基于EEMD-SVM的自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障診斷方法研究

孟慶宇

(中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司，湖北 武漢 430063)

0 引言

目前，自動(dòng)扶梯應(yīng)用廣泛，已成為公共交通領(lǐng)域中不可或缺的部分，特別是在車站及地鐵等人流量密集的地點(diǎn)，自動(dòng)扶梯都被大量投入使用。隨著自動(dòng)扶梯越來(lái)越重要的今天，自動(dòng)扶梯事故卻呈上升趨勢(shì)，公眾對(duì)自動(dòng)扶梯運(yùn)行故障診斷需求越發(fā)強(qiáng)烈。國(guó)外知名的大型電梯公司都開(kāi)發(fā)有其專屬的電梯監(jiān)控系統(tǒng)[1]，但存在以下問(wèn)題：只能實(shí)現(xiàn)故障報(bào)警，無(wú)法實(shí)現(xiàn)故障診斷及預(yù)測(cè)；沒(méi)有建立設(shè)備健康指標(biāo)體系，無(wú)法提供設(shè)備健康趨勢(shì)預(yù)判，對(duì)運(yùn)維幫助有限。國(guó)內(nèi)對(duì)自動(dòng)扶梯監(jiān)控系統(tǒng)的相關(guān)研究起步較晚，在功能性及適用性方面都有較大欠缺。目前國(guó)內(nèi)開(kāi)發(fā)的電梯監(jiān)控系統(tǒng)只是實(shí)時(shí)監(jiān)測(cè)自動(dòng)扶梯的運(yùn)行狀態(tài)，無(wú)故障診斷功能，在許多方面均存在不足。

傳統(tǒng)的時(shí)頻處理方法有傅里葉變換，小波變換等，這些方法局限于平穩(wěn)信號(hào)，而軸承發(fā)生故障時(shí)的振動(dòng)信號(hào)以非平穩(wěn)信號(hào)為主。所以本文在現(xiàn)有特征提取與故障識(shí)別方法基礎(chǔ)上，提出一種基于EEMD-SVM的自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障診斷方法，實(shí)現(xiàn)了對(duì)自動(dòng)扶梯主驅(qū)動(dòng)軸軸承進(jìn)行故障預(yù)測(cè)及診斷，能夠有效預(yù)防自動(dòng)扶梯事故的發(fā)生。

1 基于EEMD的信號(hào)分解

在采集自動(dòng)扶梯主驅(qū)動(dòng)軸軸承振動(dòng)信號(hào)的過(guò)程中，會(huì)因各種原因?qū)е虏杉降男盘?hào)不是理想的故障狀態(tài)振動(dòng)信號(hào)，所以，如何提取振動(dòng)信號(hào)里能準(zhǔn)確表征故障狀態(tài)的特征是研究的關(guān)鍵[2]。

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)相較于傅里葉變換等傳統(tǒng)的時(shí)頻分析方法來(lái)說(shuō)，其在分析類似于軸承振動(dòng)信號(hào)這類非平穩(wěn)信號(hào)方面具有更好的效果。往往一個(gè)復(fù)雜的故障振動(dòng)信號(hào)，通過(guò)EMD分解，能夠分解成數(shù)個(gè)本征模態(tài)函數(shù)(IMF)，每個(gè)IMF分量具有不同的特征時(shí)間尺度，它代表了原信號(hào)在該特征時(shí)間尺度范圍內(nèi)的信號(hào)分量。因此，EMD具有自適應(yīng)性強(qiáng)和信噪比高的特點(diǎn)。

雖然EMD在分析軸承振動(dòng)信號(hào)這類非平穩(wěn)、非線性信號(hào)具有更好的效果，但是EMD仍然有2點(diǎn)影響其應(yīng)用的缺陷，分別是端點(diǎn)效應(yīng)與模態(tài)混疊現(xiàn)象。這2點(diǎn)缺陷都會(huì)影響EMD分解結(jié)果的準(zhǔn)確性和精準(zhǔn)度，而從影響EMD的應(yīng)用價(jià)值。針對(duì)這一問(wèn)題，Wu等提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解法(EEMD)[3]。EEMD是通過(guò)往原始信號(hào)中添加m組白噪聲，形成由m個(gè)信號(hào)組成的信號(hào)組，然后對(duì)每個(gè)信號(hào)進(jìn)行EMD分解得到m組IMF分量由這m組分量求總體平均，從而消除白噪聲的影響，將結(jié)果作為EEMD分解的IMF分量。

