基于類間可分性判據(jù)和KNNC的滾動(dòng)軸承故障診斷

金鑫

摘 要：為準(zhǔn)確識(shí)別滾動(dòng)軸承不同類型的故障，提出一種基于類間可分性判據(jù)和K近鄰分類器（KNNC）的故障診斷方法。該方法首先從時(shí)域、頻域、時(shí)頻域構(gòu)造原始故障特征集；然后運(yùn)用類間可分性判據(jù)從原始特征集中選擇出其中利于分類的敏感特征。最后將敏感特征輸入KNNC，識(shí)別故障類型。用滾動(dòng)軸承一組故障特征數(shù)據(jù)集進(jìn)行驗(yàn)證。結(jié)果表明，本方法能有效提取出原始特征集中的敏感特征，為實(shí)現(xiàn)滾動(dòng)軸承的故障劃分問(wèn)題，提供了一種新途徑。

關(guān)鍵詞：故障診斷；類間可分性判據(jù)；K近鄰分類器

中圖分類號(hào)：TH165 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）11-0081-02

滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的核心應(yīng)用部件，其工作質(zhì)量的好壞將會(huì)對(duì)整臺(tái)設(shè)備產(chǎn)生重要影響[1]。據(jù)統(tǒng)計(jì)，旋轉(zhuǎn)機(jī)械中的故障大部分是由滾動(dòng)軸承引起的。因此，開展?jié)L動(dòng)軸承的故障診斷意義重大。

在進(jìn)行滾動(dòng)軸承故障診斷時(shí)，為了獲取較高的診斷精度，就必須獲取盡可能多的故障信息，此時(shí)基于時(shí)域、頻域及時(shí)頻域的故障特征提取就具有較強(qiáng)優(yōu)勢(shì)[2]。但是該方法在獲得敏感信息的同時(shí)也勢(shì)必會(huì)引入大量的干擾特征。因此如何獲取敏感信息的特征選擇問(wèn)題已成為滾動(dòng)軸承故障診斷的重要研究方向，如Kappaganthu等人[3]利用互信息算法對(duì)滾動(dòng)軸承的時(shí)域、頻域和時(shí)頻域特征進(jìn)行敏感性評(píng)估，基于神經(jīng)網(wǎng)絡(luò)分類器識(shí)別結(jié)果表明這些敏感特征能有效識(shí)別出軸承內(nèi)圈和外圈故障；雷亞國(guó)等人[4]提出一種改進(jìn)的距離評(píng)估技術(shù)，該方法能夠從大量原始特征集中剔除不相關(guān)特征、保留敏感特征，從而有效提升了自適應(yīng)神經(jīng)模糊推理系統(tǒng)的診斷精度。江麗[5]提出了邊界Fisher分析分值，該方法剔除了原始特征集中的不相關(guān)及冗余特征，得到的敏感特征子集大大支持向量機(jī)的診斷性能。這些研究成果為特征選擇算法在滾動(dòng)故障診斷中的應(yīng)用開辟了新的思路。

基于上述分析，本文以滾動(dòng)軸承典型故障狀態(tài)為研究對(duì)象，提出基于類間可分性算法和K近鄰分類器（KNNC）的故障診斷方法，對(duì)描述滾動(dòng)軸承運(yùn)行狀態(tài)的敏感特征集的構(gòu)造以及解決故障劃分問(wèn)題的方法進(jìn)行探討。欲為基于數(shù)據(jù)驅(qū)動(dòng)方法實(shí)現(xiàn)滾動(dòng)軸承故障診斷，提供參考依據(jù)。

1 基本算法

1.1 類間可分性算法

對(duì)于輸入空間的數(shù)據(jù)X={xi|i=1，2，…，n；xi∈Rd}，類別屬性Cf∈（1，2，…，e）。類間可分性算法首先求解每個(gè)特征的總類內(nèi)離差矩陣Sw和總類間離差矩陣Sb見式（1）和（2）。然后通過(guò)Sb和Sw的比值得出每個(gè)特征的可分性指標(biāo)J見式（3）

式中：g（h）為總體樣本X的第h維特征的均值；pi為Xc∈X的頻率。

1.2 K近鄰分類器

KNNC作為一種非參數(shù)分類方法，以其簡(jiǎn)單直觀，分類特性好，時(shí)效性強(qiáng)等優(yōu)點(diǎn)[6]，在故障診斷方面得到了廣泛應(yīng)用[7-8]。

設(shè)輸入空間的數(shù)據(jù)集為X={xi|i=1，2，…，n；xi∈Rd}，類別屬性Cf∈（1，2，…，e），KNNC首先基于歐氏距離選取與測(cè)試樣本xi最近的k個(gè)訓(xùn)練樣本xj見式（4）

2 基于類間可分性和KNNC的滾動(dòng)故障診斷方法設(shè)計(jì)

