馮 波
(四川交通職業(yè)技術(shù)學(xué)院,成都 611130)
滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械系統(tǒng)最重要的組成部件之一[1],其發(fā)生故障將對(duì)旋轉(zhuǎn)機(jī)械系統(tǒng)造成不可估量的損失,輕則導(dǎo)致系統(tǒng)損壞造成經(jīng)濟(jì)損失,重則可能導(dǎo)致人員傷亡等意外事故。而滾動(dòng)軸承作為高速列車最重要的工作部件,其發(fā)生故障可導(dǎo)致輪轂抱死甚至脫軌等重大安全事件[2]。因此,滾動(dòng)軸承能否安全可靠地運(yùn)行將對(duì)高速列車乃至機(jī)械系統(tǒng)具有重要的意義。
目前滾動(dòng)軸承故障診斷存在診斷率不高,信號(hào)降噪效果不理想等缺點(diǎn)[3],因此,采用科學(xué)有效的方法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行準(zhǔn)確診斷,最終達(dá)到軸承故障準(zhǔn)確判別顯得尤為重要。早期滾動(dòng)軸承聲學(xué)信號(hào)具有噪聲大、信噪比低的特點(diǎn),Tian Y等[4]通過局部均值分解與奇異值分解方法對(duì)滾動(dòng)軸承聲學(xué)信號(hào)進(jìn)行特征提取,然后再輸入極端學(xué)習(xí)機(jī)[5](Extreme Learning Machine, ELM)進(jìn)行故障分類,該方法雖達(dá)到了預(yù)期的效果,但在局部均值分解過程因端點(diǎn)效應(yīng)產(chǎn)生的PF分量存在虛假分量,故容易對(duì)故障分類造成誤判; 鄭近德等[6]在解決EMD分解過程中固有模態(tài)函數(shù)(IMF)的判據(jù)和端點(diǎn)效應(yīng)問題后利用希爾伯特變換(HHT)對(duì)故障軸承進(jìn)行方法研究,但EMD分解求取包絡(luò)函數(shù)過程中因過沖和欠沖的問題,分解產(chǎn)生的IMF分量相鄰極值點(diǎn)間存在零交叉點(diǎn),這樣對(duì)后續(xù)的分析結(jié)果造成了影響。
針對(duì)高速列車滾動(dòng)軸承故障信號(hào)具有噪聲大、信噪比低的特點(diǎn),本文運(yùn)用奇異值分解(SVD)與排列熵(PE)方法相結(jié)合對(duì)高速列車滾動(dòng)軸承故障信號(hào)進(jìn)行處理,SVD可將高速列車滾子軸承故障信號(hào)經(jīng)過選取合適的奇異值后進(jìn)行重組,從而濾除噪聲信號(hào)以達(dá)到對(duì)信號(hào)降噪的目的,提高了信號(hào)的信噪比,此外,PE通過熵值的變化可將信號(hào)從動(dòng)力學(xué)角度分析滾動(dòng)軸承信號(hào)特點(diǎn),并結(jié)合支持向量機(jī)分類速度快、效率高的優(yōu)勢(shì)對(duì)故障類型進(jìn)行判別,最終達(dá)到滾動(dòng)軸承故障診斷的目的。
