陳 松, 陳立愛,2
(1.安徽建筑大學(xué) 機械與電氣工程學(xué)院,安徽 合肥 230601;2.安徽國禎環(huán)保節(jié)能科技股份有限公司,安徽 合肥 230088)
經(jīng)驗?zāi)B(tài)分解和神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中應(yīng)用研究
陳 松1, 陳立愛1,2
(1.安徽建筑大學(xué) 機械與電氣工程學(xué)院,安徽 合肥 230601;2.安徽國禎環(huán)保節(jié)能科技股份有限公司,安徽 合肥 230088)
針對滾動軸承故障振動信號的非平穩(wěn)特征, 提出了一種基于經(jīng)驗?zāi)B(tài)分解的滾動軸承故障診斷方法,對采集的信號范圍進行了篩選。利用經(jīng)驗?zāi)B(tài)分解將振動信號分解為多個平穩(wěn)的固有模態(tài)函數(shù)。選取包含主要故障信息的IMF 分量分析其時域和頻域特征。將時域信號特征量和頻譜圖峰值對應(yīng)的頻率歸一化處理,輸入Elman神經(jīng)網(wǎng)絡(luò)進行工作狀態(tài)的自動判斷。
經(jīng)驗?zāi)B(tài)分解; 神經(jīng)網(wǎng)絡(luò); 軸承; 故障診斷。
滾動軸承具有摩擦阻力小和潤滑易實現(xiàn)等優(yōu)點,是旋轉(zhuǎn)機械的基本組成部件。軸承在機械設(shè)備中承受載荷,傳遞載荷,但工作條件最惡劣,是易損零件。據(jù)有關(guān)資料統(tǒng)計,對于使用滾動軸承的機械設(shè)備,故障設(shè)備中約有30%是由于滾動軸承損壞引起。出現(xiàn)軸承故障可能導(dǎo)致系統(tǒng)失去某些功能,或造成嚴重的生產(chǎn)事故。因此,滾動軸承故障診斷技術(shù)的研究具有很重要的意義[1]。
可以通過測量振動信號對軸承進行診斷。在傳統(tǒng)的處理方法中,例如用傅里葉變換處理非平穩(wěn)、非線性信號會出現(xiàn)無意義的諧波分量。故障信號經(jīng)常表現(xiàn)出非平穩(wěn)的特征,對它們進行傅立葉分析不能兼顧信號在時頻域中的全局特征和局部特征[2]。小波變換可以解決傅里葉變換的上述問題。但是在選擇小波基函數(shù)和分解尺度之后,它的分辨率也確定了,并且其時間分辨率與頻率分辨率相互影響,反映信號的局部幅值就無法自適應(yīng)地變化,缺乏靈活性[3]。
本文提出了一種基于經(jīng)驗?zāi)B(tài)分解和神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法,適用于分析具有非平穩(wěn)特征的故障信號,具有較好的靈活性。對于狀態(tài)復(fù)雜的滾動軸承故障的識別也較為準確。先對振動信號進行經(jīng)驗?zāi)B(tài)分解,拆解為多個平穩(wěn)的固有模態(tài)函數(shù)(Intrinsic Mode Function), 再選取包含主要故障信息的IMF 分量進行進一步分析,時域信號特征量和頻譜圖峰值對應(yīng)的頻率作為特征量,輸入Elman神經(jīng)網(wǎng)絡(luò),便于系統(tǒng)進行自動判斷。
美國國家宇航局美籍華人黃鍔等于1998 年提出了經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,縮寫EMD)。傳統(tǒng)方法中會用無意義的諧波分量來表示非平穩(wěn)、非線性信號。新方法為自適應(yīng)信號時頻分析方法,沒有傳統(tǒng)方法的這些缺陷,并具有良好的時頻聚焦性。傳統(tǒng)分析方法中基函數(shù)的幅值不變、頻率固定,而EMD允許IMF幅值改變,靈活,信號分析能力強。EMD方法非常適用于非線性和非平穩(wěn)的過程,具有很高的信噪比[4]。
計算各IMF分量的自相關(guān)系數(shù),選取自相關(guān)程度最大的IMF分量,對于這個IMF分量采用Hilbert變換,提取機械故障信號包絡(luò),可以獲得故障特征信息。Hilbert譜圖和小波尺度譜圖相比,具有更好的頻率分辨率,在機械故障振動信號的解調(diào)分析中得到了廣泛的應(yīng)用。變換所得解析信號與原始信號相比更為光滑和平緩。
利用EMD方法對信號x(t)進行分析的步驟如
下[5]:
1)計算得局部極大值點和極小值點,用三次樣條曲線將局部極大值點和極小值點分別連接起來形成上下包絡(luò)線;
2)上、下包絡(luò)線的平均值記為m1,計算h1 =x(t)-m1,如果h1滿足IMF的限制條件,那么h1 是x(t)的第1個IMF分量;
3)如果h1不滿足IMF條件,則將h1作為原始信號重復(fù)步驟1至2,上下包絡(luò)的平均值為m11,計算h11= h1-m11,直到h1k=h1(k-1)-m1k滿足IMF 條件,得到第1個IMF分量c1= h1k;
4)用x(t)減去c1,得到r1=x(t)-c1。將r1作為原始數(shù)據(jù)按步驟1至4進行分解,得到第2 個IMF分量c2。以此類推,將原始信號轉(zhuǎn)變?yōu)閚 個IMF分量c1,c2,…,cn和一個趨勢項rn(t)的和。
5)選取自相關(guān)程度最大的IMF分量,采用Hilbert變換,提取故障信號包絡(luò):
