周厚金，樓軍偉，胡赤兵

（1.蘭州理工大學 高新技術(shù)成果轉(zhuǎn)化中心，蘭州 730050；2.蘭州理工大學 機電工程學院，蘭州 730050）

滾動軸承故障小波核函數(shù)SVM分類識別研究

周厚金1，樓軍偉2，胡赤兵2

（1.蘭州理工大學 高新技術(shù)成果轉(zhuǎn)化中心，蘭州 730050；2.蘭州理工大學 機電工程學院，蘭州 730050）

0 引言

對于非線性樣本，在提取了能反映故障信息的特征向量后關(guān)鍵是如何根據(jù)這些特征向量設(shè)計合理的分類器進行故障分類識別[1]。神經(jīng)網(wǎng)絡(luò)作為一種無判別函數(shù)的、自適應的模式識別技術(shù)，能夠充分利用故障樣本信息進行訓練和識別，在機械故障診斷領(lǐng)域得到了廣泛的應用[2～5]：Paya A利用小波變換提取故障信息再用人工神經(jīng)網(wǎng)絡(luò)進行旋轉(zhuǎn)機械故障診斷；楊宇等人利用經(jīng)驗模態(tài)分解和神經(jīng)網(wǎng)絡(luò)實現(xiàn)了滾動軸承故障診斷；芮執(zhí)元等人利用小波和神經(jīng)網(wǎng)絡(luò)實現(xiàn)齒輪故障診斷等。但是由于神經(jīng)網(wǎng)絡(luò)自身的理論、算法、需要大量樣本、易收斂于局部極小值等問題使得其應用受到一定限制。相比于神經(jīng)網(wǎng)絡(luò)，由Vapnik[6]基于統(tǒng)計學理論提出的支持向量機，能夠在小樣本下尋找出最優(yōu)解，用核函數(shù)解決非線性分類識別問題，不存在收斂于局部極小值等問題。

SVM對于非線性樣本分類識別的實質(zhì)是利用核函數(shù)將輸入數(shù)據(jù)映射到高維線性可分特征空間，然后進行分類識別，因此，核函數(shù)的性能會影響SVM分類識別的準確性。若核函數(shù)具有系數(shù)可變以及多尺度差值[7]，就可提高SVM核函數(shù)的逼近精度和范化能力，而小波函數(shù)恰好具有以上兩點性質(zhì)。 因此，文章基于平移不變核函數(shù)條件，將小波基函數(shù)構(gòu)造成SVM核函數(shù)，研究小波核函數(shù)SVM的分類識別性能，并與傳統(tǒng)的徑向基核函數(shù)SVM作比較，比較結(jié)果表明小波核函數(shù)SVM對滾動軸承故障的分類識別準確性更高。

1 數(shù)據(jù)采集和降噪

實驗所需數(shù)據(jù)是在圖1所示的實驗平臺上采集的，實驗臺主要由電機、齒輪箱、制動器、數(shù)據(jù)采集系統(tǒng)、計算機等組成。實驗臺、傳感器和數(shù)據(jù)采集系統(tǒng)主要參數(shù)和性能如表1所示。

圖1 實驗平臺

在Ⅰ軸軸承座水平和垂直方向上布置加速度傳感器。分別設(shè)置了軸承正常和內(nèi)圈、外圈、滾動體單點點蝕故障，點蝕是通過電火花加工得到，點蝕直徑分別為0.17mm，深度為2.5mm，這樣組成四種模式。在電機轉(zhuǎn)速為2000rpm，采樣頻率為12KHz下，采集了軸承正常和內(nèi)圈、外圈、滾動體點蝕故障數(shù)據(jù)各25組。

實際采集過程中噪聲或是脈沖干擾是均勻分布在所采集數(shù)據(jù)的整個區(qū)域，造成數(shù)據(jù)和噪聲各自頻譜的重疊。傳統(tǒng)的信號降噪方法是在頻域上用濾波器（低通、高通、帶通、帶阻）把信號和噪聲進行分離的，其前提是數(shù)據(jù)和噪聲各自的頻譜沒有重疊、混合，因此傳統(tǒng)的降噪方式存在一定的局限性。本文選擇對數(shù)據(jù)進行自動尋找軟閾值小波降噪處理，經(jīng)反復試驗確定3層分解、sym8小波，Sqtwolog軟閾值的降噪效果最佳，圖2（a）,（b）分別為其中1組軸承正常和內(nèi)圈故障數(shù)據(jù)降噪前后波形對比，可發(fā)現(xiàn)降噪后提高了信噪比，保留了有用信號。

