基于EMD與SVM的城軌列車滾動軸承故障診斷方法研究

何廣堅，邢宗義，左 成，張 永

（1.廣州市地下鐵道總公司 基地維修中心，廣州 510320；2.南京理工大學 自動化學院，南京 210094）

研究與開發

基于EMD與SVM的城軌列車滾動軸承故障診斷方法研究

何廣堅1，邢宗義2，左 成2，張 永2

（1.廣州市地下鐵道總公司 基地維修中心，廣州 510320；2.南京理工大學 自動化學院，南京 210094）

針對城軌列車的滾動軸承故障診斷問題，提出了一種經驗模態分解（EMD，Empirical Mode Deco-mposition）與支持向量機（SVM，Support Vector Machine）相結合的故障診斷方法。對采集到的振動信號進行小波消噪，利用經驗模態分解將振動信號分解為一組本征模態函數（IMF，Intrinsic Mode Functions），并計算其能量從而獲得信號的特征向量。采用支持向量機實現了滾動軸承故障分類。實驗結果表明，本文提出的方法能夠準確有效地識別城軌列車滾動軸承的工作狀態和故障類型。

軌道車輛；滾動軸承；故障診斷；經驗模態分解；支持向量機

滾動軸承是城軌列車走行系的重要組成部分，其服役狀態是否正常直接影響列車的安全運行，因此滾動軸承故障診斷是一個值得研究的重要問題[1～2]。城軌列車滾動軸承的故障診斷方法主要有溫度法、聲學法、振動法等[3～4]，其中溫度法對軸承燒傷診斷效果好，但不能及時發現軸承早期故障；聲學法傳感器安裝靈活，但噪聲信號嚴重且難以確定具體安裝位置；振動法在軸箱上安裝振動傳感器，測量振動信號，并對信號進行處理分析來判別軸承的運行狀態。由于振動法信號處理技術成熟，信號特征明顯，易于安裝與工程實施，且對軸承的早期故障診斷有效，因此是列車滾動軸承故障診斷最為廣泛的方法。

梁瑜等人[1]采用自適應傅立葉分解算法，將軸承的振動信號分解為一系列單一分量，然后進行共振解調，從而根據得到的頻譜判斷軸承發生故障的部位。劉建強等人[2]根據軸承徑向振動加速度信號，采用小波包-包絡分析和故障識別搜索算法，診斷軸承故障及故障類型。潘麗莎等人[3]采用小波消噪對診斷數據進行濾波，利用小波分解提取故障信號的能量特征向量，最后采用徑向基函數（RBF）神經網絡進行故障診斷。陶海龍等人[5]提出了一種基于改進粒子群優化算法的逆傳播（BP）神經網絡優化模型，實現了軸承故障診斷。危韌勇等人[6]以峭度等作為特征向量，建立支持向量機分類器，實現機車軸承狀態和故障類型的判斷。

本文采用經驗模態分解與支持向量機結合的方法對城軌列車滾動軸承進行故障診斷。對采集到的軸承振動信號進行小波消噪，利用經驗模態分解（EMD）提取故障信號的能量特征向量，最后利用提取的能量特征向量訓練支持向量機，進行故障診斷。實驗結果證明了基于EMD和支持向量機的方法在城軌列車滾動軸承故障診斷中的有效性。

1 振動信號的特征提取

振動信號特征提取在頻域內一般將信號分解為多個分量并計算每一個分量的特征值，以提取原始振動信號的特征。常用的信號分解方法包括傅立葉變換、小波分解和EMD等，其中EMD具有較強的自適應性，能夠有效提取信號微弱的特征，不再依賴于基函數，是進行滾動軸承振動信號處理的理想選擇[7～8]。由于采集振動信號的過程中存在噪聲，采用小波消噪法對信號進行去噪處理，可以更準確地對列車滾動軸承的振動信號進行分析。

1.1 EMD算法

EMD算法[9～10]將一個復雜的信號分解為若干個本征模態函數分量之和，每個本征模態函數必須滿足兩個基本條件：（1）整個數據段上的信號，過零點的個數和極值點的個數必須相等或相差最多不能超過一個；（2）在任意時刻，局部極大值點和局部極小值點分別形成的上下包絡線的均值為零。

