卓仁雄+肖金鳳+萬(wàn)俊鑠

摘 要：針對(duì)電機(jī)軸承早期振動(dòng)故障信號(hào)非線性非平穩(wěn)性特征，造成振動(dòng)故障信號(hào)特征向量提取和故障診斷困難，提出一種補(bǔ)充的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD）與能量熵結(jié)合的電機(jī)滾動(dòng)軸承故障特征提取方法。通過(guò)對(duì)振動(dòng)信號(hào)分解得到多個(gè)固有模態(tài)函數(shù)，計(jì)算各個(gè)IMF分量的能量熵作為特征選擇，再結(jié)合針對(duì)少量數(shù)據(jù)樣本具有較好分類的SVM進(jìn)行模式識(shí)別，實(shí)現(xiàn)對(duì)電機(jī)滾動(dòng)軸承故障類型識(shí)別。通過(guò)試驗(yàn)研究表明：基于CEEMD能量熵和SVM的電機(jī)滾動(dòng)軸承故障診斷方法效果較好，能有效進(jìn)行電機(jī)軸承早期故障診斷。

關(guān)鍵詞：CEEMD；能量熵；SVM；故障診斷

中圖分類號(hào)：TB

文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.19311/j.cnki.1672-3198.2017.19.101

0 引言

針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解方法（EMD）在處理機(jī)械振動(dòng)信號(hào)的時(shí)變性，非線性非平穩(wěn)性特征較好特點(diǎn)，近年來(lái)在其基礎(chǔ)之上加以改進(jìn)，提出總體平均經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD），相比于EMD具有更好的抗模態(tài)混淆能力，但通過(guò)加入的高斯白噪聲在分解之后產(chǎn)生的非標(biāo)準(zhǔn)IMF分量﹑噪聲殘余﹑且含有一定的模態(tài)混淆情況。在此基礎(chǔ)之上，Yeh等在EEMD的基礎(chǔ)之上提出了CEEMD。其主要方法是通過(guò)向原信號(hào)添加兩對(duì)相反的高斯白噪聲信號(hào)分別進(jìn)行EMD分解，將分解的信號(hào)組合得到最終的IMF，在EEMD基礎(chǔ)之上抑制了由高斯白噪聲產(chǎn)生的重構(gòu)誤差和消除模態(tài)混疊現(xiàn)象。同時(shí)利用信號(hào)能量在不同頻帶內(nèi)會(huì)發(fā)生相應(yīng)的改變，可以通過(guò)CEEMD分解得到若干個(gè)不同頻帶的IMF，分別計(jì)算能量熵值，利用能量熵構(gòu)造特征向量，再結(jié)合對(duì)小樣本具有較好模式識(shí)別能力的支持向量機(jī)（SVM）來(lái)識(shí)別電機(jī)滾動(dòng)軸承運(yùn)行情況和故障類型。

2 試驗(yàn)分析

試驗(yàn)數(shù)據(jù)來(lái)源于美國(guó)凱斯西儲(chǔ)大學(xué)軸承檢測(cè)中心。通過(guò)選取電機(jī)軸承正常狀態(tài)、在0.007英寸（0.1778mm）損失直徑下的滾動(dòng)體故障、內(nèi)圈故障、外圈故障（6點(diǎn)鐘方向）四種狀態(tài)作為分析對(duì)象。采樣頻率為12kHz，電機(jī)轉(zhuǎn)速為1797r/min ，電機(jī)負(fù)荷為0HP。從上述4種工況里面分別采集30組振動(dòng)加速度信號(hào)，每組數(shù)據(jù)長(zhǎng)度為2048個(gè)數(shù)據(jù)點(diǎn)。一共采集120組信號(hào)，然后再利用Matlab里面的randperm函數(shù)分別隨機(jī)從4種工況里面隨機(jī)取20組數(shù)據(jù)，一共80組數(shù)據(jù)樣本作為訓(xùn)練樣本，剩下的每種工況一共40組作為測(cè)試樣本。對(duì)采集的每組數(shù)據(jù)樣本進(jìn)行CEEMD分解進(jìn)行能量特征提取，得到軸承各種狀態(tài)下特征向量。

結(jié)合圖1 圖2和表1可以看出，由CEEMD分解下的預(yù)測(cè)效果全部正確，其準(zhǔn)確率達(dá)到100%。采用EEMD分解方法時(shí)，軸承正常情況、滾動(dòng)體故障、外圈故障、內(nèi)圈故障分別有1個(gè)、3個(gè)、4個(gè)和4個(gè)預(yù)測(cè)錯(cuò)誤。通過(guò)對(duì)比看出采用CEEMD分解下的預(yù)測(cè)效果優(yōu)于EEMD分解。

3 結(jié)論

（1）針對(duì)振動(dòng)信號(hào)的非線性非平穩(wěn)性特點(diǎn)，基于補(bǔ)充的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD），相比EEMD分解不僅能夠抑制模態(tài)混疊問(wèn)題，而且一定程度上解決了分解出現(xiàn)的模態(tài)分裂﹑噪聲殘余等問(wèn)題，具有較好的分解完備性。

（2）針對(duì)軸承振動(dòng)信號(hào)特征，綜合應(yīng)用補(bǔ)充的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解和具有較好模式識(shí)別性能的支持向量機(jī)聯(lián)合診斷模式，可以更有效地識(shí)別電機(jī)軸承早期故障。

參考文獻(xiàn)

[1]HUANG N E，SHEN Z，LONG S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceeding of the Royal Society of London Series A：Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.

[2]Yeh J R，Shieh J S.Complementary ensemble empirical mode decomposition a noval noise enhanced data analysis method[J]. Advances in Adaptive Data Analysis，2010，2（2）：135-156.

[3]張周鎖，李凌均，何正嘉.基于支持向量機(jī)的多故障分類器及應(yīng)用[J].機(jī)械科學(xué)與技術(shù)，2004，23（5）：536-538.

[4]The case western reserve university bearing data center website[EB/OL].http： //csegrous，case.edu/bearing data center/pages/download-data-file.endprint