表1 實驗臺、傳感器、數(shù)據(jù)采集系統(tǒng)主要參數(shù)和性能

圖2 數(shù)據(jù)降噪前后對比

2 故障特征信息提取

樣本熵[8](Sample Entropy，簡稱SampEn)是用一個非負數(shù)來表示時間序列的復雜性, 越復雜的時間序列樣本熵越大, 越規(guī)則的時間序列樣本熵越小。但對于非平穩(wěn)、非線性數(shù)據(jù)，直接應用樣本熵計算復雜性區(qū)別度不高，因此，引入EEMD[9]。在EEMD分解后保留真實分量，再計算每個真實分量的樣本熵，EEMD樣本熵提取故障特征信息的過程如下：

在降噪后數(shù)據(jù)x(t)中加入白噪聲ni(t)，其均值為0，標準差取信號標準差的0.4倍，則數(shù)據(jù)變?yōu)閤(t)，對x(t)進行EMD分解，得到本征模態(tài)分量（Intrinsic Mode Function，簡稱IMF）cij(t)以及余項ri,j(t)，下標i,j表示第i次加入白噪聲分解得到的第j個IMF分量和余項，當分解結(jié)束時信號可表示為：

重復以上步驟N次，并對所有IMF分量進行總體平均運算，消除白噪聲，得到 EEMD分解后的IMF分量，即：

式中：N 越大白噪聲的和越趨于零。

在真實分量cj(t)中間隔的取M=2000個數(shù)據(jù)點，取相似容限系數(shù)r=0.25SD(c), SD(c)為cj(t)的標準差，取模式維數(shù)m=2，重構(gòu)m維向量：

式中：k=1,2,…,M-m

計算c(k)與c(k+l)間的距離dkl：

式中：l=0,1,…,M-m。

統(tǒng)計每一個dkl小于r的數(shù)目以及此數(shù)目與距離總數(shù)M-m-1的比值Bkm(r)：

按上述過程，在EEMD分解時設(shè)置白噪聲幅值0.1，運行100次，最終得到各組信號去除趨勢項后的12個IMF分量，其中IMF1表示原信號，IMF2-IMF12按頻率從高到低排序。由于EEMD分解必定存在虛假分量，因此，按相關(guān)系數(shù)法計算得到各組數(shù)據(jù)12個IMF分量的相關(guān)系數(shù)，按相關(guān)系數(shù)來濾除虛假分量。表2為其中1組外圈故障數(shù)據(jù)12個IMF分量的相關(guān)系數(shù)。

表2 外圈故障數(shù)據(jù)各IMF分量相關(guān)系數(shù)

從表中可知除了IMF1為原信號其相關(guān)系數(shù)為1外，只有IMF2 - IMF5的相關(guān)系數(shù)較大，IMF5分量以后快速減小趨于零，因此，軸承外圈故障真實分量為IMF1-IMF5分量，圖3為真實分量波形圖。對EEMD分解后的全部數(shù)據(jù)計算了相關(guān)系數(shù)，計算結(jié)果表明真實分量基本都為IMF1-IMF5分量，限于篇幅，文中未給出軸承正常和內(nèi)圈、滾動體點蝕故障EEMD分解后真實分量。

圖3 濾除虛假分量后的外圈故障EEMD分解真實分量

全部數(shù)據(jù)保留真實分量后，按式（4）-（8）計算得到各組數(shù)據(jù)真實分量IMF1-IMF5的樣本熵。表3列出了其中1組軸承正常和內(nèi)圈、外圈、滾動體故障數(shù)據(jù)真實分量IMF1-IMF5的樣本熵，并將其制作成SVM可以識別的格式：[label][index1]:[value1][index2]:[value2]…。句中：[label]為分類的種類；[index]為索引；[value]為用來訓練的數(shù)據(jù)。分析表3中的數(shù)據(jù)可以發(fā)現(xiàn)：

1）各組信號IMF分量的EEMD樣本熵均是IMF1＞IMF2＞IMF3＞IMF4＞IMF5，變化趨勢與圖3中波形的變化趨勢一致，符合越復雜的數(shù)據(jù)樣本熵越大，越規(guī)則的數(shù)據(jù)樣本熵越小的規(guī)律。

