基于支持向量機(jī)的農(nóng)機(jī)滾動(dòng)軸承故障診斷系統(tǒng)設(shè)計(jì)

田 珂 ，喬笑笑

（長(zhǎng)安大學(xué)工程機(jī)械學(xué)院，陜西 西安 710064）

0 引言

隨著我國(guó)現(xiàn)代科學(xué)技術(shù)的進(jìn)步以及現(xiàn)代化制造業(yè)的發(fā)展，農(nóng)機(jī)設(shè)備越來越復(fù)雜，自動(dòng)化水平越來越高，農(nóng)機(jī)設(shè)備在現(xiàn)代化工業(yè)中的作用和影響也越來越大[1]。由于許多事情都是不可避免的，所以機(jī)械裝置在運(yùn)轉(zhuǎn)過程中會(huì)出現(xiàn)各種故障，失去和降低應(yīng)有的功能，會(huì)直接影響生產(chǎn)率，帶來巨大的經(jīng)濟(jì)損失，還可能會(huì)導(dǎo)致嚴(yán)重的人員傷亡，因此人們對(duì)安全性、可靠性的要求也越來越高[2]。導(dǎo)致軸承等農(nóng)機(jī)零部件產(chǎn)生故障的原因有很多，例如所用油脂中含有大量雜質(zhì)、軸承游隙太小或太大、潤(rùn)滑狀況不好、密封問題、軸承中混入了粉塵或沙粒等部分雜質(zhì)，這些都是使得機(jī)械裝置出現(xiàn)運(yùn)動(dòng)異常的原因，久而久之就會(huì)造成整個(gè)農(nóng)機(jī)設(shè)備癱瘓，無法正常運(yùn)行[3]。所以對(duì)于一些農(nóng)機(jī)設(shè)施應(yīng)該進(jìn)行日常定期巡檢和維護(hù)，及時(shí)發(fā)現(xiàn)隱患并解決處理。

通過智能診斷技術(shù)，能夠及時(shí)準(zhǔn)確地發(fā)現(xiàn)農(nóng)機(jī)裝置發(fā)生故障的原因，并進(jìn)行預(yù)警，從而提高工作環(huán)境的安全性[4]。并且，定期維護(hù)可以使農(nóng)機(jī)裝置的工作壽命更加長(zhǎng)久，帶來更大的經(jīng)濟(jì)效益。目前，在故障診斷中常用的方法有深度學(xué)習(xí)、圖像處理、超聲波故障診斷等[5]。本文采用支持向量機(jī)來對(duì)故障類型進(jìn)行分類預(yù)測(cè)，故障系統(tǒng)的主要組成為信號(hào)分析與處理以及基于支持向量機(jī)的模式識(shí)別兩部分。首先，對(duì)故障信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理，消除干擾和噪聲等影響。其次，對(duì)原始信號(hào)和去噪后的信號(hào)分別進(jìn)行時(shí)域分析和頻域分析，將提取的時(shí)域特征值按照一定比例劃分為訓(xùn)練集和測(cè)試集，并將訓(xùn)練集和測(cè)試集輸入到支持向量機(jī)程序，完成故障分類及結(jié)果顯示。最后，將MATLAB 和LabVIEW 連接起來，在LabVIEW 上實(shí)現(xiàn)故障診斷分析模塊與模式識(shí)別顯示模塊的設(shè)計(jì)。

1 信號(hào)分析與特征參數(shù)提取

1.1 數(shù)據(jù)預(yù)處理

經(jīng)過數(shù)據(jù)采集儀采集后的信號(hào)會(huì)受到各種內(nèi)外部環(huán)境因素的影響，從而導(dǎo)致獲得的數(shù)據(jù)存在一些有問題的信號(hào)成分。在使用采集得到的數(shù)據(jù)前，要先進(jìn)行數(shù)據(jù)預(yù)處理，來消除信號(hào)中的噪聲和干擾，從而使信號(hào)分析的結(jié)果更加可靠。本實(shí)驗(yàn)主要采用了小波去噪[6]來消除原始信號(hào)中的噪聲等雜質(zhì)，顯示出要進(jìn)行信號(hào)分析中的一些信號(hào)局部化特征，并且可以自適應(yīng)地調(diào)整去噪強(qiáng)度，同時(shí)不會(huì)對(duì)信號(hào)的細(xì)節(jié)部分造成過大的影響。小波去噪的具體步驟如下。