其具體分解步驟和原理如下：

a.一組白噪聲信號(hào)有m個(gè)，設(shè)為{n1(t),n2(t),…,nm(t)}，根據(jù)白噪聲的特性，每個(gè)白噪聲信號(hào)的方差相等、均值為零。將該組白噪聲信號(hào)添加進(jìn)原始振動(dòng)信號(hào)x0(t)，可得到由m個(gè)信號(hào)組成的一組信號(hào){x1(t),x2(t),…,xm(t)}：

xi(t)=x0(t)+ni(t),i=1,2,…,m

(1)

b.將加入白噪聲后形成的信號(hào)組{x1(t),x2(t),…,xm(t)}中的每一個(gè)信號(hào)xi(t)進(jìn)行EMD分解，得到n個(gè)IMF分量ci1(t),ci2(t),…,cin(t)和殘余分量Resin(t)之和。

c.對(duì)每個(gè)信號(hào)xi(t)重復(fù)以上步驟，得到m組IMF分量{[c11(t),c12(t),…,c1n(t)],…,[cm1(t),cm2(t),…,cmn(t)] }和m組余量[Res1n,Res2n,…,Resmn]T。

d.求出m組IMF分量所對(duì)應(yīng)的均值序列{c1,c2,…,cn}和m組余量的均值Res

(2)

cj表示原始振動(dòng)信號(hào)x0(t)通過(guò)EEMD分解后得到的第j個(gè)IMF分量;m則表示加入了m組白噪聲信號(hào);原始振動(dòng)信號(hào)x0(t)通過(guò)EEMD分解后，可以表示為

(3)

由于往原始信號(hào)中添加了白噪聲，為了消除白噪聲的影響，可以利用其方差相等、均值為零的特性，將原始信號(hào)使用EMD分解得到的每一組IMF求總體平均，作為EEMD分解得到的IMF分量。

通過(guò)某電梯維保公司，采集維保過(guò)程中故障自動(dòng)扶梯的主驅(qū)動(dòng)軸軸承振動(dòng)加速度信號(hào)，如圖1所示。

圖1 采集振動(dòng)加速度信號(hào)

2 故障信號(hào)特征提取

提取故障信號(hào)的特征是故障識(shí)別的關(guān)鍵所在，將故障振動(dòng)信號(hào)進(jìn)行EEMD分解得到的每一階IMF所具有的能量都代表了該故障振動(dòng)信號(hào)在相應(yīng)頻帶內(nèi)的能量[4]。因此每一階IMF分量的能量與自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障振動(dòng)信號(hào)之間具有映射關(guān)系，通過(guò)建立這種映射關(guān)系，以IMF的能量作為特征來(lái)組成特征向量，作為故障信號(hào)特征，從而進(jìn)行自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障預(yù)測(cè)與診斷。

進(jìn)行故障信號(hào)能量特征提取的具體步驟如下：

a.根據(jù)故障振動(dòng)信號(hào)分解出的IMF分量計(jì)算能量Ei。計(jì)算各IMF分量的能量Ei為

(4)

b.構(gòu)造特征向量。向量[E1,E2,…,En]表示原始信號(hào)能力在不同頻帶內(nèi)的組成。為了便于分析和處理，對(duì)上述向量歸一化，得到最終的特征向量為

(5)

以一組軸承外圈故障信號(hào)為例，該信號(hào)各階IMF能量組成的特征向量為T(mén)=[0.833,0.491,0.152,0.205,0.004,0.003,0.000,0.000,0.000]。其能量分布如圖2所示。

