結(jié)合振動特征優(yōu)選和GWOA-XGBoost的電機軸承故障診斷

于 飛,樊清川,宣 敏

(海軍工程大學 電氣工程學院, 湖北 武漢 430033)

軸承在電機的運行中起著支撐和引導旋轉(zhuǎn)的作用,據(jù)統(tǒng)計,電機故障有40%左右是由軸承故障引發(fā)[1]。軸承是電機健康監(jiān)測的重要對象,直接影響到電機運轉(zhuǎn)的整體性能。因此,開展電機軸承的故障診斷研究意義重大。

目前基于振動信號的軸承故障診斷是最為常見的方法,當電機軸承出現(xiàn)故障時振動信號會出現(xiàn)明顯的沖擊波動,若對振動信號的時頻信號進行有效的提取,就能為電機軸承的故障診斷提供有利的數(shù)據(jù)基礎。文獻[2]利用經(jīng)驗模態(tài)分解獲得振動信號的固有模態(tài)函數(shù)(intrinsic mode function, IMF),再提取IMF分量的奇異值以獲得降維后的新特征向量,最后利用模糊神經(jīng)網(wǎng)絡有效地評估了電機軸承的運行狀況。文獻[3]提取了振動信號的能量特征,然后利用隱馬爾可夫模型建立分類模型,能夠有效區(qū)分不同類型故障的序列。文獻[4]將卷積神經(jīng)網(wǎng)絡(convolutional neural networks, CNN)應用于電機軸承的故障診斷中,同時還使用了傳統(tǒng)的快速傅里葉變換進行振動信號特征提取,但無法充分發(fā)揮CNN的特征提取優(yōu)勢,從而造成診斷效果欠佳。文獻[5]利用集成經(jīng)驗模態(tài)分解(ensemble empirical mode decomposition,EEMD)提取IMF分量,并通過Hilbert變換獲得包絡譜,最后利用優(yōu)化過的深度信念網(wǎng)絡(deep belief network, DBN)進行故障分類,結(jié)果較好,但在識別滾動體故障時準確率較低。文獻[6]采用連續(xù)小波變換將振動信號轉(zhuǎn)換為二維灰度圖像,將CNN從灰度圖像中提取的特征輸入射頻,有效診斷滾動軸承故障。文獻[7]提出了一種廣義多尺度動態(tài)時間彎曲算法,用于從風力發(fā)電機組齒輪箱振動信號中提取故障特征,采用拉普拉斯評分法選擇敏感特征構(gòu)造特征向量,采用隨機森林進行故障狀態(tài)分類。……