故障診斷的特征量可以選擇振動信號中的一些統(tǒng)計特征參數(shù),它們會隨故障的性質(zhì)及大小發(fā)生變化。應(yīng)用比較廣泛的軸承故障特征參數(shù)有均方根值、峰值、波形因數(shù)、峰值因數(shù)、脈沖因數(shù)、峭度因數(shù)和裕度因數(shù)等。但這些特征參數(shù)只對早期故障較為敏感,當故障較嚴重時, 參數(shù)值與正常狀態(tài)值接近,會產(chǎn)生誤判問題。
峰值大小可用來反映軸承某一局部故障點的沖擊力大小,可以檢測表面損傷等原因所造成的沖擊性振動。峰值因數(shù)能夠反映波形的尖峰度。它不受振動信號絕對值大小的影響,不受軸承尺寸和轉(zhuǎn)速的影響。缺陷愈大,峰值因數(shù)值也愈大。峭度因數(shù)與軸承轉(zhuǎn)速、尺寸、載荷等無關(guān),對沖擊信號特別敏感,特別適用于表面損傷類故障的診斷。但是當故障達到一定程度后,各波峰都是同樣水平的尖峰脈沖波,峭度因數(shù)相對于正常狀態(tài)時變化較小[6]。
選擇峰值因數(shù)、脈沖因數(shù)、峭度因數(shù)和裕度因數(shù)作為特征量,計算公式如下[7]:
公式中,x(t)為系統(tǒng)中某個特征點的振動響應(yīng)信號;n為信號長度。
BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢,對外部噪聲敏感,不能保證收斂到全局最小點。Elman網(wǎng)絡(luò)是遞歸神經(jīng)網(wǎng)絡(luò),與BP網(wǎng)絡(luò)相比,在線辨識能力好,收斂更迅速,動態(tài)特性更好。
Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示,描述它的非線性狀態(tài)空間表達式如下:
圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
公式中,T是 r維輸入矢量,x,xc,y分別是n維隱含層節(jié)點單元矢量,n維反饋狀態(tài)矢量和m維輸出節(jié)點矢量,w1,w2,w3為不同層間的連接權(quán)值,f是隱含層神經(jīng)元傳遞函數(shù),g是輸出神經(jīng)元傳遞函數(shù)。網(wǎng)絡(luò)使用BP算法來修正權(quán)值,經(jīng)過學(xué)習(xí)和調(diào)整,使均方誤差函數(shù)E(w)達到最小值[8]。
本設(shè)計使用美國凱斯西儲大學(xué)滾動軸承故障數(shù)據(jù),驅(qū)動端使用6205-2RS深溝球軸承,驅(qū)動端軸承的參數(shù)為:軸承轉(zhuǎn)速r=1797r/min;滾珠個數(shù)n=9;滾動體直徑d=7.938 mm;軸承節(jié)徑D=39 mm;:滾動體接觸角α=0. 在軸承內(nèi)圈、外圈和滾動體上均采用電火花技術(shù)設(shè)置不同損傷程度的單點故障。本文主要研究0.3556 mm損傷點故障。
由以上數(shù)據(jù)計算滾動軸承不同部件故障的特征頻率為:
外圈滾道故障頻率
內(nèi)圈滾道故障頻率
滾動體故障頻率
滾動軸承設(shè)置三種不同故障,都設(shè)置0.3556 mm直徑故障點,在不同負載下(0HP、1HP、2HP),測量振動信號。對于振動信號數(shù)據(jù),利用EMD方法將它分解成多個IMF分量,計算各個分量自相關(guān)系數(shù),選取自相關(guān)程度最大的IMF分量,對于這個IMF分量采用Hilbert變換,求包絡(luò)值,產(chǎn)生振動信號Hilbert包絡(luò)譜。尤其要注意的是,選取合適范圍的點進行頻譜分析,才能正確識別出滾動體故障[9]。圖2為動體故障對應(yīng)時域圖,本設(shè)計中選取區(qū)域1和區(qū)域2的采樣點。如果使用1-38000點的數(shù)據(jù),得到Hilbert 包絡(luò)譜如圖3所示,峰值對應(yīng)頻率為29.3 Hz,導(dǎo)致誤判斷。
圖2 滾動體故障對應(yīng)時域圖
圖3 導(dǎo)致誤診的滾動體故障對應(yīng)的Hilbert 包絡(luò)譜
圖4 滾動軸承在負載為0時振動信號Hilbert包絡(luò)譜
從圖4的Hilbert包絡(luò)譜中可以看出,a,c狀態(tài)的峰值較小,b,d狀態(tài)的峰值較大,利用峰值可以區(qū)別出正常狀態(tài)、滾動體故障與內(nèi)圈滾道故障、外圈滾道故障;四種狀態(tài)峰值對應(yīng)的頻率分別為:29.3,161.1,140.6和108.4,與計算理論值非常接近,利用峰值對應(yīng)的頻率可以區(qū)別出滾動軸承的四種工作狀態(tài)。
圖5 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
表1 滾動軸承時域和頻域特征量數(shù)據(jù)
計算出各種負載條件下各種故障對應(yīng)的時域特征量,如表1所示,總體上看,外圈滾道故障數(shù)值大于內(nèi)圈滾道故障數(shù)值,內(nèi)圈滾道故障數(shù)值大于正常狀態(tài)數(shù)值,正常狀態(tài)數(shù)值和滾動體故障數(shù)值相近。
