基于IMF能量熵和SVM的滚动轴承故障模式识别

龙源期刊网的滚动轴承故障模式识别作者：王以顺汤文佳李亮来源：《科学与财富》2011年第10期[摘要]针对滚动轴承振动信号和状态信息非线性映射关系，提出一种基于内禀模态函数（IMF）能量熵的轴承特征向量提取方法，并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量，选取包含主要信息的IMF的能量熵作为振动信号的特征向量，并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验，结果表明，该方法能够有效、准确的识别轴承故障。[关键词]滚动轴承经验模态分解能量熵故障识别支持向量机引言在石油机械和其他机械中，滚动轴承是基本零件，轴承的好坏将影响整套设备的运行状态。对滚动轴承进行故障诊断就是对其振动信号中包含的状态信息进行提取特征向量并加以分类,从而推断出滚动轴承运行的状态。由于滚动轴承系统的复杂性和故障形式的多样性,振动信号和状态信息之间并不存在确定的函数关系,信号集与状态集之间是一个复杂的非线性映射，这就使滚动轴承故障模式识别比较复杂。建立在线性信号基础上的传统谱分析在处理轴承振动信号的非平稳性时难免产生困难。由HuangNE提出的经验模态分(EMD)具有良好的时频聚集性，是非常适合处理非平稳性、非线性信号的新方法。该方法首先将非平稳信号按照不同尺度或者趋势分解为若干个内禀模态函数（IMF)之和，对信号进行平稳化处理，减少了信号之间特征信息之间相互影响。每个IMF分量随着信号的变化而变化，具有很强的自适应性。本文将IMF能量熵和支持向量机（SVM）相结合，对滚动轴承进行故障识别。将振动信号通过EMD分解后的各个内禀模态函数分量，选取各个尺度下的能量熵作为轴承特征向量，输入到SVM分类器中进行故障识别。仿真试验结果表明该方法能够有效的识别轴承的各类故障。1、IMF能量熵的基本原理1.1EMD基本原理龙源期刊网方法从本质上讲是对一个信号进行平稳化处理，其结果是将信号中不同尺度的波动或趋势逐级分解出来，产生一系列具有不同特征尺度的数据序列，每一个序列称为一个固有模态函数IMF。EMD方法假设任何信号都由不同的固有模态函数组成，每个IMF可以是线性的，也可以是非线性的。IMF必须满足以下两个条件:一是在整个数据段内，局部极值点和过零点的数目必须相等，或最多相差一个；二是在任意时刻，有局部极大值点形成的上包络线和局部极小值点形成的下包络线的平均值为零。2、支持向量机支持向量机(SVM)是基于统计学习理论的一种新的学习机器。SVM在形式上类似于多层前向网络，克服了神经网络欠学习、过学习以及容易陷入局部最小等缺陷，可以用于模式分类和非线性回归。支持向量机方法以结构风险最优化准则为出发点，根据有限的样本信息在模型的复杂性和学习能力之间寻找最佳折衷，最大化的提高学习机的泛化能力。SVM首先采用非线性映射，将非线性可分的样本映射到一个高维伪线性空间(特征空间)，然后在此空间中构造分类面，高维特征空间中的运算被转化为低维输入空间中的核函数运算，因而SVM对入数据的维数不敏感，有效地解决了传统方法面临的数据灾难问题。3、故障智能识别模型系统故障智能识别模型系统一般由获取数据、预处理、提取特征向量和设计分类器四部分组成。本文智能识别模型系统的基本思想是：首先数据采集仪采集的原始实验数据，进行必要的时域预处理，然后对信号进行EMD分解后得到若干个IMF分量，提取能够反映故障特征的IMF能量熵特征向量，最后建立若干个二值支持向量分类器对故障进行识别。4、滚动轴承故障诊断试验及分析4.1采集实验数据采用CaseWesternReserveUniversity电气工程实验室轴承中心提供的滚动轴承实验数据进行诊断分析。该实验台包括功率为2马力的电动机、扭转传感器/译码器、功率测试计、以及电子控制器。待检测轴承支撑着电动机的转轴，轴承采用深沟球轴承，驱动端轴承为6205-2RS,风扇端轴承为6203-2RS，为了模拟轴承常见故障，用电火花加工机床分别在测试轴承的外环、内环、滚动体上加工出直径为7mil、14mil、21mil的蚀点，蚀点的深度为11mil。电动机风扇端和驱动端的轴承座上各放置一个加速度传感器来采集轴承的振动加速度信号。4.2特征向量提取将采集的样本进行必要的去均值化和消噪处理后，将信号进行EMD分解得到10~12个IMF分量。龙源期刊网组样本作为训练样本，训练SVM分类器，余下样本作为检验SVM分类器效果的检验样本。通过多次实验分析，最终分类器采用高斯径向基函数作为核函数，由四个二值支持向量机分类器组成，分别记为SVM1，SVM2，SVM3，SVM4，分别对应正常状态轴承、外环故障轴承、内环故障轴承和滚动体故障轴承。采用所取的样本来训练支持向机量分类器，在训练SVM1分类器用来判断正常轴承时，将120个训练样本中属于正常轴承样本作为一类，用1表示，其余90个样本用-1表示故障样本，依照SVM的基本原理求优化系数后建立对应正常状态的SVM1分类器。采用同样的方法训练SVM2、SVM3和SVM4。其中SVM2分类器用来判断样本是否属于外环故障，SVM3分类器用来判断样本是否属于内环故障，SVM4分类器用来判断样本是否属于滚动体故障。分类器建立好以后，将检验样本输入到SVM1、SVM2、SVM3、SVM4分类器进行验证,分别计算检验样本对4个分类器的分类函数的函数值，输出相应的分类标签，分类器输出标签值对应着相应的轴承状态。5、结论滚动轴承发生故障时的信号往往的非平稳的，传统时频处理方法局限于平稳信号，本文提出的内禀模态能量熵和支持向量机混合模型能够有效的识别滚动轴承故障模式。经验模态分解将原始信号分解为不同时间尺度下平稳的内禀模态分量，求出的各个分量的能量熵组成的特征向量有效地反应了轴承振动信号能量随着轴承状态的变化而变化，将特征向量输入到支持向量机分类器中进行识别和诊断。结果表明，该方法能较为准确地识别故障，提供了一种有效解决轴承故障识别问题的途径。参考文献[1]陆爽，张子达，李萌．基于径向基函数神经网络的滚动轴承故障模式的识别[J]．中国工程科学，2004,6(2):56-60．[2]NEHuang,ZShen,SRLong,etal.Theempiricalmodedecompositionandthehilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis[C].ProceedingsoftheRoyalSocietyofLondonSeries,1998,454:903-995.[3]于德介，程军圣，杨宇.机械故障诊断的Hilbert-Huang变换方法[M].北京：科技出版社，2006．[4]张周锁，李凌均，何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报，2002,36（2）1303-1306．[5]王红军，徐小力．支持向量机在设备故障诊断方面的应用研究概述[J]．机械设计与制造，2005（9），157-159．龙源期刊网