席劍輝,韓彥哲,蘇榮輝,傅 莉
(1.沈陽(yáng)航空航天大學(xué) 自動(dòng)化學(xué)院,沈陽(yáng) 110036;2.沈陽(yáng)飛機(jī)工業(yè)(集團(tuán))有限公司,沈陽(yáng) 100850)
滾動(dòng)軸承是傳動(dòng)機(jī)械中重要的基礎(chǔ)部件,也是最容易損壞的機(jī)械零件之一。在運(yùn)行過(guò)程中,滾動(dòng)軸承故障(表面損傷、裂紋和磨損等)會(huì)引起接觸面的彈性沖擊而產(chǎn)生聲發(fā)射信號(hào),該信號(hào)蘊(yùn)涵了豐富的碰磨信息,因此可以利用聲發(fā)射來(lái)監(jiān)測(cè)和診斷滾動(dòng)軸承故障[1]。SAAD等研究了滾動(dòng)軸承的內(nèi)、外圈故障幾何尺寸與聲發(fā)射信號(hào)參數(shù)的關(guān)系以及轉(zhuǎn)速、載荷對(duì)聲發(fā)射信號(hào)的影響[2]。張穎等利用滾動(dòng)軸承故障特征頻率與聲發(fā)射撞擊計(jì)數(shù)間的對(duì)應(yīng)關(guān)系,建立了基于周期性聲發(fā)射撞擊計(jì)數(shù)的滾動(dòng)軸承故障診斷方法[3]。在這些方法中,故障特征量的提取是工況監(jiān)視與故障診斷的重要步驟。因?yàn)槁暟l(fā)射信號(hào)具有明顯的非平穩(wěn)特征,所以有必要采用適合于處理非平穩(wěn)信號(hào)的特征提取方法。
時(shí)頻分析方法能同時(shí)提供信號(hào)的時(shí)域和頻域的局部信息,在特征提取和故障診斷研究中得到重視。常見的時(shí)頻分析方法如小波變換具有可變的時(shí)頻窗口,但不具有自適應(yīng)調(diào)整功能,只是對(duì)時(shí)頻平面的機(jī)械格型分割[4]。經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)將復(fù)雜的多分量信號(hào)自適應(yīng)地分解為若干個(gè)本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量之和,然后對(duì)每個(gè)IMF分量進(jìn)行Hilbert變換求出瞬時(shí)頻率和瞬時(shí)幅值,從而得到原始信號(hào)完整的時(shí)頻分布[5-6]。但是對(duì)于混入間斷事件的信號(hào),EMD會(huì)出現(xiàn)模態(tài)混疊現(xiàn)象,影響分解效果??傮w平均經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)方法[7-8],是對(duì)EMD的改進(jìn),在原始信號(hào)中加入高斯白噪聲,利用高斯白噪聲具有頻率均勻分布的統(tǒng)計(jì)特性,使得整個(gè)信號(hào)在不同頻率尺度上都具有連續(xù)性,彌補(bǔ)了間斷事件造成的尺度缺失,從而有效抑制模態(tài)混疊問(wèn)題。
概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks,PNN)[9]是徑向基網(wǎng)絡(luò)的一種,適合于模式分類。該網(wǎng)絡(luò)的優(yōu)勢(shì)在于用線性學(xué)習(xí)算法可完成非線性學(xué)習(xí)算法的功能,同時(shí)保持非線性算法的高精度等特性。將EEMD和PNN結(jié)合起來(lái)對(duì)滾動(dòng)軸承聲發(fā)射信號(hào)進(jìn)行故障診斷。筆者利用EEMD分解得到IMF分量;再通過(guò)能量貢獻(xiàn)分析得到主元分量作為故障特征向量;采用PNN網(wǎng)絡(luò)對(duì)特征向量進(jìn)行分類建模;通過(guò)典型N205EM軸承故障試驗(yàn)證明了方法的有效性。
EEMD在信號(hào)中多次隨機(jī)添加白噪聲,再分解成若干IMF分量之和。各個(gè)IMF平均頻率從大到小排列,每個(gè)IMF代表了信號(hào)中蘊(yùn)含的一個(gè)內(nèi)在特征模式,有利于信號(hào)的特征提取工作。設(shè)觀測(cè)序列為x(t),t為采集時(shí)間,按以下步驟對(duì)信號(hào)進(jìn)行EEMD分解。
Step1 在x(t)中第i次添加一定強(qiáng)度的高斯白噪聲得到^xi(t),i=1,2,…,N。N為設(shè)定循環(huán)次數(shù)。
Step2 識(shí)別^xi(t)的所有極值點(diǎn),分別利用極大值點(diǎn)和極小值點(diǎn)擬合出上包絡(luò)線u(t)和下包絡(luò)線v(t)。
Step3 求上、下包絡(luò)的平均曲線m(t)為:
式中:h1(t)為對(duì)^xi(t)的第1次處理結(jié)果。