1）對(duì)數(shù)字信號(hào)進(jìn)行小波變換：將數(shù)字信號(hào)轉(zhuǎn)換為小波變換形式，通常使用離散小波變換（DWT）進(jìn)行小波變換。

2）識(shí)別噪聲頻率分量：通過對(duì)小波變換結(jié)果進(jìn)行分析，識(shí)別出噪聲的頻率分量，通常使用閾值法或相關(guān)法來確定噪聲頻率分量。

3）刪除噪聲頻率分量：將識(shí)別出的噪聲頻率分量從小波變換結(jié)果中刪除，從而實(shí)現(xiàn)去噪的目的。

4）重建信號(hào)：在刪除噪聲頻率分量后，使用小波變換對(duì)信號(hào)進(jìn)行重構(gòu)，以恢復(fù)原始信號(hào)。

1.2 時(shí)域特征分析

通過對(duì)信號(hào)進(jìn)行時(shí)域分析可以有效地提高信噪比，獲得信號(hào)波形在不同時(shí)刻的信號(hào)特征，求出反映機(jī)械設(shè)備運(yùn)行狀態(tài)的特征參數(shù)，從而實(shí)現(xiàn)機(jī)械設(shè)備的動(dòng)態(tài)分析和故障診斷[7]。對(duì)去噪后信號(hào)的時(shí)域分析結(jié)果如圖1所示。

圖1 去噪信號(hào)時(shí)域分析

1.3 頻域特征分析

在故障診斷中采用時(shí)域分析的方法雖然能大致判斷出是否發(fā)生故障，但是無法明確地辨別出具體是哪一種故障。在故障特征頻率計(jì)算后，通過頻域分析生成的頻譜圖可清晰地找到特征頻率，從而能夠判斷故障類型。常用的頻域分析方法有倒頻譜、功率譜、頻譜等[8]。對(duì)去噪后信號(hào)的頻域分析結(jié)果如圖2 所示。

圖2 去噪信號(hào)頻譜分析

1.4 時(shí)域特征值提取

時(shí)域特征值包括有量綱和無量綱指標(biāo)，提取振動(dòng)信號(hào)的時(shí)域特征值，并將提取的特征值按照一定的比例劃分為訓(xùn)練集和測(cè)試集，將所得的訓(xùn)練集和測(cè)試集導(dǎo)入SVM 工具中，求得分類準(zhǔn)確率。當(dāng)進(jìn)行數(shù)據(jù)處理時(shí)，首先要將測(cè)得的信號(hào)經(jīng)過A-D 轉(zhuǎn)換，轉(zhuǎn)變?yōu)殡x散的時(shí)間序列。

其中，有量綱參數(shù)統(tǒng)計(jì)指標(biāo)[9]的計(jì)算公式總結(jié)如表1所示。

表1 有量綱指標(biāo)計(jì)算公式

無量綱指標(biāo)不因工作條件負(fù)載的變化而變化，因此與有量綱指標(biāo)比較起來，相對(duì)穩(wěn)定，不易受到外界環(huán)境因素的影響。無量綱指標(biāo)主要有峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)、波形指標(biāo)等[10]。

1.4.1 峰值指標(biāo)

峰值指標(biāo)在定義上是信號(hào)峰值與有效值的比值，因?yàn)榉逯捣€(wěn)定性差，所以在故障診斷中逐漸被取代。峰值指標(biāo)公式表示如下。

1.4.2 脈沖指標(biāo)

脈沖指標(biāo)和峰值指標(biāo)主要在分母上不一樣，脈沖指標(biāo)在定義上是信號(hào)峰值與絕對(duì)值的平均值之比。脈沖指標(biāo)的數(shù)值大小是為了檢測(cè)信號(hào)中是否含有沖擊成分。脈沖指標(biāo)公式表示如下。

1.4.3 裕度因子

裕度因子在定義上是信號(hào)峰值與方根幅值相除得到的結(jié)果，主要作用是用來檢測(cè)機(jī)械設(shè)備的磨損狀況。裕度指標(biāo)公式表示如下。

1.4.4 波形指標(biāo)

波形指標(biāo)在定義上是有效值與整流平均值相除得到的結(jié)果，波形指標(biāo)也可以看作脈沖指標(biāo)除以峰值指標(biāo)。波形指標(biāo)公式表示如下。

2 故障診斷系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)界面設(shè)計(jì)

