基于PSO-BP神經網絡和Hilbert譜奇異值的滾動軸承故障診斷*

侯一民 ，孫嘉兵 ，張 宇 ，陳艷虎

(1.東北電力大學 自動化工程學院, 吉林 吉林 132012；2.大唐琿春熱電廠, 吉林 琿春 133300)

基于PSO-BP神經網絡和Hilbert譜奇異值的滾動軸承故障診斷*

侯一民1，孫嘉兵1，張 宇2，陳艷虎1

(1.東北電力大學 自動化工程學院, 吉林 吉林 132012；2.大唐琿春熱電廠, 吉林 琿春 133300)

Hilbert譜奇異值是對振動信號進行Hilbert-Huang變換得到Hilbert譜時頻矩陣后，再利用奇異值分解的方法提取矩陣的特征得到的。將振動信號的譜奇異值作為故障特征，用粒子群優化BP神經網的方法來診斷故障類型，并將該方法與傳統BP神經網絡做比較分析，實驗結果證明，該方法具有收斂速度快、準確度高的特點。

滾動軸承；希爾伯特譜；奇異值分解；粒子群算法；BP神經網絡

0 引言

滾動軸承作為大型旋轉機械的關鍵部件之一，其故障將直接導致設備運行失穩和嚴重的后果。滾動軸承是旋轉軸承中的易損部件，當滾動軸承存在故障時，它們的振動信號表現出非線性、非平穩特征。滾動軸承振動信號包含了大量的軸承運行狀態信息，是對軸承故障分析的主要手段之一。主要方法有時頻分析方法，即同時提取振動信號時域和頻域的局部信息，在故障診斷領域得到了廣泛的應用，如小波變換[1-2]方法由于具有多分辨率的特性，廣泛應用于故障診斷領域，但小波基函數選擇問題是小波分析的一個難題。Huang等人提出了一種自適應的時頻分析方法，主要方法是利用經驗模態分解(EMD)得到本征模函數(IMF)，該方法在故障診斷領域已經取得較好的效果。張超等[3]利用齒輪箱振動信號經過EMD分解后得到本征模函數(IMF)，然后將IMF的能量熵作為故障特征，對齒輪的裂紋和斷齒進行故障診斷。程軍圣等[4]提出了一種基于本征模函數的奇異值分解和支持向量機的故障診斷方法，該方法利用本征模函數形成向量矩陣，然后對該矩陣進行奇異值分解，將其作為故障特征向量。相比較而言，利用希爾伯特譜進行故障特征提取的文獻很少，于德介等[5]提出一種基于時頻熵的故障診斷方法，該方法將希爾伯特譜時頻平面等分為面積相等的時頻塊，然后對其中的每塊進行能量歸一化處理，結果表明，不同工況下的時頻熵不同。因此故障狀態下的希爾伯特譜中包含了豐富的故障信息，因此，通過希爾伯特譜進行特征提取來進行故障診斷具有重要的研究價值。

本文將奇異值分解用于故障特征特征提取，用EMD方法將軸承振動信號分解為IMF分量之和，然后對每個IMF分量進行希爾伯特變換得到時頻矩陣，接著對時頻矩陣[6]進行奇異值分解，得到的奇異值表征了振動信號希爾伯特譜的時頻結構特征，將奇異值作為軸承故障診斷的特征向量，針對傳統的BP神經網絡存在易陷入局部極小值的缺點，本文將采取粒子群優化BP神經網的方法來診斷故障類型，并將該方法與傳統BP神經做比較分析，實驗結果證明，該方法具有收斂速度快、準確度高的特點。

1 Hilbert譜奇異值

1.1 Hilbert譜

Hilbert-Huang變換由EMD方法和相應的Hilbert譜時頻矩陣，它首先將信號進行經驗模態分解(EMD)，然后再對獲得的所有IMF分量進行Hilbert變換得到Hilbert譜時頻矩陣，即該信號的Hilbert譜。Hilbert譜包含了信號豐富的時頻信息，是可以表征為信號的時頻分布三維譜圖。

由文獻[7]可知，原始信號經過EMD分解后可表示為：

(1)

(2)

式中P是柯西主分量。

(3)

式中

(4)

在這里，瞬時頻率應該有意義，因此，時間序列在做希爾伯特變換后，要求是單組分的，而性能良好的IMF滿足這一條件。每個本征模函數序列可表示為下式：

(5)

1.2 奇異值分解

奇異值分解是矩陣理論中一種重要的矩陣分解，奇異值分解的穩定性能好，即矩陣中的某些元素發生小幅度的變化時，其奇異值變化也較小。此外，旋轉不變形與比例不變形是奇異值分解所具備的特性[8]。