進(jìn)一步應(yīng)用h1(t)代替,與h1(t)相應(yīng)的上、下包絡(luò)線為u1(t)和v1(t),重復(fù)這個(gè)過(guò)程,即:
以此類推,設(shè)hk-1(t)為第k-1次處理結(jié)果,k=1,2,…,hk-1(t)的上、下包絡(luò)線分別為uk-1(t)和vk-1(t),于是:
判斷hk(t)是否滿足IMF條件,即hk(t)的極值點(diǎn)個(gè)數(shù)和過(guò)零點(diǎn)的數(shù)目相等或最多差1個(gè);且由hk(t)局部極大值構(gòu)成的上包絡(luò)和由hk(t)局部極小值構(gòu)成的下包絡(luò)的均值為零。不滿足時(shí)則重復(fù)Step3中式(5)、式(6)的過(guò)程;滿足則得到第i次添加白噪聲后的第1個(gè)IMF分量ci1(t),即:
Step4 將ci1(t)從信號(hào) 中分離出來(lái),可得余量:
Step5 對(duì)余量信號(hào)重復(fù)Step2~Step4,可得n個(gè)IMF分量cij(t),j=1,…,n。n為IMF分量個(gè)數(shù),可視余量rn(t)表現(xiàn)為單調(diào)信號(hào)或其值小于預(yù)先給定的值而設(shè)定。
Step6 重復(fù)Step1~Step5,對(duì)N次IMF分解結(jié)果求平均:
式中:cj(t)為對(duì)信號(hào)x(t)進(jìn)行EEMD分解最終得到的第j個(gè)IMF,j=1,…,n。
因?yàn)樘砑拥陌自肼曉谡麄€(gè)時(shí)頻空間是均勻分布的,利用白噪聲頻譜均衡分布的特點(diǎn)來(lái)均衡信號(hào)中的中斷區(qū)域,可以較為理想地去除模態(tài)混疊[10],而且每次分解添加了不同的白噪聲,噪聲之間不相關(guān),對(duì)所有的IMF分量求平均會(huì)抵消噪聲影響,最終獲得有用的真實(shí)信號(hào)。
PNN網(wǎng)絡(luò)是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來(lái)的一種前饋型神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[11-12],由輸入層、模式層、求和層和輸出層組成。
圖1 概率神經(jīng)網(wǎng)絡(luò)模型
設(shè)網(wǎng)絡(luò)輸入向量為X=(x1,x2,…,xp)T,p為輸入維數(shù)。訓(xùn)練樣本數(shù)為M,則模式層神經(jīng)元個(gè)數(shù)為M,令輸入層到模式層第j個(gè)神經(jīng)元的連接權(quán)值為Wj,其值即為第j個(gè)訓(xùn)練樣本值,模式層輸出為:
式中:j=1,…,M;σ為平滑參數(shù)。
模式層變換可以判斷當(dāng)前輸入與各訓(xùn)練樣本之間的相似程度。
求和層神經(jīng)元個(gè)數(shù)與已知的故障模式類別數(shù)一致,設(shè)為H,其輸出為:
式中:i=1,…,H;Ni為訓(xùn)練樣本中屬于第i類模式的樣本個(gè)數(shù),所以求和層實(shí)際得到的是各類故障模式的概率密度函數(shù)。
輸出層神經(jīng)元是一種競(jìng)爭(zhēng)神經(jīng)元,神經(jīng)元數(shù)目等于H,其作用是接收求和層輸出的各類故障模式的概率密度函數(shù),計(jì)算得:
令上式最大值的角標(biāo)為k;hi為第i個(gè)故障模式的先驗(yàn)概率,hi=Ni/M;li為將屬于第i類模式的故障特征樣本X錯(cuò)誤劃分的代價(jià)因子,正確判斷時(shí),該值為0;在輸出層中令第k個(gè)神經(jīng)元輸出為1,其它神經(jīng)元的輸出為0。通過(guò)這一過(guò)程,網(wǎng)絡(luò)就將輸入向量分類到某一類最可能正確的模式,從而完成模式分類。
滾動(dòng)軸承不同故障產(chǎn)生的主要沖擊頻率不一樣,導(dǎo)致聲發(fā)射信號(hào)同一頻帶對(duì)應(yīng)的信號(hào)內(nèi)在模式復(fù)雜性會(huì)有所變化,相同頻帶的信號(hào)能量會(huì)有較大的差別。因此可采用EEMD分解的IMF分量能量值作為特征參數(shù)??紤]不同故障的聲發(fā)射信號(hào)主元特征不同,對(duì)IMF分量引入主元分析過(guò)程,提取不同故障的主元特征,同時(shí)減少輸入維數(shù),降低PNN建模難度。方法框圖如圖2所示。
具體診斷步驟為:
圖2 基于EEMD和PNN網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷框圖
(1)對(duì)采集的聲發(fā)射信號(hào)進(jìn)行噪音濾除等預(yù)處理。
