徐濤,劉勇,裴愛(ài)嶺,盧艷軍
(沈陽(yáng)航空航天大學(xué) 自動(dòng)化學(xué)院,沈陽(yáng) 110136)
滾動(dòng)軸承振動(dòng)信號(hào)具有非平穩(wěn)性特征,普遍采用時(shí)頻分析技術(shù)分解振動(dòng)信號(hào)并提取故障特征。文獻(xiàn)[1-3]根據(jù)Hilber-Huang變換的自適應(yīng)時(shí)頻分析特性,利用經(jīng)驗(yàn)?zāi)B(tài)分析分解軸承振動(dòng)信號(hào),進(jìn)而提取各種特征向量進(jìn)行故障診斷。諧波小波可以將信號(hào)分解到感興趣的頻帶,并使信號(hào)在諧波小波變換后的各頻帶內(nèi)具有與初始信號(hào)一樣的頻率分辨率,而且分解后的點(diǎn)數(shù)不變,從而克服了Mallat小波算法存在的問(wèn)題[4],可以用于處理軸承振動(dòng)信號(hào)并提取故障特征。
文獻(xiàn)[5]利用諧波小波變換的時(shí)頻剖面圖提取信號(hào)中的特殊成分,應(yīng)用到齒輪的斷齒故障診斷中。但是,隨著諧波小波分解層數(shù)的增加,分析頻率會(huì)逐漸趨于高頻或低頻,不能任意選取分析頻段。諧波小波包變換則能夠克服上述問(wèn)題,可以自適應(yīng)地“無(wú)限細(xì)分”整個(gè)振動(dòng)信號(hào)的頻帶,提取信號(hào)中感興趣的頻率成分。文獻(xiàn)[6-7]采用諧波小波包處理不同故障狀態(tài)下的滾動(dòng)軸承振動(dòng)信號(hào),根據(jù)分解到不同頻段信號(hào)能量得到故障特征向量。
在獲得滾動(dòng)軸承的故障特征之后,需要設(shè)計(jì)一個(gè)分類(lèi)器進(jìn)一步實(shí)現(xiàn)故障的診斷與識(shí)別。文獻(xiàn)[6]利用神經(jīng)網(wǎng)絡(luò)的非線性映射能力,設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器,實(shí)現(xiàn)故障模式識(shí)別;文獻(xiàn)[8-9]利用直覺(jué)經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)相結(jié)合設(shè)計(jì)了模糊分類(lèi)器,實(shí)現(xiàn)了故障軸承的故障診斷;由于支持向量機(jī)(SVM)在小樣本條件下非線性映射能力突出,文獻(xiàn)[3,7]設(shè)計(jì)了基于SVM的多分類(lèi)器模型,實(shí)現(xiàn)多種滾動(dòng)軸承的故障識(shí)別;文獻(xiàn)[10-11]進(jìn)一步采用了近似支持向量機(jī)和近鄰得分支持向量機(jī)對(duì)滾動(dòng)軸承故障狀態(tài)進(jìn)行識(shí)別。相關(guān)向量機(jī)(RVM)與SVM一樣,也是利用核函數(shù)映射將低維空間非線性問(wèn)題轉(zhuǎn)化為高維空間的線性問(wèn)題,但其訓(xùn)練是在Bayes框架下進(jìn)行,在先驗(yàn)參數(shù)的結(jié)構(gòu)下利用自動(dòng)相關(guān)決策理論移除不相關(guān)的點(diǎn),得到稀疏化的模型[12-13]。RVM不存在SVM涉及的誤差參數(shù)無(wú)法確定、模型稀疏程度不夠、核函數(shù)必須滿足Mercer條件等諸多缺陷,具有與SVM近似或更好的回歸預(yù)測(cè)和分類(lèi)識(shí)別精度。因此,利用RVM設(shè)計(jì)了基于一對(duì)一(One-Against-One,OAO)的多模式分類(lèi)模型,并與諧波小波包的特征提取方法相結(jié)合,實(shí)現(xiàn)滾動(dòng)軸承的故障診斷。
諧波小波[14]不能任意選取感興趣的分析頻段,不能對(duì)任意頻段“無(wú)限細(xì)分”,無(wú)法實(shí)現(xiàn)振動(dòng)信號(hào)中任意頻段的提取。而諧波小波包則借助二進(jìn)制小波包的分解思想,實(shí)現(xiàn)了自適應(yīng)無(wú)限細(xì)分的小波包分解過(guò)程,從而可在任意分解層上得到整個(gè)分析頻域內(nèi)某一頻段的分析結(jié)果。諧波小波包變換的實(shí)現(xiàn)過(guò)程如下[15]:
