基于支持向量機(jī)的采煤機(jī)軸承故障診斷

劉冬冬

安徽恒源煤電股份有限公司機(jī)械總廠 安徽淮北 235000

煤炭是滿足我國能源需求的重要能源之一，煤炭開采離不開大型煤礦機(jī)械。其中，連續(xù)采煤機(jī)是一種多功能組合設(shè)備，主要應(yīng)用于短壁開采和煤層掘進(jìn)巷道，在礦山開采中具有良好的應(yīng)用價(jià)值和應(yīng)用前景。連續(xù)采煤機(jī)最重要的組成單元是輸煤裝置，輸煤裝置的性能對(duì)生產(chǎn)效率起決定性的作用。該設(shè)備容易出現(xiàn)故障，軸承故障是設(shè)備停機(jī)的主要原因之一[1]。大多數(shù)與軸承相關(guān)的機(jī)械故障被認(rèn)為是不同問題的結(jié)果：機(jī)械運(yùn)行不平衡、未對(duì)準(zhǔn)、以臨界速度運(yùn)行；使用了錯(cuò)誤的潤滑脂；軸承安裝不正確；未使用潤滑脂。嚴(yán)重振動(dòng)的軸承甚至?xí)?dǎo)致整個(gè)系統(tǒng)出現(xiàn)故障，從而導(dǎo)致人員和經(jīng)濟(jì)損失。因?yàn)檩S承通常是隱藏的，尤其是軸承故障。因此，方便快捷的故障診斷方法對(duì)提高開采效率具有重要意義。

近年來，提出了多種機(jī)械故障診斷方法，包括油液分析、振動(dòng)信號(hào)分析、腐蝕監(jiān)測(cè)、聲學(xué)信號(hào)分析和磨粒分析[2]。在這些分析中，聲學(xué)和振動(dòng)信號(hào)分析已成為首選，因?yàn)闊o須停止或拆卸機(jī)器即可識(shí)別許多故障。這些信號(hào)的變化通常表明存在故障，聲學(xué)分析具有分析時(shí)間短、識(shí)別效率高、無損檢測(cè)等優(yōu)點(diǎn)，但是，由于環(huán)境條件、記錄軟件的不同參數(shù)以及反射聲信號(hào)等多種因素的影響，正確捕獲聲信號(hào)是非常困難的。振動(dòng)信號(hào)分析也有一些優(yōu)點(diǎn)和缺點(diǎn)，振動(dòng)分析可以實(shí)現(xiàn)對(duì)機(jī)器的實(shí)時(shí)監(jiān)控，可以應(yīng)用很多成熟的信號(hào)處理技術(shù)，振動(dòng)分析的限制是噪聲污染和振動(dòng)傳感器的正確安裝位置。另一種可用于機(jī)器監(jiān)測(cè)和診斷的技術(shù)是熱成像分析，在此分析中，通常使用紅外攝像機(jī)根據(jù)熱異常來檢測(cè)機(jī)器中的許多電氣故障，獲得的熱圖像有助于檢測(cè)和定位機(jī)器的故障。然而，與處理聲學(xué)和振動(dòng)信號(hào)相比，這種技術(shù)成本昂貴，并且需要更長(zhǎng)的時(shí)間來處理熱圖像。

近幾十年來，已經(jīng)設(shè)計(jì)并使用了各種傳感器來量化軸承狀態(tài)監(jiān)測(cè)的動(dòng)態(tài)響應(yīng)，包括位移、聲發(fā)射、振動(dòng)(加速度)、溫度、動(dòng)態(tài)力等。除了軸承的工作狀況外，振動(dòng)信號(hào)還與旋轉(zhuǎn)或往復(fù)運(yùn)動(dòng)部件系統(tǒng)中的問題直接相關(guān)。因此，振動(dòng)分析已被證明是確定旋轉(zhuǎn)機(jī)器部件健康狀況的可靠有效方法。據(jù)統(tǒng)計(jì)，利用振動(dòng)分析手段進(jìn)行故障診斷的技術(shù)比例超過了82%[3]。因此，本文基于振動(dòng)信號(hào)，采用支持向量機(jī)對(duì)軸承故障進(jìn)行識(shí)別。

