基于SαS和SVM方法的滑動油膜軸承故障診斷預(yù)測

王晚英

(咸寧職業(yè)教育(集團)學(xué)校，湖北 咸寧 437000)

0 引言

為了有效監(jiān)測滑動油膜軸承運行狀況，需對其進行故障信號分析，這就要求對故障信號進行準確收集[1-3]。在軸承出現(xiàn)損傷而引起故障情況下，與正常運行工況相比，會產(chǎn)生劇烈變化，此時收集到的軸承信號中存在同類故障的不同損傷信號[4-7]。因為機械信號存在明顯的隨機性，這使其呈現(xiàn)非高斯性的變化特征，考慮到α穩(wěn)態(tài)(α-stable,αS)分布能夠針對非高斯信號高效處理，因此該方法被廣泛引入信號處理領(lǐng)域[8-10]。

對稱α穩(wěn)態(tài)分布(symmetricα-stable, SαS)方法[11]屬于一種建立在廣義中心極限定理基礎(chǔ)上的非高斯信號分析方法。國內(nèi)學(xué)者李長寧[12]重點分析了SαS的統(tǒng)計規(guī)律，并根據(jù)SαS特點構(gòu)建了一套高效的信號建模理論，該理論可以把建立在主觀判斷基礎(chǔ)上的概率密度擬合優(yōu)度檢驗方法擴展為根據(jù)SαS特征函數(shù)實現(xiàn)的客觀擬合優(yōu)度檢驗方法。之后，余香梅等[13]為分析齒輪箱故障信號中存在的大量非高斯脈沖信號，以SαS的特征參數(shù)作為識別故障類型的特征參數(shù)，同時驗證表明SαS具備比高斯分布更強的實用性。唐友福等[14]根據(jù)往復(fù)壓縮機信號存在非高斯脈沖特性情況，利用分數(shù)低階統(tǒng)計量提取得到特征信息。

針對發(fā)電機軸承故障診斷方面，尚未有學(xué)者利用SαS法來分析其信號或開展故障識別方面的研究工作[15]?？紤]到SαS特征非常適合對軸承進行故障診斷研究，根據(jù)以上研究結(jié)果，本文分析了軸承發(fā)生故障時形成的信號特征，同時構(gòu)建了數(shù)學(xué)模型，采用滑動油膜軸承實測信號作為測試信號，對故障進行了診斷分析。

1 模型建立

1.1 建立故障模擬

選擇SMS162250LB型滑動油膜軸承作為實驗對象，表1給出了該軸承的各項參數(shù)。

表1 軸承參數(shù)

1.2 診斷方案設(shè)計

獲得軸承故障模擬后，根據(jù)故障種類建立原始信號，分別得到內(nèi)環(huán)故障、外環(huán)故障與滾動體故障的信號樣本；同時對各組樣本信號按照逐段增加與總體估計的方式進行處理，每當信號長度增加后就同步完成一次總體參數(shù)估計，獲得各組樣本α參數(shù)的變化信息；之后再預(yù)測α參數(shù)的變化情況，通過擬合方式獲得各組信號樣本的α參數(shù)特征，獲得樣本的特征分量；再把診斷樣本輸入到支持向量機(support vector machine, SVM)分類預(yù)測診斷程序內(nèi)計算得到診斷結(jié)果，具體流程見圖1。

圖1 故障診斷方案流程圖

1.3 預(yù)測方法

按照現(xiàn)有實際數(shù)據(jù)對數(shù)學(xué)模型實施多項式擬合，獲得多項式參數(shù)。利用最小二乘法擬合如下：

(1)

(2)

(3)

式(3)是p多元函數(shù)。按照多元函數(shù)計算極值的必要條件得到線性方程矩陣：

(4)