(2)對(duì)聲發(fā)射信號(hào)進(jìn)行EEMD分解,計(jì)算IMF分量的能量值Ej,j=1,…,n,
(3)預(yù)定閾值0<η0<1,計(jì)算得:
如果ηk>η0,則選擇前k個(gè)IMF分量構(gòu)造能量特征向量T如下:
(4)對(duì)T作歸一化處理,輸入到PNN網(wǎng)絡(luò)。訓(xùn)練網(wǎng)絡(luò)進(jìn)行分類識(shí)別。
采用型號(hào)為N205EM的圓柱滾子軸承進(jìn)行聲發(fā)射檢測(cè)試驗(yàn),利用江蘇千鵬旋轉(zhuǎn)機(jī)械故障模擬平臺(tái)來(lái)模擬滾動(dòng)軸承的工作狀態(tài),如圖3所示。試驗(yàn)中通過(guò)對(duì)軸承的內(nèi)、外圈和滾柱切割溝槽來(lái)模擬滾動(dòng)軸承的局部損傷故障,缺陷寬度為1mm。采用北京聲華SAEU2S數(shù)字聲發(fā)射測(cè)試系統(tǒng)進(jìn)行信號(hào)的采集工作,測(cè)試原理如圖4所示。
圖3 滾動(dòng)軸承故障模擬試驗(yàn)臺(tái)
傳感器采用SR150M型,固定在如圖3軸承座的正上方,前置放大器放大倍數(shù)為40dB。試驗(yàn)中電機(jī)轉(zhuǎn)速為300r/min,采樣頻率為1000kHz。分別采集軸承正常,內(nèi)、外圈故障和滾柱故障4種運(yùn)行狀態(tài)下的聲發(fā)射信號(hào)。以滾動(dòng)軸承外圈故障情況為例,圖5(a)給出了采集的聲發(fā)射信號(hào),圖5(b)為5(a)圖圈出部分的局部放大結(jié)果,可見聲發(fā)射波形具有指數(shù)衰減的性質(zhì)。
圖4 聲發(fā)射檢測(cè)原理圖
圖5 外圈故障的滾動(dòng)軸承聲發(fā)射信號(hào)
滾動(dòng)軸承在受載運(yùn)轉(zhuǎn)的過(guò)程中,其損傷點(diǎn)與軸承的其它元件之間會(huì)產(chǎn)生周期性的撞擊,從而產(chǎn)生周期性的呈指數(shù)衰減的聲發(fā)射信號(hào),這些信號(hào)的周期正對(duì)應(yīng)著軸承的故障特征頻率。外圈故障特征頻率f0計(jì)算公式為[13]:
式中:z為軸承滾動(dòng)體的個(gè)數(shù);d為滾動(dòng)體的直徑;D為軸承直徑;α為接觸角;fs為軸承的旋轉(zhuǎn)頻率。
試驗(yàn)中軸承N205EM的參數(shù)如下:z=12,d=7.5mm,D=39mm,α=0°。當(dāng)旋轉(zhuǎn)軸以300r/min的速度旋轉(zhuǎn)時(shí),其外圈故障的特征頻率為f0=24.231Hz。從圖5可以看出,第1個(gè)周期f0=1/0.04103=24.372Hz,第2個(gè)周期f0=1/0.04219=23.702Hz,與理論計(jì)算結(jié)果非常接近,說(shuō)明了所測(cè)聲發(fā)射信號(hào)的有效性。同理可測(cè)內(nèi)圈和滾動(dòng)體故障的聲發(fā)射信號(hào),但其時(shí)域特征表現(xiàn)復(fù)雜,沒有外圈周期性沖擊明顯,需要進(jìn)一步研究。
令N=100,高斯白噪聲的幅值系數(shù)取0.02倍信號(hào)的標(biāo)準(zhǔn)偏差。計(jì)算不同頻段上的能量值,設(shè)定閾值η0=0.97,最終可選取IMF主元分量為8個(gè)。由圖6可以看到故障信號(hào)自適應(yīng)地分解到不同的時(shí)間尺度上,使得IMF分量能夠更加準(zhǔn)確地表征故障特征。對(duì)正常狀態(tài)、內(nèi)圈和滾動(dòng)體故障下的聲發(fā)射信號(hào)做相同處理,并與外圈故障特征向量統(tǒng)一,建立包含8個(gè)IMF分量的特征向量。
圖6 具有外圈故障的滾動(dòng)軸承聲發(fā)射信號(hào)的EEMD分解結(jié)果
設(shè)定PNN輸入向量為T=[E1,E2,…,E8],4個(gè)輸出分別對(duì)應(yīng)正常、外圈故障、滾柱故障和內(nèi)圈故障4種模式。分析采集數(shù)據(jù),每種模式下得到的訓(xùn)練樣本和測(cè)試樣本數(shù)目如表1所示。PNN網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)分別為8,44,4,4。仿真結(jié)果表明網(wǎng)絡(luò)對(duì)訓(xùn)練樣本分類正確率為100%,測(cè)試樣本中僅有2個(gè)識(shí)別有誤,對(duì)于測(cè)試樣本總的分類正確率為93.1%。
表1 聲發(fā)射采集信號(hào)分布情況
為說(shuō)明該方法仿真結(jié)果的有效性,選擇兩種比較方法。一種為采用小波變換提取特征向量,輸入到PNN中,選擇db5小波基進(jìn)行5層小波分解,同樣選取不同頻帶的能量值作為PNN輸入;另一種為選擇BP網(wǎng)絡(luò)進(jìn)行故障診斷建模,仿真結(jié)果如表2所示,表中給出的是測(cè)試樣本識(shí)別錯(cuò)誤數(shù)及診斷正確率。
