陳 松, 陳立愛,2

（1.安徽建筑大學 機械與電氣工程學院，安徽 合肥 230601；2.安徽國禎環(huán)保節(jié)能科技股份有限公司，安徽 合肥 230088）

經驗模態(tài)分解和神經網絡在滾動軸承故障診斷中應用研究

陳 松1, 陳立愛1,2

（1.安徽建筑大學 機械與電氣工程學院，安徽 合肥 230601；2.安徽國禎環(huán)保節(jié)能科技股份有限公司，安徽 合肥 230088）

針對滾動軸承故障振動信號的非平穩(wěn)特征, 提出了一種基于經驗模態(tài)分解的滾動軸承故障診斷方法，對采集的信號范圍進行了篩選。利用經驗模態(tài)分解將振動信號分解為多個平穩(wěn)的固有模態(tài)函數。選取包含主要故障信息的IMF 分量分析其時域和頻域特征。將時域信號特征量和頻譜圖峰值對應的頻率歸一化處理,輸入Elman神經網絡進行工作狀態(tài)的自動判斷。

經驗模態(tài)分解； 神經網絡； 軸承； 故障診斷。

0　引　言

滾動軸承具有摩擦阻力小和潤滑易實現等優(yōu)點,是旋轉機械的基本組成部件。軸承在機械設備中承受載荷，傳遞載荷,但工作條件最惡劣，是易損零件。據有關資料統(tǒng)計,對于使用滾動軸承的機械設備，故障設備中約有30%是由于滾動軸承損壞引起。出現軸承故障可能導致系統(tǒng)失去某些功能,或造成嚴重的生產事故。因此,滾動軸承故障診斷技術的研究具有很重要的意義［1］。

可以通過測量振動信號對軸承進行診斷。在傳統(tǒng)的處理方法中，例如用傅里葉變換處理非平穩(wěn)、非線性信號會出現無意義的諧波分量。故障信號經常表現出非平穩(wěn)的特征,對它們進行傅立葉分析不能兼顧信號在時頻域中的全局特征和局部特征［2］。小波變換可以解決傅里葉變換的上述問題。但是在選擇小波基函數和分解尺度之后,它的分辨率也確定了,并且其時間分辨率與頻率分辨率相互影響,反映信號的局部幅值就無法自適應地變化，缺乏靈活性［3］。

本文提出了一種基于經驗模態(tài)分解和神經網絡的滾動軸承故障診斷方法，適用于分析具有非平穩(wěn)特征的故障信號，具有較好的靈活性。對于狀態(tài)復雜的滾動軸承故障的識別也較為準確。先對振動信號進行經驗模態(tài)分解,拆解為多個平穩(wěn)的固有模態(tài)函數（Intrinsic Mode Function）, 再選取包含主要故障信息的IMF 分量進行進一步分析，時域信號特征量和頻譜圖峰值對應的頻率作為特征量,輸入Elman神經網絡，便于系統(tǒng)進行自動判斷。

1　經驗模態(tài)分解方法

美國國家宇航局美籍華人黃鍔等于1998 年提出了經驗模態(tài)分解（Empirical Mode Decomposition,縮寫EMD）。傳統(tǒng)方法中會用無意義的諧波分量來表示非平穩(wěn)、非線性信號。新方法為自適應信號時頻分析方法，沒有傳統(tǒng)方法的這些缺陷，并具有良好的時頻聚焦性。傳統(tǒng)分析方法中基函數的幅值不變、頻率固定，而EMD允許IMF幅值改變，靈活，信號分析能力強。EMD方法非常適用于非線性和非平穩(wěn)的過程,具有很高的信噪比［4］。

計算各IMF分量的自相關系數，選取自相關程度最大的IMF分量，對于這個IMF分量采用Hilbert變換，提取機械故障信號包絡，可以獲得故障特征信息。Hilbert譜圖和小波尺度譜圖相比，具有更好的頻率分辨率，在機械故障振動信號的解調分析中得到了廣泛的應用。變換所得解析信號與原始信號相比更為光滑和平緩。

利用EMD方法對信號x（t）進行分析的步驟如

下［5］：

1）計算得局部極大值點和極小值點，用三次樣條曲線將局部極大值點和極小值點分別連接起來形成上下包絡線；

2）上、下包絡線的平均值記為m1，計算h1 =x（t）-m1，如果h1滿足IMF的限制條件，那么h1 是x（t）的第1個IMF分量；

3）如果h1不滿足IMF條件，則將h1作為原始信號重復步驟1至2，上下包絡的平均值為m11，計算h11= h1-m11，直到h1k=h1（k-1）-m1k滿足IMF 條件，得到第1個IMF分量c1= h1k；

