基于支持向量機的農機滾動軸承故障診斷系統設計

田 珂 ，喬笑笑

（長安大學工程機械學院，陜西 西安 710064）

0 引言

隨著我國現代科學技術的進步以及現代化制造業的發展，農機設備越來越復雜，自動化水平越來越高，農機設備在現代化工業中的作用和影響也越來越大[1]。由于許多事情都是不可避免的，所以機械裝置在運轉過程中會出現各種故障，失去和降低應有的功能，會直接影響生產率，帶來巨大的經濟損失，還可能會導致嚴重的人員傷亡，因此人們對安全性、可靠性的要求也越來越高[2]。導致軸承等農機零部件產生故障的原因有很多，例如所用油脂中含有大量雜質、軸承游隙太小或太大、潤滑狀況不好、密封問題、軸承中混入了粉塵或沙粒等部分雜質，這些都是使得機械裝置出現運動異常的原因，久而久之就會造成整個農機設備癱瘓，無法正常運行[3]。所以對于一些農機設施應該進行日常定期巡檢和維護，及時發現隱患并解決處理。

通過智能診斷技術，能夠及時準確地發現農機裝置發生故障的原因，并進行預警，從而提高工作環境的安全性[4]。并且，定期維護可以使農機裝置的工作壽命更加長久，帶來更大的經濟效益。目前，在故障診斷中常用的方法有深度學習、圖像處理、超聲波故障診斷等[5]。本文采用支持向量機來對故障類型進行分類預測，故障系統的主要組成為信號分析與處理以及基于支持向量機的模式識別兩部分。首先，對故障信號數據進行預處理，消除干擾和噪聲等影響。其次，對原始信號和去噪后的信號分別進行時域分析和頻域分析，將提取的時域特征值按照一定比例劃分為訓練集和測試集，并將訓練集和測試集輸入到支持向量機程序，完成故障分類及結果顯示。最后，將MATLAB 和LabVIEW 連接起來，在LabVIEW 上實現故障診斷分析模塊與模式識別顯示模塊的設計。

1 信號分析與特征參數提取

1.1 數據預處理

經過數據采集儀采集后的信號會受到各種內外部環境因素的影響，從而導致獲得的數據存在一些有問題的信號成分。在使用采集得到的數據前，要先進行數據預處理，來消除信號中的噪聲和干擾，從而使信號分析的結果更加可靠。本實驗主要采用了小波去噪[6]來消除原始信號中的噪聲等雜質，顯示出要進行信號分析中的一些信號局部化特征，并且可以自適應地調整去噪強度，同時不會對信號的細節部分造成過大的影響。小波去噪的具體步驟如下。

1）對數字信號進行小波變換：將數字信號轉換為小波變換形式，通常使用離散小波變換（DWT）進行小波變換。

2）識別噪聲頻率分量：通過對小波變換結果進行分析，識別出噪聲的頻率分量，通常使用閾值法或相關法來確定噪聲頻率分量。

3）刪除噪聲頻率分量：將識別出的噪聲頻率分量從小波變換結果中刪除，從而實現去噪的目的。

4）重建信號：在刪除噪聲頻率分量后，使用小波變換對信號進行重構，以恢復原始信號。

1.2 時域特征分析

通過對信號進行時域分析可以有效地提高信噪比，獲得信號波形在不同時刻的信號特征，求出反映機械設備運行狀態的特征參數，從而實現機械設備的動態分析和故障診斷[7]。對去噪后信號的時域分析結果如圖1所示。

圖1 去噪信號時域分析

1.3 頻域特征分析

在故障診斷中采用時域分析的方法雖然能大致判斷出是否發生故障，但是無法明確地辨別出具體是哪一種故障。在故障特征頻率計算后，通過頻域分析生成的頻譜圖可清晰地找到特征頻率，從而能夠判斷故障類型。常用的頻域分析方法有倒頻譜、功率譜、頻譜等[8]。對去噪后信號的頻域分析結果如圖2 所示。

圖2 去噪信號頻譜分析

1.4 時域特征值提取

時域特征值包括有量綱和無量綱指標，提取振動信號的時域特征值，并將提取的特征值按照一定的比例劃分為訓練集和測試集，將所得的訓練集和測試集導入SVM 工具中，求得分類準確率。當進行數據處理時，首先要將測得的信號經過A-D 轉換，轉變為離散的時間序列。

