視。

筆者應(yīng)用小波包近似熵和SVM對某型特種車輛變速箱圓柱滾子典型狀態(tài)進行診斷。首先，在自行搭建的模擬實驗臺上采集某型特種車輛變速箱圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)的振動信號；然后，分別提取4種典型狀態(tài)振動信號的小波包近似熵值作為SVM的輸入，判斷軸承的工作狀態(tài)和故障類型。結(jié)果表明，所提取的某型特種車輛變速箱圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)振動信號的小波包近似熵特征值區(qū)別明顯，在狀態(tài)特征樣本量較少時也能獲得較高的診斷準(zhǔn)確率，為某型特種車輛變速箱圓柱滾子軸承典型狀態(tài)診斷提供了一種實用可行的方案。

1 小波包變換及近似熵分析

1.1 小波包變換

小波包變換是對小波變換的一種改進，是在多分辨分析基礎(chǔ)上構(gòu)成的一種更精細(xì)的正交分解方法，能夠為信號提供一種更加精細(xì)的分析與重構(gòu)方法。它將頻帶進行多層次劃分，不僅對低頻部分進行分解，而且對高頻部分也進行分解，并根據(jù)被分析信號的特征，自適應(yīng)地選擇頻帶[9]，從而提高了時頻分辨率[10]，非常適合處理非線性和非平穩(wěn)信號，使得小波包具有更廣泛的應(yīng)用價值。小波包變換選定某種小波函數(shù)后，設(shè)其濾波系數(shù)為h={hn}，令gk=(-1)kh1-k，定義一列遞歸函數(shù)

(1)

(2)

由上式所確定的{Wn(t)}即為小波包，W1(t)就是對應(yīng)的小波函數(shù)。小波包對信號的分解結(jié)構(gòu)用樹型結(jié)構(gòu)標(biāo)志。圖1是以3層小波包分解為例說明小波包分解過程。

圖1 小波包分解示意圖

圖1中，節(jié)點(i,j)表示第i層第j個節(jié)點(i=0,1,2,3;j=0,1,…，7)，每個節(jié)點代表一定的信號特征。其中節(jié)點(0,0)代表原始信號S，節(jié)點(1,0)代表小波包分解的第1層低頻系數(shù)x10，節(jié)點(1,1)代表小波包分解的第1層高頻系數(shù)x11，其他依此類推。

這是我人生中第一次替父親抽號。那是2011年的夏天，巨浪牧場2號樓竣工。農(nóng)場場部機關(guān)會議室人聲鼎沸、座無虛席。父親早已激動得不知邁哪條腿走路，還是母親比較淡定：“二樓好，更上一層樓嘛！”

1.2 近似熵

近似熵是用一個非負(fù)數(shù)來表示某數(shù)據(jù)前后的可預(yù)測性，以定量描述時間序列的可重復(fù)性。越復(fù)雜的時間序列對應(yīng)的近似熵越大，信號越趨于非平穩(wěn)狀態(tài)，包含頻率成分越豐富，系統(tǒng)越復(fù)雜；而近似熵越低，則表示信號越趨于周期性和平穩(wěn)，信號包含的頻譜越窄。

設(shè)給定的時間序列為{u(i),i=0,1,…,N}，預(yù)先給定模式維數(shù)m和相似容限r(nóng)的值，則近似熵[11]可以通過以下步驟計算得到。

1) 按序列號連續(xù)順序組成一組m維矢量X(i)，即

X(i)=[u(i),u(i+1)，…，u(i+m-1)]

(3)

其中：i=1～N-m+1。

2) 求出矢量X(i)與其余矢量X(j)之間的距離，該距離為矢量X(i)與其余矢量X(j)對應(yīng)元素中差的絕對值最大的一個，即

(4)

(5)

(6)

5) 再對m+1，重復(fù)步驟1～4，得到Φm+1(r)。

6) 輸出此序列理論上的近似熵值A(chǔ)pEn為

(7)

一般而言，此極限值以概率1存在，但在實際中N不可能為∞,當(dāng)N為有限值時，按上述步驟得出的是序列長度為N時近似熵值A(chǔ)pEn的估計值，記做

ApEn(m,r)=Φm(r)-Φm+1(r)

(8)

ApEn顯然與m，r的取值有關(guān)。根據(jù)經(jīng)驗，通常取m=2，r=0.1～0.25SD(u)(SD表示序列{u(i)}的標(biāo)準(zhǔn)差)，此時近似熵具有較為合理的統(tǒng)計特性[11]。近似熵算法結(jié)果反映了所分析的時間序列信號的復(fù)雜程度，而與該信號的幅值大小無關(guān)[12]。算法采用文獻[11]中的快速算法。

