周濤濤，朱顯明，劉 彥，彭偉才

(1.中國艦船研究設(shè)計中心，湖北 武漢 430064; 2.船舶振動噪聲重點實驗室，湖北 武漢 430064)

一種多工況的滾動軸承損傷狀態(tài)識別方法

周濤濤1,2，朱顯明1,2，劉 彥1,2，彭偉才1,2

(1.中國艦船研究設(shè)計中心，湖北 武漢 430064; 2.船舶振動噪聲重點實驗室，湖北 武漢 430064)

針對多工況條件下的滾動軸承損傷狀態(tài)識別問題，本文提出基于CEEMD能量熵和階次跟蹤的損傷識別方法。將振動信號經(jīng)CEEMD分解為系列的IMF分量，選取其中包含滾動軸承特征頻率的IMF分量，運用改進的希爾伯特變換求得IMF分量的邊際譜，并利用階次跟蹤方法消除不同轉(zhuǎn)速對損傷狀態(tài)的影響，同時采用能量熵加強對各損傷狀態(tài)的識別能力。最后使用特征階次幅值和能量熵構(gòu)建診斷特征向量，采用遺傳算法優(yōu)化的支持向量機對損傷狀態(tài)進行識別。試驗結(jié)果表明，基于能量熵和階次跟蹤的損傷識別方法精度較高，是一種有前途并且非常有效的多工況損傷狀態(tài)識別方法。

損傷識別；階次跟蹤；CEEMD能量熵；支持向量機

0 引 言

旋轉(zhuǎn)機械中滾動軸承是必不可少的部件，其中將近1/3的故障由滾動軸承引發(fā)。因此，以滾動軸承為研究對象，開展相應(yīng)的故障損傷分析具有重要的工程價值。文獻[1]的研究表明，滾動軸承的振動信號與軸承損傷的類型、程度、部位及其原因等密切相關(guān)，目前利用振動信號的故障損傷監(jiān)測方法應(yīng)用廣泛。

近年來，針對滾動軸承的損傷狀態(tài)評估，學(xué)者們開展了大量的研究。Batista等[2]分析了軸承故障診斷中的特征參數(shù)和模式識別方法。軸承故障的特征信息提取主要包括時域分析和頻域譜分析方法[3-4]。另外，包絡(luò)分析和解調(diào)技術(shù)在軸承故障診斷方面也有應(yīng)用[5]。鑒于滾動軸承出現(xiàn)損傷故障時振動信號大多表現(xiàn)為不平穩(wěn)信號，一些時頻分析方法如小波分析、經(jīng)驗?zāi)B(tài)分解以及局域均值分解[6-8]等被用來分析這些復(fù)雜的振動信號。

目前大多數(shù)的旋轉(zhuǎn)機械狀態(tài)識別研究成果局限于穩(wěn)定旋轉(zhuǎn)速度的工況條件。但通常情況下，機械旋轉(zhuǎn)系統(tǒng)由于不同的工況條件，會在不同的旋轉(zhuǎn)速度下工作。在變速度的工況條件下，旋轉(zhuǎn)機械故障的特征參數(shù)如特征頻率會隨著旋轉(zhuǎn)速度的變化而改變。根據(jù)Loughlin和Tacer[9]的研究，瞬時頻率和階次跟蹤技術(shù)能夠獲取狀態(tài)管理的有用信息。Fyfe和Munck[10]通過插值算法重構(gòu)信號，移除旋轉(zhuǎn)速度的影響達到使用階次描述系統(tǒng)特征的目的。Renaudin等[11]運用瞬時角速度(Instantaneous Angular Speed, IAS)結(jié)合階次跟蹤算法，實現(xiàn)了滾動軸承不變轉(zhuǎn)速工作狀態(tài)下的故障診斷。但通常情況下，IAS從時域信號分析獲取，并不能精確計算得到。

近年來，通過學(xué)者的研究，小波熵和EMD熵能夠較好地描述設(shè)備的退化損傷狀態(tài)[7]。同時階次跟蹤算法能夠移除不同轉(zhuǎn)速帶來的影響，滾動軸承的特征頻率(階次)可以精確計算得到，提出了一個結(jié)合能量熵和階次跟蹤算法的滾動軸承損傷狀態(tài)評估方法。首先運用互補總體平均經(jīng)驗?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition, CEEMD)將原始信號分解為一系列的固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)，選取其中包含大量滾動軸承特征信息的IMF分量。由于希爾伯特變換會得到?jīng)]有物理意義的負頻率，這里運用改進的希爾伯特變換計算IMF分量的瞬時頻率和瞬時幅度，并得到這些IMF分量的邊際譜。利用階次跟蹤算法得到階次幅值圖，選取各特征階次幅值和能量熵作為特征參數(shù)，并采用遺傳算法(Genetic Algorithm, GA)優(yōu)化的支持向量機(Support Vector Machine，SVM)對滾動軸承的各損傷狀態(tài)進行診斷識別。

