孟慶宇

(中鐵第四勘察設(shè)計院集團有限公司，湖北 武漢 430063)

0 引言

目前，自動扶梯應(yīng)用廣泛，已成為公共交通領(lǐng)域中不可或缺的部分，特別是在車站及地鐵等人流量密集的地點，自動扶梯都被大量投入使用。隨著自動扶梯越來越重要的今天，自動扶梯事故卻呈上升趨勢，公眾對自動扶梯運行故障診斷需求越發(fā)強烈。國外知名的大型電梯公司都開發(fā)有其專屬的電梯監(jiān)控系統(tǒng)[1]，但存在以下問題：只能實現(xiàn)故障報警，無法實現(xiàn)故障診斷及預(yù)測；沒有建立設(shè)備健康指標(biāo)體系，無法提供設(shè)備健康趨勢預(yù)判，對運維幫助有限。國內(nèi)對自動扶梯監(jiān)控系統(tǒng)的相關(guān)研究起步較晚，在功能性及適用性方面都有較大欠缺。目前國內(nèi)開發(fā)的電梯監(jiān)控系統(tǒng)只是實時監(jiān)測自動扶梯的運行狀態(tài)，無故障診斷功能，在許多方面均存在不足。

傳統(tǒng)的時頻處理方法有傅里葉變換，小波變換等，這些方法局限于平穩(wěn)信號，而軸承發(fā)生故障時的振動信號以非平穩(wěn)信號為主。所以本文在現(xiàn)有特征提取與故障識別方法基礎(chǔ)上，提出一種基于EEMD-SVM的自動扶梯主驅(qū)動軸軸承故障診斷方法，實現(xiàn)了對自動扶梯主驅(qū)動軸軸承進行故障預(yù)測及診斷，能夠有效預(yù)防自動扶梯事故的發(fā)生。

1 基于EEMD的信號分解

在采集自動扶梯主驅(qū)動軸軸承振動信號的過程中，會因各種原因?qū)е虏杉降男盘柌皇抢硐氲墓收蠣顟B(tài)振動信號，所以，如何提取振動信號里能準(zhǔn)確表征故障狀態(tài)的特征是研究的關(guān)鍵[2]。

經(jīng)驗?zāi)B(tài)分解(EMD)相較于傅里葉變換等傳統(tǒng)的時頻分析方法來說，其在分析類似于軸承振動信號這類非平穩(wěn)信號方面具有更好的效果。往往一個復(fù)雜的故障振動信號，通過EMD分解，能夠分解成數(shù)個本征模態(tài)函數(shù)(IMF)，每個IMF分量具有不同的特征時間尺度，它代表了原信號在該特征時間尺度范圍內(nèi)的信號分量。因此，EMD具有自適應(yīng)性強和信噪比高的特點。

雖然EMD在分析軸承振動信號這類非平穩(wěn)、非線性信號具有更好的效果，但是EMD仍然有2點影響其應(yīng)用的缺陷，分別是端點效應(yīng)與模態(tài)混疊現(xiàn)象。這2點缺陷都會影響EMD分解結(jié)果的準(zhǔn)確性和精準(zhǔn)度，而從影響EMD的應(yīng)用價值。針對這一問題，Wu等提出了集合經(jīng)驗?zāi)B(tài)分解法(EEMD)[3]。EEMD是通過往原始信號中添加m組白噪聲，形成由m個信號組成的信號組，然后對每個信號進行EMD分解得到m組IMF分量由這m組分量求總體平均，從而消除白噪聲的影響，將結(jié)果作為EEMD分解的IMF分量。

其具體分解步驟和原理如下：

a.一組白噪聲信號有m個，設(shè)為{n1(t),n2(t),…,nm(t)}，根據(jù)白噪聲的特性，每個白噪聲信號的方差相等、均值為零。將該組白噪聲信號添加進原始振動信號x0(t)，可得到由m個信號組成的一組信號{x1(t),x2(t),…,xm(t)}：

xi(t)=x0(t)+ni(t),i=1,2,…,m

(1)

b.將加入白噪聲后形成的信號組{x1(t),x2(t),…,xm(t)}中的每一個信號xi(t)進行EMD分解，得到n個IMF分量ci1(t),ci2(t),…,cin(t)和殘余分量Resin(t)之和。

c.對每個信號xi(t)重復(fù)以上步驟，得到m組IMF分量{[c11(t),c12(t),…,c1n(t)],…,[cm1(t),cm2(t),…,cmn(t)] }和m組余量[Res1n,Res2n,…,Resmn]T。

d.求出m組IMF分量所對應(yīng)的均值序列{c1,c2,…,cn}和m組余量的均值Res

(2)

cj表示原始振動信號x0(t)通過EEMD分解后得到的第j個IMF分量;m則表示加入了m組白噪聲信號;原始振動信號x0(t)通過EEMD分解后，可以表示為

(3)

由于往原始信號中添加了白噪聲，為了消除白噪聲的影響，可以利用其方差相等、均值為零的特性，將原始信號使用EMD分解得到的每一組IMF求總體平均，作為EEMD分解得到的IMF分量。