近似熵在表征信號復(fù)雜性方面具有很強的能力，對機械設(shè)備運行狀態(tài)的診斷具有很好的效果，可以作為機械設(shè)備狀態(tài)檢測和故障診斷的一種新的無量綱指標(biāo)的方法[13]。結(jié)合小波包變換的特點，對小波包分解后各獨立頻帶信號分量用近似熵來量化故障特征，可以反映不同故障的不規(guī)則性和復(fù)雜性，從而反映故障信號的非線性、非平穩(wěn)特征。

2 基于小波包近似熵和SVM的圓柱滾子軸承故障診斷

基于小波包近似熵和SVM的圓柱滾子軸承故障診斷原理圖如圖2所示，其具體步驟如下。

1) 在一定的采樣頻率下，通過加速度傳感器，對圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種狀態(tài)振動信號分別進行N次采樣，共獲得4N個振動信號作為訓(xùn)練樣本信號。

2) 對每種狀態(tài)的振動信號進行小波包分解，分別得到M個獨立的頻帶，再對每個頻帶進行特征提取。

3) 按照文獻[5]中的快速算法提取這M個頻帶的近似熵值A(chǔ)pEni(i=1,2,…,M)。

4) 將這M個頻帶分量近似熵值組成故障特征向量T

T=[ApEn1,ApEn2,…,ApEnM]

(9)

對采集到的圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型故障狀態(tài)下的4N個訓(xùn)練樣本振動信號重復(fù)以上的過程，就可以得到4個相應(yīng)的N×M型故障特征向量矩陣。

5) 建立由4個支持向量機(SVM1，SVM2，SVM3，SVM4)組成的多故障分類器，將提取的各個獨立頻帶分量的近似熵特征向量輸入支持向量機，對支持向量機進行訓(xùn)練。

6) 采集測試樣本信號，按照步驟2～4，形成特征向量，作為SVM分類器的輸入，以SVM分類器的輸出來確定軸承的工作狀態(tài)和故障類型。

圖2 基于小波包近似熵和SVM的圓柱滾子軸承故障診斷模型

3 實例應(yīng)用與分析

為驗證應(yīng)用小波包近似熵和SVM對特種車輛變速箱圓柱滾子軸承故障診斷的有效性，所采用的振動信號來自于自行搭建的模擬實驗臺。診斷的對象是某型特種車輛變速箱中的圓柱滾子軸承，圖3為其故障診斷實驗系統(tǒng)示意圖。

圖3 特種車輛變速箱圓柱滾子軸承故障診斷實驗系統(tǒng)

實驗在檔位為3檔、采樣頻率為20 kHz、電機輸出轉(zhuǎn)速為1 kr/min和中間輸出扭矩為100 N·m的工作狀況下進行。測點的位置選擇在箱體表面比較平坦的地方，這樣便于安裝和拆卸傳感器。本次實驗故障軸承均選在輸出軸位置的圓柱滾子軸承，測點傳感器安裝在輸出軸軸承正上方。軸承型號為N218，軸承參數(shù)如下：圓柱滾子軸承的平均直徑D=125.0 mm;厚度B=30.0 mm；滾動體直徑d=18.4 mm；滾子數(shù)量Z=17。

實驗分別測試了某特種車輛變速箱中N218圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)的振動信號。外圈磨損狀態(tài)是在軸承外圈外表面一圈磨掉0.15 mm而成；滾動體故障狀態(tài)是對軸承的1個滾動體磨損0.15 mm而成；點蝕和壓痕狀態(tài)是在軸承外圈內(nèi)表面均等地磨損加工3個深度為0.15 mm的壓痕，如圖4所示。

圖4 各種故障件

對4種典型狀態(tài)下的振動信號分別采樣，各得50組數(shù)據(jù)，在4類數(shù)據(jù)中分別隨機抽取30組數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，將剩余的20組數(shù)據(jù)作為測試樣本。外圈磨損振動加速度波形見圖5。

圖5 外圈磨損樣本信號

圖6為采用db2小波對外圈磨損故障振動信號進行3層小波包分解，然后將分解所得到的各層頻帶信號進行重構(gòu)所得到的小波包分析圖(限于篇幅，僅給出外圈磨損的小波包分析結(jié)果，其中S(1,0)表示第1層[1,0]節(jié)點的重構(gòu)，其他依此類推)。橫坐標(biāo)為采樣點數(shù)，縱坐標(biāo)為相應(yīng)幅值。

將信號進行3層小波包分解，獲得8個相對獨立的頻帶分量，分別提取這8個頻帶的近似熵，形成近似熵特征向量矩陣。表1僅列出了每種狀態(tài)4個取樣信號的特征向量(限于篇幅，特征向量未全部列出，且各個特征值取了4位有效數(shù)字)。將所計算得到的近似熵作為特征向量輸入到由4個支持向量機組成的多故障分類器中進行訓(xùn)練。從表1可以看出，各狀態(tài)的小波包近似熵取值范圍明顯不同，故可以通過分類器比較準(zhǔn)確地進行故障狀態(tài)的分類。