奇異值分解(Singular Value Decomposition, SVD)是一種非線性濾波降噪方法[7],它在旋轉(zhuǎn)機(jī)械等工程實(shí)際中已經(jīng)得到廣泛應(yīng)用。SVD的工作原理是將原始信號(hào)矩陣分解為左奇異、右奇異和奇異值分布三個(gè)向量,其中奇異值分布向量中奇異值的大小代表了其在原始信號(hào)中的比重[8],故選擇合適奇異值降噪階次并進(jìn)行重構(gòu)可以實(shí)現(xiàn)去除噪聲干擾信號(hào),這種方法可以有效地避免了傳統(tǒng)信號(hào)濾波方法難以濾除頻帶中混疊噪聲干擾信號(hào)的問題。具體處理步驟如下:
首先利用采樣后的離散時(shí)間信號(hào)X={X0,X1,…,XN-1)},構(gòu)造m×n維(m≥n)吸引子軌跡矩陣A,則Am×n可表示為:
(1)
其中,m+n-1=N;首先,對(duì)Am×n奇異值分解得到左奇異U、右奇異V和奇異值Λ分布三個(gè)矩陣:
A=UΛVT
(2)
式中,左奇異U和右奇異V分別是m×m型和n×n型正交陣,奇異值分布Λ矩陣表示為:
(3)
其中,Σ=diag[σ1σ2…σr],r=rankA。σi為矩陣A的奇異值(i=1,2,…,r),并滿足σ1≥σ2≥…σr≥0。
當(dāng)信號(hào)長(zhǎng)度N一定時(shí),n盡量取較大值,即:
(4)
通過左奇異U和右奇異V兩個(gè)正交陣的列矢量和奇異值σi,原矩陣A可表示為:
(5)
所以,可通過選取不同的奇異值σi以及它們所對(duì)應(yīng)的各自分量就可以構(gòu)造出成分不同的信號(hào)。故奇異值分解法最重要的兩點(diǎn)是構(gòu)造矩陣A和選取奇異值。首先,本文用Hankel矩陣方式對(duì)矩陣A進(jìn)行構(gòu)造,待選取合適的奇異值并對(duì)信號(hào)進(jìn)行重組。
排列熵(Permutation Entropy, PE)是一種檢測(cè)時(shí)間序列隨機(jī)性和動(dòng)力學(xué)突變行為的非線性分析方法[9],它對(duì)信號(hào)的突變十分敏感。對(duì)于滾動(dòng)軸承故障信號(hào),不同的故障類型其內(nèi)部的動(dòng)力學(xué)突變行為也不同[10],故可以依賴PE的敏感特性對(duì)故障類型進(jìn)行特征提取。其具體過程如下:
(1)將長(zhǎng)度為n的時(shí)間序列X={x(i),i=1,2,…,n}進(jìn)行相空間重構(gòu),即:
(6)
其中,δ為時(shí)延,一般δ取1;m為嵌入維數(shù),m的取值將直接影響排列熵的大小,一般m取3~7。
(2)將時(shí)間序列x(i)進(jìn)行升序排列,即:
x(i)={x(i-(k1-1)δ≤
x(i-(k2-1)δ)≤…≤x(i+(km-1)δ)}
(7)
得到符號(hào)序列L(g)={k1,k2,…,km}。
(3)計(jì)算每種符號(hào)序列出現(xiàn)的概率Pn,其中P1,P2,…Pk,k∈n是每一種符號(hào)序列出現(xiàn)的概率。
(4)計(jì)算排列熵值
(8)
式中,0≤Hp(m)≤ln(m!),當(dāng)Pj=1/m!時(shí),Hp(m)有最大值ln(m)。通常,對(duì)Hp(m)進(jìn)行歸一化處理,即:
Hp=Hp(m)/ln(m!)