對信號x(t)進行EMD處理步驟如下：

（1）計算信號x(t)的局部極大值點和局部極小值點，并將極值點用3次樣條曲線連接，形成信號的上下包絡線；

（2）將上下包絡線的平均值記為m1，求?。?/p>

如果滿足兩個基本條件，則h1(t)是x(t)的第1個本征模態函數（IMF）分量。

（3）如果則h1(t)不滿足兩個基本條件，則把其作為待處理信號，重復步驟（2）得到：

重復上述過程k次,直到h1k(t)滿足本征模態函數成立的兩個基本條件，把h1k(t)記為c1(t)，則c1(t)為x(t)的第1個IMF分量。

（4）將c1(t)從x(t)中分離出去，得：

2）在桃小越冬幼蟲出土前，結合春季追肥在樹冠垂直投影下覆蓋地膜，不但可以代替地面施藥，還可減少樹上噴藥次數，同時起到保溫增濕作用。果實套袋也可避免害蟲蛀果。

將r1(t)作為初始信號，再次對r1(t)重復上述過程，逐步分離出各個IMF分量如下：

當 rn(t)為單調函數或者cn(t) 小于某一閾值時，循環終止。

（5）將原始信號x(t)表示為多個IMF分量與殘余量之和：

其中，c1(t)，c2(t)，…，cn(t)為各階IMF分量，包含信號從高到低不同頻率段的成分，rn(t)為殘余量，表示信號的平均趨勢。

1.2 EMD分解特征能量的提取

在信號特征提取方面，可以直接對信號進行時域或頻域計算，獲得均值、峭度等特征參數，也可以對變換分解后的信號求取特征指標[11]。本文對EMD分解后的信號進行特征提取。列車滾動軸承正常工作和故障時在信號能量上有所區別，因此本文以EMD分解后各IMF分量的能量作為特征值，其步驟如下。

（1）計算IMF分量的能量Ei

（2） 構造能量特征向量T

2 基于支持向量機的故障診斷

支持向量機是在統計學理論和結構風險最小化原理的基礎上，為解決小樣本數據分類和非線性問題而提出的方法[12～13]，其基本思想是：（1）定義最優線性超平面，將尋找最優超平面的算法歸結為一個求解凸規劃的問題；（2）采取非線性映射將樣本空間映射到高維的特征空間；（3）應用線性學習機解決特征空間中高度非線性分類和回歸等問題。以圖1所示的兩維情況對支持向量機進行說明，實心點和空心點代表2類樣本，H為分類線，H1，H2分別為過各類中離分類線最近的樣本且平行于分類線的直線，它們之間的距離叫做分類間隔，所謂最優分類線就是要求分類線不但能將2類正確分開，而且使分類間隔最大，其中H1和H2上的訓練樣本點稱之為支持向量。

圖1 最優分類超平面

2.2 基于支持向量機的故障診斷建模

列車滾動軸承的工作狀態主要分為4種，即正常軸承、內圈故障、外圈故障和滾動體故障。本文采用有向無環決策支持向量機[14]進行滾動軸承故障診斷，其分類規則如圖2所示。其中A為正常的軸承，B為內圈故障，C為外圈故障，D為滾動體故障。

圖2 SVM多分類規則

SVM核函數選用高斯徑向基函數：

3 實驗與分析

3.1 實驗數據

實驗所用的軸承振動信號通過城軌列車滾動軸承故障試驗平臺采集獲得，軸承選用的是SKF型號軸承，實驗軸承包含正常、內圈故障、滾動體故障和外圈故障4種狀態的軸承，軸箱外殼上加裝625B10型加速度傳感器，采樣頻率為12 kHz。

由于采集振動信號的過程中存在噪聲，為了更準確地對列車滾動軸承的振動信號進行分析，采用小波消噪法對原始信號去噪處理。圖3給出了小波消噪后的振動信號。

圖3 消噪后的振動信號

3.2 軸承振動信號的特征提取

軸承振動信號經EMD分解后可以得到14個IMF分量，其中前6階IMF分量的振幅較大，包含了信號的絕大多數能量。圖4給出了正常及各故障狀況的前6階IMF分量的能量值，可見不同故障模式軸承的能量分布存在差異，因此可以選用能量向量作為支持向量機的輸入向量用于滾動軸承故障診斷。

3.3 基于SVM的故障診斷

為實現滾動軸承的正常、內圈故障、外圈故障和滾動體故障等4類故障形式的分類，采用有向無環決策SVM機進行故障診斷。SVM由6個子分類器組成，其子分類器的分類準確率如表1所示。

圖4 各故障狀況的IMF能量特征向量

表1 各子分類器的故障診斷結果

從表1可以看出，正常軸承與故障軸承的3個子分類器的故障診斷準確率分別為0.931 6、0.931 3和0.922 4，平均值為0.928 4，故障軸承的3個子分類器的故障診斷準確率分別為0.789 7、0.871 8和0.846 8，平均為0.831 6，因此正常軸承與故障軸承的子分類器的故障診斷準確性高于其它子分類器，平均準確性差值為0.096 8。針對正常、內圈故障、外圈故障和滾動體故障4種軸承，SVM故障診斷準確率分別為0.928 4、0.883 4、0.855 9和0.861 3，可以看出正常軸承的診斷準確率最高，外圈故障診斷準確率最低。

