基于EMD 與神經網絡的船舶機械設備軸承故障診斷方法

王飛躍

（海洋石油工程股份有限公司，天津 300461）

0 引言

船舶機械設備軸承是關鍵部件，用于支撐和傳遞扭矩。然而，惡劣的工作環境易導致軸承磨損、腐蝕和疲勞等故障。軸承的健康狀況對設備性能和安全至關重要，因此準確診斷至關重要[1-2]。傳統的故障診斷方法采用文獻[3]提出的方法原理，通過提取特征、建立模型進行故障診斷。然而，隨著設備復雜度和工作環境的變化，傳統方法面臨準確性、魯棒性不足的問題[4]。提出基于EMD(Empirical Mode Decomposition)與神經網絡的船舶機械設備軸承故障診斷方法，EMD 能提取信號局部特征，神經網絡則建立復雜映射關系，以彌補傳統方法不足[5]。

1 船舶機械設備軸承故障診斷方法設計

1.1 軸承振動信號采集與預處理

在開展船舶機械設備軸承故障診斷前，需采集軸承振動信號，并對其作出預處理，為后續故障診斷提供有力數據支持。

選擇軸承附近的代表位置，安裝合適的加速度傳感器，并與數據采集設備連接，確保信號傳輸不受干擾。根據設備特性和診斷需求，設定采樣參數，實時監測信號質量。為消除差異，進行標準預處理，算式為：

其中，y為歸一化之后的振動信號數據；x為歸一化之前的振動信號數據；xmax、xmin分別為這一組振動信號數據中的最大值與最小值。

1.2 基于EMD 構建軸承故障特征向量

軸承振動信號采集與預處理完畢后，利用EMD方法原理，對上述預處理后的軸承振動信號作出多維度分解，進而構建軸承故障特征向量。

由于任意一個船舶機械設備軸承振動信號都由若干個彼此之間不存在關聯、相互獨立的IMF(Intrinsic Mode Function)分量所組成的，分量之間相互干涉與耦合。首先，利用EMD 方法，將復雜的振動信號分解為一系列（IMF）分量和一個殘余分量之和的形式，提取信號中的局部特征和動態信息，公式如下：

其中，x（t）為軸承振動信號；ci（t）為振動信號本征模態分量；r（t）為振動信號殘余分量。其次，從原始振動信號x（t）中找出所有的局部極值點，使用樣條函數，將局部極大值連接起來，得出上包絡線。以同樣的方式，連接局部極小值點，構成下包絡線。求出上包絡線與下包絡線的均值，將其記為m1，得出原始振動信號與包絡均值之間的差值，公式如下：

若h1滿足船舶機械設備軸承振動信號IMF 分量的兩個必要條件，則認為h1是振動信號的第一個IMF 分量，若不滿足任一條件，則將其作為原始信號，重復上述EMD 振動信號分解步驟。并計算IMF 分量與原始振動信號之間的相關系，表達式為：

其中，x（k）、y（k）均為IMF 分量。計算二者之間的相關系數，對各個IMF 分量的相關系數進行排序，取相關系數排名靠前的IMF 分量，提取與軸承故障相關的特征值。

1.3 基于神經網絡的軸承故障診斷

測量軸承的振動和噪聲，來判斷其運行狀態。正常運轉的軸承通常不會產生顯著的聲音或振動。其次，建立特征訓練神經網絡模型，如圖1 所示。

圖1 特征訓練神經網絡模型

從圖1 可以看出，模型輸入到當前隱藏層的包括兩個部分，分別為當前的輸入與來自上一層的輸出。在這一階段，模型當前層的狀態還會有效地傳遞給下一層。圖中，Xt為t時刻的故障特征輸入，st為t時刻的隱藏層狀態，yt為t時刻的輸出，對應公式分別如下：

其中，f（·）為非線性激活函數；W、U、V均為故障特征向量權重。使用提取到的特征和對應的標簽數據對神經網絡模型進行訓練，使模型能學習到故障與特征之間映射關系。

2 實驗分析

通過實驗將詳細評估該方法在船舶機械設備軸承故障診斷中的性能，與其他傳統故障診斷方法比較，以凸顯優勢。

2.1 實驗準備

首先，根據船舶機械設備軸承故障診斷方法的運行需求，對實驗的環境配置進行設計，見表1。

表1 軸承故障診斷實驗環境配置

按照表1，對軸承故障診斷實驗環境配置進行設計。其次，利用尺寸為2 m × 2 m × 2 m 的船舶機械設備試驗臺，模擬船舶機械設備的工作環境，并進行軸承故障模擬。構建船舶機械設備軸承故障試驗平臺如圖2 所示。并設置實驗所用的滾動軸承參數，相關設定見表2。

表2 船舶機械設備軸承參數設定

圖2 船舶機械設備軸承故障試驗平臺

選擇10 個正常運行的船舶機械設備軸承為測試對象，各采集100 組的振動信號，共計1000 組正常振動信號作為船舶機械設備軸承正常狀態數據集。模擬1000 組不同類型和程度的軸承故障，每種類型故障各200 組，采集相應的振動信號，作為船舶機械設備軸承故障狀態數據集。正常信號與故障信號對比見圖3 所示。

圖3 正常信號與故障信號對比

對于軸承故障數據，需標注具體故障類型和程度，為后續的模型訓練提供標簽。對原始數據進行預處理，提高模型的訓練效果和準確性。在1000 組故障振動信號中隨機選擇80%數據作為測試集，20%數據作為驗證集。

2.2 結果分析

為確保本次軸承故障診斷實驗結果具有較高說服力和對比性，設置實驗組和對照組。其中，實驗組采用所提出的軸承故障診斷方法，對照組分別為文獻[3]、文獻[5]提出的診斷方法。利用MATLAB 模擬分析軟件，分別模擬三種方法的故障診斷全過程，統計診斷結果，對比三種方法應用后，船舶機械設備軸承故障錯誤診斷個數，得出軸承故障診斷的準確度，結果見表3。

表3 軸承故障診斷對比結果

通過表3 看出，本研究提出的軸承故障診斷方法應用后，軸承故障錯誤診斷數量少于另外兩個對照組，診斷準確度均達98%以上，說明該方法在軸承故障診斷方面有更高的性能。

3 結語

基于EMD 與神經網絡的船舶機械設備軸承故障診斷方法，將經驗模態分解（EMD）與神經網絡相結合，為船舶機械設備軸承故障診斷提供一種有效的方法。實驗結果表明，該方法的軸承故障診斷準確度達到了98%以上，性能效果優勢顯著。在未來的研究中，需要進一步改進和完善該方法，為提高船舶機械設備的運行效率和安全性、促進船舶工業的發展作出更大的貢獻。