楊治飛，隋文濤，梁 釗

(山東理工大學 機械工程學院，山東 淄博 255000)

變模式分解和熵值法的軸承故障診斷*

楊治飛，隋文濤，梁 釗

(山東理工大學 機械工程學院，山東 淄博 255000)

針對峭度等單一指標篩選最優(yōu)頻帶所存在的困難，提出了利用熵值法計算多指標的權(quán)重，將多個與滾動軸承故障有關(guān)的特征指標進行融合。對軸承振動信號進行變模式分解，再對多個頻帶進行篩選，后得出最優(yōu)頻帶，并對最優(yōu)頻帶進行頻譜分析。通過實際信號對該方法進行了驗證，結(jié)果表明該方法能準確判明軸承運行狀態(tài)。

變模式分解；特征提?。混刂捣?；故障診斷

0 引言

很多旋轉(zhuǎn)機械設(shè)備是長期處于高速運行的，并且其工作環(huán)境往往是處于重載、高壓、高溫的惡劣工況下，滾動軸承作為設(shè)備當中的關(guān)鍵支撐部件在運行的過程中出現(xiàn)各種故障也就不可避免。滾動軸承故障診斷的本質(zhì)就是模式識別的過程，可以將其分為兩部分特征提取和故障分類[1-2]。處于故障當中的滾針軸承，其振動信號不同頻帶上所攜帶的信息也會異于正常滾動軸承，如果能夠提取出攜帶故障信息的特征頻帶即最優(yōu)頻帶，將其進行頻譜分析就能夠判斷出故障類型[3-4]。所以，滾動軸承故障診斷的關(guān)鍵就是提取最優(yōu)頻帶。文獻[1]提出利用經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)與最大峭度解卷積(Maximum Kurtosis Deconvolution，MKD)的滾動軸承故障特征提取方法。此方法通過時域峭度和包絡(luò)譜峭度，篩選出敏感頻帶。文獻[5]利用標準模糊C均值聚類(fuzzy C means clustering,FCM)進行故障識別，除了外圈故障特征線發(fā)生明顯遷移，其他測試樣本故障特征線仍在聚類中心附近。文獻[6]提出了一種多指標識別最優(yōu)頻帶的方法，運用自底向上的思路，以最小化代價函數(shù)為條件，通過細分振動頻譜，將細分的頻譜進行雙向合并，從而提高頻帶劃分的精度，其代價函數(shù)是由峭度、平滑因子、峰度系數(shù)等多個指標運用模糊融合構(gòu)造，有效的提高了識別最優(yōu)共振頻帶的魯棒性。

以上文獻當中所提及的方法，在滾動軸承的故障診斷方面都取得了一定的成果，但是仍然存在著一些問題需要解決，例如，采用單一指標識別共振頻帶方法，經(jīng)常會受到噪聲的干擾，降低魯棒性。文獻[5]提出的多指標模糊融合的思路十分合理，但是其建立融合函數(shù)是一個非常復(fù)雜的過程。本文針對以上問題提出了基于變模式分解(Variational Mode Decomposition，VMD)和熵值法確定多指標權(quán)重的滾動軸承故障診斷方法。首先利用變模態(tài)分解方法將滾動軸承故障信號進行分解，然后對分解所得到的各個分量進行篩選，從中篩選出最優(yōu)頻帶，篩選的方法是首先提取出幾個有效的特征指標，然后利用熵值法確定不同指標的權(quán)重，從而將不同特征指標進行融合，計算出各個分量的最終得分，其中得分分最小的分量即為最優(yōu)頻帶。

1 變模態(tài)分解的基本原理及算法

變模態(tài)分解方法是由Dragomiretskiy和Zosso提出的[7]，本質(zhì)就是一個求解變分問題的過程，使得每個模態(tài)的估計帶寬之和最小，此方法是基于現(xiàn)在一些比較成熟的概念及理論所提出的例如：希爾伯特變換、經(jīng)典維納濾波和頻率混合等。變模態(tài)分解方法利用引入而此懲罰因子α和拉格朗日乘法算子λ(t)，把約束性變分問題轉(zhuǎn)變成了非約束性變分問題。其中擴展拉格朗日表達式為：

(1)