為了比較小波包分解對各個狀態(tài)信號提取近似熵的影響，表2中列出了隨機選取的各個狀態(tài)的9個信號未進行小波包分解而直接求取近似熵的結(jié)果(各個特征值取4位有效數(shù)字)。由表2可以看出，若直接對各個狀態(tài)的振動信號求取近似熵，其取值范圍差別不明顯，有的甚至有重疊，故不經(jīng)過小波包分解而對原始振動信號直接求取近似熵不能夠進行很準(zhǔn)確的故障類型的分類。

圖6 小波包變換主要頻段信號重構(gòu)示意圖

表1 軸承各種狀態(tài)下的部分特征量值

Tab.1 Part of the feature magnitude of bearing various states

軸承狀態(tài)信號序號特征向量(小波包分解第3層的8個獨立頻帶信號近似熵)ApEn3.0ApEn3.1ApEn3.2ApEn3.3ApEn3.4ApEn3.5ApEn3.6ApEn3.7正常10.56380.59450.57030.57260.53600.56240.53320.547420.56610.50710.51360.58070.52660.54210.51670.547630.55290.59510.53940.57110.55730.50540.59940.530740.55800.58190.52290.56420.52370.52280.50850.5141外圈磨損10.63840.64470.63980.64430.63260.65780.66330.644220.63330.64150.64570.63810.62220.64560.62800.627630.63420.64730.64730.66550.62530.64040.64540.641640.63170.65730.63200.66400.62080.62600.65350.6474滾動體故障10.66700.69390.69790.70930.66390.69590.66430.694020.67010.68680.66140.60990.68180.70640.60580.704130.67980.70200.69660.70870.65640.71610.61490.661040.67800.66740.66210.66640.68960.68010.67150.6741點蝕和壓痕10.59980.60260.60980.60470.60830.61520.59430.585220.61580.61880.62040.62190.57610.59660.54320.637230.59220.62110.60080.62790.62720.59240.59430.582240.60400.61680.61400.62320.55840.58840.58070.5984

表2 各種狀態(tài)下軸承振動信號未經(jīng)小波包分解的近似熵值

實驗中選取30組數(shù)據(jù)作為訓(xùn)練樣本，20組數(shù)據(jù)作為測試樣本，數(shù)據(jù)量屬于小樣本情況。SVM和BP神經(jīng)網(wǎng)絡(luò)兩類分類器診斷的準(zhǔn)確率如表3所示。從表3可以看出，針對某型特種車輛變速箱圓柱滾子軸承的正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)，BP神經(jīng)網(wǎng)絡(luò)方法的診斷準(zhǔn)確率分別為90%,75%,95%和75%，SVM方法的診斷準(zhǔn)確率分別為100%,95%,95%和100%。測試結(jié)果顯示，SVM作為分類器，測試精度比BP神經(jīng)網(wǎng)絡(luò)性能要好。

通過以上綜合對比可以看出，即使是在4種典型狀態(tài)特征樣本量較小的情況下，SVM仍具有較好的診斷效果。應(yīng)用小波包近似熵和SVM的圓柱滾子軸承診斷方法，可以對某型特種車輛變速箱圓柱滾子軸承的正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)進行準(zhǔn)確診斷。

表3 軸承故障診斷測試結(jié)果

4 結(jié) 論

1) 對實驗所采集的某型特種車輛變速箱圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)信號分別提取小波包分解后各頻帶的近似熵特征，結(jié)果表明，不同典型狀態(tài)信號的小波包近似熵特征值數(shù)值范圍具有明顯的區(qū)別。

2) 在狀態(tài)特征樣本量較小的情況下，應(yīng)用小波包近似熵和SVM能有效地對某型特種車輛變速箱圓柱滾子軸承正常、外圈磨損、滾動體故障、點蝕和壓痕4種典型狀態(tài)進行故障診斷，且具有較高的正確率。為某型特種車輛變速箱圓柱滾子軸承的故障診斷提供了一種實用可行的途徑，也為其他相似變速箱圓柱滾子軸承的故障診斷以及工程實際應(yīng)用提供一種參考。

[1] 趙志宏,楊紹普.基于小波包變換與樣本熵的滾動軸承故障診斷[J].振動、測試與診斷,2012,32(4):640-644.

Zhao Zhihong, Yang Shaopu. Roller bearing fault diagnosis based on wavelet packet transform and sample entropy[J]. Journal of Vibration, Measurement & Diagnosis, 2012,32(4):640-644. (in Chinese)

[2] 黃娟,黃純,江亞群,等.基于小波包近似熵的線路故障性質(zhì)辨識方法[J].儀器儀表學(xué)報,2012,33(9):2009-2015.