圖2 故障信號(hào)能量分布直方圖

該信號(hào)能量集中分布在前5階IMF，剩余的IMF分量則無(wú)明顯物理意義，屬于虛假分量。

將各類自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障振動(dòng)信號(hào)EEMD分解后的前5階IMF能量組成5維的特征向量，其中一組向量如表1所示。

表1 部分特征向量樣本

3 基于SVM的故障診斷模型建立

支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)理論結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的機(jī)器學(xué)習(xí)方法[5-6]。然而，在現(xiàn)實(shí)問(wèn)題中，遇到的大多是非線性問(wèn)題，往往線性不可分。針對(duì)這種情況，SVM基于核函數(shù)將二維空間中無(wú)法分類的數(shù)據(jù)映射到高維空間[7]，從而使得這些數(shù)據(jù)在高維空間里線性可分。

對(duì)自動(dòng)扶梯主驅(qū)動(dòng)軸軸承進(jìn)行故障診斷，需要建立診斷模型，基于SVM建立故障診斷模型步驟如下：

a.采集自動(dòng)扶梯主驅(qū)動(dòng)軸軸承外圈故障、內(nèi)圈故障、滾動(dòng)體故障、相關(guān)緊固件松動(dòng)和正常狀態(tài)等5種狀態(tài)，每種狀態(tài)分別采集20組信號(hào)、40組信號(hào)組成訓(xùn)練、測(cè)試樣本。訓(xùn)練樣本共100組，測(cè)試樣本共200組。

b.取訓(xùn)練樣本EEMD分解后的前5階IMF來(lái)計(jì)算能量值組成5維的特征向量。

c.基于100組訓(xùn)練樣本建立SVM的故障識(shí)別模型并進(jìn)行訓(xùn)練。

d.基于訓(xùn)練好的SVM故障識(shí)別模型，將200組測(cè)試樣本組成的特征向量作為輸入，從而驗(yàn)證該識(shí)別模型的正確率。

將軸承外圈故障，內(nèi)圈故障，滾動(dòng)體故障，相關(guān)緊固件松動(dòng)，正常狀態(tài)的類別分別設(shè)定為1，2，3，4，5。基于SVM建立故障診斷模型如圖3所示。

圖3 基于SVM的故障診斷模型

4 試驗(yàn)驗(yàn)證

通過(guò)訓(xùn)練樣本建立SVM故障識(shí)別模型后，以測(cè)試樣本進(jìn)行該模型的驗(yàn)證。同樣的，測(cè)試樣本也分為軸承外圈故障等5種狀態(tài)，以原始信號(hào)EEMD分解后得到的每階IMF的能量來(lái)組成特征向量，將其輸入到訓(xùn)練好的SVM故障識(shí)別模型中進(jìn)行識(shí)別，識(shí)別正確率對(duì)比如圖4所示。

診斷結(jié)果正確率如表2所示。

通過(guò)表2可以看出，總體分類正確率高達(dá)95.5%，試驗(yàn)驗(yàn)證可以得出基于EEMD-SVM的方法進(jìn)行自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障診斷具有較高的準(zhǔn)確率。

圖4 軸承故障診斷結(jié)果

表2 自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障診斷正確率

5 結(jié)束語(yǔ)

本文提出一種基于EEMD-SVM的自動(dòng)扶梯主驅(qū)動(dòng)軸軸承故障診斷方法。使用EEMD對(duì)自動(dòng)扶梯主驅(qū)動(dòng)軸軸承振動(dòng)加速度信號(hào)進(jìn)行分解來(lái)提取故障信號(hào)的能量特征，以此建立SVM故障識(shí)別模型，然后基于該模型對(duì)故障信號(hào)進(jìn)行診斷，從而確定信號(hào)狀態(tài)。該方法能較為準(zhǔn)確地識(shí)別故障，實(shí)現(xiàn)了對(duì)自動(dòng)扶梯主驅(qū)動(dòng)軸軸承進(jìn)行故障預(yù)測(cè)及診斷，能夠預(yù)測(cè)故障發(fā)生部位，可以有效預(yù)防自動(dòng)扶梯事故的發(fā)生。