矩陣A∈Rm×n，則存在正交矩陣

(6)

(7)

A=USVT

(8)

則式(8)為矩陣A的奇異值分解。U和V分別是A的奇異向量。

由于將故障振動信號進行希爾伯特黃變換后得到的譜時頻矩陣后，矩陣維數較高，包含的數據量大，不利于下一步的分析，本文對得到的振動信號Hilbert譜進行奇異值分解。選取軸承各種工況下的振動信號得到Hilbert譜經過奇異值分解后的前50個奇異值作為特征值[9]，其中軸承的運行工況分別為的正常狀態、內圈故障、滾動體故障、外圈故障。從圖1中可以看到，軸承的振動信號在不同工作狀態下的Hilbert譜奇異值不相同，其中故障時的奇異值比正常情況下的奇異值比偏大，軸承在外圈故障時的奇異值明顯增大，而且，在不同軸承故障狀態下的Hilbert譜奇異值也不相同。由于故障狀態下的希爾伯特譜中包含了豐富的故障信息，并且奇異值分解具有良好的穩定性，將該方法用于特征提取，具有穩定性能好，故障分類效果明顯的特點。

圖1 四種工況軸承信號Hilbert譜奇異均值

2 PSO算法原理

粒子群算法(PSO)是一種基于自然界鳥類和魚類的簡單社會模型的智能算法。PSO算法進行優化時，每一個個體被稱為一個“微粒”，決定其飛行方向與距離的速度取決于優化函數的適應度值。PSO算法隨機初始化為一群粒子搜索最優解，在單次迭代過程中，粒子通過動態跟蹤個體極值和全局極值來更新自己的速度和位置，其中pbest為個體極值，pbest是粒子本身目前所找到的最優解；gbest為全局極值，gbest為整個種群目前找到的最優解[10]。兩個最優值找到后，粒子根據以下公式更新自己的速度和位置：

(9)

x=x+v

(10)

式中：c1、c2為學習因子；v、x為每個粒子的速度和位置；ω為加權系數。

PSO算法在解空間內尋優時，有時粒子會陷入局部最優解，為了避免這種現象，平衡全局和局部尋優能力，ω可隨著迭代次數的增加，最大加權因子ωmax線性減小到最小加權因子ωmin，公式表示為：

(11)

式中：iter為當前迭代次數；itermax為最大迭代次數。

3 基于PSO優化BP神經網絡算法

將BP神經網絡算法與粒子群優化算法結合，其本質就是將BP神經網絡的權值和閾值映射為粒子群中的粒子，并通過粒子的速度與位置不斷更新來優化這些參數，從而實現網絡的訓練[11]。本文選擇各種工況下的Hilbert譜前4個奇異值作為特征向量作為輸入向量訓練神經網絡，其中BP網絡采用層數結構為4-5-4。

在訓練網絡時，需要建立一個合理的粒子模型并確定適應度函數。適應度函數使用網絡的實際輸出與期望輸出值之間的均方誤差平方和來表示：

(12)

式中：N為訓練樣本總數；C為輸出節點數；yij為網絡的實際輸出；tij為網絡的期望輸出。

4 應用

故障診斷所用的振動數據來自于美國凱斯西儲大學軸承數據[12]中心，故障類型有外圈故障、滾動體故障和內圈故障，采樣頻率為12kHZ，本文選擇各種工況下的Hilbert譜前4個奇異值作為特征向量，故障模式采用二進制表示，其對應關系見表1。

表1 故障原因與模式對應關系

為了縮短網絡訓練時間，對本文的24組數據進行預處理，采用最大最小歸一法，把數據統一到[-1,1]區間：

(13)

本文將樣本數據的前20組作為訓練樣本，其余4組作為測試樣本，采用的BP神經網絡結構為4-5-4。定義粒子群規模為20，最大迭代次數為50，其中粒子群學習算法中學習因子c1=c2=1.49445，慣性權重ωmax=0.9,ωmin=0.4，預設誤差為10-8。

本文通過matlab軟件，對比分析PSO-BP算法與BP算法的網絡訓練均方誤差，圖2中BP神經網絡在訓練初期速度下降很快，但在下降到20步時曲線趨于平緩，在訓練達到100步時，訓練完成，但無法達到預設10-8的誤差要求；圖3中PSO-BP神經網絡在訓練步數為4步時，收斂完成。并且了達到10-8的誤差要求。對比圖2和圖3可知，采用PSO-BP神經網絡進行故障診斷可以使網絡迅速收斂且訓練步數大大減少。識別結果見表2。