Huang Jun, Huang Chun, Jiang Yaqun, et al. Identification method of fault characteristics in transmission lines based on wavelet packet and approximate entropy[J]. Chinese Journal of Scientific Instrument,2012,33(9):2009-2015. (in Chinese)

[3] 馮桓榰,張來斌,石帥,等.基于小波包熵的軸承狀態(tài)監(jiān)測和早期故障診斷技術(shù)[J].科學(xué)技術(shù)與工程,2013,13(18):5177-5181.

Feng Huanzhi, Zhang Laibin, Shi Shuai, et al. Fault diagnosis of rolling bearing based on wavelet energy entropy[J]. Science Technology and Engineering, 2013,13(18):5177-5181. (in Chinese)

[4] Pincus S M. Approxinate entropy as a measure of system complexity[J]. National Academy of Science,1991,24:2297-2301.

[5] 胡紅英,馬孝江.局域波近似熵及其在機械故障診斷中的應(yīng)用[J].振動與沖擊,2006,25(4):38-40,45.

Hu Hongying, Ma Xiaojiang. Local wave approximate entropy and its application in mechanical fault diagnosis[J]. Journal of Vibration and Shock, 2006,25(4):38-40,45. (in Chinese)

[6] Canales D P, Ramirez J A, Correa J C, et al. Identification of dynamic instabilities in machining process using the approximate entropy method[J]. International Journal of Machine Tool & Manufacture, 2011,51:556-564.

[7] 劉永斌,何清波,孔凡讓,等.基于PCA和SVM的內(nèi)燃機故障診斷[J].振動、測試與診斷,2012,32(2):250-255.

Liu Yongbin, He Qingbo, Kong Fanrang, et al. Fault diagnosis of internal combustion engine using PCA and SVM[J].Journal of Vibration, Measurement & Diagnosis, 2012,32(2):250-255. (in Chinese)

[8] 范勁松,陶卿,方廷健,等.基于統(tǒng)計學(xué)習(xí)理論優(yōu)化感知器的遺傳算法[J].模式識別與人工智能,2001,14(2):211-215.

Fan Jinsong, Tao Qing, Fang Tingjian, et al. Genetic algorithm of optimizing perception based on statistical learning theory[J].Pattern Recognition and Artificial Intelligence, 2001,14(2):211-215. (in Chinese)

[9] Tse P W, Gontarz S,Wang Xiaojuan. Enhanced eigenvector a lgorithm for recovering multiple sources of vibration signals in machine fault diagnosis[J]. Mechanical Systems and Signal Processing,2007,21(7):2794-2813.

[10]Sadeghian A, Ye Zhongming, Wu Bin. On line detection of broken rotor bars in induction motors by wavelet packet decomposition and artificial neural networks[J]. IEEE Transactions on Instrumentation and Measurement,2009,58(7):2253-2263.

[11]洪波,唐慶玉,楊福生,等.近似熵、互近似熵的性質(zhì)、快速算法及其在腦電與認(rèn)知研究中的初步應(yīng)用[J].信號處理,1999,15(2):100-108.

Hong Bo, Tang Qingyu, Yang Fusheng, et al. The nature and fast algorithm of approximate entropy、mutual entropy approximate and its preliminary application of EEG and cognitive research[J]. Signal Processing,1999,15(2):100-108. (in Chinese)

[12]袁琦,周衛(wèi)東,李淑芳,等.基于ELM和近似熵的腦電波信號檢測方法[J].儀器儀表學(xué)報,2012,33(3):517-519.

Yuan Qi, Zhou Weidong, Li Shufang,et al.Brainwave signal detection method that based on ELM and approximate entropy[J]. Chinese Journal of Scientific Instrument,2012,33(3):517-519. (in Chinese)

[13]胥永剛,何正嘉.分形維數(shù)和近似熵用于度量信號復(fù)雜性的比較研究[J].振動與沖擊,2003,22(3):25-27.

Xu Yonggang, He Zhengjia. Research on comparison between approximate entropy and fractal dimension for complexity measure of signals[J]. Journal of Vibration and Shock,2003,22(3):25-27. (in Chinese)

10.16450/j.cnki.issn.1004-6801.2015.06.005

*國家自然科學(xué)基金資助項目(51375262，51175169)

2013-11-29；

2014-02-24

TJ810.7; TH165.3

李學(xué)軍，男，1969年9月生，教授、博士生導(dǎo)師。主要研究方向為機械動力學(xué)與故障診斷。曾發(fā)表《Model to evaluate the state of mechanical equipment based on health value》(《Mechanism and Machine Theory》2011,Vol.46,No.3)等論文。 E-mail：hnkjdxlxj@163.com