基于支持向量機的旋轉(zhuǎn)機械振動故障診斷研究

于波，徐雪嬌

（東北石油大學 電子科學學院，黑龍江 大慶　163318）

基于支持向量機的旋轉(zhuǎn)機械振動故障診斷研究

于波，徐雪嬌

（東北石油大學 電子科學學院，黑龍江 大慶163318）

本文主要針對旋轉(zhuǎn)機械的故障診斷問題，設(shè)計了基于LabVIEW的旋轉(zhuǎn)機械振動測試系統(tǒng)，該系統(tǒng)通過軟件編程來實現(xiàn)振動信號的存儲、分析及特征提取，并且提出了基于支持向量機的智能故障診斷方法，該方法將特征向量直接輸入到支持向量機分類器中進行故障識別，結(jié)果表明支持向量機對于機械故障有較好的分類效果。

LabVIEW；旋轉(zhuǎn)機械；支持向量機；故障診斷

旋轉(zhuǎn)機械是一種重要的動力設(shè)備，在工農(nóng)業(yè)生產(chǎn)、工程領(lǐng)域和交通運輸?shù)阮I(lǐng)域中廣泛應(yīng)用，旋轉(zhuǎn)機械的運行狀態(tài)對于生產(chǎn)的結(jié)果和工程的質(zhì)量有著直接的影響。旋轉(zhuǎn)機械在不斷高速發(fā)展的科技時代，逐漸發(fā)展成集自動化、多功能為一體的大型復(fù)雜機械設(shè)備?？梢娨坏┬D(zhuǎn)機械的某個部位發(fā)生了故障，就很有可能影響整個機械設(shè)備的正常運行，造成生產(chǎn)癱瘓而導(dǎo)致經(jīng)濟損失，更嚴重則造成人員傷亡和嚴重社會影響［1］。所以對旋轉(zhuǎn)機械進行故障診斷具有十分重要的意義。但是旋轉(zhuǎn)機械的有效故障樣本是極其有限的，利用普通的故障診斷方法對旋轉(zhuǎn)機械進行故障診斷達不到理想的效果，由于支持向量機在小樣本的情況下具有十分好的分類效果，所以支持向量機為旋轉(zhuǎn)機械故障診斷提出了一個新的方法。

1　支持向量機

1.1支持向量機的基本思想

支持向量機的基本思想就是將空間升維并且線性化。最初要確定一個線性的最優(yōu)分類超平面，在計算最優(yōu)分類超平面的過程中，將分類對象映射到高維空間，再利用線性方法解決高維空間中的問題［2］。在處理復(fù)雜問題的時候通常都是化繁為簡，但是空間升維是一個化簡為繁的過程，由于分類問題在低維線性情況下很難進行分類，在高維情況下可以進行線性分類。低維線性不可分轉(zhuǎn)變?yōu)楦呔S線性可分的過程如圖1所示。

圖1　低維線性不可分轉(zhuǎn)變?yōu)楦呔S線性可分

1.2支持向量機理論

支持向量機的基礎(chǔ)是統(tǒng)計學習理論，統(tǒng)計學習理論主要研究關(guān)于小樣本的機器學習。支持向量機的推廣性能和學習能力都非常好，在很多領(lǐng)域中的實踐應(yīng)用都實現(xiàn)的非常好。支持向量機方法是由線性可分情況下的最優(yōu)分類面思想得到的，為了解決非線性問題，首先要將非線性問題轉(zhuǎn)換成另一個高維空間的線性問題，其特殊性能就是高維空間中的線性判別函數(shù)可以對原來空間中的非線性進行判別。通過內(nèi)積運算就可以實現(xiàn)空間轉(zhuǎn)換［3］。

由Hilbert-Schmidt原理可知，滿足Mercer條件，運算就可以作為內(nèi)積來使用。

由Mercer條件可知，對于認識的對稱函數(shù)K（x，x′），此函數(shù)作為某個特征空間內(nèi)積的充分必要條件是：

對于任意的Φ（x）≠0，且 ∫φ2（x）dx＜∞，有

如果要把原來的特征空間轉(zhuǎn)換到新的特征空間，其實就是用內(nèi)積K（x，x′）替代最優(yōu)分類面中的點積，得到優(yōu)化函數(shù)為：