基于支持向量機(jī)的故障診斷系統(tǒng)主要包括兩大部分，分別是信號(hào)分析與處理以及基于支持向量機(jī)的模式識(shí)別部分。本文故障診斷系統(tǒng)總體界面前面板如圖3所示。

圖3 故障診斷系統(tǒng)界面前面板

2.2 實(shí)測(cè)數(shù)據(jù)驗(yàn)證

為了驗(yàn)證整體系統(tǒng)的準(zhǔn)確性，對(duì)實(shí)測(cè)的數(shù)據(jù)進(jìn)行分析與驗(yàn)證。對(duì)信號(hào)進(jìn)行分析與處理選用的是農(nóng)機(jī)負(fù)載軸承內(nèi)圈故障的一組數(shù)據(jù)，將該故障數(shù)據(jù)導(dǎo)入信號(hào)分析程序中，最終在原始信號(hào)選項(xiàng)卡上生成時(shí)域波形圖、頻域波形圖和提取的特征值，通過時(shí)域波形圖可以清楚地觀測(cè)出機(jī)械設(shè)備發(fā)生突發(fā)狀況的變化情況，通過頻域波形圖可以觀測(cè)到數(shù)據(jù)的最大頻率值和最大幅度值等。將負(fù)載軸承內(nèi)圈的原始數(shù)據(jù)導(dǎo)入信號(hào)分析的程序中，點(diǎn)擊運(yùn)行按鈕，生成的時(shí)域波形圖、頻域波形圖分別如圖4、圖5所示。

圖4 原始信號(hào)時(shí)域波形圖

圖5 原始信號(hào)頻域波形圖

將原始信號(hào)經(jīng)小波去噪處理后，通過頻域波形圖和時(shí)域波形圖可以明顯地看出其去噪效果，刪除了原始信號(hào)中的大量噪聲和干擾，削弱了原始信號(hào)中的多余組分，能夠更好地對(duì)故障類型進(jìn)行分類預(yù)測(cè)。對(duì)去噪后的信號(hào)進(jìn)行分析，去噪信號(hào)時(shí)域波形圖、頻域波形圖分別如圖6、圖7 所示。

圖6 去噪信號(hào)時(shí)域波形圖

圖7 去噪信號(hào)頻域波形圖

支持向量機(jī)模式識(shí)別驗(yàn)證的是電機(jī)滾動(dòng)體和電機(jī)內(nèi)圈兩種故障的二分類，支持向量機(jī)模式識(shí)別系統(tǒng)分別采用了不同的特征值，對(duì)小波去噪后的信號(hào)提取6 個(gè)和16 個(gè)特征值，分別劃分為訓(xùn)練集和測(cè)試集，并通過支持向量機(jī)來對(duì)兩種類型的數(shù)據(jù)進(jìn)行故障分類，來比較其準(zhǔn)確率。

去噪后提取6 個(gè)特征值和去噪后提取16 個(gè)特征值的SVM模式識(shí)別圖分別如圖8、圖9所示。

圖8 SVM（去噪后提取6 個(gè)特征值）

圖9 SVM（去噪后提取16個(gè)特征值）

通過提取不同數(shù)量的特征值來進(jìn)行支持向量機(jī)故障分類，可以明顯地看出，對(duì)同一種信號(hào)提取特征值，提取特征值越多分類準(zhǔn)確率越高。因此，可見特征值的選取對(duì)分類準(zhǔn)確率至關(guān)重要，為了提高分類準(zhǔn)確率，需要選取適當(dāng)?shù)奶卣髦岛吞卣髦禂?shù)量。

3 結(jié)論

系統(tǒng)主要由4 個(gè)界面組成，4 個(gè)界面分別放在選項(xiàng)卡控件上，并添加布爾元件開關(guān)，通過點(diǎn)擊開關(guān)按鈕就可以實(shí)現(xiàn)整個(gè)系統(tǒng)的運(yùn)行，當(dāng)操作者需要觀察哪部分系統(tǒng)時(shí)，通過點(diǎn)擊選項(xiàng)卡控件就可以實(shí)現(xiàn)界面的切換。故障診斷系統(tǒng)的智能化會(huì)給操作者帶來很大的便利，操作者在沒有專業(yè)知識(shí)的情況下，也能夠輕松地實(shí)現(xiàn)系統(tǒng)的運(yùn)行，并通過顯示界面清晰地看到診斷結(jié)果。