式中,f(t)是原始信號；uk是分解后的各個模態(tài)分量；ωk是不同模態(tài)所對應(yīng)的中心頻率。

變模態(tài)分解方法具體的實現(xiàn)步驟為：

②不斷的更新uk和ωk，其中：

(2)

(3)

③對λ進行更新：

(4)

2 熵值法基本原理及算法

2.1 熵值法的基本原理

熵(entropy)，1850年由德國的物理學家克勞修斯所提出的，熵是用來描述能量在空間分布的均勻程度[8-9]。熵是一個熱力學的概念，是體系混亂度的度量單位，用S表示[10]。在系統(tǒng)論中，熵值越大說明系統(tǒng)的混亂程度越大，所攜帶的信息越少，熵值越小說明系統(tǒng)越趨于有序，其攜帶的信息越多[11]。本文所應(yīng)用的熵值法是一種客觀賦權(quán)方法，通過計算指標的信息熵，根據(jù)指標的相對變化程度對系統(tǒng)整體的影響來決定指標的權(quán)重，相對變化程度越大其指標的權(quán)重也就越大，這種方法在統(tǒng)計學等各個領(lǐng)域應(yīng)用廣泛。

2.2 熵值法的具體算法

如若在m個樣本當中篩選出最優(yōu)的一個樣本，并且選取n個評價指標來評價每一個樣本。這就涉及到一個統(tǒng)計學的問題，即一個由m個樣本組成，由n個指標作出綜合評價的問題，這樣就形成了評價系統(tǒng)初始數(shù)據(jù)矩陣：

(5)

其中,xij表示第i個樣本第j項評價指標的數(shù)值。

求解的具體步驟：

(1)由于熵值法計算采用的是各樣本的某一指標值占總體指標的比重，因此受不同量綱的影響，需要標準化處理。但由于數(shù)據(jù)中有負數(shù)，因此需要對數(shù)據(jù)進行非負化處理,具體公式：

(6)

采用隨機整群抽樣方法，選取浙江省兩所高校500名學生為研究對象，發(fā)放問卷500份，回收問卷462份，篩選、剔除一些無效問卷，共得到有效問卷418份，問卷回收有效率為83.6%。其中，男生237人(56.7%)，女生181人(43.3%)；年齡分布在17～22歲之間，平均19.30±1.48歲。

(2)計算j項指標下第i個樣本指標值的比重yij

(7)

這樣就能夠建數(shù)據(jù)的比重矩陣Y={yij}m*n

(3)計算第j項指標的信息熵值的公式為：

(8)

(9)

3 實例仿真分析

3.1 方案流程圖

本文提出的軸承故障檢測方案如圖1所示，首先對軸承振動信號進行變模式分解，再對多個頻帶進行篩選，后得出最優(yōu)頻帶，并對最優(yōu)頻帶進行頻譜分析。

圖1 實驗流程圖

3.2 仿真實驗

本文選用了西儲大學軸承數(shù)據(jù)，軸承的轉(zhuǎn)速為1797r/min，電機負荷為0，采樣頻率為12kHz取5000個點。要對信號進行變模態(tài)分解，首先要確定K的值，即分解的層數(shù)，本文將K值設(shè)定為4。

首先對變模態(tài)分解得到的4層分量,如圖2所示。

圖2 變模態(tài)分解結(jié)果

對4個分量求峭度、波形指標、方差、有效值4個指標，再利用熵值法給4個分量打分，其中分數(shù)最大的一個即是最優(yōu)頻帶。具體步驟如下：

(1)對原始信號進行變模態(tài)分解得到4個分量；

(2)求每一層的四個特征指標，如表1所示。

表1 每層的特征指標

(3)運用熵值法計算每層的得分，如表2所示。

表2 分層的得分

3.3 實驗結(jié)果分析

如前面所述，僅利用單一指標去確定最優(yōu)頻帶的話，假設(shè)選用峭度指標，則此處的最優(yōu)頻帶是U2或U4，對其進行頻譜分析得到的頻譜圖像如圖3、圖4所示。