2）正常時EEMD樣本熵較小，故障時EEMD樣本熵增大，這種變化趨勢表明故障時產(chǎn)生了較多的故障信息。

3）EEMD樣本熵可以有效提取故障特征信息，能作為SVM分類識別的特征向量。

3 非線性下SVM最優(yōu)分類函數(shù)

設(shè)線性可分樣本為xi, (i= 1 ,2,· · ·,n)，輸出為yi= 1 或 -1,(i= 1 ,2,···,n)，xi的分類線方程為：

要使分類線將ix全部正確分離，那么ix和iy必須滿足如下關(guān)系：

將式（10）轉(zhuǎn)化并引入拉格朗日乘子αi＞0，i=1,2,n，則有：

現(xiàn)分對式（11）按w,b求偏導并等于零，得到在約束條件（12）下求關(guān)于αi函數(shù)式（13）的最小值：

設(shè)α*為上式的最小值，那么求解可得到線性可分下的最優(yōu)分類函數(shù)為：

對于非線性樣本，SVM是利用核函數(shù)將輸入數(shù)據(jù)映射到高維線性可分特征空間。核函數(shù)k(x,x' )可以是點積形式，也可以是平移不變形式[10]，用核函數(shù)k(x,x' )代替式（14）中的點積形式函數(shù)，就得到非線性下SVM最優(yōu)分類函數(shù)：

表3 EEMD樣本熵

4 小波核函數(shù)的構(gòu)造和證明

如果k(x,x')=k(x?x)滿足Mercer定理，當且僅當式（16）中k(x)的傅式變換成立，那么平移不變函數(shù)可作為SVM核函數(shù)[9]。

構(gòu)造平移不變形式的小波核函數(shù)為：

式中：ai為尺度參數(shù)，大于0。

選擇墨西哥草帽小波基函數(shù)，根據(jù)式（17）構(gòu)造的墨西哥草帽小波核函數(shù)為：

將式（18）構(gòu)造的墨西哥草帽小波核函數(shù)代入式（16），經(jīng)運算得到式（19）所示結(jié)果，由此驗證了所構(gòu)造的小波核函數(shù)滿足平移不變條件，可以作為SVM的核函數(shù)。

5 分類器設(shè)計及訓練、識別

支持向量機多分類方法有一對多、一對一、有向無環(huán)圖、決策有向無環(huán)圖、二叉樹法等[11]。本文選擇一對多算法進行分類，結(jié)合4種軸承模式，只需要4個二分類支持向量機分類器。

在訓練SVM1分類器時，若是正常軸承則輸出SVM1=1，不是則輸出SVM1=-1；訓練SVM2時，若是內(nèi)圈故障則輸出SVM2=1，不是則輸出SVM2=-1；SVM3和SVM4采樣類似的方法訓練。

為了驗證小波核函數(shù)SVM的分類識別效果，與傳統(tǒng)的徑向基核函數(shù)SVM進行比較，經(jīng)反復試驗，確定懲罰因子C都為1000，小波核函數(shù)的變換范圍為[-8,8]，徑向基核函數(shù)參數(shù)σ=2。兩種核函數(shù)識別結(jié)果統(tǒng)計如表4所示。

表4 兩種核函數(shù)SVM分類識別結(jié)果統(tǒng)計

在訓練樣本各為10組，識別樣本各為15組時對比可知：

1）小波核函數(shù)SVM和徑向基核函數(shù)SVM在識別滾動軸承正常和滾動體故障時準確率均達到100%。

2）小波核函數(shù)SVM正確識別14個外圈故障樣本、14個內(nèi)圈故障樣本，徑向基核函數(shù)SVM正確識別12個外圈故障樣本、13個內(nèi)圈故障樣本。

3）小波核函數(shù)SVM總體識別準確率達96.65%，而徑向基核函數(shù)SVM總體識別準確率只有91.68%。

6 結(jié)論

1）實驗中采集了軸承正常和內(nèi)圈、外圈、滾動體故障數(shù)據(jù)，用自動尋找軟閾值小波降噪對數(shù)據(jù)進行了降噪處理，保留了有用信號，消除了噪聲的影響。

2）采用EEMD分解信號，相關(guān)系數(shù)法濾除虛假分量，得到了全部數(shù)據(jù)的真實分量IMF1-IMF5，用樣本熵表征全部真實分量的復雜性，得到了能反映故障特征信息的EEMD樣本熵。