表2 測(cè)試樣本仿真結(jié)果比較
由表2可以看出,因?yàn)镋EMD分解是依據(jù)信號(hào)本身進(jìn)行的自適應(yīng)分解,依賴于信號(hào)本身包含的變化信息,因此對(duì)故障信息更為敏感,可以達(dá)到較高的識(shí)別率。采用PNN網(wǎng)絡(luò)實(shí)現(xiàn)軸承的故障診斷,在小故障樣本集的情況下可以提高網(wǎng)絡(luò)訓(xùn)練效率和識(shí)別率。
利用EEMD方法將滾動(dòng)軸承運(yùn)行過(guò)程中的聲發(fā)射信號(hào)分解到不同的頻段,通過(guò)能量貢獻(xiàn)分析從中提取能量集中頻段的能量值作為故障特征參數(shù)輸入PNN網(wǎng)絡(luò),在小故障樣本集下取得了滿意的分類結(jié)果。研究成果對(duì)進(jìn)一步開展?jié)L動(dòng)軸承的狀態(tài)監(jiān)測(cè)、故障診斷及旋轉(zhuǎn)機(jī)械系統(tǒng)的健康維護(hù)工作提供了參考。
[1]袁俊,沈功田,吳占穩(wěn),等.軸承故障診斷中的聲發(fā)射檢測(cè)技術(shù)[J].無(wú)損檢測(cè),2011,33(4):5-11.
[2]Al-DOSSARY S,HAMZAH R I R,MBA D.Observations of changes in acoustic emission waveform for varying seeded defect sizes in a rolling element bearing[J].Applied Acoustics,2009,70(1):58-81.
[3]張穎,蘇憲章,劉占生.基于周期性聲發(fā)射撞擊計(jì)數(shù)的滾動(dòng)軸承故障診斷[J].軸承,2011(6):38-41.
[4]程軍圣,史美麗,楊宇.基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J].振動(dòng)與沖擊,2010,29(8):141-144.
[5]HUANG N E,SHEN Z,LONG S R,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J].Proceedings of the Royal Society of London Series A-Mathematical Physical and Engineering Sciences,1998,454:903-995.
[6]HUANG N E,SHEN Z,LONG S R.A new view of nonlinear water waves:the Hilbert spectrum[J].Annual Review of Fluid Mechanics,1999,31:417-457.
[7]WU Z H,HUANG N E.Ensemble empirical mode decomposition:a noise-assisted data analysis method[J].Advances in Adaptive Data Analysis,2009,1(1):1-41.
[8]胡愛軍,馬萬(wàn)里,唐貴基.基于集成經(jīng)驗(yàn)?zāi)B(tài)分解和峭度準(zhǔn)則的滾動(dòng)軸承故障特征提取方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2012,32(11):106-111.
[9]SPECBT D F.Probabilistic neural network[J].Neural Networks,1990,3:109-118.
[10]李輝,鄭海起,唐力偉.基于EEMD和THT的齒輪故障診斷方法[J].振動(dòng)、測(cè)試與診斷,2011,31(4):496-500.
[11]杜德潤(rùn),仇德倫,李愛群,等.神經(jīng)網(wǎng)絡(luò)技術(shù)在土木結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用[J].無(wú)損檢測(cè),2004,26(8):383-387.
[12]陳佳,傅攀.基于小波包和概率神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J].四川兵工學(xué)報(bào),2011,32(5):58-61.
[13]余永增,韓龍,戴光.基于聲發(fā)射的滾動(dòng)軸承故障診斷方法[J].無(wú)損檢測(cè),2010,32(6):416-419,423.