基于FS- PCA- MSCD的地鐵軸承可視化診斷方法

楊建偉， 白永亮， 武慧杰， 化鳳芳

(1.北京建筑大學(xué) 機(jī)電與車輛工程學(xué)院 城市軌道交通車輛服役性能保障北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100044)

?

基于FS- PCA- MSCD的地鐵軸承可視化診斷方法

楊建偉， 白永亮， 武慧杰， 化鳳芳

(1.北京建筑大學(xué) 機(jī)電與車輛工程學(xué)院 城市軌道交通車輛服役性能保障北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100044)

針對(duì)地鐵軸承的可視化故障診斷能力，本文提出了基于特征選擇(Feature Selection，F(xiàn)S)與多尺度類距離(Multi Scale Class Distance, MSCD)的軸承故障診斷方法. 首先對(duì)地鐵齒輪箱軸承振動(dòng)信號(hào)進(jìn)行采集，獲得不同故障類型的軸承故障樣本集；然后基于FS方法提取故障樣本中存在的敏感特征值，并利用獲得的特征向量進(jìn)行主成分分析(Principal Component Analysis, PCA)，基于MSCD方法對(duì)各故障聚類進(jìn)行再分類，提高故障類的可分性，獲得可視化程度高的故障診斷結(jié)果. 利用該方法對(duì)地鐵齒輪箱軸承故障數(shù)據(jù)進(jìn)行可視化故障診斷，診斷結(jié)果表明該方法能夠提取敏感故障特征并獲得具有較高故障可分性與可視化的診斷結(jié)果. 該方法為地鐵軸承在線故障分析能力提供了技術(shù)支持，在地鐵運(yùn)行維護(hù)與故障診斷方面均具有廣闊的應(yīng)用前景.

地鐵軸承; 特征選擇; 類距離; 可視化診斷

由于地鐵的工作特性，載客量及速度在短時(shí)間內(nèi)頻繁產(chǎn)生劇烈變化，這使得地鐵軸承常運(yùn)行在惡劣工況下，容易產(chǎn)生故障. 由于地鐵齒輪箱本身機(jī)械結(jié)構(gòu)的復(fù)雜性，及振動(dòng)信號(hào)在從故障點(diǎn)傳輸至傳感器的過(guò)程中不可避免的衰減、調(diào)制等特性，地鐵軸承的故障信號(hào)往往表現(xiàn)出強(qiáng)烈的復(fù)雜性，這大大加強(qiáng)了地鐵軸承的故障診斷難度[1]. 因此，通過(guò)研究先進(jìn)的信號(hào)處理方法來(lái)提取敏感的狀態(tài)特征量，已成為旋轉(zhuǎn)機(jī)械故障診斷學(xué)科最活躍的領(lǐng)域之一[2]. 其中，主成分分析(Principal Component Analysis, PCA)是一種行之有效的故障特征值提取方法. PCA方法在各個(gè)變量之間相關(guān)關(guān)系研究的基礎(chǔ)上，用一組較少的、互不相關(guān)的新變量(即主元)代替原來(lái)較多的變量, 并使這些新變量盡可能多地保留原來(lái)復(fù)雜變量所反映信息的一種基于二階統(tǒng)計(jì)的數(shù)據(jù)分析方法, 具有較好的降維去噪能力[3].

在PCA處理故障信號(hào)中，為了對(duì)機(jī)械故障進(jìn)行準(zhǔn)確、有效地判斷，就必須要提取大量的故障特征，獲得盡可能多的、從各個(gè)方面反應(yīng)故障的特征信息，但這會(huì)造成特征集的維數(shù)過(guò)高同時(shí)引入非敏感特征，嚴(yán)重影響診斷精度[4]. 因此，需要對(duì)輸入PCA的特征向量進(jìn)行選擇，提取出敏感特征，降低特征集維數(shù)的同時(shí)提高診斷故障精度[5]. 同時(shí)由于PCA分類結(jié)果可視化程度不高，基于類內(nèi)類間距離的可分性判據(jù)利用的是各類特征向量之間的平均距離[6]，當(dāng)類間間距相較類內(nèi)間距較大時(shí)，故障的可視化程度低，無(wú)法完成故障分類需求，因此需要對(duì)聚類結(jié)果進(jìn)行再分配，提高診斷結(jié)果的可視化程度與魯棒性能.