基于類間可分性和KNNC的故障診斷方法流程見圖1，具體步驟如下：

Step1：對(duì)消噪后的滾動(dòng)軸承振動(dòng)信號(hào)按表1進(jìn)行故障特征提取。

Step2：將故障特征集隨機(jī)分成訓(xùn)練樣本及測(cè)試樣本。首先應(yīng)用類間可分性算法對(duì)訓(xùn)練樣本特征集進(jìn)行特征評(píng)估得到每個(gè)特征的分類敏感度，將特征按敏感度降序排列。然后將特征按敏感度大小輸入KNNC得到識(shí)別正確率，直到滿足終止條件（a.診斷精度達(dá)到100%；b.完成循環(huán)后取得最高識(shí)別正確率所對(duì)應(yīng)的特征數(shù)）。

3 實(shí)驗(yàn)驗(yàn)證

本文數(shù)據(jù)來(lái)源于美國(guó)凱斯西儲(chǔ)大學(xué)電氣工程實(shí)驗(yàn)室的滾動(dòng)軸承實(shí)驗(yàn)數(shù)據(jù)[9]。軸承型號(hào)為SKF公司的6205-RS深溝球軸承，內(nèi)徑為25mm，外徑為52mm，厚度為15mm。在采樣頻率為48kHZ，轉(zhuǎn)速為1750r/min情況下，通過(guò)軸承座上的加速度傳感器拾取振動(dòng)信號(hào)。本文以采樣頻率0.1s的采樣個(gè)數(shù)為一組，分別測(cè)取損傷尺寸為0.1778mm的軸承外圈、軸承內(nèi)圈、滾動(dòng)體故障及正常狀態(tài)下的振動(dòng)信號(hào)各100組，以其中的20組作為訓(xùn)練樣本，剩余的80組樣本作測(cè)試樣本。

按照節(jié)3所示的故障診斷流程，得出基于類間可分性對(duì)每個(gè)特征的敏感度評(píng)估見圖2。按照敏感度將特征集按降序排列，并將特征依次輸入加權(quán)KNNC識(shí)別測(cè)試樣本的分類精度，由于輸入完所有特征后都沒(méi)有得到最優(yōu)分類精度100%，因此根據(jù)第二個(gè)終止條件，得出敏感度最高的15個(gè)特征得到最佳分類正確率98.75%（見故障類別的識(shí)別率見表2），此時(shí)選擇出的敏感特征見圖2。

為了驗(yàn)證類間可分性特征選擇的效果，本文將原始特征集輸入了KNNC得到的識(shí)別結(jié)果見表2。從表2中可以看出，基于類間可分性判據(jù)特征選擇的敏感特征要明顯優(yōu)于只將原始特征導(dǎo)入KNNC，這是因?yàn)樵继卣骷臒o(wú)用故障信息對(duì)故障分類進(jìn)行了干擾。

4 結(jié)語(yǔ)

（1）基于時(shí)域、頻域及時(shí)頻域的特征提取能較好的反映故障特征的基本信息。

（2）類間可分性算法能夠給故障特征給出最為合適的評(píng)價(jià)。

（3）基于類間可分性算法和KNNC的故障診斷方法能有效提升敏感特征在分類中的作用，有效實(shí)現(xiàn)了滾動(dòng)軸承不同類型的故障診斷。

參考文獻(xiàn)

[1]褚福磊，彭志科，馮志鵬，等.機(jī)械故障診斷中的現(xiàn)代信號(hào)處理方法[M].北京：科學(xué)出版社.2009.

[2]王雪冬.趙榮珍.鄧林峰.基于KSLPP與RWKNN的旋轉(zhuǎn)機(jī)械故障診斷[J].振動(dòng)與沖擊，2016，35（8）：219-223.

[3]K. Kappaganthu， C. Nataraj. Feature Selection for Fault Detection in Rolling Element Bearings Using Mutual Information[J]. Journal of Vibration and Acoustics-Transactions of The ASME，2011，133（6）.

[4]雷亞國(guó)，何正嘉，訾艷陽(yáng).基于混合智能新模型的故障診斷[J].機(jī)械工程學(xué)報(bào)，2008，44（7）：112-117.

[5]江麗.基于流形學(xué)習(xí)的智能診斷方法研究[D].博士學(xué)位論文，武漢：華中科技大學(xué)，2013.

[6]胡智，段禮祥，張來(lái)斌.優(yōu)化KNNC算法在滾動(dòng)軸承故障模式識(shí)別中應(yīng)用[J].振動(dòng)與沖擊，2013，32（22）：85-87.

[7]李鋒，湯寶平，陳法法.基于線性局部切空間排列維數(shù)化簡(jiǎn)的故障診斷[J].振動(dòng)與沖擊，2012，31（13）：36-40.

[8]D.H. Pandya， S.H. Upadhyay， S.P. Harsha. Fault diagnosis of rolling element bearing with intrinsic mode function of acoustic emission data using APF-KNN[J]. Expert Systems with Applications， 40（2013），4137-4145.