其中，有量綱參數統計指標[9]的計算公式總結如表1所示。

表1 有量綱指標計算公式

無量綱指標不因工作條件負載的變化而變化，因此與有量綱指標比較起來，相對穩定，不易受到外界環境因素的影響。無量綱指標主要有峰值指標、脈沖指標、裕度指標、峭度指標、波形指標等[10]。

1.4.1 峰值指標

峰值指標在定義上是信號峰值與有效值的比值，因為峰值穩定性差，所以在故障診斷中逐漸被取代。峰值指標公式表示如下。

1.4.2 脈沖指標

脈沖指標和峰值指標主要在分母上不一樣，脈沖指標在定義上是信號峰值與絕對值的平均值之比。脈沖指標的數值大小是為了檢測信號中是否含有沖擊成分。脈沖指標公式表示如下。

1.4.3 裕度因子

裕度因子在定義上是信號峰值與方根幅值相除得到的結果，主要作用是用來檢測機械設備的磨損狀況。裕度指標公式表示如下。

1.4.4 波形指標

波形指標在定義上是有效值與整流平均值相除得到的結果，波形指標也可以看作脈沖指標除以峰值指標。波形指標公式表示如下。

2 故障診斷系統設計

2.1 系統界面設計

基于支持向量機的故障診斷系統主要包括兩大部分，分別是信號分析與處理以及基于支持向量機的模式識別部分。本文故障診斷系統總體界面前面板如圖3所示。

圖3 故障診斷系統界面前面板

2.2 實測數據驗證

為了驗證整體系統的準確性，對實測的數據進行分析與驗證。對信號進行分析與處理選用的是農機負載軸承內圈故障的一組數據，將該故障數據導入信號分析程序中，最終在原始信號選項卡上生成時域波形圖、頻域波形圖和提取的特征值，通過時域波形圖可以清楚地觀測出機械設備發生突發狀況的變化情況，通過頻域波形圖可以觀測到數據的最大頻率值和最大幅度值等。將負載軸承內圈的原始數據導入信號分析的程序中，點擊運行按鈕，生成的時域波形圖、頻域波形圖分別如圖4、圖5所示。

圖4 原始信號時域波形圖

圖5 原始信號頻域波形圖

將原始信號經小波去噪處理后，通過頻域波形圖和時域波形圖可以明顯地看出其去噪效果，刪除了原始信號中的大量噪聲和干擾，削弱了原始信號中的多余組分，能夠更好地對故障類型進行分類預測。對去噪后的信號進行分析，去噪信號時域波形圖、頻域波形圖分別如圖6、圖7 所示。

圖6 去噪信號時域波形圖

圖7 去噪信號頻域波形圖

支持向量機模式識別驗證的是電機滾動體和電機內圈兩種故障的二分類，支持向量機模式識別系統分別采用了不同的特征值，對小波去噪后的信號提取6 個和16 個特征值，分別劃分為訓練集和測試集，并通過支持向量機來對兩種類型的數據進行故障分類，來比較其準確率。

去噪后提取6 個特征值和去噪后提取16 個特征值的SVM模式識別圖分別如圖8、圖9所示。

圖8 SVM（去噪后提取6 個特征值）

圖9 SVM（去噪后提取16個特征值）

通過提取不同數量的特征值來進行支持向量機故障分類，可以明顯地看出，對同一種信號提取特征值，提取特征值越多分類準確率越高。因此，可見特征值的選取對分類準確率至關重要，為了提高分類準確率，需要選取適當的特征值和特征值數量。

3 結論

系統主要由4 個界面組成，4 個界面分別放在選項卡控件上，并添加布爾元件開關，通過點擊開關按鈕就可以實現整個系統的運行，當操作者需要觀察哪部分系統時，通過點擊選項卡控件就可以實現界面的切換。故障診斷系統的智能化會給操作者帶來很大的便利，操作者在沒有專業知識的情況下，也能夠輕松地實現系統的運行，并通過顯示界面清晰地看到診斷結果。