國(guó)內(nèi)外學(xué)者對(duì)相關(guān)領(lǐng)域進(jìn)行了研究，李海峰等人[7]針對(duì)特征提取及聚類分析中類距離的判別準(zhǔn)則，提出了優(yōu)于傳統(tǒng)類內(nèi)類間距離的可分離性判據(jù)，并將之應(yīng)用于特征提取過(guò)程；劉華文[8]采用互信息和關(guān)聯(lián)系數(shù)分別表示特征間的類內(nèi)距離與類間距離，在保證選擇的特征子集具有最小冗余性和最大相關(guān)性的前提下，利用信息熵準(zhǔn)則優(yōu)化敏感特征的選擇過(guò)程，提高了分類效果；湯保平等人[9]研究了基于多準(zhǔn)則融合敏感特征選擇和自適應(yīng)鄰域的故障診斷方法，利用多種特征評(píng)價(jià)準(zhǔn)則對(duì)原始高位特征進(jìn)行排序，再根據(jù)融合序列選擇敏感特征構(gòu)成優(yōu)化高位特征集，從而改善了非敏感特征干擾的問(wèn)題；王紅軍等人[10]研究了利用EEMD與小波變換構(gòu)建早期故障敏感特征的方法，利用IMF進(jìn)行信息重構(gòu)，并利用WPT獲得變換后的小波系數(shù)，從而獲得早期故障的敏感特征，能夠?qū)崿F(xiàn)快速準(zhǔn)確的診斷過(guò)程.

1 敏感特征選擇與多尺度類距離

1.1 敏感特征選擇

特征選擇是指根據(jù)給定的評(píng)判標(biāo)準(zhǔn)，從輸入特征空間中選擇一個(gè)子集，使其與目標(biāo)概念最相關(guān)的過(guò)程[11]. 具體到故障診斷的樣本故障分類過(guò)程中，則表現(xiàn)為樣本的特征或者屬性使得決策能力更高，樣本的特征越敏感，所具有的信息含量越多，則該分類算法的決策能力就越強(qiáng)，但是如果選擇的特征并不敏感，即該特征子集不能夠代替原始的特征空間，這會(huì)使得特征子集包含信息與原始空間不對(duì)等[12]，進(jìn)而影響取樣過(guò)程中的維數(shù)約減結(jié)果，使得聚類分析過(guò)程復(fù)雜，且獲得無(wú)法解釋的輸出結(jié)果. 因此，需要對(duì)樣本進(jìn)行敏感特征選擇，常用的用于故障診斷的敏感特征有時(shí)域特征、頻域特征、時(shí)頻域特征、頻譜向量等，本文對(duì)這幾種特征向量分別進(jìn)行聚類分析，通過(guò)具體分類結(jié)果獲得適用于地鐵軸承故障診斷的敏感特征集.

1.2 多尺度類距離

獲得敏感特征集后，利用聚類分析方法對(duì)該特征集所代表的樣本進(jìn)行分類，進(jìn)而基于可分性分類結(jié)果，進(jìn)行可視化故障診斷. 基于傳統(tǒng)的類內(nèi)類間距離的可分性判據(jù)定義如下：

(1)

(2)

由此可推得：

Jd(x)=sb+sw=tr(Sb+Sw)

(3)

其中，

式中，mi表示第i類樣本集的均值；m表示所有各類的樣本集總均值向量；稱Sb為類間離散度矩陣；Sw為類內(nèi)離散度矩陣；sb為類間離散度，sw為類內(nèi)離散度. 直觀上，人們希望被提取特征的類間離散度sb盡量大，類內(nèi)離散度sw盡量小，但實(shí)際過(guò)程中這二者通常無(wú)法同時(shí)滿足. 本文基于類距離理論，提出多尺度類距離(Multi Scale Class Distance,MSCD)方法，MSCD方法從聚類結(jié)果整體尺度出發(fā)，逐層進(jìn)行聚類再分配，從而多尺度的進(jìn)行聚類劃分，提高聚類的可分性與可視化程度. 具體推導(dǎo)過(guò)程如下：

(4)

(5)

(6)

(7)

通過(guò)MSCD方法，可以多尺度的將類進(jìn)行再分配，獲得可分性高、可視化程度好的診斷結(jié)果.

2 實(shí)驗(yàn)驗(yàn)證

2.1 樣本信號(hào)采集

為了對(duì)以上所提出結(jié)論進(jìn)行驗(yàn)證，利用試驗(yàn)臺(tái)

采集地鐵軸承故障數(shù)據(jù)進(jìn)行驗(yàn)證. 本實(shí)驗(yàn)采用SpectraQuest公司生產(chǎn)的地鐵齒輪箱試驗(yàn)臺(tái)進(jìn)行數(shù)據(jù)采集，該試驗(yàn)臺(tái)按照實(shí)際地鐵齒輪箱結(jié)構(gòu)設(shè)計(jì)，試驗(yàn)臺(tái)與實(shí)際地鐵齒輪箱比例為1∶3，通過(guò)不同的組裝方式可獲得不同的故障類型，能夠充分的模擬實(shí)際地鐵軸承運(yùn)行過(guò)程中的振動(dòng)特性. 該齒輪箱故障試驗(yàn)臺(tái)外形見(jiàn)圖1.

