基于SαS和SVM方法的滑動油膜軸承故障診斷預測

王晚英

(咸寧職業教育(集團)學校，湖北 咸寧 437000)

0 引言

為了有效監測滑動油膜軸承運行狀況，需對其進行故障信號分析，這就要求對故障信號進行準確收集[1-3]。在軸承出現損傷而引起故障情況下，與正常運行工況相比，會產生劇烈變化，此時收集到的軸承信號中存在同類故障的不同損傷信號[4-7]。因為機械信號存在明顯的隨機性，這使其呈現非高斯性的變化特征，考慮到α穩態(α-stable,αS)分布能夠針對非高斯信號高效處理，因此該方法被廣泛引入信號處理領域[8-10]。

對稱α穩態分布(symmetricα-stable, SαS)方法[11]屬于一種建立在廣義中心極限定理基礎上的非高斯信號分析方法。國內學者李長寧[12]重點分析了SαS的統計規律，并根據SαS特點構建了一套高效的信號建模理論，該理論可以把建立在主觀判斷基礎上的概率密度擬合優度檢驗方法擴展為根據SαS特征函數實現的客觀擬合優度檢驗方法。之后，余香梅等[13]為分析齒輪箱故障信號中存在的大量非高斯脈沖信號，以SαS的特征參數作為識別故障類型的特征參數，同時驗證表明SαS具備比高斯分布更強的實用性。唐友福等[14]根據往復壓縮機信號存在非高斯脈沖特性情況，利用分數低階統計量提取得到特征信息。

針對發電機軸承故障診斷方面，尚未有學者利用SαS法來分析其信號或開展故障識別方面的研究工作[15]。考慮到SαS特征非常適合對軸承進行故障診斷研究，根據以上研究結果，本文分析了軸承發生故障時形成的信號特征，同時構建了數學模型，采用滑動油膜軸承實測信號作為測試信號，對故障進行了診斷分析。

1 模型建立

1.1 建立故障模擬

選擇SMS162250LB型滑動油膜軸承作為實驗對象，表1給出了該軸承的各項參數。

表1 軸承參數

1.2 診斷方案設計

獲得軸承故障模擬后，根據故障種類建立原始信號，分別得到內環故障、外環故障與滾動體故障的信號樣本；同時對各組樣本信號按照逐段增加與總體估計的方式進行處理，每當信號長度增加后就同步完成一次總體參數估計，獲得各組樣本α參數的變化信息；之后再預測α參數的變化情況，通過擬合方式獲得各組信號樣本的α參數特征，獲得樣本的特征分量；再把診斷樣本輸入到支持向量機(support vector machine, SVM)分類預測診斷程序內計算得到診斷結果，具體流程見圖1。

圖1 故障診斷方案流程圖

1.3 預測方法

按照現有實際數據對數學模型實施多項式擬合，獲得多項式參數。利用最小二乘法擬合如下：

(1)

(2)

(3)

式(3)是p多元函數。按照多元函數計算極值的必要條件得到線性方程矩陣：

(4)

求解上式得到pk。對油膜軸承進行故障診斷時，通過數學擬合獲得α參數特征，再以該特征信息完成故障診斷。

2 結果分析

2.1 軸承信號分析

從原始信號中選取100組樣本作為分析對象。為樣本建立模擬再對其過渡處理。

圖2是內環故障信號處理前后波形。獲得模擬樣本之后，按照每組數據增加128個就對其開展一次α參數估計，得到圖3中的α值與γ值變化信息。該組樣本α與γ基本保持穩態，而發生內環損傷時方式會明顯改變，同時發現當損傷程度加大后，α值發生了持續減小，而γ值發生持續增大的變化特征。隨故障程度的增大，信號分布也會發生變化。應將α參數擬合的階數k設定在3～5合理范圍內。設定k為4，再擬合各組α和γ參數，得到表2所示的α和γ參數多項式擬合參數，實測集和預測集各測試3組。

圖2 內環故障信號處理前后波形

圖3 內環故障信號α值和γ值分布

表2 部分診斷樣本

圖4給出了SVM的預測診斷結果(圖中1表示內環；2表示滾動體；3表示外環)，發現測試集準確率達到92%。圖5是通過交叉驗證法選取SVM參數情況(圖中1表示內環；2表示外環)。

圖4 SVM 默認參數下的故障診斷結果

圖5 交叉驗證法SVM預測故障診斷結果

根據圖5可知，測試集被全部正確分類，獲得了100%的準確率。這是因為軸承信號中存在明顯的故障特征，測試獲得了顯著的效果。測試表明本文設計的方法達到了有效性與準確性要求。

2.2 油膜軸承信號分析

在實際運行過程中，滑動油膜軸承的故障信號只包含正常、內環、外環3類，并且都是在沒有發生損傷情況下采集獲得。對內環故障進行分析時，內環故障濾波信號見圖6。可以看到，到達0.13 s時，信號突變性顯著減弱。

圖6 內環故障濾波信號

以模擬作為信號樣本并對其實施分組，分別得到40組內環與外環故障構成的信號樣本。圖7(a)是對內環故障α值進行擬合所得結果，圖7(b)給出了外環故障一組的α值與擬合結果。內環與外環故障形成了不同的4階擬合圖形，可將其作為故障診斷樣本。

圖7 動態α值變化信息

表3給出了不同SVM參數故障診斷結果。將內、外總共40組診斷樣本作為訓練集輸入SVM預測診斷程序完成訓練后，獲得故障診斷訓練模型，之后通過此模型診斷測試；遺傳算法(genetic algorithm, GA)取自于文獻[16]。根據表3可以發現，以SVM預測診斷程序診斷測試集時，默認SVM參數下內環和外環達到的診斷準確率分別為77.4%和80.2%；當選擇SαS和SVM方法進行處理時，內環和外環診斷準確率依次達到94.2%與95.3%，準確率發生了顯著提升。當準確率達到90%以上時便能夠滿足油膜軸承故障診斷的需求。以上測試結果表明，利用本文方法可以有效、準確地診斷出滑動油膜軸承的故障。

表3 不同SVM參數故障診斷準確率 單位：%

3 結語

本文利用SαS法設計了軸承故障診斷方法，再把診斷樣本輸入到SVM多類分類器內完成訓練與預測過程，實現油膜軸承故障診斷。開展了滑動油膜軸承實測信號驗證，驗證發現采用本文方法可以對故障下形成的軸承信號進行準確診斷，為軸承的故障診斷提供了理論參考依據。