HMM在電機軸承上的故障診斷

于天劍，陳特放，陳雅婷，成　庶

(中南大學 交通運輸學院，410075 長沙)

?

HMM在電機軸承上的故障診斷

于天劍，陳特放，陳雅婷，成庶

(中南大學 交通運輸學院，410075 長沙)

摘要:為了提高其機械系統故障診斷能力及其準確性，以歷史的經驗數據為基礎對滾動軸承進行健康管理，提出一種新的基于多個隱馬爾可夫模型與蟻群聚類算法(ACC)和神經網絡相結合的方法來用于軸承故障的診斷與檢測，該方法采用HMM與模式識別相結合的方法通過對軸承振動信號進行特征提取，在時頻域內進行分析其老化的現象，分別將歷史數據和新數據進行故障診斷和檢測，并通過HMM和ANFIS來估計其剩余使用壽命和年限.實驗結果表明：HMM與模式識別相結合的方法可以準確地對故障進行診斷及預測，通過對結果分析可以得到該方法降低了計算的復雜度，提高了診斷的精度，通過對不同故障診斷實例詳細闡述了基于HMM故障診斷方法的有效性和可行性.

關鍵詞:故障診斷;隱馬爾可夫模型;ACC;電機軸承;模式識別

軸承在工業生產中一直扮演著很重要的角色，軸承的故障或者損壞會帶來很嚴重的危害和重大的經濟損失，準確地發現并探測出運行電機的故障有著很重要的意義[1]，新方法致力于開發故障診斷和預測的準確性，提高系統的安全性和可靠性，典型的軸承PHM系統包括特征提取、故障檢測、故障診斷和故障預測[2-3]，特征提取方法有時域分析法、頻域分析法和頻譜分析法[4]，故障的診斷與檢測方法有3個方面：基于模型式、數據驅動和基于經驗基礎的方法[5]，本文提出一種將數據模型和經驗基礎相結合的方法，數據驅動模型是用來檢測退化狀態的新方法，HMM是一種非平穩時間序列的統計建模方法[6]，廣泛應用于眾多領域當中(比如語音識別、電氣設備狀態監測、網絡狀態分析等方面)，而且著意于從概率角度刻畫動態系統的內在狀態與外在表現，既能反應對象的隨機性，又能反應對象的潛在結構，適用于復雜動態系統的建模問題[7]，故本文提出了一種新的基于隱馬爾可夫模型與模式識別及神經網絡相結合來對電機軸承進行故障診斷及預測，可以快速、準確地探測軸承的異常行為，有利于軸承故障的早期發現及診斷[8].

1特征值提取與故障檢測

系統結構框圖如圖1所示.首先是特征值提取，從軸承中檢測數據并用時域分析法進行處理以除去冗雜數據；故障診斷與檢測，是將收集到的特征數據和歷史數據在相同的條件下進行檢測，并將這些數據通過ACC(蟻群聚類算法)進行檢測；故障預測，是通過HMM方法和ANFIS方法進行故障預測.

圖1　軸承PHM系統

而其故障檢測的步驟為先對歷史數據和新數據進行特征檢測，之后通過蟻群聚類算法對數據進行分類，然后再對其擇優[11]，結構如圖2所示，其分類后數據狀態值如圖3所示，通過對特征值進行三維特征空間標準化的仿真,對歷史數據進行分類.

圖2　故障的檢測

圖3　歷史數據分類

從圖3可以看出，通過對歷史數據進行分類，其中故障狀態數據最少，中期狀態的數據最多，也是符合軸承的實際工作情況，然后再利用這些選好的數據繼續進行以下的故障預測.