(9)
上式可以看出0≤Hp≤1。Hp值的大小反映了信號(hào)的復(fù)雜度和隨機(jī)程度。Hp值越大信號(hào)越隨機(jī),反之,則說明信號(hào)越規(guī)則。Hp值的變化反映和放大了時(shí)間序列的局部微小變化。
首先經(jīng)奇異值分解對(duì)初始信號(hào)進(jìn)行重構(gòu),待選取合適的奇異值后再進(jìn)行信號(hào)重組從而達(dá)到濾波降噪的目的,然后用排列熵算法對(duì)滾動(dòng)軸承故障信號(hào)從動(dòng)力學(xué)角度進(jìn)行分析,這樣一方面可以解決濾波過程誤差造成的影響,另外排列熵算法通過熵值的變化有效提取故障信號(hào)特征,最后將SVD-PE分析處理結(jié)果組成特征向量輸入支持向量機(jī)進(jìn)行故障類型判別,故障診斷流程圖如圖1所示。
圖1 高速列車滾動(dòng)軸承故障診斷流程
針對(duì)高速列車滾動(dòng)軸承振動(dòng)信號(hào)噪聲大、信噪比低的特點(diǎn),本文首先運(yùn)用奇異值分解的方法對(duì)軸承故障振動(dòng)信號(hào)進(jìn)行濾波降噪,該信號(hào)處理方法是一種非線性濾波降噪方法[11],它可將滾動(dòng)軸承振動(dòng)信號(hào)分解成不同階次的奇異值,而不同的奇異值所對(duì)應(yīng)的信號(hào)向量不同,奇異值越大表明其在原信號(hào)中所占比例越大,故通過選取合適的奇異值并將其所對(duì)應(yīng)的向量進(jìn)行重組,即可得到降噪后的信號(hào);新得到的信號(hào)較好保留了原始特征信號(hào),但同時(shí)也夾雜著軸承運(yùn)行時(shí)產(chǎn)生的調(diào)制信號(hào),該類信號(hào)具有頻段相對(duì)集中,傳統(tǒng)信號(hào)降噪方法難以濾除的特點(diǎn),這部分信號(hào)將對(duì)故障類型判別產(chǎn)生影響,故本文通過轉(zhuǎn)換思路,運(yùn)用排列熵算法從動(dòng)力學(xué)角度分析滾動(dòng)軸承故障,從而達(dá)到軸承故障診斷的目的。具體過程如下:
(1)對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行Hankel矩陣重構(gòu),之后進(jìn)行奇異值分解,根據(jù)分解后的奇異值差分譜選擇合適的奇異值,再根據(jù)選擇的奇異值及其對(duì)應(yīng)的向量進(jìn)行重組;
(2)對(duì)重組后的信號(hào)進(jìn)行排列熵計(jì)算,選取m=k,k=3,4,…,7下的排列熵值構(gòu)成特征向量T=[H3/H,H4/H,…,H7/H],其中,H為不同嵌入維數(shù)下的排列熵之和,即H=∑Hn,n=3,4,…,7這樣可有效避免嵌入維數(shù)選擇不當(dāng)造成的誤差;
(3)將特征向量輸入支持向量機(jī)進(jìn)行故障類型判別。
為驗(yàn)證該故障模型的有效性,采用型號(hào)為NU2314圓柱滾子軸承,其具體參數(shù):內(nèi)徑為25mm,外徑為52mm,節(jié)徑為34mm,滾子數(shù)為13個(gè)。
試驗(yàn)采集該型號(hào)軸承的內(nèi)圈、外圈、滾動(dòng)體三類故障信號(hào),采樣頻率為51200,軸承轉(zhuǎn)速為600r/min,采樣點(diǎn)數(shù)為4096。其中,內(nèi)圈、外圈、滾動(dòng)體、正常信號(hào)的時(shí)域圖如圖2~圖5所示。
圖2 軸承內(nèi)圈故障
圖3 軸承外圈故障
圖4 軸承滾動(dòng)體故障
圖5 軸承正常狀態(tài)
圖6 滾動(dòng)軸承內(nèi)圈故障
為減少篇幅,現(xiàn)以滾動(dòng)軸承內(nèi)圈故障為例進(jìn)行描述,滾動(dòng)軸承內(nèi)圈故障時(shí)域圖如圖6所示。
圖7 內(nèi)圈奇異值分布與差分譜曲線
由圖6可明顯看出內(nèi)圈故障原始振動(dòng)信號(hào)夾雜著不少?gòu)?qiáng)噪聲信號(hào),對(duì)其進(jìn)行有效降噪為后續(xù)故障診斷具有重要意義,故運(yùn)用奇異值分解對(duì)原始信號(hào)進(jìn)行分解,分解得出的奇異值分布和差分譜曲線如圖7所示。