為形象描述SVM的故障診斷結果，圖5給出了故障分類圖，其中橫坐標為測試集樣本，從1～117為正常軸承，118～234為內圈故障，235～351為外圈故障，352～468為滾動體故障，縱坐標為類別標簽，A、B、C、D分別表示正常軸承、內、外圈和滾動體故障，可見正常軸承被錯誤診斷的樣本點數較少，而外圈故障被錯誤診斷的樣本點數最多。

圖5 故障分類圖

4 結束語

城軌列車滾動軸承的狀態對車輛安全運行至關重要，為此本文提出了一種基于經驗模態分解和支持向量機相結合的城軌列車滾動軸承故障診斷方法。采用小波分析進行原始信號消噪，利用經驗模態分解將振動信號分解為一組本征模態函數，并計算其能量從而獲得信號的特征向量，最后采用有向無環決策支持向量機進行滾動軸承故障模式分類。實驗結果表明，本文所提出的方法能夠準確、有效地實現列車滾動軸承故障診斷。

[1]梁 瑜，賈利民，蔡國強，劉金朝. 基于AFD算法的滾動軸承故障診斷方法[J]. 中國鐵道科學，2013，34（1）：95-100.

[2]劉建強，趙治博，章國平，等. 地鐵車輛轉向架軸承故障診斷方法研究[J].鐵道學報， 2015，37（1）：30-36.

[3]潘麗莎，陳 皓，秦 勇,等. 基于小波包和RBF神經網絡的軌道車輛滾動軸承故障診斷[J].鐵路計算機應用，2012，21（7）：8-11.

[4]魯文波, 蔣偉康. 利用聲場空間分布特征診斷滾動軸承故障[J].機械工程學報, 2012， 48（13）：68-72.

[5]陶海龍，辜琳麗，張勝召. 改進粒子群優化算法的BP神經網絡在機車滾動軸承故障診斷中的應用[J]. 鐵路計算機應用， 2012， 21（2）：9-12, 16.

[6]危韌勇，耿永強. 基于支持向量機的機車軸承故障診斷方法[J]. 鐵路計算機應用， 2007，16（9）：52-54.

[7]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.

[8]李 輝，鄭海起，唐力偉. 聲測法和經驗模態分解在軸承故障診斷中的應用[J]. 中國電機工程學報，2006，25（15）：124-128.

[9]徐曉剛，徐冠雷, 王孝通等. 經驗模式分解（EMD）及其應用[J]. 電子學報，2009，37（3）：581-585.

[10]Huang N E, Shen Z, Long S R．The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J]．Proceedings of The Royal Society A, 1998, 454(1971): 903-995．

[11]左 成. 基于安全域的列車滾動軸承診斷與預測方法研究[D].南京：南京理工大學， 2015.

[12]Cortes C, Vapnik V. Support vector networks [J]. Machine Learning, 1995， 20（3）： 273～297.

[13]張學工. 關于統計學習理論與支持向量機[J]. 自動化學報，2000，26（1）：32-41.

[14]王 艷，陳歡歡，沈 毅.有向無環圖的多類支持向量機分類算法[J].電機與控制學報，2011，15（4）：85-89.

責任編輯 方 圓

Fault diagnosis method for rolling bearing of metro vehicle based on EMD and SVM

HE Guangjian1, XING Zongyi2, ZUO Cheng2, ZHANG Yong2
( 1. Maintenance Center, Guangzhou Metro Corporation, Guangzhou 510320, China; 2. School of Automation, Nanjing University of Science and Technology, Nanjing 210094, China )

Aiming at the problem of fault diagnosis for rolling bearing of metro vehicle, a method combined empirical mode decomposition (EMD), with support vector machine (SVM) was proposed. Firstly, the collected vibration signal was de-noised by using wavelet method. Then, the obtained signals were decomposed into a fi nite number of intrinsic mode functions (IMF) whose energy feature parameters were calculated to construct feature vectors. Finally, a certain SVM classif i er was built to recognize the fault pattern.The experiment results indicated that the proposed method could identify fault patterns for ruling bearing accurately and effectively.

metro vehicles; rolling bearings; fault diagnosis; EMD; SVM

U266.2∶TP39

A

1005-8451（2015）08-0001-05

2015-01-15

國家“八六三”計劃項目（2011AA110506）。

何廣堅，工程師；邢宗義，副教授。