求解上式得到pk。對油膜軸承進行故障診斷時，通過數(shù)學(xué)擬合獲得α參數(shù)特征，再以該特征信息完成故障診斷。

2 結(jié)果分析

2.1 軸承信號分析

從原始信號中選取100組樣本作為分析對象。為樣本建立模擬再對其過渡處理。

圖2是內(nèi)環(huán)故障信號處理前后波形。獲得模擬樣本之后，按照每組數(shù)據(jù)增加128個就對其開展一次α參數(shù)估計，得到圖3中的α值與γ值變化信息。該組樣本α與γ基本保持穩(wěn)態(tài)，而發(fā)生內(nèi)環(huán)損傷時方式會明顯改變，同時發(fā)現(xiàn)當損傷程度加大后，α值發(fā)生了持續(xù)減小，而γ值發(fā)生持續(xù)增大的變化特征。隨故障程度的增大，信號分布也會發(fā)生變化。應(yīng)將α參數(shù)擬合的階數(shù)k設(shè)定在3～5合理范圍內(nèi)。設(shè)定k為4，再擬合各組α和γ參數(shù)，得到表2所示的α和γ參數(shù)多項式擬合參數(shù)，實測集和預(yù)測集各測試3組。

圖2 內(nèi)環(huán)故障信號處理前后波形

圖3 內(nèi)環(huán)故障信號α值和γ值分布

表2 部分診斷樣本

圖4給出了SVM的預(yù)測診斷結(jié)果(圖中1表示內(nèi)環(huán)；2表示滾動體；3表示外環(huán))，發(fā)現(xiàn)測試集準確率達到92%。圖5是通過交叉驗證法選取SVM參數(shù)情況(圖中1表示內(nèi)環(huán)；2表示外環(huán))。

圖4 SVM 默認參數(shù)下的故障診斷結(jié)果

圖5 交叉驗證法SVM預(yù)測故障診斷結(jié)果

根據(jù)圖5可知，測試集被全部正確分類，獲得了100%的準確率。這是因為軸承信號中存在明顯的故障特征，測試獲得了顯著的效果。測試表明本文設(shè)計的方法達到了有效性與準確性要求。

2.2 油膜軸承信號分析

在實際運行過程中，滑動油膜軸承的故障信號只包含正常、內(nèi)環(huán)、外環(huán)3類，并且都是在沒有發(fā)生損傷情況下采集獲得。對內(nèi)環(huán)故障進行分析時，內(nèi)環(huán)故障濾波信號見圖6。可以看到，到達0.13 s時，信號突變性顯著減弱。

圖6 內(nèi)環(huán)故障濾波信號

以模擬作為信號樣本并對其實施分組，分別得到40組內(nèi)環(huán)與外環(huán)故障構(gòu)成的信號樣本。圖7(a)是對內(nèi)環(huán)故障α值進行擬合所得結(jié)果，圖7(b)給出了外環(huán)故障一組的α值與擬合結(jié)果。內(nèi)環(huán)與外環(huán)故障形成了不同的4階擬合圖形，可將其作為故障診斷樣本。

圖7 動態(tài)α值變化信息

表3給出了不同SVM參數(shù)故障診斷結(jié)果。將內(nèi)、外總共40組診斷樣本作為訓(xùn)練集輸入SVM預(yù)測診斷程序完成訓(xùn)練后，獲得故障診斷訓(xùn)練模型，之后通過此模型診斷測試；遺傳算法(genetic algorithm, GA)取自于文獻[16]。根據(jù)表3可以發(fā)現(xiàn)，以SVM預(yù)測診斷程序診斷測試集時，默認SVM參數(shù)下內(nèi)環(huán)和外環(huán)達到的診斷準確率分別為77.4%和80.2%；當選擇SαS和SVM方法進行處理時，內(nèi)環(huán)和外環(huán)診斷準確率依次達到94.2%與95.3%，準確率發(fā)生了顯著提升。當準確率達到90%以上時便能夠滿足油膜軸承故障診斷的需求。以上測試結(jié)果表明，利用本文方法可以有效、準確地診斷出滑動油膜軸承的故障。

表3 不同SVM參數(shù)故障診斷準確率 單位：%

3 結(jié)語

本文利用SαS法設(shè)計了軸承故障診斷方法，再把診斷樣本輸入到SVM多類分類器內(nèi)完成訓(xùn)練與預(yù)測過程，實現(xiàn)油膜軸承故障診斷。開展了滑動油膜軸承實測信號驗證，驗證發(fā)現(xiàn)采用本文方法可以對故障下形成的軸承信號進行準確診斷，為軸承的故障診斷提供了理論參考依據(jù)。