王行剛

(江蘇聯(lián)合職業(yè)技術學院 徐州醫(yī)藥分院， 江蘇 徐州　221116)

?

基于改進EEMD和HMM的采煤機搖臂軸承故障診斷

王行剛

(江蘇聯(lián)合職業(yè)技術學院 徐州醫(yī)藥分院， 江蘇 徐州221116)

提出一種基于改進集成經(jīng)驗模態(tài)分解與隱馬爾科夫模型的采煤機搖臂軸承故障診斷方法，利用基于極值點對稱延拓和余弦窗函數(shù)的改進方法，減少端點效應對分解結果的影響，從而提高了信號分解的精度；然后提取每層本征模態(tài)函數(shù)的能量熵作為隱馬爾科夫模型的輸入特征向量，進行故障模式識別。實驗結果表明，該方法對軸承故障類型的識別率達90%以上，實現(xiàn)了采煤機搖臂軸承故障的準確診斷。

采煤機搖臂； 軸承； 故障診斷； 集成經(jīng)驗模態(tài)分解； 隱馬爾科夫模型

網(wǎng)絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160902.1014.011.html

0　引言

由于煤礦井下工況條件惡劣，使得采煤機搖臂在工作時易出現(xiàn)較大的載荷波動，很大程度上導致了采煤機搖臂軸承故障的發(fā)生，容易造成采煤機停機，嚴重影響煤礦安全生產(chǎn)及生產(chǎn)效率[1]。因此，對采煤機搖臂軸承進行故障診斷分析，在故障早期分析搖臂狀態(tài)并判斷故障類型，具有重要的工程意義。

EMD(EmpiricalModeDecomposition, 經(jīng)驗模態(tài)分解)是一種自適應信號處理方法，對于非穩(wěn)定性和非線性的信號分析而言，是一種較好的解決手段，因此在機械故障診斷方面得到廣泛應用。在實際應用中發(fā)現(xiàn)，EMD分解信號過程中存在模態(tài)混疊現(xiàn)象和端點效應，這在很大程度上降低了信號分解的精度。EEMD(EnsembleEmpiricalModeDecomposition, 集成經(jīng)驗模態(tài)分解)是由Huang等[2]在EMD的基礎上提出的一種新型信號處理方法，該方法克服了EMD分解的模態(tài)混合問題，但只是部分抑制了端點效應。本文提出基于改進EEMD和HMM(HiddenMarkovModel, 隱馬爾科夫模型)的采煤機搖臂軸承故障診斷方法，利用基于極值點對稱延拓和余弦窗函數(shù)的改進方法，減少端點效應對分解結果的影響，有效地提取出軸承的能量熵特征信息[4]，然后結合具有較強分類能力的HMM，對故障類型進行診斷識別，實現(xiàn)采煤機搖臂軸承的故障診斷，判斷搖臂工作狀態(tài)[5]。

1　故障診斷關鍵技術

1.1EEMD理論

1.1.1EEMD算法

EEMD算法根據(jù)信號本身的信息對信號進行自適應性分解，得到一組從高頻到低頻的IMF(IntrinsicModeFunction, 固有模態(tài)函數(shù))之和，使得信號分解具有一定的連貫性，以便有效地提取信號特征[2]。當軸承發(fā)生各種故障時，信號在不同頻帶的能量會出現(xiàn)不同程度的變化。因此，可以通過計算每層IMF的能量熵來提取信號的敏感特征信息，從而判斷是否發(fā)生故障并識別故障類型。EEMD克服了EMD分解的模態(tài)混疊現(xiàn)象，但只是部分抑制了端點效應。

1.1.2端點效應抑制方法

對信號進行加余弦窗函數(shù)處理，相當于一種加權處理，根據(jù)加權效果可以抑制函數(shù)兩端的信號，防止信號分解誤差由兩端向中心擴散，使得上、下包絡線能夠更好地擬合；截取信號必然發(fā)生信號的丟失，但余弦窗函數(shù)是一個無限長的函數(shù)，所以它既具有很高的分辨力，又能很好地防止信息丟失。但加窗后原信號的包絡線被改變，從而導致原信號被改變[3]。針對該問題，本文研究了基于極值點對稱延拓和余弦窗函數(shù)的改進算法，在對信號進行EEMD分解前先對原信號進行延拓，然后對延拓部分的信號進行加余弦窗函數(shù)處理，這樣既解決了延拓過程本身帶來的不確定性，又抑制了端點效應影響，提高了信號的分解精度，算法大致步驟如下。

