基于EEMD和SVM的輸送皮帶齒輪箱故障診斷研究

摘要：目前火電廠的輸送皮帶齒輪箱故障監(jiān)測(cè)主要依靠人工巡檢，不僅工作強(qiáng)度大而且環(huán)境惡劣。為解決這一問題，提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）和支持向量機(jī)（SVM）的輸送皮帶齒輪箱故障診斷方法。該方法首先對(duì)采集的振動(dòng)信號(hào)進(jìn)行EEMD濾波，將信號(hào)分解為若干本征模態(tài)函數(shù)（IMF）分量，然后分別計(jì)算各IMF分量的能量值，形成特征向量，再基于SVM進(jìn)行故障識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效實(shí)現(xiàn)輸送皮帶齒輪箱故障振動(dòng)特征的提取，并對(duì)特定故障類型進(jìn)行精確診斷。

關(guān)鍵詞：輸送皮帶機(jī);齒輪箱故障;特征提取;EEMD;SVM

中圖分類號(hào)：TH132.41" " 文獻(xiàn)標(biāo)志碼：A" " 文章編號(hào)：1671-0797（2024）24-0074-05

DOI：10.19514/j.cnki.cn32-1628/tm.2024.24.018

0" " 引言

輸送皮帶機(jī)廣泛應(yīng)用于火電廠燃煤輸送系統(tǒng)中，但在運(yùn)行期間經(jīng)常會(huì)出現(xiàn)各種故障，例如聲音異常和振動(dòng)增強(qiáng)，這些通常是由齒輪箱故障引起的，因此監(jiān)測(cè)和診斷輸送皮帶機(jī)的齒輪箱故障變得尤為重要，有助于提升巡檢效率。

文獻(xiàn)[1]研究了變分模態(tài)分解（Variational Mode Decomposition，VMD）和多尺度形態(tài)濾波方法，通過提取信號(hào)的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）將故障信號(hào)從復(fù)雜的背景噪聲中分離出來。此外，短時(shí)傅里葉變換的快速路徑優(yōu)化方法雖然改進(jìn)了時(shí)間窗限制，提高了時(shí)頻分辨率，但仍受到其固有的線性時(shí)頻分析限制[2-3]。同樣，經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）雖然時(shí)頻分辨率得到改善，但仍然存在模態(tài)混疊和端點(diǎn)效應(yīng)的問題[4]。這些方法主要針對(duì)齒輪箱的周期性沖擊信號(hào)進(jìn)行分析，但現(xiàn)實(shí)生產(chǎn)環(huán)境中的振動(dòng)信號(hào)往往還會(huì)受到強(qiáng)烈的背景噪聲和非周期性瞬態(tài)沖擊的干擾。

針對(duì)以上問題，本文提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）與支持向量機(jī)（Support Vector Machine，SVM）相結(jié)合的皮帶機(jī)齒輪箱故障診斷新方法。

1" " 集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）

EEMD將一定量的白噪聲加入到信號(hào)中，并通過對(duì)每一次分解結(jié)果取平均值來對(duì)信號(hào)進(jìn)行重復(fù)的EMD分解，從而生成最終的IMF[5]。

EEMD的操作步驟如下：

1）設(shè)定EMD分解的總次數(shù)m和白噪聲強(qiáng)度系數(shù)k，開始第一輪分解。

2）在每一輪分解中，生成一組白噪聲，用于執(zhí)行EMD分解，生成IMF的一系列白噪聲，并加入原始信號(hào)。

3）直到達(dá)到預(yù)先設(shè)定好的分解輪數(shù)，繼續(xù)重復(fù)上述步驟。

4）計(jì)算所有同一IMF的分解結(jié)果的平均值，以獲得最終的IMF。

為驗(yàn)證EEMD提取輸送皮帶齒輪箱振動(dòng)信號(hào)的本征模態(tài)函數(shù)（IMF）分量的能力，選取了齒輪箱正常運(yùn)行時(shí)的振動(dòng)數(shù)據(jù)進(jìn)行預(yù)處理。振動(dòng)信號(hào)時(shí)域圖如圖1所示。

對(duì)該信號(hào)進(jìn)行EEMD分解，m取值100，k取值0.3。分解后的結(jié)果如圖2所示。

EEMD分解后，從信號(hào)中成功提取了17個(gè)本征模態(tài)函數(shù)（IMF）。為了量化每個(gè)IMF對(duì)信號(hào)總能量的貢獻(xiàn)，采用以下兩個(gè)公式進(jìn)行計(jì)算：

每個(gè)IMF的能量計(jì)算公式：

式中：Ei、xi、Δt分別表示第i個(gè)IMF的能量、幅值和時(shí)間。

每個(gè)IMF能量與原信號(hào)能量之比ηi的計(jì)算公式：

式中：E總為原始信號(hào)總能量。

計(jì)算結(jié)果顯示，所生成的IMF分量與原始信號(hào)的能量比如圖3所示。

分解結(jié)果顯示，信號(hào)的主要能量集中在前8個(gè)IMF中。具體地，通過計(jì)算每個(gè)IMF的能量，并將其與原始信號(hào)的總能量進(jìn)行比較，發(fā)現(xiàn)前8個(gè)IMF的能量之和占到了總能量的98.4%。這意味著這些IMF捕捉到了信號(hào)的主要特性和動(dòng)態(tài)變化，因此在進(jìn)行故障分析和特征提取時(shí)，需要重點(diǎn)關(guān)注這些分量。