1 CEEMD方法和經(jīng)驗歸一化過程

經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)是一種適于非線性、非平穩(wěn)信號的自適應(yīng)信號處理方法。其本質(zhì)是對非平穩(wěn)信號進行平穩(wěn)化處理，將信號中不同尺度的波動或趨勢逐級分解出來。同時，EMD方法也存在一些不足如模態(tài)混疊現(xiàn)象，為了克服EMD的模態(tài)混疊問題，文獻[12]提出了一種集合經(jīng)驗?zāi)B(tài)分解(ensemble EMD，EEMD)方法。EEMD利用白噪聲具有頻率均勻分布的統(tǒng)計特性，當信號加入高斯白噪聲后，使信號在不同尺度上具有連續(xù)性，改變信號極值點的特性，促進抗混疊分解，有效地避免了模態(tài)混疊現(xiàn)象。但同時在信號中加入白噪聲，使分解的結(jié)果帶來了重構(gòu)誤差。為了克服噪聲對分解結(jié)果的影響，文獻[13]提出了CEEMD方法，能夠在保證分解效果與EEMD相當?shù)那闆r下，克服所添加的噪聲對分解結(jié)果的影響。其分解步驟如下：

1)向待分解信號中加入n組正、負成對的輔助白噪聲，從而生成2套集合IMF。

(1)

式中：S為原信號；N為輔助噪聲；M1，M2分別為加入正負成對噪聲后的信號。這樣得到集合信號的個數(shù)為2n。

2)對集合中的每個信號進行EMD分解，每個信號得到1組IMF分量，其中第i個信號的第j個IMF分量用cij表示。

3)對多組IMF分量進行組合，得到分解結(jié)果如下：

(2)

其中cj即為CEEMD分解最終獲得的第j個IMF分量。

1.2 CEEMD能量熵

為了得到CEEMD能量熵，首先將振動信號進行CEEMD分解，計算各個IMF分量的總能量，計算公式如下：

2.3.5 地瓜的收獲：地瓜沒有明顯的成熟標準和收獲期，一般都在10月中旬，初霜前收獲，注意不要刨傷地瓜，小心運輸，不要碰破皮，選出受傷的地瓜，以免影響貯存。

(3)

其中N為每個IMF分量的數(shù)據(jù)點數(shù)。

能量熵的計算方法為：

(4)

本文構(gòu)建狀態(tài)識別的特征向量T=[E1，E2，…，Em]，考慮到能量有時候數(shù)值非常大，這里對其進行歸一化。

(5)

歸一化后得到的特征向量為：

T′=[E1/S，E2/S，…，Em/S]。

(6)

1.3 經(jīng)驗歸一化過程

將原始信號經(jīng)過CEEMD分解后，各IMF分量cj(t)的Hilbert變換可表示為：

(7)

信號c(t)的解析信號z(t)可定義為：

z(t)=c(t)+iy(t)=A(t)eiθt。

(8)

頻率便可定義為相位θ(t)對時間t的求導(dǎo)：

(9)

運用3次樣條曲線將IMF分量cj(t)的所有極大值點連接起來，便可得到IMF分量的經(jīng)驗包絡(luò)e1(t)。 然后這個經(jīng)驗包絡(luò)e1(t)被用來歸一化該IMF分量c(t)：

(10)

利用y1(t)的經(jīng)驗包絡(luò)e2(t)重復(fù)進行式(10)中的歸一化過程：

(11)

當yn(t)的所有值都小于或者等于整體的時候，這個歸一化過程就完成了。

定義yn(t)為IMF分量cj(t)的經(jīng)驗調(diào)幅部分：

yn(t)=cosφ(t)=F(t)。

(12)

式中F(t)為統(tǒng)一幅值下的純調(diào)頻函數(shù)，則調(diào)幅部分A(t)為：

(13)

根據(jù)式(4)，可以得到：

x(t)=A(t)×F(t)=A(t)cosφ(t)。

(14)

此時即完成了經(jīng)驗頻率調(diào)制和幅度調(diào)制過程，可以發(fā)現(xiàn)，經(jīng)驗幅度調(diào)制較為平滑而且有效避免了高頻波動和幅度調(diào)制系數(shù)過調(diào)。

計算頻率，對相位函數(shù)微分：

(15)

振動信號的時間-頻率-幅度譜可表示為：

(16)

則包含p個IMF分量信號的邊際譜為：

(17)