(1) 極值點對稱延拓法是一種對信號兩端極值進行延拓的方法，延拓速度快。對長度為N的原始信號x(i)極值點進行延拓，極大值為s(i)，i=1,2,…,m；極小值為l(j)，j=1,2,…,n，然后判斷是否將左右端點x(1)和x(N)作為極值點進行延拓：

(1)

(2)

(2) 對延拓信號加余弦窗，余弦窗的窗體形狀如圖1所示，函數(shù)表達式為

(3)

式中：t為時間；T為余弦窗的總時間段長度。

圖1　余弦窗函數(shù)

(3) 對加窗后的信號進行EEMD分解，去除分解后信號的延拓部分，得到與原始信號長度一樣的信號分解結果。

1.2HMM模型

HMM模型是在Markov鏈的基礎上發(fā)展起來的，一個HMM模型λ可由3個基本元素組成，λ=(A,B,α)，其中A為隱狀態(tài)轉移概率分布矩陣；B為觀測值概率矩陣[5]；α為模型的初始概率分布向量，定義了模型初始時刻處于各個隱狀態(tài)的概率分布。

隨著HMM被廣泛應用在實際工程問題上，逐漸形成三大經(jīng)典算法[6]：① 估計。給定觀察序列和模型，估測觀察序列出現(xiàn)的概率。通常由前向-后向算法解決。② 解碼。給定觀察序列和模型，求可能性最大的隱藏狀態(tài)序列。③ 學習。給定觀察序列，通過調(diào)整HMM模型參數(shù)，使這個觀察序列出現(xiàn)的概率最大。

在軸承故障診斷過程中，利用改進EEMD方法提取采煤機搖臂軸承振動信號敏感特征集。訓練階段，結合Baum-Welch算法，對初始化設置的HMM模型進行訓練，建立各類軸承的HMM參數(shù)模型；識別階段，利用Viterbi算法近似計算推理概率，在已知模型下，輸出概率值最大的樣本故障類型即為對應模型的類型。

2　實驗裝置及信號采集

利用采煤機搖臂加載實驗臺(圖2)對軸承故障診斷方法進行分析驗證，考慮到實驗中傳感器的軸向和徑向安裝對軸承損傷的敏感程度不同，特采用三軸加速度振動傳感器對軸承振動信號進行采集，采集部位是采煤機搖臂低速軸區(qū)。通過對搖臂內(nèi)軸承進行更換，模擬出正常軸承、內(nèi)圈點蝕故障、外圈點蝕故障以及滾動體點蝕故障。

圖2　采煤機搖臂加載實驗臺

對3個方向的信號進行分析可知，相對于軸向Z和切向Y來說，徑向X采集到的故障軸承信號的峭度值更大，信號中含有更多的沖擊成分，因此，選擇徑向X方向采集到的信號作為研究對象，如圖3所示。該振動信號沒有表現(xiàn)出明顯的規(guī)律，所以無法準確區(qū)分故障類型。每組軸承類型采集100組數(shù)據(jù)樣本，采樣頻率為10kHz。

(a) 正常狀態(tài)

(b) 內(nèi)圈點蝕故障

(c) 外圈點蝕故障

(d) 滾動體點蝕故障

3　軸承振動信號分析

用基于改進EEMD和HMM的采煤機搖臂軸承故障診斷方法對采集到的4種類型軸承信號進行分析，診斷流程如圖4所示。

圖4　故障診斷流程

首先對采集到的信號兩端采取極值點對稱延拓，然后對延拓后的信號加余弦窗函數(shù)處理，最后進行EEMD分解，設置分解過程添加的高斯白噪聲幅度為0.01，循環(huán)次數(shù)為100。以內(nèi)圈點蝕故障信號為例進行分析說明，分解后共得到11個IMF和余量r，前8個IMF如圖5所示。

圖5　內(nèi)圈點蝕故障信號延拓加窗后的EEMD分解結果

去除經(jīng)EEMD處理得到的每個IMF的延拓部分，得到與原信號序列長度相等的一組IMF，結果如圖6所示。

對4種不同軸承類型信號進行上述分解，并對得到的一系列IMF分量分別求取能量熵，然后進行歸一化處理。經(jīng)分析，前8個IMF分量包含的能量超過了總能量的97%，因此，以EEMD分解得到的前8個分量的能量熵作為故障敏感集。4種軸承類型信號的前8個分量的能量熵占總能量比重如圖7所示。