圖3 U2頻譜運行結(jié)果

圖4 U4頻譜運行結(jié)果

運用本文提出的方法，由表2可以看出U3分量的得分最大，故分量U3就是最優(yōu)頻帶，對其進行頻譜分析如圖5所示。

圖5 U3頻譜分析運行結(jié)果

通過對圖3～圖5進行對比分析，U2分量中可以看出有故障信息，但是還是存在很明顯的干擾，而U4分量頻譜根本看不出故障所在，U3分量雖說也有部分干擾，但出現(xiàn)的倍頻已經(jīng)可以清晰的分辨出此即是最優(yōu)頻帶，證實了本文提出的熵值法確定權(quán)值的方法可以達到預(yù)期的目的，此方法要比單一指標的方法進行篩選最優(yōu)頻帶更加的全面，排除了單一指標的局限性。

4 結(jié)論

本文針對單一指標確定最優(yōu)頻帶所存在的局限性，以及多指標融合決策，提出了基于變模態(tài)分解和熵值法的多指標權(quán)值法的滾動軸承故障診斷，共包括兩大步驟，即變模態(tài)分解和熵值法賦權(quán)值篩選最優(yōu)頻帶。從實驗分析的結(jié)果來看此方法能夠有效的找到最優(yōu)頻帶，達到了故障診斷的目的，在現(xiàn)實的滾動軸承故障診斷的應(yīng)用中存有很大的潛力。

[1] 徐英帥，王細祥，孫偉.基于小波變換的齒輪箱故障診斷[J].組合機床與自動化加工技術(shù)，2012(2):66-71.

[2] 隋文濤，張丹，Wilson Wang.基于EMD和MDK的滾動軸承故障診斷方法[J].振動與沖擊，2015,34(9):55-64.

[3] 姜萬錄，李寧寧，朱勇.基于小波脊線的滾動軸承故障診斷方法[J].振動與沖擊，2015(14)：1-6,10.

[4]王磊，張清華，馬春燕.基于多頻譜分析的機械故障定位研究[J].組合機床與自動化加工技術(shù)，2014(3):78-81.

[5] 劉長良，武英杰，甄成剛.基于變模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J].中國電機工程學報，2015,35(13):3358-3365.

[6] 李川，朱榮榮，楊帥.基于多指標模糊融合的滾動軸承故障診斷的最優(yōu)頻帶解調(diào)方法[J].機械工程學報，2015,51(7):107-114.

[7] Dragomiretskiy K，Zosso D .Variational mode decomposition[J].IEEE Transactions on Signal Processing,2014,62(3):531-544.

[8] 李學明,李海瑞,薛亮,等.基于信息增益與信息熵的TFIDF算法[J].計算機工程，2012(8)：37-40.

[9]曾月新.熵概念的跨學科發(fā)展[J].天津師大學報，1995(1):42-45.

[10]龔雯.信息熵對于水電上市公司的納稅評估[J].電子測試，2013(18)：108-109.

[11]趙妍，李志民，李天云.一種基于譜峭度的異步電機故障診斷方法[J].電工技術(shù)，2014(5)：189-196.

[12]黃俊，潘宏俠，都衡.基于EMD近似熵和LSSVM的齒輪箱故障診斷研究[J].組合機床與自動化加工技術(shù)，2014(3):111-113.

BearingFaultDiagnosisBasedonVariableModeDecompositionandEntropyValueMethod

YANG Zhi-fei, SUI Wen-tao, LIANG Zhao

(School of Mechanical Engineering, Shandong University of Technology，ZiBo Shandong 255000，China)

Aiming to the difficulty in finding the optimum frequency band using single index, for example kurtosis, it is proposed to apply multi index weight calculated by entropy the method, and then fuse these multiple characteristic index for rolling bearing fault detection. The vibration signal is decomposed by variable mode decomposition, and then the optimal frequency band is selected. The frequency analysis is conducted to the optimal frequency band. The results show that the bearing operation condition can be recognized accurately by the proposed method.

variable mode decomposition; feature extraction; entropy method; fault diagnosis

1001-2265(2017)11-0078-03

10.13462/j.cnki.mmtamt.2017.11.020

2017-01-20

國家自然科學基金(51305243)；山東省自然科學基金(ZR2016EEM20)

楊治飛(1989—)，男，山東德州人，山東理工大學碩士研究生，研究方向為故障檢測，(E-mail)1475596125@qq.com；通訊作者：隋文濤(1977—)，男，山東煙臺人，山東理工大學副教授，博士，研究方向為機械電子，(E-mail)suiwt@163.com。

TH165;TG506

A

(編輯李秀敏)