2故障的診斷及預測

而Baum-Welch算法用于解決上述問題，參數估計的目標是調整模型參數λ，使產生訓練數據O的概率最大，可以通過連續迭代和變換目標函數為

從最后的公式中可以得出下一個時刻t+1時的狀態，但此時的觀測值Ot+1是不可用的，為此本文在此更換一個新的觀測值Csj來代替Ot+1，同樣bj(ot+1)是在0和1之間的值，也就是說通過一系列推導得到在t時刻Csj=bj(ot)，若Csj=1則為下一個可能發生的狀態[14]，由此成為了一個新的過渡：

3實驗結果

實際上在實驗室軸承參數是很難準確地測量和實時檢測的，由于在現場實驗也有很大的難度，所以本文搭建一個實驗平臺，來進行模擬真正的運行工況，然而實驗的過程并不能很快地反映軸承自然降解情況，通過人為地給其他軸承加徑向負荷以及一些電工損傷或加快轉速和運行時間來加快老化，這樣更能方便地檢測和分析結果.

分別選取同樣的4種軸承固定在同一個軸上，對于每個軸承給出不同的扭矩和負荷，其中轉速為2 000r/min，以恒定6 000N的徑向負荷放置在軸承上，如圖4所示，從實驗中選取相對比較好跟蹤的實驗數據，如峭度、平均值、平均功率等.用來驗證本文的診斷方法，用歷史數據來檢測未知狀態下的退化狀態，識別HMM模型參數.

圖4　軸承測試實驗

其中圖5(a)為對平均功率的信號提取，從采集軟件中本文注意到軸承(1,2,3,4)在2 000r/min和6 000N的徑向負荷下進行35d的電工實驗，可以看到第4根軸承有老化跡象，并且其平均功率有明顯的增加.圖5(b)中為對其特征值峭度的提取，從圖中可以看到經過28d的測試實驗第4根軸承開始老化，其峭度明顯增加，在31d后軸承3、4都開始老化并在第33d達到最大值，可以看到這兩個信號對故障的反映是十分重要的，再經過幾天的操作以后數據沒有明顯大的改變.

圖5　特征值對比情況

4故障預測

其中：Ej為Ωi的訓練值，μj為中心變量.

圖6　軸承狀態檢測及預測

圖7　各種狀態下的軸承概率值

5結論

1)針對歷史數據是很難獲得這一局限性，提出了一種新的應用在電機軸承的故障診斷及預測的方法.

2)利用HMM方法與ANFIS方法相結合的情況來對故障問題進行建模、在頻域內提取特征值、用ACC算法進行故障分類、最后用隱馬爾可夫模型方法進行了故障預測，并且在實際試驗當中驗證了其方法的準確性與持久性，得到的結果表明所提出方法用于軸承檢測、診斷、預警的可行性.

3)提出了一個新的問題，即如何用HMM來定位具體軸承的故障位置，知道了故障如何快速找到故障位置，也是在今后的研究中有待解決的問題.

參考文獻

[1]FROSINIL,BASSIE.Statorcurrentandmotorefficiencyasindicatorsfordifferenttypesofbearingfaultsininductionmotors[J].IEEETransIndElectron, 2010, 57(1): 244-251.

[2]IMMOVILLIF,COCCONCELLIM,BELLINIA,etal.Detectionofgeneralized-roughnessbearingfaultbyspectral-kurtosisenergyofvibrationorcurrentsignals[J].IEEETransIndElectron, 2009, 56(11): 4710-4717.

[3]ZHANGB,SCONYERSC,BYINGTONC,etal.Aprobabilisticfaultdetectionapproach:applicationtobearingfaultdetection[J].IEEETransIndElectron, 2011, 58(5): 2011-2018.

[4]IMMOVILLIF,BIANCHINIC,COCCONCELLIM,etal.Bearingfaultmodelforinductionmotorwithexternallyinducedvibration[J].IEEETransIndElectron, 2013, 60(8): 3408-3418.

[5]YAZIDIA,HENAOH,CAPOLINOGA,etal.Awebbasedremotelaboratoryformonitoringanddiagnosisofacelectricalmachines[J].IEEETransIndElectron, 2011, 58(10): 4950-4959.