1) 根據(jù)分析帶寬和頻段范圍確定研究頻率成分所在的分解層j和頻段值s,即
m=sB,n=(s+1)B,s=0,1,2,…,2j-1 ;
(1)
B=2-jfh,
式中:fh為分析的最高頻率,是采樣率的1/2。
2)諧波小波的頻域表達(dá)式為
。(2)
3) 對(duì)離散振動(dòng)信號(hào)時(shí)間序列fd(r)進(jìn)行FFT,求得其頻域離散值f^d(ω)。
4)所確定頻段的小波變換為
傳統(tǒng)的基于諧波小波包的故障特征提取方法首先對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,目的是消除不同信號(hào)的物理單位影響[7]。但是,振動(dòng)信號(hào)與普通信號(hào)相比具有特殊性,信號(hào)在零值兩側(cè)取值。計(jì)算均值時(shí)得到的是接近零的數(shù)值,無(wú)法進(jìn)一步利用均值和方差進(jìn)行標(biāo)準(zhǔn)化。為解決上述問(wèn)題,先進(jìn)行振動(dòng)信號(hào)諧波小波包分解,然后在各頻段小波系數(shù)平方和的基礎(chǔ)上計(jì)算平方根并求出小波系數(shù)的能量,最后利用其均值和方差進(jìn)行標(biāo)準(zhǔn)化,得到特征向量。具體步驟如下:
1)利用諧波小波包對(duì)測(cè)試數(shù)據(jù)進(jìn)行多層分解,求得各尺度小波系數(shù)。
2)各尺度小波系數(shù)能量為
(4)
式中:M為每個(gè)頻帶小波系數(shù)的個(gè)數(shù)。
3)對(duì)小波系數(shù)能量進(jìn)行量綱一化處理,即
(5)
式中:M()為小波系數(shù)能量的均值;Dσ為小波系數(shù)能量的標(biāo)準(zhǔn)差。
4) 最終得到標(biāo)準(zhǔn)的故障特征向量為
(6)
RVM引入超參數(shù)對(duì)權(quán)重向量賦予零均值高斯先驗(yàn)分布,從而確保模型的稀疏性。同時(shí),采用最大化的邊緣似然函數(shù)方法對(duì)超參數(shù)進(jìn)行估計(jì),并在超參數(shù)估計(jì)的過(guò)程中實(shí)現(xiàn)規(guī)則化系數(shù)自動(dòng)調(diào)節(jié)[12]。RVM除具有SVM的所有優(yōu)點(diǎn)外,其核函數(shù)不受Mercer條件的限制,而且基函數(shù)權(quán)值稀疏性好,計(jì)算效率高[13]。
與基于SVM的多模式分類(lèi)模型類(lèi)似,基于RVM的多故障模式分類(lèi)可分為決策樹(shù)(Decision Tree,DT)模型、一對(duì)多(One Against Rest,OAR)模型和OAO模型。由于OAO模型在準(zhǔn)確性方面具有一定的優(yōu)勢(shì),以該模型為基礎(chǔ)開(kāi)展研究,設(shè)計(jì)基于OAO的RVM多模式分類(lèi)模型。針對(duì)正常(A)、滾動(dòng)體故障(B)、內(nèi)圈故障(C)和外圈故障(D)這4種故障類(lèi)別,理論上直接利用OAO模型需要6個(gè)二分類(lèi)器。模型如圖1所示。
圖1 基于OAO-RVM的故障診斷模型
為簡(jiǎn)化模型設(shè)計(jì),對(duì)OAO- RVM多模式分類(lèi)模型進(jìn)行了改進(jìn),僅需建立4個(gè)RVM二分類(lèi)器,第1個(gè)用來(lái)識(shí)別軸承是否正常,其他3個(gè)利用OAO模型實(shí)現(xiàn)故障模式的診斷,具體模型如圖2所示。
圖2 改進(jìn)的OAO-RVM故障診斷模型
該模型首先將正常狀態(tài)與故障狀態(tài)進(jìn)行區(qū)分,減少分類(lèi)器數(shù)量;在其余類(lèi)別之間分別構(gòu)造3個(gè)RVM二分類(lèi)器,各個(gè)RVM二類(lèi)分類(lèi)器進(jìn)行獨(dú)立訓(xùn)練。在訓(xùn)練某二類(lèi)樣本i類(lèi)和j類(lèi)的分類(lèi)器kij時(shí),定義i類(lèi)的樣本目標(biāo)值為0,第j類(lèi)的樣本目標(biāo)值為1。對(duì)于測(cè)試樣本x,若該分類(lèi)器kij認(rèn)為它是i類(lèi),則第i類(lèi)所獲票數(shù)加1。最后,測(cè)試樣本分別經(jīng)3個(gè)RVM分類(lèi)器識(shí)別,直到所有的分類(lèi)器分類(lèi)完成,得票最多的類(lèi)別即為測(cè)試樣本所屬類(lèi)別。