特征向量的提取過程概述如下：

1）對(duì)齒輪箱的振動(dòng)信號(hào)執(zhí)行EEMD分解，獲得前8個(gè)關(guān)鍵的IMF分量。

2）對(duì)這8個(gè)關(guān)鍵IMF分量進(jìn)行能量分析，通過式（1）計(jì)算每個(gè)IMF分量的能量值。

3）計(jì)算所有選取的IMF分量的平均能量：

2" " 支持向量機(jī)

支持向量機(jī)（SVM）是一種先進(jìn)的統(tǒng)計(jì)學(xué)習(xí)框架，在實(shí)際應(yīng)用中，對(duì)于難以獲取大量樣本的領(lǐng)域，SVM憑借其對(duì)小樣本的高效處理能力和強(qiáng)大的泛化性能，成為一種非常適合的選擇。

如圖4所示，以二維空間為例，圖中的正方形和圓形代表兩種樣本，它們來自于一個(gè)樣本集合。支持向量即在邊界|ωx+b|=1上的樣本，可以看到模型的最終結(jié)果僅與支持向量有關(guān)，這凸顯了SVM在處理小規(guī)模數(shù)據(jù)集機(jī)器學(xué)習(xí)任務(wù)時(shí)的優(yōu)越性。ωx+b=0即樣本完全分開的分類線，在將分類問題擴(kuò)展到更高維度時(shí)，所尋求的分類線就會(huì)變?yōu)樽顑?yōu)超平面。

3" " 故障診斷流程

1）采集振動(dòng)信號(hào)。

2）生成樣本集并提取特征向量。

3）劃分?jǐn)?shù)據(jù)集并訓(xùn)練模型：將特征樣本劃分為訓(xùn)練集和測(cè)試集，使用訓(xùn)練集來訓(xùn)練支持向量機(jī)（SVM），得到故障分類模型。

4）故障診斷。

其整體流程圖如圖5所示。

4" " 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)在輸送皮帶狀態(tài)監(jiān)測(cè)與故障診斷實(shí)驗(yàn)平臺(tái)上進(jìn)行（圖6），采集測(cè)點(diǎn)如圖7所示。運(yùn)行速度為2.5 m/s，采集齒輪箱中軸承正常、軸承外圈點(diǎn)蝕以及滾動(dòng)體故障三種狀態(tài)的振動(dòng)數(shù)據(jù)，共150組，原始波形如圖8所示，特征向量如表1～3所示。

從表1～3可知，EEMD分解后得到的特征向量參數(shù)在每種狀態(tài)下都表現(xiàn)出一致的特性，顯示出EEMD用于振動(dòng)信號(hào)預(yù)處理及輸送皮帶齒輪箱故障診斷的有效性。這表明，使用EEMD方法提取的特征向量能夠穩(wěn)定地反映出軸承的運(yùn)行狀態(tài)。

將提取到的特征向量導(dǎo)入SVM模型中進(jìn)行故障診斷，故障診斷結(jié)果如圖9所示。

圖9中類別標(biāo)簽1代表正常無故障，2代表軸承外圈點(diǎn)蝕故障，3代表滾動(dòng)體故障，三類情況的診斷都符合實(shí)際情況。

5" " 結(jié)論

本文針對(duì)輸送皮帶機(jī)齒輪箱常見故障的特征提取使用了EEMD方法，并用SVM實(shí)現(xiàn)故障類別自動(dòng)診斷。結(jié)果表明，基于EEMD和SVM的輸送皮帶機(jī)齒輪箱故障診斷可以檢測(cè)出輸送皮帶機(jī)齒輪箱的不同故障。

[參考文獻(xiàn)]

[1] 王恒迪，鄧四二，楊建璽，等.基于參數(shù)優(yōu)化變分模態(tài)分解的滾動(dòng)軸承早期故障診斷[J].振動(dòng)與沖擊，2020，39（23）：38-46.

[2] 韓笑樂，胡天中，余建波.基于自適應(yīng)加權(quán)多尺度組合形態(tài)濾波的軸承故障特征提取研究[J].振動(dòng)與沖擊，2020，39（1）：245-252.

[3] 包文杰，涂曉彤，李富才，等.參數(shù)化的短時(shí)傅里葉變換及齒輪箱故障診斷[J].振動(dòng)、測(cè)試與診斷，2020，40（2）：272-277.

[4] 黃俊，潘宏俠，都衡.基于EMD近似熵和LSSVM的齒輪箱故障診斷研究[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2014（3）：111-113.

[5] 付大鵬，翟勇，于青民.基于EMD和支持向量機(jī)的滾動(dòng)軸承故障診斷研究[J].機(jī)床與液壓，2017，45（11）：184-187.