基于層次化混合分類器的含未知故障風機軸承故障診斷方法

王 升，林 琳，陳 誠，張 杰，史建成

(吉林化工學院 信息與控制工程學院，吉林 吉林 132022)

風機軸承屬于風機傳動系統的核心部件，在運行過程中長期受持續的沖擊力并受載荷效應影響，容易在不同部位出現各種程度的故障損壞，任其發展到一定程度就會導致風機停機，進而造成嚴重經濟損失[1-2].因此，開展風機軸承的故障診斷研究在提高風機運行的可靠性、減少停機時間和降低發電企業經濟損失方面具有十分重要的現實意義[3].

風機工作環境復雜多變，因此采集到的信號中包含了非平穩和非線性信號及大量噪聲，傳統的時-頻域分析方法對此類信號的分析識別效果仍有待于進一步提高.近年來國內外學者對風機各類故障診斷進行了大量的研究，文獻[4]采用小波變換和閾值去噪法對風機軸承振動信號進行處理，計算求得振動信號的能量譜圖，軸承的KPI數值用能量譜圖的統計參數表示，最后對軸承故障進行診斷.文獻[5]采用小波變換方法將異步電機的電流信號去除相似特征干擾，并通過頻譜分析實現軸承故障診斷，但離散小波變換無自適應性，小波基和分解尺度需要人工選擇，且信號處理結果受參數影響較大.文獻[6]采用經驗模態分解和主成分分析法對滾動軸承故障進行分類，較準確識別多種故障狀態.文獻[7]提出了一種基于級聯自適應分段線性隨機共振系統降噪的經驗模態分解方法，該方法可以克服小波分解的非自適應缺陷，但其分解得到的信號IMF分量受到模態疊加現象的干擾，且存在理論不完整、計算效率低和端點效應等問題.本文使用的EWT方法可以克服EMD分解的IMF分量產生模態混疊的現象，結合了WT方法和EMD方法的優點，具備自適應分解能力，對風機軸承振動信號進行處理，為進一步的故障診斷創造基礎.

目前針對軸承故障分類的算法較多，有人工神經網絡[8]、極限學習機[9]、支持向量機和隨機森林算法[10]等.未知故障狀態的識別一直是故障診斷的難點，采用單一模型識別效果并不理想，為此，提出一種基于單類支持向量機(One Class Support Vector Machines，OCSVM)與極限學習機(Extreme Learning Machine，ELM)組合的層次化混合分類器的風機軸承故障診斷方法.首先，對風機軸承振動信號采用EWT方法進行分解；其次，對分解得到的各IMF分量提取時-頻域特征，構建初始特征向量集合；而后，采用Gini指數分析每個特征的重要度，按重要度進行排序，構建最優特征子集；最后，采用OCSVM與ELM方法構建混合分類器，可以有效對風機軸承信號的正常狀態、已知故障狀態及未知故障狀態進行識別.

1 EWT的基本原理

經驗小波變換(Empirical Wavelet Transform，EWT)通過頻譜的自適應劃分，可以將原始信號f(t)分解成M+1個固有模態函數(Intrinsic Mode Function，IMF)f(t)之和，IMF是一組調頻調幅(AM-FM)信號[11]，

(1)

EWT對信號的傅立葉譜進行分割，其中，經驗小波作為每個分割區間的帶通濾波器，經驗尺度函數和經驗小波函數表示如下：

(2)

(3)

β(x)為滿足式(4)的任意函數，

(4)

然后，計算尺度函數φ0與信號f的內積，獲得近似系數如式(5)所示，

(5)

計算小波函數與信號的內積獲得細節系數如式(6)所示，

(6)

其中，∧表示傅立葉變換；∨表示傅立葉逆變換；—表示求當前函數的復共軛.

最后，求得經驗模態分量fk如式(7)、(8)所示，

(7)

(8)

其中*表示求卷積.

2 風機軸承信號特征提取與故障診斷

2.1 風機軸承振動信號處理

以風機軸承外圈故障信號為例，采用EWT方法對其進行自適應分割.其原始振動信號如圖1所示，對其進行EWT后得到的IMF分量如圖2所示，

采樣點圖1 軸承外圈故障原始振動信號

采樣點圖2 軸承外圈故障信號EWT分解得到的IMF

由圖2觀察可知，對比單純的時域信號，經EWT分割后的信號幅-頻域特征更加豐富.