1 支持向量機(jī)原理

幾種人工智能技術(shù)，例如人工神經(jīng)網(wǎng)絡(luò)(ANN)[4]、隱馬爾可夫模型(HMM)[5]、k-最近鄰(kNN)[6]和支持向量機(jī)(SVM)[7]已被用于機(jī)械設(shè)備的智能狀態(tài)監(jiān)測(cè)。據(jù)報(bào)道，SVM的分類實(shí)現(xiàn)優(yōu)于其他傳統(tǒng)分類技術(shù)，該算法需要更少的輸入特征來對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行無錯(cuò)誤分類。

SVM是目前用于分類和回歸問題的最流行的監(jiān)督學(xué)習(xí)算法之一。SVM算法的目標(biāo)是創(chuàng)建可以將n維空間劃分為類的最佳直線或決策邊界，以便將來可以輕松地將新數(shù)據(jù)點(diǎn)放入正確的類別中，這個(gè)最佳決策邊界稱為超平面，SVM選擇有助于創(chuàng)建超平面的極值點(diǎn)/向量。這些極端情況被稱為支持向量，標(biāo)準(zhǔn)支持向量的數(shù)學(xué)模型為[8]：

并使得yi(wTφ(xi)+b)≥1-ζi，ζi≥0，i=1，…，n

(1)

式中，w為平面法向量，C為懲罰函數(shù)，ζi為松弛變量，b為平面截距。為了求解最優(yōu)化問題，引入拉格朗日函數(shù)，可得式(1)的對(duì)偶問題[9]：

并使得yTα=0 0≤αi≤C，i=1，…，n

(2)

式中，α是拉格朗日乘子。

(3)

2 故障診斷流程

2.1 特征提取

特征提取是提取復(fù)雜振動(dòng)信號(hào)中隱藏的故障軸承信息的關(guān)鍵。根據(jù)時(shí)域、頻域和時(shí)頻域信號(hào)，計(jì)算了均值、方差、標(biāo)準(zhǔn)差、均方根、最大值、最小值、峰度、偏度、峰-峰(PP)和峰-均方差等10個(gè)廣泛使用的統(tǒng)計(jì)指標(biāo)。在頻域中，對(duì)原始振動(dòng)信號(hào)進(jìn)行快速傅立葉變換，然后計(jì)算特征。在時(shí)頻域中，則通過對(duì)原始振動(dòng)信號(hào)進(jìn)行短時(shí)傅立葉變換提取統(tǒng)計(jì)特征。這些指標(biāo)是使用100ms的移動(dòng)窗口大小從300s的振動(dòng)信號(hào)中提取的。每個(gè)窗口包含640個(gè)樣本，并且在其后續(xù)窗口中使用了50%的重疊?；瑒?dòng)窗口的數(shù)量N通過下式計(jì)算：

N=floor(Z)+f(Z)

(4)

(5)

(6)

τ=Ws-(Ws*Of)

(7)

式中，sl是樣本長(zhǎng)度，Ws是窗口尺寸，Of是重疊比例。

按照式(8)采用最小—最大歸一化方法對(duì)輸入特征向量進(jìn)行歸一化。每個(gè)特征的最大值轉(zhuǎn)換為1，最小值轉(zhuǎn)換為0，所有其他值轉(zhuǎn)換為0到1之間的十進(jìn)制值。

(8)

2.2 數(shù)據(jù)分類

支持向量機(jī)模型是利用原始振動(dòng)信號(hào)在不同速度條件下維度為29995×10的特征向量進(jìn)行訓(xùn)練的。然后，將特征向量隨機(jī)分成75%的訓(xùn)練數(shù)據(jù)集和25%的測(cè)試數(shù)據(jù)集，訓(xùn)練和測(cè)試向量的維數(shù)分別為22496×10和7499×10。訓(xùn)練數(shù)據(jù)集用于計(jì)算梯度并更新網(wǎng)絡(luò)的偏差和權(quán)重，測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練模型沒有影響，因此有助于獨(dú)立測(cè)量網(wǎng)絡(luò)性能。此外，對(duì)SVM分類器的核函數(shù)和框約束等重要參數(shù)進(jìn)行了優(yōu)化，以獲得更好的模型性能，核函數(shù)是將樣本映射到更高維空間的重要參數(shù)。同時(shí)，框約束對(duì)于控制超平面估計(jì)分類過程中邊緣數(shù)據(jù)樣本給出的懲罰也很重要，更高的框約束會(huì)生成更嚴(yán)格的分類超平面，從而導(dǎo)致更多的訓(xùn)練時(shí)間，反之亦然。在這些實(shí)驗(yàn)中，使用了框約束為1的優(yōu)化二次核函數(shù)。