為了驗(yàn)證所設(shè)計(jì)的故障診斷方法,采用了美國(guó)Case Western Reserve University電氣工程實(shí)驗(yàn)室滾動(dòng)軸承故障模擬試驗(yàn)臺(tái)的多組試驗(yàn)數(shù)據(jù)[16],下載了多種故障尺寸及多種轉(zhuǎn)速下的振動(dòng)信號(hào)進(jìn)行算法驗(yàn)證。
滾動(dòng)軸承試驗(yàn)臺(tái)包括電動(dòng)機(jī)、控制系統(tǒng)、加速度傳感器及數(shù)據(jù)采集系統(tǒng)。故障點(diǎn)直徑分別為0.177 8,0.355 6和0.533 4 mm,試驗(yàn)軸承為SKF-6205型深溝球軸承,具體參數(shù)見(jiàn)表1。
表1 SKF-6205軸承參數(shù) mm
利用上述基于諧波小波包的特征提取方法對(duì)各組試驗(yàn)數(shù)據(jù)提取故障特征樣本,用于訓(xùn)練設(shè)計(jì)的RVM多模式分類(lèi)器,提取的4種特征樣本的能量分布如圖3所示。
圖3 特征提取的能量分布圖
每種狀態(tài)分別提取100組特征樣本,使用每種狀態(tài)的前50組數(shù)據(jù)作為訓(xùn)練樣本對(duì)設(shè)計(jì)的RVM多分類(lèi)器進(jìn)行訓(xùn)練,使其具備識(shí)別能力。然后,使用每種狀態(tài)的后50組數(shù)據(jù)作為測(cè)試數(shù)據(jù)對(duì)訓(xùn)練后的RVM分類(lèi)器進(jìn)行測(cè)試。為驗(yàn)證診斷方法的性能,利用上面的訓(xùn)練和測(cè)試樣本對(duì)改進(jìn)OAO-RVM,DT-RVM及OAR-RVM進(jìn)行了比較,結(jié)果見(jiàn)表2。
表2 不同故障尺寸下的測(cè)試結(jié)果
診斷結(jié)果表明,改進(jìn)OAO-RVM方法在診斷準(zhǔn)確性方面與DT-RVM方法相當(dāng),都達(dá)到了100%的準(zhǔn)確率,這不僅證明了RVM分類(lèi)器的優(yōu)越性能,也說(shuō)明設(shè)計(jì)的特征提取方法很好地表征了各種故障特征。在計(jì)算效率方面,由于將傳統(tǒng)的OAO-RVM方法進(jìn)行了簡(jiǎn)化,減少了二分類(lèi)器的個(gè)數(shù),因此在計(jì)算效率方面得到了提高,大多數(shù)情況下都高于DT-RVM和OAR-RVM方法。
為了與傳統(tǒng)的SVM方法作對(duì)比,采用了一組測(cè)試數(shù)據(jù)對(duì)OAO-SVM和OAO-RVM進(jìn)行了對(duì)比驗(yàn)證,結(jié)果見(jiàn)表3。診斷結(jié)果表明,OAO-RVM方法的向量個(gè)數(shù)比OAO-SVM大幅度減少,診斷準(zhǔn)確率提高。所以,OAO-RVM方法無(wú)論在診斷準(zhǔn)確率還是在計(jì)算效率方面都優(yōu)于傳統(tǒng)的OAO-SVM方法。
表3 RVM與SVM的對(duì)比結(jié)果
利用諧波小波包提取軸承振動(dòng)信號(hào)的故障特征,并與相關(guān)向量機(jī)相結(jié)合,對(duì)傳統(tǒng)的OAO-RVM結(jié)構(gòu)進(jìn)行了改進(jìn),并通過(guò)不同故障尺寸、不同轉(zhuǎn)速條件下的振動(dòng)數(shù)據(jù)對(duì)診斷方法進(jìn)行了驗(yàn)證,結(jié)果表明該診斷方法的準(zhǔn)確率及計(jì)算效率均優(yōu)于OAR-RVM,同DT-RVM相比也有一定提高。通過(guò)與傳統(tǒng)SVM診斷方法的對(duì)比,也進(jìn)一步證明了設(shè)計(jì)方法在結(jié)構(gòu)上比傳統(tǒng)的SVM方法簡(jiǎn)化很多,而且診斷準(zhǔn)確率也得到提高。