2.2 風機軸承振動信號特征提取

對風機軸承外圈故障振動信號進行EWT分解，得到IMF分量，從中提取15種時-頻域特征，其中時域特征10種，頻域特征5種.特征公式如表1所示.

表1 特征計算公式

特征集維數過高會導致分類器性能降低，診斷精度下降，診斷時間增加等問題[12].在此采用Gini指數作為評價指標對初始特征的重要度進行排序，再結合前向特征搜索策略構建最優特征子集.

若數據集S包含s個樣本，現將其分成n類，sa則表示第a類所含樣本的個數(i=1,2,…n)，數據集S的Gini指數表示如下：

(9)

其中，Pa=p(sa/S)=sa/s表示屬于第a類的任意樣本概率.

計算各特征的Gini重要度并排序,如圖3所示.

特征重要度圖3 特征重要度排序

由圖3觀察可知，其中特征F2、F8、F6、F4、F11、F3、F12、F1、F14、F9、F5和F10對應的重要度數值較大，更適用于風機軸承故障信號診斷.

2.3 風機軸承故障診斷

在實際工況下，風機軸承故障信號中若包含未知類型故障信號，由于該類型樣本未對分類器進行訓練，容易將該故障樣本識別為已知故障類型或正常狀態.OCSVM僅采用單一類型樣本進行訓練，即可實現對正常/故障狀態的有效識別，同時也可對故障類型進行已知/未知類型的識別.本文采用OCSVM與ELM聯合構建分類器，在以OCSVM能夠識別正常/故障類型的基礎上，再用其對已知/未知故障狀態進行識別，最后采用ELM方法進一步識別已知故障類型.采用OCSVM與ELM組合的分類器診斷流程如圖4所示.

圖4 層次化分類器診斷流程圖

3 實驗仿真與結果分析

為驗證方法可靠性，本實驗采用公有滾動軸承數據集(美國凱斯西儲大學提供)，以電機驅動端軸承為測試對象，數據集包括12 kHz采樣頻率下的軸承各狀態數據.軸承型號為SKF6205，轉速1 750 r/min.根據軸承轉速，每旋轉一周可采樣12 000/(1 750/60)個點，即411個點.樣本數據包括內圈故障、外圈故障、滾動體故障和正常4種狀態.10 000個數據點作為一組樣本，每種狀態各取100組構成樣本集，共400組樣本.

現將滾動體故障設為未知故障，分別采用ELM與SVM分類器對含未知故障數據樣本進行分類.其中，4種信號中正常信號樣本100組，3種故障狀態樣本各50組，ELM和SVM分類器的分類結果如表2和表3所示.

表2 ELM識別含無訓練樣本類型故障結果

表3 SVM識別含無訓練樣本類型故障結果

從ELM與SVM分類器識別結果可以看出，針對含標簽樣本的故障診斷，ELM可較準確對故障進行分類，而SVM將30組外圈故障誤識別為正常狀態.在包含未知故障(無訓練樣本)的情況下，ELM與SVM都無法對未知故障進行準確識別，其中ELM將10組未知故障誤識別為正常狀態，40組未知故障識別為外圈故障；而SVM將所有未知故障樣本識別為正常狀態.雖然ELM方法在已知故障識別方面優于SVM方法，但是單純采用ELM或SVM方法都難以準確識別包含未知故障類型樣本信號.

再以OCSVM-ELM(O-E)方法和本文提出的OCSVM-OCSVM-ELM(O-O-E)方法分別進行實驗，兩種分類器識別結果如表4和表5所示.

表4 O-E含無訓練樣本類型故障識別結果

表5 O-O-E含無訓練樣本類型故障識別結果

表4～5可知，OCSVM-ELM模型雖然可以彌補單一分類器錯誤地將未知故障識別為正常狀態的缺點，但無法準確識別未知故障類型，OCSVM-OCSVM-ELM可以對OCSVM-ELM的識別結果進一步分類，準確地識別出未知故障類型.

以上實驗結果表明，在出現未知故障情況下，新方法能較準確地識別風機軸承狀態，相較于單純使用ELM、SVM分類器，新方法在識別無訓練樣本的未知故障方面具有優勢.

4 結 論

本文提出了一種采用OCSVM-OCSVM-ELM構建層次化混合分類器的風機軸承故障診斷方法，可較準確地識別包含未知故障類型的風機軸承故障.該方法可較好識別風機軸承出現的新故障，有利于及早發現風機軸承存在的安全隱患，提高設備運行可靠性.