得到判別函數(shù)為：

這個過程就是支持向量機。

1.3支持向量機在故障診斷中的應(yīng)用

把支持向量機應(yīng)用到故障診斷中的方法相當于是一種樣本分類問題，通過對歷史數(shù)據(jù)的訓(xùn)練得到一種分類器，根據(jù)數(shù)據(jù)類型將數(shù)據(jù)空間劃分成各種區(qū)域，每個區(qū)域?qū)?yīng)著一種機器運行的狀態(tài)，然后將獲取的測試數(shù)據(jù)映射到數(shù)據(jù)空間中，通過對數(shù)據(jù)空間區(qū)域進行定位，判斷出數(shù)據(jù)所對應(yīng)的機器運行狀態(tài)［4］?；谥С窒蛄繖C的故障診斷方法不需要進行復(fù)雜的數(shù)學建模，也不需要了解系統(tǒng)的復(fù)雜機理，只需要知道系統(tǒng)的運行數(shù)據(jù)就可以對復(fù)雜的非線性系統(tǒng)進行分析，并且比人工神經(jīng)網(wǎng)絡(luò)方法所需要的樣本少很多，大大降低了取樣的工作量，在工程領(lǐng)域具有非常好的應(yīng)用前景。

2　系統(tǒng)設(shè)計與軟件開發(fā)

2.1系統(tǒng)設(shè)計思想及LabVIEW軟件開發(fā)

首先利用LabVIEW虛擬儀器設(shè)計一個旋轉(zhuǎn)機械振動測試系統(tǒng)，來實現(xiàn)振動信號的采集、

分析與處理。整個振動測試系統(tǒng)流程圖如圖2所示。

圖2　振動測試系統(tǒng)流程圖

進行故障診斷之前，要對信號進行采集，所以就要選擇合適的傳感器來檢測振動信號。由于檢測到的振動信號比較微弱，因此要將信號進行放大。放大的信號要經(jīng)過濾波器進行濾波去除干擾信號，最后得到的模擬信號經(jīng)過模數(shù)轉(zhuǎn)換，轉(zhuǎn)變?yōu)橛嬎銠C能處理的數(shù)字信號，然后再將信號輸入LabVIEW編制的數(shù)據(jù)處理程序進行分析處理［5］。振動測試系統(tǒng)分為數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、數(shù)據(jù)分析模塊、文件管理模塊，其中數(shù)據(jù)分析包括時域分析、頻域分析、時頻聯(lián)合分析。

2.1.1數(shù)據(jù)采集模塊

聲卡對于自然界中的很多模擬信號都可以進行很好的模數(shù)轉(zhuǎn)化，所以將放大后的模擬信號導(dǎo)入到聲卡，然后在聲卡上進行數(shù)據(jù)采集并進行模/數(shù)轉(zhuǎn)換，最后將轉(zhuǎn)換后的數(shù)字信號輸入到計算機內(nèi)部進行數(shù)據(jù)分析處理。由于LabVIEW中提供了一系列使用Windows底層函數(shù)編寫的與聲卡有關(guān)的函數(shù)，利用這些函數(shù)可以方便的實現(xiàn)LabVIEW構(gòu)建基于聲卡的虛擬儀器?；诼暱ǖ臄?shù)據(jù)采集流程圖如圖3所示。

圖3　聲卡的數(shù)據(jù)采集流程圖

通過流程圖可以看出，經(jīng)過SI Config和SI Start的準備后，進入循環(huán)體。聲卡首先將數(shù)據(jù)送到緩沖區(qū)，SI Read負責將緩沖區(qū)的數(shù)據(jù)整塊讀出，放入內(nèi)存中的用戶數(shù)組。

2.1.2數(shù)據(jù)處理模塊

聲卡采集之后的振動信號伴有很多噪聲干擾，在進行頻譜分析之前必須濾除干擾信號。此振動測試系統(tǒng)利用橢圓濾波器來濾除干擾信號。橢圓濾波器的子VI程序如圖4所示。

圖4　橢圓濾波器的子VI程序

2.1.3數(shù)據(jù)分析模塊

頻域分析是以輸入信號的頻率為變量，在頻率域里研究系統(tǒng)的結(jié)構(gòu)參數(shù)與性能的關(guān)系，揭示了信號內(nèi)在的頻率特性以及信號時間特性與其頻率特性之間的密切關(guān)系，快速傅里葉變換是離散傅里葉變換的快速算法。FFT的子VI如圖5所示。經(jīng)過快速傅里葉變換后，進行頻譜分析。

2.1.4系統(tǒng)總體設(shè)計的實現(xiàn)

將各個功能模塊有效的組合到一起就構(gòu)成了振動測試系統(tǒng)的基本程序框圖。通過測試數(shù)據(jù)來調(diào)試程序，使程序更加完善［6］。完成程序的設(shè)計之后對前面板進行排版美化，前面板如圖6所示。

2.2支持向量機分類器的實現(xiàn)