[6]BARUAHP,CHINNAMRB.HMMsfordiagnosticsandprognosticsinmachiningprocesses[J].IntJProdRes, 2005, 43(6): 1275-1293.

[7]RAMMOHANR,TAHAM.ExploratoryinvestigationsforintelligentdamageprognosisusinghiddenMarkovmodels[C]//Proc2ndIEEEConfSystemsManandCybernetics.Piscataway:IEEEPress, 2005: 1524-1529.

[8]CHENC,ZHANGB,VACHTSEVANOSG.Machineconditionpredictionbasedonadaptiveneurofuzzyandhigh-orderparticlefiltering[J].IEEETransIndElectron, 2011, 58(9): 4353-4364.

[9]STRANGASE,AVIYENTES,NEELYJ,etal.Improvingthereliabilityofelectricaldrivesthroughfailureprognosis[C]//Proc2ndIEEEConf(SDEMPED).Piscataway:IEEEPress, 2011: 172-178.

[10]MAHAMADAK,SAONS,HIYAMAT.Predictingremainingusefullifeofrotatingmachinerybasedartificialneuralnetwork[J].ComputMathAppl, 2010, 60(4): 1078-1087.

[11]BENKEDJOUHT,MEDJAHERK,ZERHOUNIN,etal.Faultprognosticofbearingsbyusingsupportvectordatadescription[C]//Proc9thIEEEConfPrognosticsandHealthManagement.Piscataway:IEEEPress, 2012: 1-7.

[12]于天劍,陳雅婷,陳特放.基于HMM在電機故障診斷上的研究[J].鐵道科學與工程,2014, 11 ( 4 ): 103-108.

[13]ZAIDIS,AVIYENTES,SALMANM,etal.PrognosisofgearfailuresinDCstartermotorsusinghiddenMarkovmodels[J].IEEETransIndElectron，2011, 58(5): 1695-1706.

[14]CAMCIF,CHINNAMR.HierarchicalHMMsforautonomousdiagnosticsandprognostics[C]//Proc9thIEEEConfNeuralNetworks.Piscataway:IEEEPress, 2006: 2445-2452.

[15]WANGT,YUJ,SIEGELD,etal.Asimilarity-basedprognosticsapproachforremainingusefullifeestimationofengineeredsystems[C]//Proc7thIEEEConfPrognosticsandHealthManage.Piscataway:IEEEPress, 2008: 1-6.

(編輯魏希柱)

Fault diagnosis of bearing failure using HMMS

YU Tianjian, CHEN Tefang, CHEN Yating, CHENG Shu

(School of Traffic and Transportation Engineering, Central South University, 410075 Changsha, China)

Abstract:In order to improve the fault diagnosis ability of the system and its accuracy, with previous experience in this article is based on data Rolling health management, this paper presents a novel based on multiple hidden Markov models and Kazuo artificial neural network algorithms and methods of combining ant colony to be used to diagnose and detect bearing faults, which uses HMM and pattern recognition method by combining the bearing vibration signal feature extraction, in the frequency domain analysis of the aging phenomenon, namely the historical data and the new data fault diagnosis and testing, while HMM and ANFIS fault prediction is to estimate the remaining useful life and the life. The experimental results show that the method of HMM and pattern recognition can be used to diagnose and predict the faults. The method can reduce the computational complexity and improve the accuracy of diagnosis, through the different fault diagnosis example elaborates on HMM-based fault diagnosis method effectiveness and feasibility.

Keywords:diagnosis; hidden Markov models; ACC; motor bearings; pattern recognition

中圖分類號:U265

文獻標志碼:A

文章編號:0367-6234(2016)02-0184-05

通信作者:成庶，6409020@qq.com.

作者簡介:于天劍(1988—), 男，博士研究生;

基金項目:國家自然科學基金(61273158).

收稿日期:2014-12-22.

doi：10.11918/j.issn.0367-6234.2016.02.032

陳特放(1957—), 男，博士生導師.