圖8 奇異值分解后的信號(hào)
根據(jù)圖7奇異值分布與差分譜曲線選擇合適的階次,并進(jìn)行信號(hào)重組可將軸承內(nèi)圈信號(hào)重構(gòu)成如圖8所示曲線。
圖9 滾動(dòng)軸承多狀態(tài)下排列熵
將圖6和圖8信號(hào)曲線進(jìn)行比較,可清楚看出內(nèi)圈故障信號(hào)經(jīng)奇異值分解后噪聲信號(hào)得出有效的濾除,并且保存了原始信號(hào)的變化特征。同樣,將軸承外圈、滾動(dòng)體以及正常狀態(tài)振動(dòng)信號(hào)經(jīng)奇異值分解,分解重組后的信號(hào)再進(jìn)行排列熵計(jì)算,結(jié)果如圖9所示。
由圖9可較明顯辨別各狀態(tài)下滾動(dòng)軸承信號(hào)的排列熵值,但在數(shù)據(jù)量大的前提下我們無法僅根據(jù)排列熵值來辨別故障類型,此外,為了讓模型具有自動(dòng)辨識(shí)故障的特點(diǎn),引入支持向量機(jī)[12]
(support vectormachSVM)對(duì)故障類型進(jìn)行辨別。并運(yùn)用人工神經(jīng)網(wǎng)絡(luò)[13](Artificial Neural Networks, ANNs)方法進(jìn)行比較研究。這里支持向量機(jī)分類器采用3個(gè)分類器,具體分類流程如圖10所示。
圖10 支持向量機(jī)分類器分類流程
根據(jù)分類器的分類流程,當(dāng)?shù)谝粋€(gè)SVM進(jìn)行分類時(shí),標(biāo)記內(nèi)圈故障為+1,非內(nèi)圈故障為-1;當(dāng)?shù)诙€(gè)SVM進(jìn)行分類時(shí),標(biāo)記外圈故障為+1,非外圈故障為-1;第三個(gè)SVM進(jìn)行分類時(shí),標(biāo)記滾子故障為+1,正常狀態(tài)為-1,將4種狀態(tài)(內(nèi)圈故障、外圈故障、滾動(dòng)體故障以及正常狀態(tài))計(jì)算不同嵌入維數(shù)下的排列熵值,再對(duì)值進(jìn)行標(biāo)量量化得到特征向量,然后輸入SVM模型分類器進(jìn)行故障類型判別,最終結(jié)果如表1所示。
表1 SVM故障類型分類結(jié)果
為充分驗(yàn)證該模型的可行性,現(xiàn)分別對(duì)4種狀態(tài)(內(nèi)圈故障、外圈故障、滾動(dòng)體故障以及正常狀態(tài))信號(hào)取50組數(shù)據(jù),總共200組數(shù)據(jù),每組4096個(gè)點(diǎn),然后用提出的故障診斷模型方法對(duì)信號(hào)進(jìn)行故障類型判別,診斷結(jié)果如表2所示。
表2 故障模型診斷結(jié)果
由表2統(tǒng)計(jì)結(jié)果顯示,基于SVD-PE的高速列車滾動(dòng)軸承故障診斷模型的故障識(shí)別率可達(dá)到90%以上,高于ANNs對(duì)滾動(dòng)軸承故障70%~80%的識(shí)別率,故基于SVD-PE的高速列車滾動(dòng)軸承故障診斷模型具有較高的故障識(shí)別率,對(duì)滾動(dòng)軸承故障具有較好的診斷效果,有效證明了該模型的可行性。
針對(duì)高速列車滾動(dòng)軸承振動(dòng)信號(hào)噪聲大、信噪比低的特點(diǎn),提出了首先運(yùn)用奇異值分解將滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行重組,待根據(jù)奇異值差分譜選取合適的奇異值后對(duì)信號(hào)進(jìn)行重構(gòu),從而完成對(duì)噪聲的濾除以提高信噪比,此外,本文從動(dòng)力學(xué)角度運(yùn)用排列熵計(jì)算來表征滾動(dòng)軸承運(yùn)動(dòng)過程中其內(nèi)部力之間的變化,運(yùn)用熵值的變化來提取故障特征從而間接地獲取故障診斷特征,然后利用支持向量機(jī)分類效率高、速度快的優(yōu)勢(shì)將特征向量輸入該模型進(jìn)行故障類型判別,試驗(yàn)結(jié)果表明了該故障診斷模型的有效、可行性。