4）用x（t）減去c1，得到r1=x（t）-c1。將r1作為原始數據按步驟1至4進行分解，得到第2 個IMF分量c2。以此類推，將原始信號轉變?yōu)閚 個IMF分量c1，c2，…，cn和一個趨勢項rn（t）的和。

5）選取自相關程度最大的IMF分量，采用Hilbert變換，提取故障信號包絡：

2　時域統(tǒng)計參數計算

故障診斷的特征量可以選擇振動信號中的一些統(tǒng)計特征參數，它們會隨故障的性質及大小發(fā)生變化。應用比較廣泛的軸承故障特征參數有均方根值、峰值、波形因數、峰值因數、脈沖因數、峭度因數和裕度因數等。但這些特征參數只對早期故障較為敏感,當故障較嚴重時, 參數值與正常狀態(tài)值接近,會產生誤判問題。

峰值大小可用來反映軸承某一局部故障點的沖擊力大小，可以檢測表面損傷等原因所造成的沖擊性振動。峰值因數能夠反映波形的尖峰度。它不受振動信號絕對值大小的影響，不受軸承尺寸和轉速的影響。缺陷愈大，峰值因數值也愈大。峭度因數與軸承轉速、尺寸、載荷等無關，對沖擊信號特別敏感，特別適用于表面損傷類故障的診斷。但是當故障達到一定程度后，各波峰都是同樣水平的尖峰脈沖波，峭度因數相對于正常狀態(tài)時變化較?。?］。

選擇峰值因數、脈沖因數、峭度因數和裕度因數作為特征量，計算公式如下［7］：

公式中，x（t）為系統(tǒng)中某個特征點的振動響應信號；n為信號長度。

3　Elman神經網絡

BP神經網絡學習收斂速度慢，對外部噪聲敏感，不能保證收斂到全局最小點。Elman網絡是遞歸神經網絡，與BP網絡相比，在線辨識能力好，收斂更迅速，動態(tài)特性更好。

Elman神經網絡結構圖如圖1所示，描述它的非線性狀態(tài)空間表達式如下：

圖1　Elman神經網絡結構

公式中，T是 r維輸入矢量，x,xc,y分別是n維隱含層節(jié)點單元矢量，n維反饋狀態(tài)矢量和m維輸出節(jié)點矢量，w1,w2,w3為不同層間的連接權值，f是隱含層神經元傳遞函數，g是輸出神經元傳遞函數。網絡使用BP算法來修正權值，經過學習和調整，使均方誤差函數E（w）達到最小值［8］。

4　故障診斷實例

本設計使用美國凱斯西儲大學滾動軸承故障數據，驅動端使用6205-2RS深溝球軸承，驅動端軸承的參數為：軸承轉速r=1797r/min；滾珠個數n=9；滾動體直徑d=7.938 mm；軸承節(jié)徑D=39 mm；：滾動體接觸角α=0. 在軸承內圈、外圈和滾動體上均采用電火花技術設置不同損傷程度的單點故障。本文主要研究0.3556 mm損傷點故障。

由以上數據計算滾動軸承不同部件故障的特征頻率為：

外圈滾道故障頻率

內圈滾道故障頻率

滾動體故障頻率

滾動軸承設置三種不同故障，都設置0.3556 mm直徑故障點，在不同負載下（0HP、1HP、2HP）,測量振動信號。對于振動信號數據，利用EMD方法將它分解成多個IMF分量，計算各個分量自相關系數，選取自相關程度最大的IMF分量，對于這個IMF分量采用Hilbert變換，求包絡值，產生振動信號Hilbert包絡譜。尤其要注意的是，選取合適范圍的點進行頻譜分析，才能正確識別出滾動體故障［9］。圖2為動體故障對應時域圖，本設計中選取區(qū)域1和區(qū)域2的采樣點。如果使用1-38000點的數據，得到Hilbert 包絡譜如圖3所示，峰值對應頻率為29.3 Hz,導致誤判斷。

