基于EEMD與SVM的滾動(dòng)軸承故障診斷分析

巴 頔，張宏斌，張文華

(齊齊哈爾大學(xué) 機(jī)電工程學(xué)院，黑龍江 齊齊哈爾 161006)

0 引言

滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的重要部件被廣泛應(yīng)用于裝備制造、航空航天、石油化工、農(nóng)機(jī)工程等領(lǐng)域[1-2]。長期處于復(fù)雜多變的工作環(huán)境下的滾動(dòng)軸承呈現(xiàn)出高故障率的特點(diǎn)，從而對旋轉(zhuǎn)機(jī)械設(shè)備工作狀態(tài)的穩(wěn)定性造成很大影響，因此，對滾動(dòng)軸承劣化過程的研究十分必要[3-6]。

近年來基于故障振動(dòng)征兆的診斷分析被大量應(yīng)用在滾動(dòng)軸承故障診斷的研究中[7-9]。針對滾動(dòng)軸承故障信號非線性、非平衡的特點(diǎn)，本文提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)指標(biāo)能量的滾動(dòng)軸承故障分析方法。基于滾動(dòng)軸承故障振動(dòng)時(shí)間序列表現(xiàn)出的非平穩(wěn)性、非線性特點(diǎn)，采用集合經(jīng)驗(yàn)?zāi)B(tài)分解對其振動(dòng)征兆進(jìn)行平穩(wěn)化處理，并提取故障振動(dòng)時(shí)間序列指標(biāo)能量以構(gòu)建故障特征向量，然后將其輸入到SVM中實(shí)現(xiàn)對滾動(dòng)軸承故障的識別分類。結(jié)果表明EEMD指標(biāo)能量能夠有效表征軸承故障特征，并且基于EEMD與SVM的滾動(dòng)軸承故障診斷方法具有較高的識別率。

1 EEMD算法與指標(biāo)能量

EEMD算法作為一種針對非平穩(wěn)、非線性時(shí)間序列的分析方法，在避免EMD分解模態(tài)混疊的基礎(chǔ)上，將滾動(dòng)軸承故障振動(dòng)信號分解成有限個(gè)固有模態(tài)分量(IMF)，各IMF分量包含了原始時(shí)間序列在不同時(shí)間尺度上的時(shí)頻特征。滾動(dòng)軸承不同故障類型的振動(dòng)時(shí)間序列表現(xiàn)出不同的波動(dòng)特性，其能量隨時(shí)間和頻率的分布而改變，各頻率成分的能量中包含大量故障信息，能夠通過其能量特征對不同故障類型進(jìn)行表征。為了能夠更好地表征滾動(dòng)軸承不同故障的能量特征向量，引入指標(biāo)能量的概念，即時(shí)間序列某一分量的相對能量占比，其數(shù)學(xué)表達(dá)式如下

式中，ECi和E分別為第i個(gè)IMF分量Ci和振動(dòng)時(shí)間序列X的能量參數(shù)；m和n分別為IMF分量和振動(dòng)時(shí)間序列X的數(shù)據(jù)長度；Ei為IMF分量Ci的指標(biāo)能量。IMF分量Ci指標(biāo)能量越大，其相對能量占比越大，與故障特征的關(guān)聯(lián)度越高。

2 EEMD與SVM的滾動(dòng)軸承故障診斷方法

滾動(dòng)軸承故障振動(dòng)時(shí)間序列的各IMF分量Ci的指標(biāo)能量表征其在某一尺度下所蘊(yùn)含的故障特征信息。時(shí)間序列X的指標(biāo)能量則表征其在多個(gè)特征尺度下所蘊(yùn)含的全部信息。將指標(biāo)能量作為SVM的特征參數(shù)，能夠較好地進(jìn)行滾動(dòng)軸承故障識別，其診斷過程如圖1所示。

圖1 故障診斷流程

3 實(shí)驗(yàn)驗(yàn)證

采用美國凱西西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心提供的驅(qū)動(dòng)端振動(dòng)加速度數(shù)據(jù)進(jìn)行可行性驗(yàn)證，測試軸承為斯凱孚SKF6205-2RS深溝球軸承[10]。滾動(dòng)軸承故障狀態(tài)振動(dòng)時(shí)間序列測試平臺，如圖2所示。測試平臺由電動(dòng)機(jī)、扭矩傳感器、功率測試儀及控制器四部分組成。滾動(dòng)軸承故障狀態(tài)的典型振動(dòng)時(shí)間序列，如圖3所示。

圖2 滾動(dòng)軸承故障狀態(tài)振動(dòng)時(shí)間序列測試平臺

圖3 滾動(dòng)軸承正常與故障狀態(tài)振動(dòng)信號

軸承轉(zhuǎn)速1 772 r·min-1、采樣頻率12 kHz、單點(diǎn)直徑損傷0.177 8 mm時(shí)不同故障樣本數(shù)據(jù)及標(biāo)簽如表1所示。樣本包含3種故障類型和1類正常數(shù)據(jù)，每類選取270個(gè)樣本。其中訓(xùn)練樣本220個(gè)，測試樣本50個(gè)，每個(gè)樣本的采樣點(diǎn)數(shù)為1 800。

表1 測試數(shù)據(jù)集

計(jì)算所用樣本的EEMD指標(biāo)能量，構(gòu)建故障特征向量T，將訓(xùn)練樣本特征向量輸入到SVM分類器中進(jìn)行訓(xùn)練。由于測試樣本較多，文中只列出測試樣本的診斷結(jié)果如表2所示。在識別過程中僅在正常和內(nèi)圈故障出現(xiàn)誤識別的情況，其余故障都得到了準(zhǔn)確識別，總體準(zhǔn)確率達(dá)到了99%，表明該方法能夠?qū)L動(dòng)軸承故障進(jìn)行有效診斷。

表2 測試樣本診斷結(jié)果

4 結(jié)論

本文提出并實(shí)現(xiàn)了一種基于EEMD與SVM的滾動(dòng)軸承故障診斷方法，實(shí)現(xiàn)了故障的有效診斷并且準(zhǔn)確率較高。同時(shí)也發(fā)現(xiàn)軸承的劣化過程還需要進(jìn)一步研究。