基于MSE和PNN的機械裝備滾動軸承故障判別

王偉，周波，張銳敏

（1.新疆天業（集團）有限公司；2.第八師石河子市應急管理局，新疆 石河子 832000；3.石河子大學機械電氣工程學院，新疆 石河子 832003）

現代生產企業中存在大量的機械加工和制造設備，由于滾動軸承摩擦阻力比較小，裝配和更換較為方便，從而被廣泛地應用在機械加工和制造設備中。滾動軸承的性能直接影響整個設備的性能和安全，由于裝配工藝、材料和長期工作在交變負荷的工作環境中，滾動軸承經常發生各種故障，導致設備停機，生產停滯，甚至財產損失和人員傷害。因此，對滾動軸承故障的檢測和識別對現代生產企業具有重要的意義。滾動軸承發生故障時，很多方法用于軸承的故障診斷，常見的時頻分析方法有短時傅里葉變換的方法、魏格納分布的方法、小波變換等，但短時傅里葉變換的時頻窗口大小固定不變，魏格納分布分析時會產生交叉項，小波變換雖然時頻窗口可變，但是，自適應能力較差，因此，都存在一定的局限性。熵是一種非常有效的檢測信號動態特性的方法，目前基于熵的故障診斷方法越來越多受到關注。比如，使用樣本熵、排列熵，但樣本熵對于長時間序列計算效率比較低，排列熵雖然計算簡單并且計算速度較快，然而，對于較長的時間序列排列熵沒有考慮不同。

1 多尺度熵

2002年，Costa等提出了多尺度熵的方法，通過多個尺度來衡量時間序列的復雜性。

1.1 樣本熵(Sample Entropy,SampEn)

（1）通過嵌入維數m構建嵌入向量

（2）計算任意兩個向量和的距離

（6）樣本熵定義為

當N為有限數時，

1.2 多尺度熵

僅僅通過單一尺度的樣本熵很難表達非線性時序信號內在的復雜性，多尺度熵通過在多個尺度上描述信號的復雜性，能夠更加完整和全面的描述信號。多尺度熵算法主要包括兩個步驟：

（1）粗粒化過程，獲得原始時間序列在多個不同時間尺度上的表達，對于原始時間序列，通過尺度因子τ建立新的粗粒化向量：

2 概率神經網絡PNN

PNN是一種利用Parzen非參數概率密度函數估計和Bayes分類規則的直接神經網絡的實現。它通常包括四層，第一層為輸入層，用來接收輸入樣本數據；第二層為模式層，將輸入樣本與模式類別進行非線性映射關系的匹配；第三層為求和層，用來完成概率估計；最后一層為決策輸出層，用于輸出類別數。

3 實驗

3.1 實驗數據

本次實驗滾動軸承數據來自美國西儲大學軸承數據中心。實驗臺由一臺1.49kW的三相電機，一臺測功機，型號為6205的SKF深溝球軸承，力矩傳感器和聯軸器等輔助設備組成。共模擬了正常、內圈故障、外圈故障、滾動體故障等四種故障類型，以及不同故障深度的共計七種工況。每種工況的振動數據通過安裝在實驗裝置表面的加速度傳感器進行收集，采樣頻率為12KHz，電機轉速為1730轉/分，表1給出了七種工況的詳細情況說明。

表1 軸承工況說明

3.2 實驗分析

對采集到的七種工況的加速度信號每類工況選擇59個樣本，每個樣本長度為2048，共計413個樣本進行分析。七種工況的時域信號如圖1所示，我們在時域分析中可以看出，正常工況與故障條件下運行工況的信號是有所區別的，但是，不同故障以及相同故障不同故障程度的信號卻很難區分開來。

根據文獻，我們對每組工況的樣本選擇尺度因子為20，嵌入維數為2，相似容限為0.15SD計算多尺度熵，計算結果如圖2所示。我們可以看出，隨著尺度因子的增大，七種工況的多尺度熵在不斷減少。當尺度因子為1時，七種工況能夠很清楚地被區分，當尺度因子大于2時，正常工況下的多尺度熵值要高于其他六種工況，根據熵的定義，當信號越復雜其熵值也會越高，正常工況軸承信號中包含的自身的振動成分以及來自實驗臺其他部件的振動成分，其振動信號相對比較復雜，因而熵值也較大，這符合實際情況。滾動軸承使用過程中，通常內圈隨軸轉動，外圈固定，因此，內圈的故障比外圈故障更復雜，所以內圈故障信號的熵值比外圈故障的熵值大。滾動體因為在內外圈中間，自身振動的同時也受到內外圈振動的影響，其振動信號成分也比較復雜，多尺度熵值也要高于內圈故障和外圈故障的值。當軸承在同一種故障情況下，不同故障程度時，我們從圖中可以看出，也能比較清楚進行區分。因此，采用多尺度熵能夠較好地分辨出故障類型。

圖1 時域信號

圖2 軸承故障信號多尺度熵分析結果

為了更加準確地分辨出滾動軸承的故障類型和不同的故障程度，從以上七種工況的軸承振動信號數據中，每種工況隨機選擇30個作為訓練樣本，剩下作為測試樣本，用概率神經網絡作為分類器。

圖3為分類結果，其中，每種工況的類別標簽如表1，可以看到，除了外圈中度損傷有1個樣本誤判為內圈中度損傷，識別率為96.55%，其他六種工況都能很好地被判入相應的類別中，識別率都為100%。七種工況的識別率總體識別率為99.51%，較好地實現了滾動軸承的故障判別。為了對比PNN判別的效果，我們采用BPNN對七種工況數據進行判別，訓練樣本和測試樣本與PNN相同，識別率為90.15%。說明采用MSE進行故障特征的提取，并利用PNN進行故障的分類，能夠更加精確地將故障類別和故障程度進行劃分。

圖3 PNN方法預測結果

4 結語

將非線性動力學分析方法多尺度熵應用于滾動軸承的故障數據的特征提取中，并將提取的特征向量輸入概率神經網絡，進行滾動軸承工作狀態的模式識別。實驗結果表明：該方法能夠有判別出機械設備中滾動軸承不同部位以及不同損傷程度的故障信息，具有較高的識別精度和識別能力。