圖2　滾動體故障對應時域圖

圖3　導致誤診的滾動體故障對應的Hilbert 包絡譜

圖4　滾動軸承在負載為0時振動信號Hilbert包絡譜

從圖4的Hilbert包絡譜中可以看出，a,c狀態(tài)的峰值較小,b,d狀態(tài)的峰值較大，利用峰值可以區(qū)別出正常狀態(tài)、滾動體故障與內圈滾道故障、外圈滾道故障；四種狀態(tài)峰值對應的頻率分別為：29.3,161.1,140.6和108.4，與計算理論值非常接近，利用峰值對應的頻率可以區(qū)別出滾動軸承的四種工作狀態(tài)。

圖5　Elman神經網絡訓練過程

表1　滾動軸承時域和頻域特征量數據

計算出各種負載條件下各種故障對應的時域特征量，如表1所示，總體上看，外圈滾道故障數值大于內圈滾道故障數值，內圈滾道故障數值大于正常狀態(tài)數值，正常狀態(tài)數值和滾動體故障數值相近。

將表1的數據進行歸一化處理，再輸入神經網絡，可以自動識別故障類型和負載程度。本文使用Elman網絡進行訓練和識別。圖5為Elman神經網絡訓練過程，它表明網絡訓練成功，訓練誤差較小。經過測試，可以識別故障和負載程度。

5　結論

（1）通過提取時域和頻域信號特征量，綜合分析，并經過Elman網絡訓練，可以較好地識別滾動軸承故障類別和負載大小。

（2）EMD方法對于滾動軸承故障，對內、外圈故障診斷正確率較高，但滾動體故障診斷還存在較多困難。因此，選擇合適范圍的測量點才可以正確識別出滾動體故障。

（3）由于滾動軸承故障信號非常復雜，同時EMD的理論研究有不足,在分解過程中存在模態(tài)混疊，獲得的IMF分量并不是嚴格意義上的單分量信號,在算法改進方面有待進一步研究。

［1］蘇文勝.滾動軸承振動信號處理及特征提取方法研究［D］.大連：大連理工大學, 2010.

［2］何斌,戚佳杰,黎明和.小波分析在滾動軸承故障診斷中的應用研究［J］.浙江大學學報（工學版）,2009,43（7）：1218-1221.

［3］劉宗政.滾動軸承的振動特性分析及典型故障診斷［J］.機械設計與制造,2009,（3）：103-105.

［4］張璇.基于小波包和EMD的滾動軸承故障信號分析［D］.北京：北京化工大學,2008.

［5］劉立君,王奇,楊克己,等.基于EMD和頻譜校正的故障診斷方法［J］.儀器儀表學報,2011（6）：1278-1283.

［6］張進明.基于EMD和HHT的旋轉機械故障診斷方法研究［D］.北京：北京化工大學, 2006.

［7］巫茜, 蔡海尼, 黃麗豐.基于主成分分析的多源特征融合故障診斷方法［J］.計算機科學,2011,38（1）：268-270.

［8］湯寶平,習建民,李鋒.基于Elman神經網絡的旋轉機械故障診斷［J］.計算機集成制造系統(tǒng),2010,16（10）：2149-2152.

［9］趙海峰,楊國斌.基于振動信號的深溝球軸承滾動體故障診斷研究 ［J］.化工機械,2014,41（3）：291-295.

Research of Application of Empirical Mode Decomposition and Neural Network into Diagnosis of Rolling Bearing Fault

CHEN Song1,CHEN Liai1,2
（1.College of Mechanical and Electrical Engineering,Anhui Jianzhu University,Anhui Hefei 230601；
2.Anhui Guozhen Enviromental protection Science and Technology Co.,Ltd,Hefei 230088）

According to the non-stationary characteristics of vibration signals of rolling bearing fault, a kind of fault diagnosis method of rolling bearing based on empirical mode decomposition is put forward, and signal range is screened. With the empirical mode decomposition, original signal is decomposed into several smooth intrinsic mode functions. The IMF component containing main fault information is selected, and dominate features of the time domain and frequency are analyzed. The time domain signal characteristics and the corresponding spectrum peak frequency have been handled through normalized processing, and then they have beenimported into Elman neural network for automatic judgment of the working state.

Empirical mode decomposition； neural network； bearing； fault diagnosis.

TH165+.3

A

2095-8382（2016）04-064-05

10.11921/j.issn.2095-8382.20160414

2016-01-19

安徽建筑大學校青年科研基金專項（2014XQZ02）,住房與城鄉(xiāng)建設部科學技術計劃項目（2014-K7-022）,安徽高校自然科學研究重點項目（KJ2016A156）

陳松（1986-），男，碩士，講師，研究方向為模式識別。