2 應(yīng)用分析

采用美國凱斯西儲大學(xué)(CaseWesternReserveUniversity)電氣工程實驗室的滾動軸承試驗數(shù)據(jù)對所提的方法進行驗證[14]，實驗裝置如圖1所示，左端是一個1.47kW的電機，中間連接部分安裝了扭矩傳感器，右側(cè)是負載(電力測功機)和電子控制設(shè)備(圖中沒有顯示)。運用加速度傳感器采集了滾動軸承運行正常、外圈損傷、內(nèi)圈損傷和滾珠損傷時的振動信號。

圖1 軸承測試平臺示意圖Fig.1 Schematic diagram of bearing test platform

采用轉(zhuǎn)速和載荷分別為1 730r/min和3HP，1 750r/min和2HP，1 772r/min和1HP，1 797r/min和0HP四種工況下，故障直徑分別為0.18mm和0.54mm兩種狀態(tài)下的軸承振動信號對所提的方法進行驗證。如表1所示，本次試驗包括4種不同工況條件和7種軸承損傷狀態(tài)，針對各個工作狀態(tài)條件下的每個損傷狀態(tài)采集20組數(shù)據(jù)，一共560組數(shù)據(jù)，(每種損傷狀態(tài)80個，其中40個用來訓(xùn)練，40個用作測試)。

表1 試驗中各狀態(tài)編號Tab.1 Condition numbers in the experiment

試驗中所采用的滾動軸承主要參數(shù)為，軸承直徑39.04mm，滾珠直徑7.94mm，滾珠數(shù)量為9個，則滾動軸承各故障狀態(tài)下的特征階次為：

(18)

式中：OR為軸頻；OBPFO為外圈磨損狀態(tài)；OBPFI為滾珠磨損狀態(tài)；OBSF為內(nèi)圈磨損狀態(tài)。

圖2 軸承滾動體輕微損傷邊際譜Fig.2 Marginal spectrum of bearing with slight rolling element defects

將振動信號進行CEEMD分解后，選取包含主要損傷特征的IMF分量，分別進行經(jīng)驗歸一化求得頻率調(diào)制和幅度調(diào)制，并計算得到這些IMF分量的時間-頻率-幅度譜，進一步計算這些IMF分量組成的邊際譜。而特征階次可以較好地消除轉(zhuǎn)速不同帶來的影響。根據(jù)邊際譜和特征階次，得到各特征階次對應(yīng)的邊際譜幅值。并且能量熵能夠較好地表征各個損傷狀態(tài)，由式(6)計算每組數(shù)據(jù)的CEEMD能量熵。最后結(jié)合特征階次邊際譜值和CEEMD能量熵構(gòu)建滾動軸承損傷狀態(tài)識別的特征向量。將訓(xùn)練和測試各280組特征向量進行歸一化后，分別對遺傳算法優(yōu)化的支持向量機進行訓(xùn)練和測試，最終的診斷結(jié)果如表2所示。

根據(jù)表2的計算結(jié)果，狀態(tài)2的損傷狀態(tài)識別精度最高達到了100%，狀態(tài)6的識別精度最低為85%，280組樣本的平均準確率為93.21%。針對不同的工況條件，所提的多工況滾動軸承損傷狀態(tài)識別方法有效。這是因為提取的故障特征中包含CEEMD熵和特征階次幅值，CEEMD熵針對滾動軸承不同的故障及損傷狀態(tài)識別效果較好，而各故障狀態(tài)的特征階次幅值能夠消除轉(zhuǎn)速的不同帶來的影響。

表2 各故障狀態(tài)SVM識別結(jié)果Tab.2 SVM recognition results of the defect conditions

3 結(jié) 語

本文提出了一種基于CEEMD能量熵、邊際譜階次跟蹤和支持向量機的滾動軸承損傷狀態(tài)識別方法。通過CEEMD方法將原始信號分解為一系列的IMF分量，計算各IMF分量的能量熵，并采用經(jīng)驗歸一化的希爾伯特變換計算各包含損傷特征的IMF分量的時間-頻率-幅度譜和邊際譜，結(jié)合邊際譜中各特征階次的幅值與能量熵構(gòu)建特征向量，最后利用GA優(yōu)化的SVM評估滾動軸承在多工況條件下的損傷狀態(tài)。試驗結(jié)果表明，針對多工況條件下的滾動軸承損傷狀態(tài)評估，所提方法能夠較好地識別滾動軸承各故障損傷狀態(tài)，表明所提的方法有效。

[1]PAYABA,ESATII,BADIMNM.Artificialneuralnetworkbasedfaultdiagnosticsofrotatingmachineryusingwavelettransformsasapreprocessor[J].MechanicalSystemsandSignalProcessing，1997，11(5)：751-765.