3）尋找到非線性樣本下SVM的最優(yōu)分類函數(shù)，為了提高SVM的分類識別精度，基于平移不變核函數(shù)條件和小波函數(shù)系數(shù)可變、多尺度差值的性質(zhì)，構(gòu)造和證明了墨西哥草帽小波核函數(shù)SVM。

4）根據(jù)4種滾動軸承數(shù)據(jù)模式，設(shè)計了4個二分類支持向量機分類器，為了驗證小波核函數(shù)SVM分類識別性能，與徑向基核函數(shù)SVM進行比較。比較結(jié)果表明，對于軸承正常和內(nèi)圈、外圈、滾動體故障，小波核函數(shù)SVM的分類識別準確性較徑向基核函數(shù)SVM的高。

5）小波函數(shù)具有對任意函數(shù)強大的擬合能力，在本文的研究中小波核函數(shù)表現(xiàn)出良好的性能，因此，小波核函數(shù)也可應用在其他模式的SVM分類識別中。

[1]陳進.信號處理在機械設(shè)備故障診斷中的應用[J].振動與沖擊,1999,18(3):91-93.

[2]Paya A, Esat I I,Badi M N M. Artificial neural network based fault diagnosis of rotating machinery using wavelet transforms as processor[J].Mechanical Systems and Signal Processing,1997,11(5):751-765.

[3]楊宇,于德介,程軍圣.基于EMD與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[J].振動與沖擊,2005,24(1):85-88.

[4]Lai Wuxing,Peter W Yse, Zhang Guicai, etcl. Classif i cation of gear faults using cumulants and the radial basis function network[J].Mechanical Systems and Signal Processing,2004,18(2):381-389.

[5]芮執(zhí)元,徐龍云,馮瑞成,等.基于小波神經(jīng)網(wǎng)絡(luò)(WNN)的齒輪故障診斷[J].機械傳動,2008,32(1):80-83.

[6]Vapnik V N.The Nature of Statistical Learning Theory[M].NewYork:SpringVerag,1995:21-22.

[7]林繼鵬,劉君華.基于小波的支持向量機算法研究[J].西安交通大學學報,2005,39(8):816-819.

[8]Richman J S, J.RandallMoorman. Physiological time series analysis using approximate entropy and sample entropy[J].Am J Physiol Heart Physio,2000,278(6):2039-2049.

[9]WU Zhaohua,Huang Norden E.Ensemble empirical mode decomposition: a noise-assisted data analysis method[J].Advances in Adaptive Data Analysis,2009,1(1):1-41.

[10]S Amari,S Wu.Improving support vector machine classifiers by modifying kernel functions[J].Neural Networks,1999,12(6):783-789

[11]Chih Wei H su, Chih JenLin.A Comparison of methods for multiclass support vector machines[J].IEEE Trans.on Neural Networks,2002,13(2):415-425.

Research on rolling bearing fault wavelet kernel function sVM classification and recognition

ZHOU Hou-jin1, LOU Jun-wei2, HU Chi-bing2

支持向量機(Support Vector Machine, 簡稱SVM)是通過核函數(shù)來分類識別非線性樣本的，

為了提高SVM的分類識別精度，基于平移不變核函數(shù)條件，構(gòu)造和證明了墨西哥草帽小波核函數(shù)SVM。實驗中采集了軸承正常和內(nèi)圈、外圈、滾動體點蝕的故障數(shù)據(jù)，利用總體平均經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition，簡稱EEMD)和樣本熵提取了故障特征信息，將EEMD樣本熵作為小波核函數(shù)SVM的特征向量進行故障分類識別，并與徑向基核函數(shù)SVM的分類識別結(jié)果進行比較，比較結(jié)果表明小波核函數(shù)SVM的分類識別準確性更高。

滾動軸承；EEMD；樣本熵；SVM；小波核函數(shù)；分類識別

周厚金（1962 -），男，四川人，高級工程師，博士，研究方向為設(shè)備狀態(tài)監(jiān)測和診斷。

book=4,ebook=104

TH133.33；TP206+.3

A

1009-0134(2014)05(下)-0048-04

10.3969/j.issn.1009-0134.2014.05(下).14

2013-12-06

甘肅省科技支撐計劃資助（1204GKCA068）