表2 診斷結果

圖2 BP神經網絡訓練誤差曲線

圖3 PSO-BP神經網絡訓練誤差曲線

5 結論

本文利用振動信號的Hilbert譜的奇異值作為軸承故障診斷的特征，該方法是一種故障信號特征提取的新方法,并通過實驗驗證，可以準確的提取軸承故障特征。利用粒子群優化BP神經網的方法來訓練神經網絡，該方法與傳統BP神經做比較分析，在收斂速度、準確度上均有顯著提高，滿足了大型旋轉機械故障診斷的要求，具有一定的工程應用價值，為大型旋轉機械的故障診斷提供了一種有效的途徑。

[1] 程發斌，湯寶平，趙玲.最優Morlet小波濾波及其在機械故障特征分析中的應用[J]中國機械工程，2008,19(12):1437-1441.

[2] 崔鈴麗，高立新，殷海晨，等.基于第二代小波的復合故障診斷方法研究[J].中國機械工程,2009,20(4):442-446.

[3] 張超，陳建軍，郭迅.基于EMD能量熵和支持向量機的齒輪故障診斷方法[J].振動與沖擊，2010,29(10):216-220.

[4] 程軍圣，于德介，楊宇.基于內稟模態奇異值分解和支持向量機的故障診斷方法[J].自動化學報，2006,32(3):475-480.

[5] Yu Dejie,Yang Yu,Cheng,Junsheng.Application of Time-frequency Entropy Method Based on Hilbert-Huang Transform to Gear Fault Diagnosis[J].Measurement,2007,40(9/10):823-830.

[6] 趙志宏，楊紹普，李韶華.基于Hilbert譜奇異值的軸承故障診斷[J].中國機械工程，2013,24(3):346-350.

[7] 胡勁松，楊世錫，任達千.一種基于EMD的振動信號時頻分析新方法研究[J] .振動與沖擊，2008,27(8):72-73.

[8] Cempel C.Generalized Singular Value Decomposition in Multidimensional Condition Monitoring of Machines-A Proposal of ComparativeDiagnostics[J].Mechanical Systems and Signal Processing,2009,23(3):701-711.

[9] 趙志宏.基于振動信號的機械故障特征提取與診斷研究[D].北京：北京交通大學，2013.

[10] 郝靜，朱峰，蘭華,等.基于模糊PSO-BP神經網絡的配電網故障選線方法[J] .電測與儀表，2011,48(552):53-56.

[11]李九寶.基于人工智能優化算法的聚丙烯熔融指數預報建模優化研究[D].杭州：浙江大學，2012.

[12]The Case Western Reserve University Bearing Data Center Website .Bearing Data Center SeededFault Test Data[EB/OL].[2011-11-12].http //cse-groups.case.edu/bearingdatacenter/home.

(編輯 李秀敏)

Fault Diagnosis of a Rolling Bearing Based on PSO-BP Neural Network and Hilbert Spectrum and Singular Value Decomposition

HOU Yi-min1,SUN Jia-bing1, ZHANG Yu2,CHEN Yan-hu1

(1.Dept.of Automation Engineering,Northeast Dianli Univ.,Jilin Jilin 132012,China;2. Datang Hunchun Thermoelectric Plant , Hunchun Jilin 133300,China)

Hilbert spectrum and Singular value Decomposition is Hilbert-Huang transform of Vibration signal Hilbert spectrum matrix,and using the singular eigen value value decomposition method to extract matrix. then,get the vibration signal spectrum singular value as the fault feature,The method of particle swarm optimization BP neural network to diagnose the fault type.The experimental results show that, this method could identify the effective application in rolling bearing fault.

rolling bearing; Hilbert spectrum;singular value decomposition;particle swarm optimization;BP neural network

1001-2265(2014)07-0077-03

10.13462/j.cnki.mmtamt.2014.07.021

2013-9-25;

2013-10-27

國家自然科學基金項目(41076060)；吉林省教育廳“十二五”科研規劃項目([2011]80)；吉林市科技計劃項目(201162505)

侯一民(1978—)，男，吉林省吉林人，東北電力大學副教授，工學博士,主要研究方向為模式識別與智能系統、檢測技術與自動化裝置 ,(E-mail)ymh7821@163.com;通信作者：孫嘉兵(1988—),男，吉林省吉林人，東北電力大學碩士研究生，主要研究方向為旋轉機械故障診斷、檢測技術與自動化裝置，(Email)715065703@qq.com。

文獻標識碼：A