支持向量機的模式識別是對復(fù)雜的事物進行分析處理和判斷識別，其中最關(guān)鍵的問題就是對于故障特征的選取，文中采用時頻域提取故障的特征值［7］。由于SVM算法復(fù)雜，文中采用Matlab軟件來實現(xiàn)SVM算法，通過Matlab Script節(jié)點技術(shù)，將LabVIEW和Matlab有機結(jié)合，獲得一種快速故障識別的有效方法。基于支持向量機的故障模式識別步驟如圖7所示。

首先建立支持向量機，相應(yīng)的訓(xùn)練集和測試集的標簽可以自由設(shè)定值，通過支持向量機進行分類。本文支持向量機應(yīng)用到Matlab中l(wèi)ibsvm工具箱，libsvm是一個方便使用和快速有效的SVM模式識別與回歸的軟件包。首先設(shè)置屬性矩陣和標簽，然后建立分類模型，再利用得到的這個模型進行分類預(yù)測。表1和表2分別是訓(xùn)練樣本數(shù)據(jù)和分類結(jié)果。

圖5　FFT的子VI

圖6　振動測試系統(tǒng)前面板

圖7　基于支持向量機的故障模式識別步驟

表1　支持向量機多故障分類器的訓(xùn)練樣本表

在MATLAB中利用Libsvm工具箱對支持向量機算法進行實現(xiàn)，其中g(shù)ears_data以及gears_label是訓(xùn)練樣本及類別標簽，gears_test是測試樣本。

程序代碼如下：

運行結(jié)果如圖8所示。

圖8　故障分類運行結(jié)果

從結(jié)果可以看出，分類準確率是33.3333%，3組數(shù)據(jù)分別為1類、2類、3類，對應(yīng)的故障類型分別是正常、磨損、斷齒。利用支持向量機技術(shù)可以方便快捷的確定旋轉(zhuǎn)機械振動的故障類型，大大提高了故障檢測的效率與準確率。

3　結(jié)束語

本系統(tǒng)主要采用快速傅里葉變換技術(shù)對旋轉(zhuǎn)機械振動信號進行頻譜分析，利用LabVIEW虛擬儀器開發(fā)平臺來設(shè)計旋轉(zhuǎn)機械振動測試系統(tǒng)，實現(xiàn)了軟件編程代替?zhèn)鹘y(tǒng)的硬件設(shè)備，大大降低了工程成本。該系統(tǒng)具有較強的通用性與多功能性；支持向量機具有出色的分類效果，能更好地解決小樣本情況下學習的問題，為檢測旋轉(zhuǎn)機械故障類型提供了快捷方法，提高了檢測效率。SVM在機械故障診斷中的實際應(yīng)用，需要合理選擇參數(shù)，提高準確率，進一步研究SVM多分類算法。

［1］Vladinir N Vapnik.統(tǒng)計學習理論的本質(zhì)［M］.張學工，譯.北京：清華大學出版社，2000．

［2］翟永杰．基于支持向量機的故障智能診斷方法研究［D］.河北：華北電力大學，2004．

［3］Weston J，Watkins C．Multi-class support vector machines［R］．English：UniversityofSouthamotion，CSDTR-98-04，1998，1-9．

［4］翟永杰，王東風，韓璞．基于多類支持向量機的汽輪發(fā)電機組故障診斷［J］．動力工程，2003，23（5）：2694-2698．

［5］楊樂平，李海濤，楊磊．LabVIEW程序設(shè)計與應(yīng)用［M］．2版．北京：電子工業(yè)出版社，2005．

［6］周井玲，吳國慶．基于LabVIEW的振動采集系統(tǒng)開發(fā)［J］．微計算機信息，2004，20（9）：37-38．

［7］李凌均，張周鎖，何正嘉．基于支持向量機的機械故障智能分類研究［J］．小型微型計算機系統(tǒng)，2004，25（4）：667-670．

Research on vibration fault diagnosis of rotating machinery based on support vector machine

YU Bo，XU Xue-jiao
（Northeast Petroleum University，Daqing 163318，China）

This paper is mainly about the design of a vibration test system of rotating based on LabVIEW，to solve the problem of fault diagnosis of rotating machinery.This system realize the storage，analysis and feature extraction of the vibration signal through software programming and propose the intelligent fault diagnosis method based on support vector machine.The feature vector input to the support vector classifier directly for fault recognition by the method.The results show that the support vector machine has a good effect of classification for mechanical fault.

LabVIEW；rotating machinery；support vector machine；fault diagnosis

TN206

A

1674－6236（2016）06-0104-04

2015-04-24稿件編號：201504271

于 波（1968—），男，黑龍江大慶人，教授。研究方向：通信信號處理，振動故障診斷技術(shù)研究。