本文采用ICP加速度計(jì)作為傳感器，安裝于試驗(yàn)臺(tái)軸承座上，采集加速度信號(hào)作為振動(dòng)信號(hào). 試驗(yàn)中所用的軸承為圓柱滾子軸承，軸承狀態(tài)分別為健康、內(nèi)圈故障、滾動(dòng)體故障和外圈故障，各故障軸承故障均為電火花加工在相應(yīng)部位加工出的凹槽，用來(lái)模擬實(shí)際軸承的故障類型，文中所用各軸承見(jiàn)圖2.

實(shí)驗(yàn)所用各項(xiàng)采樣參數(shù)見(jiàn)表1.

為了確保實(shí)驗(yàn)樣本的準(zhǔn)確性及充分性，本文多對(duì)每種狀態(tài)下的軸承分別采集30組樣本，共4種狀態(tài)的軸承，即共120組振動(dòng)樣本數(shù)據(jù). 從4種狀態(tài)中各取1組原始振動(dòng)信號(hào)進(jìn)行頻譜分析，結(jié)果見(jiàn)圖3.

由圖3可知，通過(guò)簡(jiǎn)單的時(shí)域、頻域波形無(wú)法分出各軸承的具體故障狀態(tài)，因此需要對(duì)該信號(hào)進(jìn)行進(jìn)一步分析.

2.2 FS- PCA

對(duì)該樣本信號(hào)進(jìn)行特征向量選擇. 分別選擇樣本的時(shí)域特征、頻域特征、時(shí)頻域特征及頻譜向量作為PCA的特征輸入向量，進(jìn)行故障分類. 其中樣本時(shí)域特征共16維，分為有量綱與無(wú)量綱特征，其中有量綱時(shí)域特征包括：均值、均方根值、方根幅值、絕對(duì)平均值、偏斜度、峭度、方差、最小值、最大值、峰峰值，無(wú)量綱時(shí)域特征包括：波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、偏斜度指標(biāo)、峭度指標(biāo)；樣本頻域特征共13維，分別包括：均值頻率、頻率標(biāo)準(zhǔn)差、頻譜聚散度、頻率中心、均方根頻率、主頻帶位置等特征元素；樣本時(shí)頻域特征即將時(shí)頻域共29維特征合并作為特征向量輸入；樣本頻譜向量即直接將各樣本的頻譜分布作為輸入向量，本文采用5 120作為頻譜分析點(diǎn)數(shù)，即沒(méi)個(gè)頻譜向量為5 120維. 4組不同的輸入特征向量維數(shù)見(jiàn)表2.

采樣參數(shù)采樣頻率/Hz采集時(shí)長(zhǎng)/s輸入轉(zhuǎn)頻/Hz故障樣本/個(gè)軸承型號(hào)加速度計(jì)型號(hào)參數(shù)值5K13030NU202ECPSQI608A11-10F

對(duì)4組信號(hào)進(jìn)行特征向量選擇，并進(jìn)行PCA處理，獲得結(jié)果見(jiàn)圖4.

由圖4可知，選擇不同的特征向量直接關(guān)系到PCA的處理結(jié)果好壞，其中以頻譜向量為輸入特征向量的一組故障分類結(jié)果較好，能夠明顯的將4種不同的軸承狀態(tài)區(qū)分出來(lái)，因此選擇該特征向量作為故障軸承的狀態(tài)向量，并將該分類結(jié)果保留，進(jìn)行基于多尺度類距離的聚類再分配，提高故障類的可視化程度.

2.3 MSCD方法

利用基于多尺度類距離對(duì)基于頻譜向量的PCA分類結(jié)果進(jìn)行再分配，結(jié)果見(jiàn)圖5.

表2 特征向量維數(shù)

由圖5可知，對(duì)原本可視化程度并不高的PCA分類結(jié)果進(jìn)行基于MSCD的聚類再分配后，得到的聚類分析結(jié)果具有明顯的可分性，大大提高了故障診斷結(jié)果的可視化程度.