從圖7可以大致看出每種類型軸承前8個IMF分量能量熵的變化規(guī)律，但是無法準確識別出故障類型。下面利用HMM對軸承故障類型進行診斷分類，將每種類型各80組樣本的前8個IMF能量熵作為模型的輸入向量，訓練識別模型，建立正常軸承、內(nèi)圈故障、外圈故障及滾動體故障的4種HMM狀態(tài)識別模型，選取終止迭代次數(shù)為50，收斂誤差為1×10-4。在實驗中，初始狀態(tài)概率分布向量α=[1 0 0 0]，狀態(tài)轉移概率矩陣對模型訓練的影響非常小，一般常采用左-右模式同等概率狀態(tài)轉移概率模型，可得狀態(tài)轉移概率矩陣A為

圖6　內(nèi)圈點蝕故障信號去延拓部分的EEMD分解結果

圖7　前8個IMF分量的能量熵占總能量比重

4種類型軸承的HMM訓練曲線如圖8所示。利用訓練好的HMM狀態(tài)識別模型對剩下的4種類型軸承共80組樣本進行識別分類，得到各狀態(tài)的輸出概率。如果樣本在某個模型下的對數(shù)似然概率值最大，就表明該樣本類型是這個模型所對應的故障類型。表1列出了各狀態(tài)測試樣本采用HMM狀態(tài)識別模型識別的正確率統(tǒng)計結果。

圖8　HMM識別模型訓練曲線

運行狀態(tài)正常狀態(tài)內(nèi)圈故障外圈故障滾動體故障識別率/%正常狀態(tài)20000100內(nèi)圈故障0191095外圈故障1019095滾動體故障1011890

由表1可知，訓練好的HMM狀態(tài)識別模型對于正常軸承、內(nèi)圈故障、外圈故障以及滾動體故障的識別率高達90%以上。

4　結語

提出了基于改進EEMD和HMM的軸承故障診斷方法，抑制了端點效應對分解結果的干擾，有效地提取出了信號的能量熵特征信息，并選擇前8個IMF分量能量熵作為故障敏感集，結合HMM分類器對軸承類型進行識別分類。實驗結果表明，該方法對4種狀態(tài)類型的軸承故障識別率達90%以上，實現(xiàn)了采煤機搖臂軸承故障的準確診斷。

[1]普亞松,郭德偉,張文斌.故障診斷技術在煤礦機械設備中的應用[J].工礦自動化,2015,41(4):36-39.

[2]董文智,張超.基于EEMD分解和奇異值差分譜理論的軸承故障診斷研究[J].機械強度,2012,34(2):183-189.

[3]徐力彬,宋余慶,劉毅.基于鏡像延拓和窗函數(shù)的端點效應抑制方法[J].計算機工程,2015,41(4):112-116.

[4]馮東華,賈海龍.基于EMD能譜熵和概率神經(jīng)網(wǎng)絡的采煤機搖臂齒輪故障診斷[J].煤礦機械,2014,35(7):276-278.

[5]孟宗,閆曉麗,王亞超.基于LMD和HMM的旋轉機械故障診斷[J].中國機械工程,2014,25(21):2942-2946.

[6]李志農(nóng),蔣靜,唐高松,等.旋轉機械故障診斷中的EMD-HMM識別方法研究[J].礦山機械,2007,35(12):117-120.

Fault diagnosis of shearer rocker bearing based on improved EEMD and HMM

WANG Xinggang

(PharmaceuticalVocationalCollege,JiangsuUnionTechnicalInstitute,Xuzhou221116,China)

ThepaperproposedafaultdiagnosismethodofshearerrockerbearingbasedonimprovedEEMDandHMM.Themethodusesimprovedextremepointssymmetricextensionandcosinewindowfunctiontoreduceimpactofendeffectondecompositionresults,soastoimprovesignaldecompositionprecision;thenextractesenergyentropyofeachintrinsicmodefunctionasinputfeaturevectorofHMMforfaultpatternrecognition.Theexperimentalresultsshowthatbearingfaultidentificationrateoftheproposedmethodisabove90%,whichindicatesthemethodachievesaccuratefaultdiagnosisofshearerrockerbearing.

shearerrocker;bearing;faultdiagnosis;ensembleempiricalmodedecomposition;hiddenMarkovmodel

1671-251X(2016)09-0048-04DOI:10.13272/j.issn.1671-251x.2016.09.011

2015-09-28；

2016-07-12；責任編輯：胡嫻。

國家高技術研究發(fā)展計劃(863計劃)資助項目(2012AA06A406)。

王行剛(1968-)，男，江蘇徐州人，副教授，博士，主要研究方向為藥物制劑設備與技術，E-mail:2673408495@qq.com。

TD421.6

A網(wǎng)絡出版時間：2016-09-02 10:14

王行剛.基于改進EEMD和HMM的采煤機搖臂軸承故障診斷[J].工礦自動化，2016,42(9)：48-51.