2.3 利用支持向量機(jī)對(duì)故障分類

機(jī)器學(xué)習(xí)模型對(duì)于軸承故障的早期自動(dòng)診斷具有重要意義。通過四個(gè)廣泛使用的參數(shù)：召回率(Re)、準(zhǔn)確率(Acc)、F1得分(Fs)和精準(zhǔn)率(Pr)，分析訓(xùn)練后的機(jī)器學(xué)習(xí)模型的性能。這四個(gè)參數(shù)可以計(jì)算如下[10]：

(9)

(10)

(11)

(12)

式中，Tp代表正樣本預(yù)測(cè)為正樣本，F(xiàn)N代表正樣本預(yù)測(cè)為負(fù)樣本，F(xiàn)P代表負(fù)樣本預(yù)測(cè)為正樣本，TN代表負(fù)樣本預(yù)測(cè)為負(fù)樣本。

3 實(shí)證分析

使用試驗(yàn)臺(tái)來模擬軸承的不同運(yùn)行條件，測(cè)試臺(tái)具有專有的軸承支撐，可以產(chǎn)生不同的轉(zhuǎn)速條件。為了獲得安裝在試驗(yàn)臺(tái)上的深溝球軸承的原始振動(dòng)數(shù)據(jù)，進(jìn)行了多次試驗(yàn)。使用一組斯凱孚軸承，其內(nèi)徑為25mm，外徑為52mm，中徑為37.9mm。軸承有8個(gè)滾珠，每個(gè)球的直徑為8.7mm。此外，在軸承上加工了不同的故障，如圖1所示，包括外圈故障(OR)、滾珠故障(BD)、內(nèi)圈故障(IR)和保持架故障(CD)。

圖1 故障診斷中涉及的不同測(cè)試軸承缺陷

實(shí)驗(yàn)使用19Hz、23Hz和29Hz三種不同軸速，并在10kg的恒定負(fù)載下進(jìn)行。使用6.4kHz的采樣頻率，持續(xù)300秒。從健康軸承獲得的振動(dòng)信號(hào)被視為參考數(shù)據(jù)，并用于驗(yàn)證所提出方法的性能。

通過對(duì)測(cè)試信號(hào)的不同處理，得到這些測(cè)量參數(shù)的趨勢(shì)如圖2所示?？梢钥闯觯c頻域和時(shí)頻域信號(hào)相比，時(shí)域分析獲得的訓(xùn)練后的模型在三種不同速度條件下的Acc、Pr、Re和Fs結(jié)果較差。此外，頻域方面，這些模型在19Hz下表現(xiàn)得很好，但在更高的速度條件下(23Hz和29Hz)下無法保持相同的性能。但是，從圖中可以看出，智能機(jī)器學(xué)習(xí)模型使用時(shí)頻域數(shù)據(jù)進(jìn)行了很好的訓(xùn)練，表現(xiàn)更好。在19Hz時(shí)，BD、CD、Hb、IR和OR的檢測(cè)結(jié)果均為100%。然而，與其他參數(shù)相比，只有在23Hz時(shí)頻數(shù)據(jù)中模型的精度更好。CD和HB的準(zhǔn)確率和召回率與其他故障相比很低。這可能是由于功能重疊造成的，這最終使模型難以識(shí)別正確的承載條件。然而，在29Hz時(shí)，模型性能得到了改善，這比23Hz要好。該模型的準(zhǔn)確率為100%，在所有承載條件下，模型的召回率、準(zhǔn)確率和F1得分均為99%或100%。因此，可以得出結(jié)論，與單一的時(shí)域和頻域分析相比，時(shí)頻域分析可以獲得更好的模型性能。

結(jié)語

利用支持向量機(jī)建立了軸承故障識(shí)別系統(tǒng)。首先采集了不同軸承狀態(tài)下的振動(dòng)信號(hào)，并從時(shí)域、頻域和時(shí)頻域提取了統(tǒng)計(jì)特征；然后對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練；最后對(duì)各模型進(jìn)行了性能評(píng)價(jià)。結(jié)果表明，時(shí)頻域特征對(duì)旋轉(zhuǎn)機(jī)械不同軸承狀態(tài)的分類具有很好的診斷潛力。本文主要獲得以下結(jié)論：

(1)滾動(dòng)軸承故障診斷時(shí)頻域分析優(yōu)于單一的時(shí)域或頻域分析。

(2)從時(shí)頻域信號(hào)中獲得了100%的最高準(zhǔn)確率、精確率、召回率和F1得分。