3 結(jié)論

本文提出了基于FS- PCA- MSCD的地鐵軸承可視化診斷方法，證實(shí)了該方法能夠有效提取敏感特征向量并得到可視化程度高的地鐵軸承故障診斷結(jié)果. 首先基于FS方法，提取地鐵軸承振動(dòng)信號(hào)的敏感特征向量，包括時(shí)域、頻域及頻譜特征，進(jìn)而利用PCA方法對(duì)各特征向量進(jìn)行聚類分析，獲得初步診斷結(jié)果，實(shí)際振動(dòng)信號(hào)證明頻譜向量作為特征輸入時(shí)PCA具有更好的可分性. 利用MSCD方法對(duì)初步診斷結(jié)果進(jìn)行多尺度的聚類再分配，以獲得可視化程高的聚類再分配結(jié)果. 具體實(shí)驗(yàn)驗(yàn)證了該方法的有效性，成功的對(duì)4種不同狀態(tài)的地鐵軸承進(jìn)行了可視化的區(qū)分，獲得了明顯可分的診斷結(jié)果. 理論推導(dǎo)與實(shí)驗(yàn)結(jié)果證明了該方法對(duì)地鐵軸承的可視化故障診斷具有的重要作用.

[1] 白永亮，楊建偉.基于改進(jìn)TDA與WPA的地鐵齒輪箱振動(dòng)信號(hào)消噪研究[J].北京建筑大學(xué)學(xué)報(bào), 2016, 32(2):52-54

[2] Randall R B, Antoni J. Rolling element bearing diagnostics-A tutorial[J]. Mechanical Systems and Signal Processing, 2011,25(2): 485-520

[3] Raik o T, Ilin A, Karhunen J. Principal component analysis for sparse high-dimensional data [ M]. Neural Information Processing. Berlin:Springer-Verlag, 2008:566-575

[4] 蘇祖強(qiáng)，湯寶平，姚金寶.基于敏感特征選擇與流形學(xué)習(xí)維數(shù)約簡(jiǎn)的故障診斷[J].振動(dòng)與沖擊, 2014, 33(3)：71-74

[5] 化鳳芳，楊建偉，張福生.軌道車輛齒輪箱故障診斷系統(tǒng)研究與開發(fā)[J].北京建筑大學(xué)學(xué)報(bào), 2013, 29(4):59-60

[6] Jian A K, Dubes R C. Algorithms for clustering data [M].Englewood Cliffs, NewJersey: Prentice-Hall,1988:432-436

[7] 李海峰，張建洲，游志勝.基于類距離的可分離性判據(jù)[J].計(jì)算機(jī)工程與應(yīng)用, 2003, 39(26):97-99

[8] 劉華文.基于信息熵的特征選擇算法研究[D].長(zhǎng)春:吉林大學(xué), 2010

[9] 湯寶平.多準(zhǔn)則融合敏感特征選擇和自適應(yīng)鄰域的流行學(xué)習(xí)故障診斷[J].儀器儀表學(xué)報(bào), 2014, 35(11):2416-2418

[10] 王紅軍，萬(wàn)鵬.基于EEMD和小波包變換的早期故障敏感特征獲取[J].北京理工大學(xué)學(xué)報(bào), 2013, 33(9):946-948

[11] Liu H, Motoda H. Feature selection for knowledge discovery and data mining [M]. Boston:Kluwer Academic Publishers, 1998:71-76

[12] Liu H, Yu L. Toward integrating feature selection algorithms for classification and clustering [J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(4): 491-502

[責(zé)任編輯：牛志霖]

Visualization Diagnosis Method of Metro Bearing Based on FS- PCA- MSCD

Yang Jianwei, Bai Yongliang, Wu Huijie, Hua Fengfang

(School of Mechanical-Electronic and Vehicle Engineering, Beijing Key Laboratory of Performance Guarantee of Urban Rail Transit Vehicles, Beijing University of Civil Engineering Architecture, Beijing 100044)

Aiming at the problem of visualization diagnosis of metro bearing, a diagnosis method based on Feature Selection and Multi Scale Class Distance was introduced in this paper. First, metro bearing vibration signals were collected to create bearing fault sample set for different fault types, and then the sensitive features of fault samples were extracted with feature selection. Next, the feature vectors of fault samples were used to PCA to realize principal component analysis, and the MSCD were used to re-classify the fault class to get a better visualization fault diagnosis results. Real metro bearing vibration signals were collected to prove the reliability of this visualization fault diagnosis method, and the results shows that this method can extract sensitive features and obtained better visualization results of fault diagnosis. This method can be an effective technique support to online metro bearing fault diagnosis and can be used wildly in operation and maintenance of subway and fault diagnosis.

metro bearing; feature selection; class distance; visualization fault diagnosis

1004-6011(2016)03-0116-05

2016-08-31

長(zhǎng)城學(xué)者培養(yǎng)計(jì)劃項(xiàng)目(CIT&TCD20150312)； 國(guó)家自然科學(xué)基金項(xiàng)目(51605023)

楊建偉(1971—)，男, 教授, 博士生導(dǎo)師， 博士， 研究方向：車輛系統(tǒng)動(dòng)力學(xué)及控制，故障診斷學(xué).

TH17

A