[2]BATISTAL,BADRIB,SABOURINR,etal.Aclassifierfusionsystemforbearingfaultdiagnosis[J].ExpertSystemswithApplications,201340：6788-6797.

[3]GRYLLIASKC,I.A.Antoniadis.ASupportVectorMachineapproachbasedonphysicalmodeltrainingforrollingelementbearingfaultdetectioninindustrialenvironments[J].EngineeringApplicationsofArtificialIntelligence,2012，25：326-344.

[4]LIZX,YANXP,YUANCQ,etal.Faultdetectionanddiagnosisofagearboxinmarinepropulsionsystemsusingbispectrumanalysisandartificialneuralnetworks[J].JournalofMarineScienceandApplication，2011，10：17-24.

[5] 曾慶虎，邱靜，劉冠軍，等.基于小波相關(guān)濾波-包絡(luò)分析的早期故障特征提取方法[J].儀器儀表學(xué)報，2008(4)：730-733.

ZENGQin-shu，QIUJing，LIUGuan-jun，etal.Approachtoextractionofincipientfaultfeaturesbasedonwaveletcorrelationfilterandenvelopeanalysis[J].ChineseJournalofScientificInstrument，2008(4)：730-733.

[6]LINing,ZHOURui,HUQing-hua,etal.Mechanicalfaultdiagnosisbasedonredundantsecondgenerationwaveletpackettransform,neighborhoodroughsetandsupportvectormachine[J].MechanicalSystemsandSignalProcessing,2012，28：608-621.

[7]YANGYu,YUDe-jie,CHENGJun-sheng.ArollerbearingfaultdiagnosismethodbasedonEMDenergyentropyandANN[J].JournalofSoundandVibration,2006，294：269-277.

[8]WANGYan-xue,HEZheng-jia,XIANGJia-wei,etal.Applicationoflocalmeandecompositiontothesurveillanceanddiagnosticsoflow-speedhelicalgearbox[J].MechanismandMachineTheory,2012，47：62-73.

[9]LOUGHLINPJ,TACERB.Instantaneousfrequencyandtheconditionalmeanfrequencyofasignal[J].SignalProcessing,1997，60：153-162.

[10]FYFEKR,MUNCKEDS.Analysisofcomputedordertracking[J].MechanicalSystemsandSignalProcessing,1997(11)：187-205.

[11]RENAUDINL,BONNARDOTF,MUSYO,etal.Naturalrollerbearingfaultdetectionbyangularmeasurementoftrueinstantaneousangularspeed[J].MechanicalSystemsandSignalProcessing,2010(24)：1998-2011.

[12]WUZ,HUANGNE.Ensembleempiricalmodedecompo-sition:Anoiseassisteddataanalysismethod[J].DataAnal，2009(1): 1-41.

[13]YEHJR,SHIEHJS.complementaryensembleempiricalmodedecomposition:anovelnoiseenhanceddataanalysismethod[J].AdvancesinAdaptiveDataAnalysis,2010,2(2):135-156.

[14]http://csegroups.case[EB/OL].edu/bearingdatacenter/pages/download-data-file.

A rolling bearing damage state recognition method under variable condition

ZHOU Tao-tao1,2，ZHU Xian-ming1,2，LIU Yan1,2，PENG Wei-cai1,2

(1.China Ship Development and Design Center,Wuhan 430064,China; 2.National Key Laboratory on Ship Vibration and Noise, China Ship Development and Design Center,Wuhan 430064,China)

Aim at bearing defect identification under varying operating conditions, a damage recognition method based on CEEMD energy entropy and order tracking method was proposed.The vibration signal was decomposed into a series of IMF components by CEEMD; the IMF components containing bearing defect characteristic frequency were selected; improved Hilbert transform was applied to compute the marginal spectrum from these IMF components; order tracking method was utilized to eliminate the effects of variable rotating speed; CEEMD energy entropy was used for damage state identification.Finally, the magnitudes of characteristic orders and CEEMD energy entropy were used to construct the diagnose feature vectors, and genetic algorithm optimized support vector machines was employed for damage state identification.The experimental results show that the method based on CEEMD energy entropy and order tracking is a promising and effective damage identification method with high accuracy.

fault defect identification; order-tracking; CEEMD energy entropy; SVM

2015-05-04；

2015-06-01

國家自然科學(xué)基金資助項目(51409238)

周濤濤(1988-)，男，博士研究生，研究方向為故障預(yù)測與健康管理。

TP18

A

1672-7649(2015)10-0067-05

10.3404/j.issn.1672-7649.2015.10.014