通過某電梯維保公司，采集維保過程中故障自動扶梯的主驅(qū)動軸軸承振動加速度信號，如圖1所示。

圖1 采集振動加速度信號

2 故障信號特征提取

提取故障信號的特征是故障識別的關(guān)鍵所在，將故障振動信號進行EEMD分解得到的每一階IMF所具有的能量都代表了該故障振動信號在相應(yīng)頻帶內(nèi)的能量[4]。因此每一階IMF分量的能量與自動扶梯主驅(qū)動軸軸承故障振動信號之間具有映射關(guān)系，通過建立這種映射關(guān)系，以IMF的能量作為特征來組成特征向量，作為故障信號特征，從而進行自動扶梯主驅(qū)動軸軸承故障預(yù)測與診斷。

進行故障信號能量特征提取的具體步驟如下：

a.根據(jù)故障振動信號分解出的IMF分量計算能量Ei。計算各IMF分量的能量Ei為

(4)

b.構(gòu)造特征向量。向量[E1,E2,…,En]表示原始信號能力在不同頻帶內(nèi)的組成。為了便于分析和處理，對上述向量歸一化，得到最終的特征向量為

(5)

以一組軸承外圈故障信號為例，該信號各階IMF能量組成的特征向量為T=[0.833,0.491,0.152,0.205,0.004,0.003,0.000,0.000,0.000]。其能量分布如圖2所示。

圖2 故障信號能量分布直方圖

該信號能量集中分布在前5階IMF，剩余的IMF分量則無明顯物理意義，屬于虛假分量。

將各類自動扶梯主驅(qū)動軸軸承故障振動信號EEMD分解后的前5階IMF能量組成5維的特征向量，其中一組向量如表1所示。

表1 部分特征向量樣本

3 基于SVM的故障診斷模型建立

支持向量機(SVM)是一種基于統(tǒng)計學(xué)理論結(jié)構(gòu)風(fēng)險最小化原則的機器學(xué)習(xí)方法[5-6]。然而，在現(xiàn)實問題中，遇到的大多是非線性問題，往往線性不可分。針對這種情況，SVM基于核函數(shù)將二維空間中無法分類的數(shù)據(jù)映射到高維空間[7]，從而使得這些數(shù)據(jù)在高維空間里線性可分。

對自動扶梯主驅(qū)動軸軸承進行故障診斷，需要建立診斷模型，基于SVM建立故障診斷模型步驟如下：

a.采集自動扶梯主驅(qū)動軸軸承外圈故障、內(nèi)圈故障、滾動體故障、相關(guān)緊固件松動和正常狀態(tài)等5種狀態(tài)，每種狀態(tài)分別采集20組信號、40組信號組成訓(xùn)練、測試樣本。訓(xùn)練樣本共100組，測試樣本共200組。

b.取訓(xùn)練樣本EEMD分解后的前5階IMF來計算能量值組成5維的特征向量。

c.基于100組訓(xùn)練樣本建立SVM的故障識別模型并進行訓(xùn)練。

d.基于訓(xùn)練好的SVM故障識別模型，將200組測試樣本組成的特征向量作為輸入，從而驗證該識別模型的正確率。

將軸承外圈故障，內(nèi)圈故障，滾動體故障，相關(guān)緊固件松動，正常狀態(tài)的類別分別設(shè)定為1，2，3，4，5?；赟VM建立故障診斷模型如圖3所示。

圖3 基于SVM的故障診斷模型

4 試驗驗證

通過訓(xùn)練樣本建立SVM故障識別模型后，以測試樣本進行該模型的驗證。同樣的，測試樣本也分為軸承外圈故障等5種狀態(tài)，以原始信號EEMD分解后得到的每階IMF的能量來組成特征向量，將其輸入到訓(xùn)練好的SVM故障識別模型中進行識別，識別正確率對比如圖4所示。

診斷結(jié)果正確率如表2所示。

通過表2可以看出，總體分類正確率高達95.5%，試驗驗證可以得出基于EEMD-SVM的方法進行自動扶梯主驅(qū)動軸軸承故障診斷具有較高的準(zhǔn)確率。

圖4 軸承故障診斷結(jié)果

表2 自動扶梯主驅(qū)動軸軸承故障診斷正確率

5 結(jié)束語

本文提出一種基于EEMD-SVM的自動扶梯主驅(qū)動軸軸承故障診斷方法。使用EEMD對自動扶梯主驅(qū)動軸軸承振動加速度信號進行分解來提取故障信號的能量特征，以此建立SVM故障識別模型，然后基于該模型對故障信號進行診斷，從而確定信號狀態(tài)。該方法能較為準(zhǔn)確地識別故障，實現(xiàn)了對自動扶梯主驅(qū)動軸軸承進行故障預(yù)測及診斷，能夠預(yù)測故障發(fā)生部位，可以有效預(yù)防自動扶梯事故的發(fā)生。