將表1的數(shù)據(jù)進行歸一化處理,再輸入神經(jīng)網(wǎng)絡(luò),可以自動識別故障類型和負載程度。本文使用Elman網(wǎng)絡(luò)進行訓(xùn)練和識別。圖5為Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程,它表明網(wǎng)絡(luò)訓(xùn)練成功,訓(xùn)練誤差較小。經(jīng)過測試,可以識別故障和負載程度。
(1)通過提取時域和頻域信號特征量,綜合分析,并經(jīng)過Elman網(wǎng)絡(luò)訓(xùn)練,可以較好地識別滾動軸承故障類別和負載大小。
(2)EMD方法對于滾動軸承故障,對內(nèi)、外圈故障診斷正確率較高,但滾動體故障診斷還存在較多困難。因此,選擇合適范圍的測量點才可以正確識別出滾動體故障。
(3)由于滾動軸承故障信號非常復(fù)雜,同時EMD的理論研究有不足,在分解過程中存在模態(tài)混疊,獲得的IMF分量并不是嚴格意義上的單分量信號,在算法改進方面有待進一步研究。
[1]蘇文勝.滾動軸承振動信號處理及特征提取方法研究[D].大連:大連理工大學(xué), 2010.
[2]何斌,戚佳杰,黎明和.小波分析在滾動軸承故障診斷中的應(yīng)用研究[J].浙江大學(xué)學(xué)報(工學(xué)版),2009,43(7):1218-1221.
[3]劉宗政.滾動軸承的振動特性分析及典型故障診斷[J].機械設(shè)計與制造,2009,(3):103-105.
[4]張璇.基于小波包和EMD的滾動軸承故障信號分析[D].北京:北京化工大學(xué),2008.
[5]劉立君,王奇,楊克己,等.基于EMD和頻譜校正的故障診斷方法[J].儀器儀表學(xué)報,2011(6):1278-1283.
[6]張進明.基于EMD和HHT的旋轉(zhuǎn)機械故障診斷方法研究[D].北京:北京化工大學(xué), 2006.
[7]巫茜, 蔡海尼, 黃麗豐.基于主成分分析的多源特征融合故障診斷方法[J].計算機科學(xué),2011,38(1):268-270.
[8]湯寶平,習(xí)建民,李鋒.基于Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷[J].計算機集成制造系統(tǒng),2010,16(10):2149-2152.
[9]趙海峰,楊國斌.基于振動信號的深溝球軸承滾動體故障診斷研究 [J].化工機械,2014,41(3):291-295.
Research of Application of Empirical Mode Decomposition and Neural Network into Diagnosis of Rolling Bearing Fault
CHEN Song1,CHEN Liai1,2
(1.College of Mechanical and Electrical Engineering,Anhui Jianzhu University,Anhui Hefei 230601;
2.Anhui Guozhen Enviromental protection Science and Technology Co.,Ltd,Hefei 230088)
According to the non-stationary characteristics of vibration signals of rolling bearing fault, a kind of fault diagnosis method of rolling bearing based on empirical mode decomposition is put forward, and signal range is screened. With the empirical mode decomposition, original signal is decomposed into several smooth intrinsic mode functions. The IMF component containing main fault information is selected, and dominate features of the time domain and frequency are analyzed. The time domain signal characteristics and the corresponding spectrum peak frequency have been handled through normalized processing, and then they have beenimported into Elman neural network for automatic judgment of the working state.
Empirical mode decomposition; neural network; bearing; fault diagnosis.
TH165+.3
A
2095-8382(2016)04-064-05
10.11921/j.issn.2095-8382.20160414
2016-01-19
安徽建筑大學(xué)校青年科研基金專項(2014XQZ02),住房與城鄉(xiāng)建設(shè)部科學(xué)技術(shù)計劃項目(2014-K7-022),安徽高校自然科學(xué)研究重點項目(KJ2016A156)
陳松(1986-),男,碩士,講師,研究方向為模式識別。